DEFICIENCIAS DE HIERRO Y MANGANESO EN

HOJAS DE FRIJOL
INTRODUCCION:
La deteccin de deficiencias nutrimentales de un cultivo se da por lo general mediante
un anlisis qumico; sin embargo, la dinmica del ciclo de vida en la mayora de los
casos es muy rpida, por lo que el tiempo se convierte en un inconveniente al momento
de hacer diagnsticos en el estado nutrimental del cultivo, Paralelamente existe tambin
el inconveniente en la expresin de los sntomas visuales de las deficiencias de
micronutrientes como el hierro y el manganeso, los cuales pueden llegar a ser
confundidos, o bien la relacin entre estos dos elementos, la cual, en caso de estar en
desbalance puede provocar efectos en la asimilacin o acumulacin de acuerdo a la
proporcin de cada uno.
Una herramienta no necesariamente explorada en su totalidad, es el uso de los anlisis
de imgenes digitales para determinar un estatus nutrimental en algn cultivo o bien
cuantificar daos causados por insectos. El anlisis de color ha jugado un papel
importante en el uso de esta herramienta, sin embargo, tambin existe el anlisis textural
que en algunos casos ha servido para identificar, por ejemplo, malezas en un cultivo.
MATERIALES Y METODOS:
5.1 Establecimiento del experimento
5.1.1 Siembra En un invernadero en Texcoco, Mxico, se sembraron 120 semillas de
frijol (Phaseolus vulgaris L.) cv. Cacahuate en charolas de 60 cavidades utilizando
como sustrato perlita (Agrolita), el cual es considerado inerte y estril, depositando
una semilla por cavidad. El proceso se inici humedeciendo la perlita y posteriormente
se taparon las charolas con una cubierta plstica hasta el momento de la emergencia,
con la finalidad de conservar la humedad. Una vez que la radcula fue visible se retir la
cubierta y se llevaron a cabo riegos diarios; durante todo el proceso se utiliz
nicamente agua destilada tipo II, la cual es de grado analtico y en la que se han
eliminado las impurezas e iones mediante la destilacin. Esto con la finalidad de evitar
en lo posible la interferencia con los micronutrimentos evaluados se eliminaron tambin
los cotiledones a los siete dds.

5.1.2 Transplante
El transplante se llev a cabo 24 dds (das despus de la siembra) en vasos de
poliestireno expandido de 1 L de capacidad. Se tom como referencia el sistema de raz
flotante; la fertilizacin se hizo en el riego de acuerdo a los ocho tratamientos con las
variaciones indicadas en el Cuadro 1, en funcin del micronutriente a estudiar mediante
la tcnica del elemento faltante. Cada tratamiento a su vez tuvo diez repeticiones. La
solucin nutritiva referencia fue la solucin Steiner. Se us agua destilada tipo II para
preparar la solucin nutritiva. Estas soluciones fueron ajustadas a un pH de 6.3 y CE de
2.0 dS m-1 y fueron suministradas una vez que las hojas cotiledonares estaban
expandidas; previamente las plantas fueron regadas nicamente con agua destilada.

Figura 1. Apreciacin visual del estado fenolgico del cultivo previo y en el momento
del transplante 24 das despus de la siembra (dds) y con los cotiledones ya eliminados.

Cuadro 1. Tratamientos evaluados en la investigacin con base en la solucin Steiner.

Figura 2. Vista general del establecimiento del cultivo en los vasos de poliestireno.

Figura 3. Las plantas fueron sumergidas en todo momento en la solucin nutritiva, la

cual se cambi y agit peridicamente para evitar la acumulacin de algas.

5.2 Anlisis de imgenes y generacin de modelos

5.2.1 Obtencin de las imgenes
En la etapa vegetativa se tom la cuarta hoja recientemente madura de cada una de las
diez repeticiones, completamente expandida, para realizar la digitalizacin a 300 dpi
con un escner comercial tipo flatbed comercial HP Scanjet G2410 y se almacenaron
en el formato JPG. La digitalizacin se realiz inmediatamente despus de haber sido
cortadas las hojas para evitar su marchitamiento. Posteriormente a la digitalizacin de la
hoja, se tom el foliolo izquierdo, a partir de los cuales se tomaron diez submuestras de
cada uno de ellos. Dicha decisin fue tomada a partir de ensayos previos en los que se
evalu el anlisis de imagen de cada uno de los foliolos para determinar cul era el
mejor indicador de las caractersticas texturales y de color a evaluar. Finalmente se

tuvieron 60 subimgenes por cada uno de los tratamientos, constituyendo as un

conjunto de 360 subimgenes de 100x100 pixeles cada una. El proceso de manipulacin
se llev a cabo usando el programa de distribucin libre para Windows, GIMP 2.8.4.

Figura 4. Momento previo a la colecta de hojas para su digitalizacin.

5.2.2 Anlisis de color y textura
Con un programa en Visual Basic se obtuvieron los valores numricos para los tres
canales de color del espacio RGB (R = Rojo, G = Verde y B = Azul por sus siglas en
ingls). Los valores RGB se convirtieron al clasificador de color estndar sRGB
(lineales) definido por la Commission Internationale de Lclairage (IEC, IEC61966-21, 1999 citado por Mendoza et al., 2006), con lo que se calcul el espacio de color CIE-

Lab. El croma (C) se calcul con la ecuacin (a2+b2)1/2, mientras que el matiz (H) se
calcul a partir del arcotangente de la relacin a/b (McGuire, 1992), donde a y b son dos
canales del espacio de color CIE-Lab.
Se sigui la metodologa de Haralick et al. (1973) que consisti en obtener la matriz de
co-ocurrencia de frecuencias relativas Pij de pares de pixeles vecinos en una imagen
digital, uno teniendo nivel de tono i y otro j, separados por = (r = 1, = 0, 45, 90,
135) en la submuestra, donde r es la distancia en pixeles y el ngulo. = (r) denota un
vector en las coordenadas polares de la imagen. Los Pij por ngulo se promediaron para
generar una matriz de co-ocurrencia promedio, que fue registrada en una hoja de clculo
y donde n es el nmero de tonos de grises.
En cuanto al anlisis textural, se determinaron cuatro caractersticas:
a. Segundo Momento Angular (SMA). Llamada tambin uniformidad, es una medida
local de la homogeneidad y es la caracterstica opuesta a la entropa. Es un estadstico
de segundo orden en el dominio espacial. Valores altos son indicadores de uniformidad
en los pixeles (Jensen, 1996). Esta caracterstica textural fue calculada usando la
frmula:

b. Entropa (EN). sta caracterstica es un estadstico de primer orden y analiza la

aleatoriedad. Los valores bajos comprendidos entre 0 y 1 indican uniformidad (Jensen,
1996). A su vez, menciona que sta caracterstica textural es una medida estadstica de
la aleatoriedad que puede ser usada para caracterizar la textura de la imagen entrante.
As, la entropa, a partir de la matriz de co-ocurrencia normalizada fue calculada como:

c. Inercia (IN). Calculada a partir de la matriz de co-ocurrencia:

d. Homogeneidad local (HoL). Es una medida de las caractersticas de contraste. Al

incrementarse las caractersticas de contraste cercanas, la homogeneidad local
disminuye. Llamada tambin momento de diferencia inversa. Est dada por la ecuacin:

Para llevar a cabo el anlisis textural, la imagen que se tiene originalmente es a color,
por lo que podra estar compuesta de alrededor de 16 millones de colores
aproximadamente que se originan de la multiplicacin de las tres capas del espacio de
color RGB (28*28*28). As entonces, cada canal est compuesto de 256 posibilidades
de color. Al convertir dicha 20 imagen de color a escala de grises, se toma una sola de
esas capas y por lo tanto, las posibilidades de color se reducen a solo 256 (28).
Posteriormente se llega a una etapa llamada quantizacin, en la cual aun hay una
reduccin ms en las posibilidades de color. Para el caso del experimento se toman
arbitrariamente 16 posibilidades, lo que significa que todos los colores de la imagen que
se siten en las posibilidades de color del 1 al 16 tomarn el mismo valor, mientras que
los pixeles que se siten en los valores del 17 al 32 tomarn un segundo valor y as
sucesivamente. Siguiente a esta etapa se analiza cada uno de los pxeles de la imagen en
cuanto a la variacin con respecto al pixel vecino en cuatro direcciones: horizontal,
vertical, diagonal izquierdo y diagonal derecho con lo que se va conformando un arreglo
matricial basado en las frecuencias de ocurrencia de cada tono con respecto a las cuatro
direcciones mencionadas. Finalmente se promedian las frecuencias de las cuatro
direcciones y se obtiene un valor, el cual ser usado para determinar los valores
texturales de la imagen analizada. Posteriormente, para la generacin del modelo, los
datos se introdujeron en el programa NeuroShell Classifier Release 2.2 de AI Trilogy
(Ward Systems Group, Inc.), mismo que realiz la clasificacin.
5.2.3 Entrenamiento de datos

Se entrenaron tres grupos de datos de ocho (100 % de Fe y Mn; 200 % Fe, 100 % Mn;
50 % Fe, 100 % Mn; 0 % Fe, 100 % Mn; 0 % Fe, 0 % Mn; 100 % Fe, 0 % Mn; 100 %
Fe, 50 % Mn y 100 % Fe, 200 % Mn), seis (100 % de Fe y Mn; 50 % Fe, 100 % Mn; 0
% Fe, 100 % Mn; 0 % Fe, 0 % Mn; 100 % Fe, 0 % Mn y 100 % Fe, 50 % Mn) y cuatro
(100 % de Fe y Mn; 0 % Fe, 100 % Mn; 0 % Fe, 0 % Mn y 100 % Fe, 0 % Mn)
tratamientos o clases con 315, 234 y 160 submuestras respectivamente. En esta etapa
del proceso se probaron 21 diferentes combinaciones de 12 variables: cinco de ellas
relacionadas al color (R, G, B, C, H, CIEL, CIEa y CIEb) y cuatro pertenecientes al
anlisis textural (SMA, EN, IN y HoL). Como variables de salida se consideraron los
ocho, seis o cuatro tratamientos establecidos. Los clasificadores se entrenaron de 3 a 12
variables de entrada independientes arriba mencionadas y un nmero mximo de 150
neuronas en la capa interna. Se desecharon aquellas combinaciones en las cuales el
porcentaje de ajuste de datos fue inferior al 85%, mientras que las que superaron dicho
porcentaje se emplearon en la validacin de los datos. En la Figura 5 puede observarse
la hoja de frijol digitalizada previa a la obtencin de las submuestras, las cuales se
ejemplifican en la Figura 6.

Figura 5. Cuarta hoja de frijol var. Cacahuate recientemente madura de los tratamientos:
(a) 100 % de Fe y Mn, (b) 200 % Fe y 100 % Mn, (c) 50 % Fe y 100 % Mn, (d) 0 % Fe
y 100 % Mn, (e) 0 % Fe y 0 % Mn, (f) 100 % Fe y 0 % Mn, (g) 100 % Fe y 50 % Mn,

(h) 100 % Fe y 200 % Mn, colectadas a los 63 dds en septiembre 2012 de plantas
cultivadas en semihidropona

Figura 6. Submuestras obtenidas de las hojas de frijol var. Cacahuate recientemente

madura de los tratamientos: (a) 100 % de Fe y Mn, (b) 200 % Fe y 100 % Mn, (c) 50 %
Fe y 100 % Mn, (d) 0 % Fe y 100 % Mn, (e) 0 % Fe y 0 % Mn, (f) 100 % Fe y 0 % Mn,

(g) 100 % Fe y 50 % Mn, (h) 100 % Fe y 200 % Mn, colectadas a los 63 dds en
septiembre 2012 de plantas cultivadas en semi-hidropona.

5.2.4 Validacin de los datos

Se validaron un grupo de 160, 120 y 80 submuestras para los grupos de datos de ocho,
seis y cuatro clases respectivamente. Estas submuestras son independientes de las
usadas para el entrenamiento de los datos. Para la eleccin de los modelos a sugerir se
tom en cuenta el porcentaje de clasificaciones correctas en la validacin de los datos,
nmero de neuronas de la capa interna y el nmero de variables de entrada empleadas
en la combinacin.
5.3 Anlisis qumico del material vegetal
5.3.1 Determinacin de hierro total y manganeso
A partir de las mismas hojas colectadas para el anlisis de imgenes digitales se llev a
cabo el anlisis qumico para la determinacin de la concentracin de hierro total y
manganeso en el tejido vegetal. Con la finalidad de garantizar la representatividad de la
muestra, y dado que una sola hoja podra no ser suficiente para tomar dos muestras se
mezclaron dos repeticiones, por lo que finalmente se obtuvieron cinco repeticiones por
tratamiento.
La tcnica usada se bas en la propuesta por Alcntar y Sandoval (1999); por lo que se
secaron las hojas en una estufa a una temperatura de 70 C por un periodo de 24 horas
aproximadamente. Posteriormente, usando un mortero de porcelana, se molieron las
muestras hasta su pulverizacin. Se tomaron 0.1 g del material vegetal que fueron
colocados en tubos Follin-Wu y a los cuales se adicionaron 6 mL de la mezcla de cidos
ntrico perclrico (2:1) para iniciar el proceso de predigestin. En una siguiente etapa,
los tubos fueron colocados en un block digestor para la destruccin de la materia
orgnica a una temperatura de 210 C. Los tubos fueron retirados una vez que se
visualiz la aparicin de la reaccin viciosa (aparicin de humos blancos) y se

consider la evaporacin del cido ntrico y que se reflej en la reduccin del volumen
de la muestra.

Figura 7. (a) Destruccin de la materia orgnica y aparicin de humos pardos; (b) Vista
superior del tubo Follin Wu conteniendo la muestra; (c) Aparicin de los humos
blancos, indicando una destruccin total de la materia orgnica; (d) Muestra recin
sacada del bloque disgestor.
Posteriormente se agitaron las muestras en los mismos tubos y se afor hasta llegar a un
volumen de 25 mL utilizando agua desionizada. Dichas muestras fueron ledas en el
espectrofotmetro de absorcin atmica AAS 220 a una longitud de onda de 213 nm
para Fe y 525 nm para Mn.
5.3.2 Extraccin de hierro soluble
Para la determinacin especfica de Fe2+, la tcnica usada se bas en el mtodo
propuesto por Oserkowksy (1933). Se tomaron 0.1 g del material vegetal previamente
molido y se colocaron en tubos para centrfuga de polipropileno de 50 mL (Nalgene)
con rosca; se agregaron 15 mL de HCl 1N y se colocaron en un oscilador por un periodo
de tiempo de 4 horas. Posteriormente las muestras se centrifugaron durante 30 minutos
a una velocidad de 3000 rpm. Finalmente, utilizando matraces de aforo de 25 mL, las
muestras fueron filtradas vaciando nicamente la fase superior utilizando papel filtro del
nmero 1 (Whatman). El aforo se hizo utilizando agua desionizada. Las muestras
fueron ledas en el espectrofotmetro de absorcin atmica leyendo a 213 nm.

Figura 8. (a) Molido de la muestra en el mortero de porcelana; (b) Molido parcial de la

hoja; (c) Colocacin de los tubos en la centrfuga para separar la fase slida de la
lquida; (d) Matraces de aforo de 25 mL; (e) Paso previo a la filtracin; (f) Filtracin de
la fase lquida que contiene el Fe soluble extrado.
5.4 Anlisis estadstico
Se realiz un anlisis de varianza usando el programa SAS (Statistical Analysis
System) versin 9.3.
VI. RESULTADOS Y DISCUSIN

6.1 Entrenamiento de grupos de datos

Un primer paso en el manejo de los datos fue evaluar los mismos en el proceso de
entrenamiento de los datos, por lo que se tomaron submuestras de los tres foliolos de la
hoja; se analizaron dichos foliolos individualmente y en conjunto. De acuerdo con los
resultados obtenidos en cuanto al ajuste de los datos, el foliolo izquierdo result tener
un mejor porcentaje de clasificaciones correctas, por lo que se determin hacer uso de
este mismo en las pruebas posteriores.

6.2 Validacin de grupos de datos

6.2.1 Entrenamiento y validacin del grupo de datos con ocho tratamientos
Para el primer grupo de datos, como puede observarse en el Cuadro 2 que incluye los
ocho tratamientos o clases, es decir, variaciones en las concentraciones de Fe y Mn de 0
a 200 % para cada uno de los micronutrimentos se obtuvieron porcentajes de
clasificaciones correctas por encima del 30 % pero inferiores a 56 %. Dentro de las
combinaciones de variables de entrada que peor resultado arrojaron fueron usar
nicamente caractersticas texturales como variables de entrada, mientras que la
combinacin de variables de entrada que incluan a los espacios de color RGB y
CIELab tuvo mejores resultados de clasificaciones correctas.
Un aspecto a considerar al hacer uso de las redes neuronales artificiales es que el
porcentaje de validacin no est ligado al porcentaje de clasificaciones correctas al
momento del entrenamiento. As se tiene que en el Cuadro 2 se notan porcentajes de
clasificaciones correctas en la etapa de entrenamiento de 85.03 %, porcentaje que
disminuye a 51.88 % en la etapa de validacin como es el caso del Clasificador 1. En
cuanto al nmero de neuronas de la capa interna, hubo una variacin de 48 hasta 100, lo
que indica la variacin en la complejidad de los clasificadores probados ya que un
menor nmero de neuronas de la capa interna es ms cercano a un modelo lineal, caso
contrario al haber un mayor nmero de neuronas involucrado en la generacin del
clasificador, lo que significa una mayor complejidad y por consiguiente una mayor

especificidad del mismo. El nmero de neuronas de la capa interna no est relacionado

necesariamente con la combinacin de variables ya sea de color o textura, ni tampoco
con el nmero de variables de entrada usadas para la generacin del clasificador.
El mejor clasificador se obtiene con la combinacin de variables de color de los
espacios de color RGB y CIELab (Clasificador 9) con un porcentaje de clasificaciones
correctas del 55 %. Por otro lado, existen combinaciones en las que nicamente se
utilizan las caractersticas texturales y el porcentaje de clasificaciones correctas decrece
y aumenta el nmero de neuronas de la capa interna, como es el caso del Clasificador 5.
Aunque los porcentajes de generalizacin son iguales para ambos clasificadores.
Debe considerarse tambin que el nmero de variables de entrada no necesariamente
afecta el porcentaje de clasificaciones correctas; puede haber clasificadores que usan
una combinacin de 12 variables (Clasificador 1) contra otro de 4 (Clasificador 10) y la
variacin en la precisin es apenas perceptible, 51.88 % y 51.25 % respectivamente, lo
que sugiere que existen variables de entrada que aportan informacin ms concisa,
mientras que hay variables que nicamente proporcionan informacin redundante. Por
otro lado, el porcentaje de generalizacin es un aspecto a considerar en la eleccin del
clasificador, ya que supone la capacidad del mismo para ubicar correctamente clases
con caractersticas diferentes a las proporcionadas en el momento de entrenamiento de
la red neuronal. Dicho porcentaje no est relacionado con la precisin del clasificador;
como se observa en el Cuadro 2, para la combinacin de variables del Clasficador 2, el
porcentaje de generalizacin es 0 y el porcentaje de clasificaciones correctas es de
43.13. Mientras que una segunda combinacin de variables de entrada (Clasificador 13)
arroja el mismo porcentaje de clasificaciones correctas pero con un porcentaje de
generalizacin del 70, lo que significa una mayor flexibilidad para la aplicacin del
clasificador frente a la otra combinacin de variables de entrada.
6.3 Eleccin del clasificador
El clasificador se eligi tomando en cuenta el nmero de neuronas de la capa interna, el
cual fue de los ms bajos; tambin el porcentaje de generalizacin, el cual, como se ha
mencionado ya, har que el clasificador asigne a alguna clase informacin que
anteriormente no haba sido proporcionada. El porcentaje de precisin tambin fue

tomado en cuenta por razones evidentes. La combinacin con las mejores caractersticas
fue el Clasificador 1 (Cuadro 4). En el Cuadro 5 se muestra el resultado del clasificador.
En el Cuadro 5 se observa que el Tratamiento 1 (100% Fe y Mn) aparece clasificado
correctamente en un 100 % a diferencia del resto de los tratamientos o clases de salida,
los cuales fueron clasificados correctamente con un porcentaje de 75 %. El Tratamiento
4 (0% Fe, 100 % Mn) por ejemplo, fue clasificado en algunos casos como Tratamiento
5 (0% Fe y 37 0% Mn), as como Tratamiento 6 (100% Fe, 0% Mn), lo cual podra ser
explicado debido a que estos dos ltimos tratamientos comparten la deficiencia total ya
sea de Fe o Mn con el tratamiento que est siendo clasificado.
Cuadro 5. Estadsticas del arreglo matricial (tabla de contingencia) para la combinacin
de variables R, G, B, L, a, b, C, H, SMA, EN, IN y HoL usando cuatro clases de salida
o tratamientos (100 % de Fe y Mn; 0 % Fe, 100 % Mn; 0 % Fe, 0 % Mn; 100 % Fe, 0 %
Mn y 100 % Fe, 0 % Mn).

Por otro lado, el Tratamiento 5, de las clasificaciones errneas, en su mayora son

atribuidas al Tratamiento 4 precisamente, como se mencion anteriormente, ambos
tratamientos tienen en comn la deficiencia total del Fe, por lo que es probable que
algunas caractersticas de color o textura no sean totalmente consistentes para que el
clasificador pueda asignarlas a alguna clase. En menor proporcin, algunas submuestras
del Tratamiento 5 son asignadas al Tratamiento 6, ambos tratamientos tienen en comn
la deficiencia de Mn, por lo que la explicacin podra ser la misma que para el caso
anterior dnde se confunde con el Tratamiento 4.

A su vez el Tratamiento 6, en las clasificaciones errneas es confundido con los

Tratamientos 4 y 5; mientras que con el Tratamiento 5 tienen en comn la ausencia total
de 38 Mn, sin embargo, con el Tratamiento 4 no comparten esta caracterstica por lo
que, la informacin proporcionada por las caractersticas de color o textura no fueron lo
suficientemente especficas para que el clasificador pudiera asignar correctamente la
clase de salida.
En el Cuadro 6 se detalla la informacin anterior, por lo que puede notarse el porcentaje
de error al que fueron asignadas las clases de salida al tratamiento equivocado y al
tratamiento en s mismo. As, se tiene que para el caso en el que el Tratamiento 4 es
asignado al
Tratamiento 5, se da en un porcentaje de 50 aproximadamente y en una proporcin
similar es asignado al tratamiento correcto, es decir, el Tratamiento 4. Sin embargo,
para cuando el Tratamiento 4 es asignado al Tratamiento 6, la equivocacin es casi total,
ya que el error es del 99% de asignacin al tratamiento equivocado e incluso,
prcticamente el mismo error es cuando es asignado al Tratamiento 1 con el que no
comparte caractersticas de deficiencias. Analizando la clasificacin del Tratamiento 6,
cuando es confundido con el Tratamiento 5, es en proporcin similar en ambas
ocasiones. Y el grado de atribucin al Tratamiento 6 es inferior con apenas 21% en
promedio, e incluso es atribuido al Tratamiento 4 en uno de los casos en mayor
proporcin que a s mismo.
Finalmente, el Tratamiento 5 es atribuido errneamente al Tratamiento 4 casi en su
totalidad. Ambos tratamientos coinciden en la ausencia total de Fe, por lo que eso
explicara la confusin. Cuando el Tratamiento 5 es asignado al Tratamiento 6,
prcticamente es en proporciones iguales, pudiendo deberse a que ambos tratamientos
comparten la deficiencia de Mn.
Cuadro 6. Grado de atribucin al tratamiento equivocado para la combinacin de
variables R, G, B, L, a, b, C, H, SMA, EN, IN y HoL usando cuatro clases de salida o
tratamientos (100 % de Fe y Mn; 0 % Fe, 100 % Mn; 0 % Fe, 0 % Mn; 100 % Fe, 0 %
Mn y 100 % Fe, 0 % Mn).

En experimentos similares llevados a cabo usando clasificadores se han encontrado

mejores porcentajes de precisin, tal es el caso del conducido por Burks et al. (2000)
donde se diferenciaron diversas especies de malezas, y el porcentaje de identificacin
correcta alcanz 93 %. Y an alcanzan porcentajes del 100 cuando la clasificacin es
entre plantas y suelo. Sin embargo, debe considerarse que en la presente investigacin el
objetivo fue diferenciar entre submuestras de la misma variedad, lo que justificara el
menor grado de precisin de los clasificadores. En otra investigacin, Meyer et al.
(1998), en un anlisis discriminante, encontraron porcentajes de precisin entre la
misma especie, que variaron del 30 al 77, mientras que cuando se diferenci al suelo de
las plantas, la precisin de la clasificacin super el 97%. Por lo que es evidente que a
medida que las muestras son ms cercanas en caractersticas texturales, de color o
ambas, la precisin tender a disminuir o bien, debern explorarse an ms variables de
entrada.
CONCLUSIONES
Se concluye a partir de los resultados obtenidos que:

Se corrobora la hiptesis en la cual los valores de los canales del espacio de

color RGB, CIELab, Croma y Matiz, as como las caractersticas texturales;
estn asociados con el grado de deficiencia de los micronutrientes Fe y Mn.

El anlisis digital de imgenes puede ser usado como herramienta de diagnstico

de deficiencias nutrimentales de Fe y Mn pero con limitaciones.

La combinacin de variables usadas en la generacin de clasificadores puede

aumentar o disminuir la eficiencia del mismo debido a la interaccin de dichas
variables.

El uso de redes neuronales constituye un mtodo adecuado de clasificacin de

las caractersticas de color y textura que difcilmente podran explicarse por
separado debido a la tendencia no lineal de los datos.

Se corrobora la correlacin de las caractersticas de color y texturales en su

conjunto con la concentracin de los micronutrientes.