nueva página del texto (beta)
Español (pdf)
Artículo en XML
Referencias del artículo
Traducción automática
Enviar artículo por email
Citado por SciELO 
Similares en
SciELO 
Permalink
INTRODUCCIÓN
La hortensia (Hydrangea spp.) es una planta ornamental de origen asiático perteneciente a la familia Hydrangeaceae y la especie H. macrophylla es la de mayor importancia económica (UPOV, 2020); se comercializa como planta para jardín, maceta y flor de corte. En 2014 H. macrophylla fue el segundo arbusto con mayor producción en los Estados Unidos con 10 millones de plantas vendidas ($91.2 millones de USD) (Fulcher et al., 2016), mientras que en 2016 en la Unión Europea fue el segundo producto ornamental con mejor precio de maceta ($2.53 USD) (AIPH, 2016). En México, su producción en maceta lidera el grupo de cultivos con mayor rentabilidad y su importancia como flor de corte va en aumento (SIAP, 2020).
Se comercializan dos tipos de flores cortadas, en estado fresco (Fresh, recolectadas justo después de que los sépalos decorativos están completamente coloreados antes o durante la floración) y flores cortadas en etapa antigua (antique o vintage, recolectadas cuando los sépalos decorativos se vuelven verdes o rojos después de la floración) (Kitamura et al., 2018). La pigmentación de los floretes depende del genotipo y del pH del suelo, que determina la biodisponibilidad de elementos como el aluminio y el fósforo (Fulcher et al., 2016), mientras que en suelos ácidos con disponibilidad de Al se obtienen inflorescencias azules, en suelos alcalinos se presentan tonos rosas. Esta plasticidad hace posible que con el control del pH y las aplicaciones de Al y P se puedan obtener inflorescencias con colores atractivos para el mercado (Fulcher et al., 2016). La percepción del color depende de las características intrínsecas del objeto, de la fuente de iluminación y de la persona receptora de la radiación reflejada por el objeto; por ello, es necesario evaluar los atributos del color y expresar las diferencias, por mínimas que sean, en términos numéricos (Carrillo-Salazar et al., 2019). El uso de clasificadores de color con redes neuronales artificiales (RNA) es una opción accesible que permite identificar el color con precisión con base en estándares de color y una alternativa al uso del colorímetro y la carta de color RHS. Esta metodología de agrupación de píxeles de imágenes con un clasificador basado en redes neuronales artificiales permite calcular la superficie y el color por clase (Carrillo-Salazar et al., 2019), y su análisis espacial y temporal (Liu et al., 2019).
En análisis de imágenes de plantas, el clasificador con RNA segmenta las imágenes y con el uso de diferentes algoritmos se obtienen variables fenotípicas como color, textura, forma, información espacial, contorno (Siraj et al., 2010) y venación (Kulkarni et al., 2013), que en conjunto con variables fisiológicas y ambientales pueden ser usadas como variables de entrada para modelos de predicción de vida poscosecha (In et al., 2009), entre otras aplicaciones. Las RNA se han aplicado en identificación de especies con base en el reconocimiento de pétalos (Tan et al., 2012), reconocimiento automático de flores (Shi et al., 2019), en la clasificación de variedades de crisantemos (Wu et al., 2018) y orquídeas (Arwatchananukul et al., 2015; Sabri et al., 2019), determinación de calidad en Petunia multiflora y Gloxinia (Carrillo-Salazar et al., 2019; Sun et al., 2017), en la detección temprana de enfermedades en Phalaenopsis (Huang, 2007) y en predicción de vida en florero en rosa (In et al., 2009). El objetivo de esta investigación fue determinar la variación del color en floretes en diferentes pH y dosis de Al2(SO4)3 en dos estados de desarrollo floral de dos cultivares de hortensia. utilizando una metodología que se basa en los valores de color obtenidos del análisis de imágenes con un clasificador entrenado con RNA para su interpretación numérica.
MATERIALES Y MÉTODOS
Sitio experimental
El experimento se estableció en el período de mayo a octubre de 2019 en Montecillo, Texcoco, Estado de México, con coordenadas 19° 27’ 40” N, 98° 53’ 19” O y 2250 m de altitud, en un invernadero tipo túnel con techo de media luna de 8 m de ancho, 30 m de largo y 4 m de altura, con cubierta de polietileno blanco lechoso calibre 180 µm (720 galgas) y malla sombra sobre él, resultando en una transmisión de radiación fotosintéticamente activa del 70 %, medida con un sensor (AccuPAR LP-80, Decagon Devices®, Pullman, Washington, EUA). La temperatura y humedad relativa medias fueron 19.5 ºC y 72 % respectivamente, medidas con un Data Logger (WhatchDog A-Series, SpectrumTechnologies®, El Paso, Texas, EUA).
Tratamientos y diseño experimental
Se estudiaron los siguientes factores y niveles: pH de la solución nutritiva (4.5 y 6.0); se agregó ácido fosfórico grado fertilizante, con densidad 1.7 g mL-1 y pureza 85 % al volumen total de solución a preparar, hasta que el pH descendió al valor deseado, determinado con un medidor de pH (Conductronic PC18, México), cultivares (TolA, TolR), estado de desarrollo floral (Fresh, Antique) y dosis de Al2(SO4)3 98 % (T0: 0, T1: 0.25, T2: 0.50 y T3: 1.0 g L-1); de su combinación resultaron 32 tratamientos. Se utilizó un diseño experimental completamente al azar con arreglo en parcelas divididas, con el pH asignado a la parcela grande para regularlo mediante el sistema de riego suministrado a partir de dos depósitos, y las subparcelas correspondieron al cultivar, dosis de Al2(SO4)3 y estado de desarrollo floral. La unidad experimental fue una planta en una maceta de 0.5 L con tres repeticiones.
Manejo del experimento
Se utilizaron plantas de 10 meses después de esqueje, sin floración, en macetas de 0.5 L con sustrato ácido (pH 6.0) consistente en mezcla de tepojal (sustrato de piedra volcánica), tierra de hoja y tierra negra en proporción 1:1:2. La nutrición se dio con Solución de Steiner 25 % (8 días); posteriormente, se incrementó a 50 % (32 días) y se mantuvo a 35 % durante el resto del experimento con 400 mL/planta/día utilizando ácido fosfórico (H3PO4) como fuente de acidificación. La dosis de Al2(SO4)3 se aplicó tres veces por semana (100 mL/planta). Para la colecta de floretes decorativos se siguió la clasificación modificada de Kitamura et al. (2018); se consideró el estado Fresh cuando las inflorescencias presentaban más de 90 % de pigmentación en los floretes decorativos y apertura mayor de 40 % de flores verdaderas, y el estado Antique o Vintage cuando los floretes presentaban más de 80 % de superficie con matiz verde o rojizo y apertura mayor de 40 % de flores verdaderas.
Obtención y segmentación de imágenes digitales
Se recolectaron floretes al azar en toda la inflorescencia en los estados Fresh y Antique; en cada fecha de muestreo se recolectaron nueve floretes por tratamiento con un total de 288, que fueron digitalizados en un escaner HP Scanjet® a 600 dpi en formato JPEG; después, las imágenes individuales de los floretes se recortaron a 100 × 100 píxeles y se almacenaron. Se obtuvieron los valores de los canales del espacio de color RGB (rojo, verde, azul) de 40, 22, 39 y 29 submuestras de 30 × 30 píxeles de cuatro áreas clasificadas visualmente de color azul, café, rosa o verde, mediante muestreo dirigido. Con los valores de los canales del espacio de color RGB y su respectiva clase objetivo (cuatro clases) asociada con cada registro se generó una base de datos de 56,309 registros en una hoja de cálculo en formato CSV (Figura 1). La RNA se creó y entrenó con el programa Neuroshell Classifier® (Al Trilogy, Ward Systems Group, Inc., Frederick, Maryland, EUA) de acuerdo con la metodología descrita en Carrillo-Salzar et al. (2019). Para evaluar el desempeño en predicción del clasificador se usaron cuatro criterios: 1) la precisión global (OA), que se define como el número de individuos clasificados correctamente en cada clase entre el número total de individuos, 2) el área de la curva (ROC), definida por la relación entre las tasas de positivos verdaderos (sensibilidad) y las tasas de positivos falsos (Al Trilogy, 2020), 3) la sensibilidad (positivos verdaderos) definida como el número de positivos verdaderos dividido por la suma de positivos verdaderos más negativos falsos, y 4) especificidad (negativos verdaderos), que es el número de negativos verdaderos dividido por la suma de los negativos verdaderos y positivos falsos (Florkowski, 2008).
Figura 1 Ejemplos de muestras de 30 x 30 píxeles de las clases de color azul (A), verde (B), rosa (C) y café (D) en las etapas fenológicas Fresh y Antique utilizadas en la generación del clasificador con RNA.
Con el mejor clasificador (RNA) entrenado, se analizaron las imágenes en secuencia y se almacenaron automáticamente los siguientes resultados en una hoja de cálculo: superficie (%, cm2) y la media de los valores R, G y B para cada clase por florete.
Determinación del color de floretes decorativos
Las 920 cartas de color de la Royal Horticultural Society (5a edición) se digitalizaron a 600 dpi con el mismo escáner HP Scanjet® usado para obtener las imágenes de los floretes y se almacenaron en formato JPEG; después, se tomó una muestra de 100 × 100 píxeles en la parte central de cada carta, se obtuvieron los valores promedio de los canales del espacio de color RGB de esas superficies con un programa escrito en Microsoft Visual Basic 6.0 y se almacenaron en una hoja de cálculo junto con la descripción de la nomenclatura de la carta RHS. Para determinar la carta RHS representativa del color promedio de la superficie de cada clase de color en los floretes, se seleccionó la carta que minimizó la siguiente función en un programa en VBA (Visual Basic para aplicaciones) en Microsoft® Excel®:
Donde: Ri, Gi, y Bi son los valores promedio de los canales del modelo de color RGB de los píxeles de la superficie de una determinada clase de color en las imágenes de los floretes. Rc, Gc, y Bc son los valores promedio de los canales del modelo de color RGB de los píxeles de una muestra de la superficie de una determinada carta RHS.
Para evaluar el efecto de los tratamientos en el color de los floretes se determinaron las variables: 1) superficie por clase de color (SCC, %) dividiendo el número de píxeles de cada clase de color entre el número de píxeles totales de la superficie del florete y el resultado se multiplicó × 100, 2) frecuencia del grupo de color dominante (FCD, %). Con las cartas RHS obtenidas con la Ec.1 por tratamiento se obtuvo el grupo de color (descrito en las cartas RHS) con la frecuencia más alta o dominante por clase; en este caso, el valor más alto de FCD indica mayor estabilidad del color.
Análisis estadístico
Se realizó análisis de varianza y comparación de medias con la prueba de Tukey (P ≤ 0.05) con SAS versión 9.1 (SAS Institute, 2004) y análisis de conglomerados con partición alrededor de medoides con R (V.3.6.3; R Core Team, 2006). A los datos no paramétricos (variable FCD) se les aplicó análisis de frecuencia con una prueba binomial (P ≤ 0.05) con el programa JASP versión 0.12.1 (Goss-Sampson, 2020) BibTeX.
RESULTADOS Y DISCUSIÓN
En la Figura 2 se muestran ejemplos de la aplicación de la metodología para la segmentación de imágenes de floretes usando el clasificador con RNA, con los colores originales (A-D) y la segmentación por clase de color con la superficie en pseudocolor (E-H).
Figura 2 Segmentación de imágenes, florete original (A-D) y florete segmentado en cuatro posibles clases: azul, rojo, café, verde (E-H). Clase café representada por pseudocolor amarillo.
El clasificador entrenado con los canales de color RGB como variables de entrada presentó precisión global (OA) de 99.36 %, mientras que el área bajo la curva (ROC), sensibilidad y especificidad fueron mayores a 0.97 en cada clase (Cuadro 1).
Cuadro 1 Media
| Clase | Índice de desempeño | ||||||||
|---|---|---|---|---|---|---|---|---|---|
| ROC | Sensibilidad | Especificidad | |||||||
| SD | CV (%) | SD | CV (%) | SD | CV (%) | ||||
| Rosa | 0.999 a | 0.0001 | 0.010 | 0.982 a | 0.0070 | 0.713 | 0.993 a | 0.0102 | 1.027 |
| Azul | 0.999 a | 0.0001 | 0.010 | 0.987 a | 0.0054 | 0.547 | 0.996 a | 0.0043 | 0.432 |
| Café | 0.999 a | 0.0001 | 0.010 | 0.976 a | 0.0748 | 7.664 | 0.995 a | 0.0017 | 0.171 |
| Verde | 1.000 a | 0.0001 | 0.010 | 0.996 a | 0.0097 | 0.974 | 0.996 a | 0.0122 | 1.225 |
Medias con letras iguales en las columnas no son estadísticamente diferentes (Tukey, P ≤ 0.05). ROC: área bajo la curva.
Variables del color en floretes
En el Cuadro 2 se muestran las fuentes de variación en el porcentaje de superficie por clase de color (SCC); en la clase rosa se atribuyeron principalmente al cultivar, estado fenológico y sus interacciones (P ≤ 0.0001), sin diferencias significativas en SCC por efecto de la dosis de Al2(SO4)3, con excepción de T1 (0.250 g L-1) con pH 6.0 en estado Fresh que fue 25 % mayor en TolR que en TolA. A diferencia de las clases con mayor superficie, en la clase azul la variación fue debida al cultivar (P ≤ 0.0001) y las interacciones estado de desarrollo floral × pH × dosis de Al2(SO4)3 y por tratamiento (P ≤ 0.0037), que promovieron un SCC 11 % mayor en TolA que en TolR. Bajo pH 4.5 en estado Fresh el cultivar TolA obtuvo mayor SCC sin la aplicación de Al2(SO4)3, a diferencia del estado Antique, donde la dosis más alta promovió mayor SCC; por otro lado, en ambos estados de desarrollo floral el pH 6.0 sin la aplicación de Al2(SO4)3 tuvo mayor SCC.
Cuadro 2 Efecto de los tratamientos en el porcentaje de superficie cubierta por clase SCC (rosa, azul, café y verde).
| pH | Estado fenológico | Dosis de Al2(SO4)3 (g L-1) |
Cultivar | |||||||
|---|---|---|---|---|---|---|---|---|---|---|
| TolA | TolR | |||||||||
| rosa | azul | café | verde | rosa | azul | café | verde | |||
| 4.5 | Fresh | 0.00 | 86 ab | 14 a | 0 c | 0 c | 98 a | 1 b | 1c | 0 c |
| 0.25 | 85 ab | 15 a | 0 c | 0 c | 98 a | 1 b | 1 c | 0 c | ||
| 0.50 | 93 a | 7 b | 0 c | 0 c | 97 a | 1 b | 2 c | 0 c | ||
| 1.00 | 93 a | 7 b | 0 c | 0 c | 98 a | 1 b | 1 c | 0 c | ||
| Antique | 0.00 | 1 c | 2 b | 1 c | 95 a | 4 c | 2 b | 93 a | 1 c | |
| 0.25 | 1 c | 7 b | 3 c | 88 a | 2 c | 2 b | 94 a | 2 c | ||
| 0.50 | 6 c | 9 b | 1 c | 85 a | 1 c | 4 b | 92 a | 3 c | ||
| 1.00 | 2 c | 11 a | 1 c | 86 a | 4 c | 4 b | 84 a | 8 c | ||
| 6.0 | Fresh | 0.00 | 89 a | 11 a | 0 c | 0 c | 99 a | 1 b | 0 c | 0 c |
| 0.25 | 73 b | 27 a | 0 c | 0 c | 98 a | 1 b | 0 c | 0 c | ||
| 0.50 | 87 a | 13 a | 0 c | 0 c | 98 a | 2 b | 0 c | 0 c | ||
| 1.00 | 93 a | 7 b | 0 c | 0 c | 99a | 1b | 0 c | 0 c | ||
| Antique | 0.00 | 4 c | 22 a | 2 c | 72 a | 1 c | 1 b | 66 ab | 32 b | |
| 0.25 | 6 c | 2 b | 7 c | 85 a | 2 c | 1 b | 91 a | 5 c | ||
| 0.50 | 0 c | 2 b | 0 c | 98 a | 2 c | 2 b | 66 ab | 30 bc | ||
| 1.00 | 1 c | 23 a | 1 c | 74 a | 2 c | 1 b | 97 a | 0 c | ||
Medias con letras iguales en las columnas no son estadísticamente diferentes (Tukey, P ≤ 0.05).
En la clase café las variaciones en SCC se atribuyeron a todas las fuentes de variación e interacciones, con excepción de las interacciones cultivar × dosis de Al2(SO4)3 (P = 0.2783), y cultivar x estado de desarrollo floral × dosis de Al2(SO4)3 (P = 0.1925), aunque en la prueba de medias de Tukey sólo se observaron diferencias entre medias por cultivar y estado de desarrollo floral. En TolR en estado Fresh, independientemente del pH, la SCC presentó valores cercanos a cero, que incrementaron a 88.5 % (pH 4.5) y 82.3 % (pH 6.0) en estado Antique como efecto del avance de la floración. En SCC de la clase verde las mayores significancias (P ≤ 0.0001) se obtuvieron por cultivar y estado fenológico, en particular TolR bajo un pH de 6.0, que presentó mayor superficie verde sin la aplicación de Al; en cambio, no se presentó variación en SCC por efecto del pH (P = 0.2066), pH × estado fenológico (P = 0.2066), cultivar × dosis de Al2(SO4)3 (P = 0.3740), ni en cultivar × estado fenológico × dosis de Al2(SO4)3 (P = 0.3740).
Las clases de color con mayor superficie en los floretes de TolA fueron la rosa (87 %) y verde (85 %), y para TolR la rosa (98 %) y café (85 %), para los estados Fresh y Antique, respectivamente, por lo que se determinaron como clases de color dominantes (SSC). La superficie rosa fue la clase dominante en ambos cultivares en estado Fresh, como resultado de un alto contenido de P en la solución nutritiva (KH2PO4 y H3PO4), lo que posiblemente favoreció la mayor formación de la antocianina delfinidina-3-glucósido en su forma más estable; es decir, el catión flavilio (AH+) que contribuye a la coloración roja y morada de flores (Castañeda-Ovando et al., 2009; Yoshida et al., 2003), y por lo tanto, la cantidad de Al no fue suficiente para promover la formación de pigmentos que reflejan el color azul.
La variación de color en los sépalos es determinada por el tipo de pigmentos presentes que afectan el matiz o longitud de onda reflejada predominantemente (Narbona et al., 2014). En esta investigación se determinó un indicador de estabilidad (FCD, %) que calcula el grupo de color de las cartas RHS de mayor frecuencia observado en las SCC dominantes. En el Cuadro 3 se observan los valores de FCD correspondientes a las clases dominantes con superficies medias mayores a 3 %, y se aprecian siete grupos de color con mayor FCD: púrpura-violeta (PV) y rojo-púrpura (RP) para la clase rosa en estado Fresh; naranja-grisáceo (GO) y marrón-grisáceo (GB) para la clase café y verde-amarillento (YG), verde-grisáceo (GG) y marrón-grisáceo (GB) para la clase verde, correspondientes al estado Antique.
Cuadro 3 Efecto de los tratamientos en la frecuencia del grupo de color dominante† (FCD) por tratamiento para las superficies de color dominante (SCC).
| pH | Estado fenológico | Dosis de Al2(SO4)3 (g L-1) |
Cultivar | |||||||
|---|---|---|---|---|---|---|---|---|---|---|
| TolA | TolR | |||||||||
| rosa | % | verde | % | rosa | % | café | % | |||
| 4.5 | Fresh | 0.00 | PV | 56 | RP | 78 | ||||
| 0.25 | PV | 44 | RP | 67 | ||||||
| 0.50 | PV | 33 | RP | 100 | ||||||
| 1.00 | PV | 89 | RP | 78 | ||||||
| Antique | 0.00 | YG | 67 | GO | 67 | |||||
| 0.25 | YG | 56 | GO | 100 | ||||||
| 0.50 | YG | 67 | GO | 78 | ||||||
| 1.00 | GB | 56 | GO | 67 | ||||||
| 6.0 | Fresh | 0.00 | PV | 44 | RP | 100 | ||||
| 0.25 | PV | 89 | RP | 100 | ||||||
| 0.50 | PV | 67 | RP | 100 | ||||||
| 1.00 | RP | 56 | RP | 67 | ||||||
| Antique | 0.00 | GG | 44 | GB | 67 | |||||
| 0.25 | YG | 56 | GO | 78 | ||||||
| 0.50 | YG | 100 | GO | 50 | ||||||
| 1.00 | YG | 44 | GO | 78 | ||||||
| |
||||||||||
| RP | PV | YG | GO | GP | GG | GB | ||||
†Prueba Binomial (P ≤ 0.05). Grupos de color: RP: rojo-púrpura, PV: púrpura-violeta, YG: verde-amarillento, GO: naranja-grisáceo, GR: rojo-grisáceo, GP: púrpura-grisáceo, GG: verde-grisáceo, GB: marrón-grisáceo. Cada grupo de color está representado con la imagen de la carta RHS de mayor frecuencia.
En TolA en estado Fresh la mayor FCD (89 %) se obtuvo para PV en ambos niveles de pH; con pH 4.5 se obtuvo mayor FCD bajo todas las dosis de Al2(SO4)3, con el valor máximo en T3, y disminuyó a 11 % con el avance de la floración, mientras que en Antique se obtuvieron dos grupos con mayor FCD, YG de colores vívidos con las dosis T0 a T2 y GB de colores opacos con T3; grupos de color con valores similares de CIE-L 76.62 (YG), 73.98 (GB), pero con marcada diferencia en C: 64.24 (YG) y 31.67 (GB), respectivamente. Con pH 6.0 en TolA, el PV de violetas pálidos mostró mayor FCD en estado Fresh en las dosis 0 a 0.5 g L-1 de Al2(SO4)3, alcanzando el FCD máximo con T1, mientras que con la dosis más alta de Al2(SO4)3 el grupo de color con mayor FCD fue RP, similar a los tonos vívidos de RP obtenidos en TolR en Fresh.
Como efecto de la interacción de la dosis de Al2(SO4)3 × pH × estado fenológico, el cambio en el color de la carta de mayor FCD de PV a RP aumentó en CIE L* de 66.30 a 86.01 y disminuyó en C* de 68.36 a 36.6. En estado Antique, con la aplicación Al2(SO4)3, el grupo de color con mayor FCD fue YG, que alcanzó 100% en T2 y sin Al2(SO4)3, el GG fue el grupo de color con mayor FCD caracterizado por presentar menor C* (20.5) que en YG (58.6). TolR tuvo mayor FCD en estado Fresh con 25.3 % (pH 4.5) y 27.8 % (pH 6.0), y en estado Antique con 16.5 % (pH 4.5) y 7.3 % (pH 6.0) que TolA y presentó menor variación en los grupos de color, indicando mayor estabilidad y uniformidad. En estado Fresh en la clase rosa, RP obtuvo mayor FCD, independientemente del pH, con los máximos valores bajo pH 4.5 en T2 y a pH 6.0 con las dosis 0 a 0.5 g L-1, y en estado Antique en la clase café bajo pH 4.5; GO obtuvo mayor FCD independientemente de la dosis de Al aplicada con el máximo FCD en T1; mientras que con pH 6.0, la aplicación de Al2(SO4)3 cambió el grupo de color de mayor FCD de GB a GO con valores similares de CIE L* y C*.
El color dependió principalmente del estado de desarrollo floral, posiblemente determinado por la función del pigmento; mientras que en estado Fresh los floretes mostraron colores intensos, púrpura-violeta en TolA y rojo-púrpura en TolR, importantes para la atracción de polinizadores, dispersión de semillas y fotoprotección (Narbona et al., 2014); en etapa Antique, los floretes presentaron matices verdes-amarillentos en TolA y colores naranja-grisáceos en TolR, sugiriendo la posible reactivación de los cloroplastos en órganos florales (Muñoz y Munné-Bosch, 2018), necesarios para la acumulación de fotoasimilados y producción de yemas florales en verano (Pagter et al., 2011), esencial en hortensia que presenta dormancia invernal y defoliación natural. Schreiber et al. (2011) mencionaron que en H. macrophylla cada genotipo presenta el mismo contenido de antocianinas, independientemente del color que muestren las inflorescencias, pero la tonalidad depende de la concentración de Al, lo que explica los resultados obtenidos en este estudio, ya que se presentó una interacción entre el genotipo y la disponibilidad de Al en la solución nutritiva. Este comportamiento se observó en TolR, cuyos floretes mostraron mayor uniformidad y estabilidad del color, consecuencia de una baja disponibilidad del Al y alto contenido de P en la solución nutritiva (KH2PO4 y H3PO4) (Castañeda-Ovando et al., 2009). Otros autores también han usado las RNA para segmentar imágenes digitales en diversas especies ornamentales con la finalidad de determinar variación en el color y forma de estructuras vegetales entre variedades, con clasificadores de píxeles con una precisión de hasta 98 % (De Keyser et al., 2013; Lootens et al., 2007; Singh et al., 2011; Yoshioka et al., 2006), lo cual es útil en la identificación de especies, clasificación de plantas por calidad, detección temprana de enfermedades, predicción de vida en florero, selección de líneas de mejoramiento, selección de técnicas productivas para satisfacer los estándares de mercados específicos y clasificación de productos hortícolas. En la presente investigación las RNA permitieron clasificar las unidades de cada imagen (píxel) en cuatro categorías de color. Después de segmentar cada imagen de los floretes fue posible calcular otras variables como distribución, uniformidad y superficie en cada clase de color, lo que permitió identificar la forma en que los tratamientos afectaron dos estados florales de importancia comercial (Fresh y Antique). La metodología propuesta tiene la ventaja sobre métodos convencionales de poder determinar color en superficies reducidas, donde hay mezclas de diversas clases de color a un costo accesible, y no se requiere analizar inmediatamente las muestras colectadas; el análisis de imágenes se realiza de manera automatizada en corto tiempo y se puede generan un gran número de variables respuesta.
CONCLUSIONES
Las redes neronales artificiales permitieron clasificar las unidades de cada imagen (píxel) en cuatro categorías de color, y calcular otras variables necesarias para identificar el efecto de los tratamientos en los estados florales Fresh y Antique en dos cultivares de hortensia. Con el uso del clasificador de píxeles se determinó que el estado de desarrollo floral y el genotipo tuvieron efecto en el color de los floretes y que la dosis de Al2(SO4)3 y pH únicamente tuvieron efecto cuando interactuaron con los otros factores. En estado Fresh, la mayor uniformidad y estabilidad del color en los floretes se obtuvo en el cultivar TolA cuando la solución nutritiva tenía un pH 4.5 y 1.0 g L-1 de Al2(SO4)3 y en el cultivar TolR con pH 4.5 y dosis de 0.25 g L-1 de Al2(SO4)3 y para pH 6.0 sin aplicación de Al2(SO4)3. En estado Antique, la mayor uniformidad y estabilidad del color se obtuvo en el cultivar TolA aplicando 0.50 g L-1 de Al2(SO4)3 con pH 6.0 y en TolR con 0.25 g L-1 de Al2(SO4)3 y pH 4.5.
