Resumen
Una de las enfermedades más relevantes en mango es la antracnosis, causada principalmente por Colletotrichum sp. La relevancia de la antracnosis se debe a su alta incidencia en los cultivos de mango, causando alrededor del 60 % de las pérdidas de mango en todo el mundo, aunque, en regiones con periodos de alta pluviosidad y humedad, la incidencia ha llegado a alcanzar el 100 % de la producción de fruta de mango. El control actual de la antracnosis en mango se realiza de forma visual, lo que significa que la detección se realiza en una fase tardía (visible) y está sujeta a la pericia, entrenamiento y agudeza visual de un experto humano. Con el auge de las técnicas de aprendizaje automático, los sistemas de visión hiperespectral han encontrado el complemento para el desarrollo de aplicaciones robustas de detección y clasificación de objetos. Esto ha desencadenado una revolución tecnológica en la inspección y el control de calidad de la fruta, impulsando la investigación y el desarrollo de nuevas soluciones que aborden retos latentes en la agroindustria como la detección temprana de enfermedades en frutas. Así pues, el objetivo de esta investigación ha consistido en desarrollar una metodología para la detección de antracnosis en mango (frutos y hojas) en una fase temprana utilizando imágenes hiperespectrales Vis-NIR y técnicas de aprendizaje automático. Además, esta investigación ha evaluado el potencial de los datos espectrales para caracterizar los síntomas de antracnosis en mango con el fin de establecer un conjunto de longitudes de onda relevantes que representen los principales cambios espectrales inducidos por la enfermedad. Esta investigación también ha abarcado la selección de muestras representativas de frutos y hojas de mango de 3 variedades, la inoculación controlada de Colletotrichum sp. y la adquisición de imágenes hiperespectrales en condiciones de laboratorio. Además, ha definido un marco para implementar diferentes filtros de preprocesado espectral y modelos de aprendizaje automático para clasificar y detectar muestras enfermas de antracnosis. También se han implementado varias técnicas de selección de características para seleccionar un conjunto representativo de longitudes de onda (10) que representaran las diferentes etapas de desarrollo de los síntomas de la enfermedad. Como resultado, se obtuvieron modelos de clasificación, basados en redes neuronales y análisis discriminante cuadrático, con métricas superiores al 95 %, mostrando ser eficientes en la detección de muestras enfermas de antracnosis 48-72 horas antes de que los síntomas se hicieran distinguibles. Además, se ha encontrado que existen varias regiones espectrales en el rango Vis-NIR relacionadas con los síntomas de antracnosis, permitiendo su caracterización desde los estadios tempranos (no visibles) hasta los tardíos. Los hallazgos reportados en esta investigación han evidenciado el enorme potencial de las imágenes hiperespectrales y los modelos de aprendizaje automático para la detección temprana de la antracnosis en mango con espectro completo o reducido, pudiendo servir de base para el desarrollo de novedosos sistemas de detección en frutos de mango con sistemas de visión multiespectral.