LLS-SevEst – Late leaf spot severity estimator. A machine learning approach to assessing Nothopassalora personata in peanut

Autores
Herrador, Tiago A.; Migotti Scaglia, Juliana; Paredes, Juan Andrés; Cazon, Luis Ignacio
Año de publicación
2025
Idioma
inglés
Tipo de recurso
artículo
Estado
versión publicada
Descripción
Late leaf spot (LLS), caused by Nothopassalora personata, is the most damaging foliar disease in peanut production worldwide. Accurate disease severity assessment is crucial for evaluating and implementing effective management strategies. This study aimed to develop and validate an automated image analysis model, LLS-SevEst, for quantifying LLS severity in peanut leaves. A dataset of 190 scanned leaf images was analyzed using three approaches: a fixed threshold-based segmentation, morphological preprocessing and K-means clustering. Exploratory analyses revealed distinct brightness patterns between healthy and diseased tissues, guiding the development of classification functions. The threshold-based model yielded high false positive rates due to its inability to account for natural leaf variation, while the morphological preprocessing method improved segmentation marginally but still required manual adjustments. The K-means clustering approach provided relatively better segmentation performance under the specific conditions tested and showed high potential for automated and reproducible disease severity estimation. This work should be considered a proof-of-concept, and further research is required to develop a robust and generalizable tool for LLS severity estimation.
La viruela del maní, causada por Nothopassalora personata, es la enfermedad foliar más importante de este cultivo a nivel mundial. La evaluación precisa de la severidad de la enfermedad en la planta es fundamental para la implementación de estrategias de manejo efectivas. Por lo tanto, el objetivo de este estudio fue desarrollar y validar un modelo automatizado de análisis de imágenes, denominado LLS-SevEst, para cuantificar la severidad de la viruela el maní en hojas. Para esto se analizó un conjunto de 190 imágenes escaneadas de hojas de maní utilizando tres enfoques: segmentación basada en umbrales fijos, preprocesamiento morfológico y agrupación de clústeres por K-means. Los análisis exploratorios revelaron patrones de brillo distintos entre los tejidos sanos y enfermos, lo que permitió orientar el desarrollo de funciones de clasificación. El modelo basado en umbrales presentó altas tasas de falsos positivos debido a su incapacidad para considerar la variación natural en la tonalidad de las hojas, mientras que el preprocesamiento morfológico mejoró la segmentación, aunque evidenciando la necesidad de ajustes manuales. El enfoque basado en agrupamientos por K-means ofreció un mejor desempeño relativo para las condiciones evaluadas, mostrando un alto potencial para una estimación automatizada y reproducible de la severidad de la enfermedad. Debido a la naturaleza de nuestros resultados, este trabajo debe considerarse una prueba de concepto, que requiere investigaciones adicionales para constituir una herramienta robusta para la estimación de la severidad de LLS.
Instituto de Patología Vegetal
Fil: Herrador, Tiago A. Instituto Universitario de Ciencias Biomédicas de Córdoba; Argentina
Fil: Migotti Scaglia, Juliana. Instituto Universitario de Ciencias Biomédicas de Córdoba; Argentina
Fil: Paredes, Juan Andrés. Instituto Nacional de Tecnología Agropecuaria (INTA). Instituto de Patología Vegetal; Argentina
Fil: Paredes, Juan Andrés. Consejo Nacional de Investigaciones Científicas y Técnicas. Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina
Fil: Cazon, Luis Ignacio. Instituto Nacional de Tecnología Agropecuaria (INTA). Instituto de Patología Vegetal; Argentina
Fil: Cazon, Luis Ignacio. Consejo Nacional de Investigaciones Científicas y Técnicas. Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina
Fuente
RIA 51 (2) : 118-123. (agosto 2025)
Materia
Arachis hypogaea
Enfermedades de las Plantas
Mancha de la Hoja
Análisis de Imágenes
Aprendizaje Automático
Plant Diseases
Leaf Spots
Image Analysis
Machine Learning
Maní
Viruela del Maní
Nothopassalora personata
Peanuts
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
INTA Digital (INTA)
Institución
Instituto Nacional de Tecnología Agropecuaria
OAI Identificador
oai:localhost:20.500.12123/23494
Acceder
id INTADig_1c0aa184fd65080c46a79d60049aa498
oai_identifier_str oai:localhost:20.500.12123/23494
network_acronym_str INTADig
repository_id_str l
network_name_str INTA Digital (INTA)
spelling LLS-SevEst – Late leaf spot severity estimator. A machine learning approach to assessing Nothopassalora personata in peanutHerrador, Tiago A.Migotti Scaglia, JulianaParedes, Juan AndrésCazon, Luis IgnacioArachis hypogaeaEnfermedades de las PlantasMancha de la HojaAnálisis de ImágenesAprendizaje AutomáticoPlant DiseasesLeaf SpotsImage AnalysisMachine LearningManíViruela del ManíNothopassalora personataPeanutsLate leaf spot (LLS), caused by Nothopassalora personata, is the most damaging foliar disease in peanut production worldwide. Accurate disease severity assessment is crucial for evaluating and implementing effective management strategies. This study aimed to develop and validate an automated image analysis model, LLS-SevEst, for quantifying LLS severity in peanut leaves. A dataset of 190 scanned leaf images was analyzed using three approaches: a fixed threshold-based segmentation, morphological preprocessing and K-means clustering. Exploratory analyses revealed distinct brightness patterns between healthy and diseased tissues, guiding the development of classification functions. The threshold-based model yielded high false positive rates due to its inability to account for natural leaf variation, while the morphological preprocessing method improved segmentation marginally but still required manual adjustments. The K-means clustering approach provided relatively better segmentation performance under the specific conditions tested and showed high potential for automated and reproducible disease severity estimation. This work should be considered a proof-of-concept, and further research is required to develop a robust and generalizable tool for LLS severity estimation.La viruela del maní, causada por Nothopassalora personata, es la enfermedad foliar más importante de este cultivo a nivel mundial. La evaluación precisa de la severidad de la enfermedad en la planta es fundamental para la implementación de estrategias de manejo efectivas. Por lo tanto, el objetivo de este estudio fue desarrollar y validar un modelo automatizado de análisis de imágenes, denominado LLS-SevEst, para cuantificar la severidad de la viruela el maní en hojas. Para esto se analizó un conjunto de 190 imágenes escaneadas de hojas de maní utilizando tres enfoques: segmentación basada en umbrales fijos, preprocesamiento morfológico y agrupación de clústeres por K-means. Los análisis exploratorios revelaron patrones de brillo distintos entre los tejidos sanos y enfermos, lo que permitió orientar el desarrollo de funciones de clasificación. El modelo basado en umbrales presentó altas tasas de falsos positivos debido a su incapacidad para considerar la variación natural en la tonalidad de las hojas, mientras que el preprocesamiento morfológico mejoró la segmentación, aunque evidenciando la necesidad de ajustes manuales. El enfoque basado en agrupamientos por K-means ofreció un mejor desempeño relativo para las condiciones evaluadas, mostrando un alto potencial para una estimación automatizada y reproducible de la severidad de la enfermedad. Debido a la naturaleza de nuestros resultados, este trabajo debe considerarse una prueba de concepto, que requiere investigaciones adicionales para constituir una herramienta robusta para la estimación de la severidad de LLS.Instituto de Patología VegetalFil: Herrador, Tiago A. Instituto Universitario de Ciencias Biomédicas de Córdoba; ArgentinaFil: Migotti Scaglia, Juliana. Instituto Universitario de Ciencias Biomédicas de Córdoba; ArgentinaFil: Paredes, Juan Andrés. Instituto Nacional de Tecnología Agropecuaria (INTA). Instituto de Patología Vegetal; ArgentinaFil: Paredes, Juan Andrés. Consejo Nacional de Investigaciones Científicas y Técnicas. Unidad de Fitopatología y Modelización Agrícola (UFyMA); ArgentinaFil: Cazon, Luis Ignacio. Instituto Nacional de Tecnología Agropecuaria (INTA). Instituto de Patología Vegetal; ArgentinaFil: Cazon, Luis Ignacio. Consejo Nacional de Investigaciones Científicas y Técnicas. Unidad de Fitopatología y Modelización Agrícola (UFyMA); ArgentinaEdiciones INTA2025-08-20T13:02:05Z2025-08-20T13:02:05Z2025-08info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articuloapplication/pdfhttp://hdl.handle.net/20.500.12123/234940325-87181669-2314https://doi.org/10.58149/2xz3-6879RIA 51 (2) : 118-123. (agosto 2025)reponame:INTA Digital (INTA)instname:Instituto Nacional de Tecnología Agropecuariaenginfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)2026-09-24T11:42:03Zoai:localhost:20.500.12123/23494instacron:INTAInstitucionalhttp://repositorio.inta.gob.ar/Organismo científico-tecnológicoNo correspondehttp://repositorio.inta.gob.ar/oai/requesttripaldi.nicolas@inta.gob.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:l2026-09-24 11:42:04.36INTA Digital (INTA) - Instituto Nacional de Tecnología Agropecuariafalse
dc.title.none.fl_str_mv LLS-SevEst – Late leaf spot severity estimator. A machine learning approach to assessing Nothopassalora personata in peanut
title LLS-SevEst – Late leaf spot severity estimator. A machine learning approach to assessing Nothopassalora personata in peanut
spellingShingle LLS-SevEst – Late leaf spot severity estimator. A machine learning approach to assessing Nothopassalora personata in peanut
Herrador, Tiago A.
Arachis hypogaea
Enfermedades de las Plantas
Mancha de la Hoja
Análisis de Imágenes
Aprendizaje Automático
Plant Diseases
Leaf Spots
Image Analysis
Machine Learning
Maní
Viruela del Maní
Nothopassalora personata
Peanuts
title_short LLS-SevEst – Late leaf spot severity estimator. A machine learning approach to assessing Nothopassalora personata in peanut
title_full LLS-SevEst – Late leaf spot severity estimator. A machine learning approach to assessing Nothopassalora personata in peanut
title_fullStr LLS-SevEst – Late leaf spot severity estimator. A machine learning approach to assessing Nothopassalora personata in peanut
title_full_unstemmed LLS-SevEst – Late leaf spot severity estimator. A machine learning approach to assessing Nothopassalora personata in peanut
title_sort LLS-SevEst – Late leaf spot severity estimator. A machine learning approach to assessing Nothopassalora personata in peanut
dc.creator.none.fl_str_mv Herrador, Tiago A.
Migotti Scaglia, Juliana
Paredes, Juan Andrés
Cazon, Luis Ignacio
author Herrador, Tiago A.
author_facet Herrador, Tiago A.
Migotti Scaglia, Juliana
Paredes, Juan Andrés
Cazon, Luis Ignacio
author_role author
author2 Migotti Scaglia, Juliana
Paredes, Juan Andrés
Cazon, Luis Ignacio
author2_role author
author
author
dc.subject.none.fl_str_mv Arachis hypogaea
Enfermedades de las Plantas
Mancha de la Hoja
Análisis de Imágenes
Aprendizaje Automático
Plant Diseases
Leaf Spots
Image Analysis
Machine Learning
Maní
Viruela del Maní
Nothopassalora personata
Peanuts
topic Arachis hypogaea
Enfermedades de las Plantas
Mancha de la Hoja
Análisis de Imágenes
Aprendizaje Automático
Plant Diseases
Leaf Spots
Image Analysis
Machine Learning
Maní
Viruela del Maní
Nothopassalora personata
Peanuts
dc.description.none.fl_txt_mv Late leaf spot (LLS), caused by Nothopassalora personata, is the most damaging foliar disease in peanut production worldwide. Accurate disease severity assessment is crucial for evaluating and implementing effective management strategies. This study aimed to develop and validate an automated image analysis model, LLS-SevEst, for quantifying LLS severity in peanut leaves. A dataset of 190 scanned leaf images was analyzed using three approaches: a fixed threshold-based segmentation, morphological preprocessing and K-means clustering. Exploratory analyses revealed distinct brightness patterns between healthy and diseased tissues, guiding the development of classification functions. The threshold-based model yielded high false positive rates due to its inability to account for natural leaf variation, while the morphological preprocessing method improved segmentation marginally but still required manual adjustments. The K-means clustering approach provided relatively better segmentation performance under the specific conditions tested and showed high potential for automated and reproducible disease severity estimation. This work should be considered a proof-of-concept, and further research is required to develop a robust and generalizable tool for LLS severity estimation.
La viruela del maní, causada por Nothopassalora personata, es la enfermedad foliar más importante de este cultivo a nivel mundial. La evaluación precisa de la severidad de la enfermedad en la planta es fundamental para la implementación de estrategias de manejo efectivas. Por lo tanto, el objetivo de este estudio fue desarrollar y validar un modelo automatizado de análisis de imágenes, denominado LLS-SevEst, para cuantificar la severidad de la viruela el maní en hojas. Para esto se analizó un conjunto de 190 imágenes escaneadas de hojas de maní utilizando tres enfoques: segmentación basada en umbrales fijos, preprocesamiento morfológico y agrupación de clústeres por K-means. Los análisis exploratorios revelaron patrones de brillo distintos entre los tejidos sanos y enfermos, lo que permitió orientar el desarrollo de funciones de clasificación. El modelo basado en umbrales presentó altas tasas de falsos positivos debido a su incapacidad para considerar la variación natural en la tonalidad de las hojas, mientras que el preprocesamiento morfológico mejoró la segmentación, aunque evidenciando la necesidad de ajustes manuales. El enfoque basado en agrupamientos por K-means ofreció un mejor desempeño relativo para las condiciones evaluadas, mostrando un alto potencial para una estimación automatizada y reproducible de la severidad de la enfermedad. Debido a la naturaleza de nuestros resultados, este trabajo debe considerarse una prueba de concepto, que requiere investigaciones adicionales para constituir una herramienta robusta para la estimación de la severidad de LLS.
Instituto de Patología Vegetal
Fil: Herrador, Tiago A. Instituto Universitario de Ciencias Biomédicas de Córdoba; Argentina
Fil: Migotti Scaglia, Juliana. Instituto Universitario de Ciencias Biomédicas de Córdoba; Argentina
Fil: Paredes, Juan Andrés. Instituto Nacional de Tecnología Agropecuaria (INTA). Instituto de Patología Vegetal; Argentina
Fil: Paredes, Juan Andrés. Consejo Nacional de Investigaciones Científicas y Técnicas. Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina
Fil: Cazon, Luis Ignacio. Instituto Nacional de Tecnología Agropecuaria (INTA). Instituto de Patología Vegetal; Argentina
Fil: Cazon, Luis Ignacio. Consejo Nacional de Investigaciones Científicas y Técnicas. Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina
description Late leaf spot (LLS), caused by Nothopassalora personata, is the most damaging foliar disease in peanut production worldwide. Accurate disease severity assessment is crucial for evaluating and implementing effective management strategies. This study aimed to develop and validate an automated image analysis model, LLS-SevEst, for quantifying LLS severity in peanut leaves. A dataset of 190 scanned leaf images was analyzed using three approaches: a fixed threshold-based segmentation, morphological preprocessing and K-means clustering. Exploratory analyses revealed distinct brightness patterns between healthy and diseased tissues, guiding the development of classification functions. The threshold-based model yielded high false positive rates due to its inability to account for natural leaf variation, while the morphological preprocessing method improved segmentation marginally but still required manual adjustments. The K-means clustering approach provided relatively better segmentation performance under the specific conditions tested and showed high potential for automated and reproducible disease severity estimation. This work should be considered a proof-of-concept, and further research is required to develop a robust and generalizable tool for LLS severity estimation.
publishDate 2025
dc.date.none.fl_str_mv 2025-08-20T13:02:05Z
2025-08-20T13:02:05Z
2025-08
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_6501
info:ar-repo/semantics/articulo
format article
status_str publishedVersion
dc.identifier.none.fl_str_mv http://hdl.handle.net/20.500.12123/23494
0325-8718
1669-2314
https://doi.org/10.58149/2xz3-6879
url http://hdl.handle.net/20.500.12123/23494
https://doi.org/10.58149/2xz3-6879
identifier_str_mv 0325-8718
1669-2314
dc.language.none.fl_str_mv eng
language eng
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Ediciones INTA
publisher.none.fl_str_mv Ediciones INTA
dc.source.none.fl_str_mv RIA 51 (2) : 118-123. (agosto 2025)
reponame:INTA Digital (INTA)
instname:Instituto Nacional de Tecnología Agropecuaria
reponame_str INTA Digital (INTA)
collection INTA Digital (INTA)
instname_str Instituto Nacional de Tecnología Agropecuaria
repository.name.fl_str_mv INTA Digital (INTA) - Instituto Nacional de Tecnología Agropecuaria
repository.mail.fl_str_mv tripaldi.nicolas@inta.gob.ar
_version_ 1877227311402582016
score 13.265058

Publicaciones similares