Identificación de hongos micorrízicos arbusculares de suelos agrícolas de la CDMX: modelo asistido por IA.

Abstract

This study addresses the development of a methodology based on computer vision, machine learning, and convolutional neural networks to automate the identification, segmentation, and quantification of Arbuscular Mycorrhizal Fungi (AMF) in roots of agricultural crops (maize, bean, fava bean, and oat) from the southern zone of Mexico City. The research was conducted at the Soil and Water Laboratory of UAM Xochimilco. Following the mounting and traditional microscopic observation of root preparations, a standardized database was integrated, consisting of approximately 600 individual 40x photomicrographs and 90 panoramic 10x images captured using a mobile device adapted with a microscope mount. Digital labeling was performed using LabelMe for polygon segmentation and Edge Impulse for object detection via bounding boxes. Through the processing of this dataset, two models were trained: AMF U-Net for estimating the percentage of mycorrhizal area per image, and a FOMO/MobileNetV2 architecture for localizing fungal structures. The segmentation model allowed quantifying the colonized surface at the image level, while the detection model achieved a global F1 Score of 69.0% and an 82.6% accuracy rate in the specific identification of arbuscules. These results demonstrate the technical feasibility of employing artificial intelligence as an analytical support tool in the laboratory, reducing visual bias and operating time compared to conventional diagnosis, thus providing a solid methodological basis for future developments in precision agriculture and edaphic sustainability.

El presente estudio aborda el desarrollo de una metodología basada en visión por computadora, machine learning y redes neuronales convolucionales para automatizar la identificación, segmentación y cuantificación de Hongos Micorrízicos Arbusculares (HMA) en raíces de cultivos agrícolas (maíz, frijol, haba y avena) procedentes de la zona sur de la Ciudad de México. La investigación se realizó en el Laboratorio de Aguas y Suelos de la UAM Xochimilco. A partir del montaje y la observación microscópica de las preparaciones radiculares, se integró un banco de datos estandarizado compuesto por aproximadamente 600 microfotografías individuales a 40x y 90 imágenes panorámicas a 10x, capturadas mediante un dispositivo móvil adaptado con un soporte al microscopio. El etiquetado digital se llevó a cabo utilizando LabelMe para la segmentación por polígonos y Edge Impulse para la detección de objetos mediante cajas delimitadoras. Mediante el procesamiento de este conjunto de datos se entrenaron dos modelos: AMF U-Net para la estimación del porcentaje de área micorrizada por imagen y una arquitectura FOMO/MobileNetV2 para la localización de estructuras fúngicas. El modelo de segmentación permitió cuantificar la superficie colonizada a nivel de imagen, mientras que el de detección alcanzó un F1 Score global de 69.0% y una tasa de acierto del 82.6% en la identificación específica de arbúsculos. Estos resultados demuestran la viabilidad técnica de emplear inteligencia artificial como herramienta de apoyo analítico en laboratorio, disminuyendo el sesgo visual y el tiempo operativo del diagnóstico convencional, lo que aporta una base metodológica sólida para futuros desarrollos en agricultura de precisión y sustentabilidad edáfica.