Recibido: 17 marzo 2022
Aceptado: 22 junio 2022
Disponible: 12 agosto2022
El objetivo de este artículo fue analizar las principales técnicas y estrategias de visión artificial utilizadas en sistemas diseñados para la identificación automática de hongos formadores de micorrizas arbusculares, abordando aspectos generales de las micorrizas y su clasificación taxonómica. Las micorrizas son asociaciones simbióticas entre las raíces de las plantas y determinados grupos de hongos, se caracterizan por generar grandes beneficios al suelo circundante, a las plantas y a los procesos productivos derivados. El trabajo se desarrolló con una metodología de recolección de información especializada a partir de criterios de búsqueda específicos, seleccionando publicaciones relevantes, en un rango de tiempo entre el año 2014 y 2021, en las bases de datos de Scopus, Scielo, Dialnet y Google Académico. Los resultados del estudio revelaron que la morfología matemática difusa es una técnica importante en la segmentación de las esporas de hongos y, en general, los estudios desarrollados se basan en una identificación binaria de las esporas, donde la transformada de Hough y las redes neuronales artificiales son las técnicas combinadas que reportan mejores resultados. El presente estudio permitió concluir que es posible auxiliar el proceso de identificación de hongos formadores de micorrizas arbusculares a partir de técnicas de visión artificial, y contribuye indicando un vacío de información respecto de sistemas de clasificación no binaria, los cuales son importantes y se deben tener en cuenta para apoyar procesos de clasificación avanzados, de acuerdo con la cantidad de familias y géneros reportados en la literatura.
Palabras clave: Clasificación morfométrica, descontaminación de suelos, hongos formadores de micorrizas arbusculares, sistema de identificación automática, visión artificial.
This article aims to analyze the leading computer vision techniques and strategies used in designed systems to automatically identify arbuscular mycorrhizal fungi, addressing general aspects of mycorrhizae and their taxonomic classification. Mycorrhizae are symbiotic associations between plants' roots and certain fungi groups. They are characterized by great benefits to the surrounding soil, the plants, and the derived productive processes. The work was developed with a specialized information collection methodology based on specific search criteria, selecting relevant publications, in a time range between 2014 and 2021, in the Scopus, Scielo, Dialnet, and Google Scholar databases. The study's results revealed that fuzzy mathematical morphology is an essential technique in the segmentation of fungal spores. In general, the studies developed are based on a binary identification of the spores, where the Hough transform, and artificial neural networks are the combined techniques that report better results. This study concludes that it is possible to assist the identification process of mycorrhizal fungi from artificial vision techniques. It contributes by indicating a lack of information regarding non-binary classification systems, which are important and must be considered to support advanced classification processes, according to the number of families and genera reported in the literature.
Keywords: Morphometric Classification, Soil Decontamination, Arbuscular Mycorrhizal Fungi, Automatic Identification System, Computer Vision.
Un problema crítico a nivel mundial, y en aumento cada día, es el deterioro de los suelos, provocado, entre otros, por los procesos de deforestación, minería y la implementación de la agricultura intensiva, donde el uso imprudente de insumos como los fertilizantes y los pesticidas, ligados al mal manejo de los residuos y al escaso empleo de abonos orgánicos han derivado en problemas de erosión, degradación, salinización, disminución de la materia orgánica y de los organismos presentes en estos. Por consiguiente, diferentes problemas pueden surgir y afectar a mediano y largo plazo, directa e indirectamente, tanto a la salud del consumidor, como a la proyección financiera del productor. Así, buscando alternativas integrales a partir de manejos agroecológicos, que eviten o mitiguen este tipo de problemas, se encuentran estudios importantes enfocados en los hongos formadores de micorrizas arbusculares (HFMA), los cuales pueden ser utilizados en procesos, tanto de acondicionamiento, como de caracterización de suelos, por ejemplo [
Como indica [
Por su parte, los HFMA pertenecen al Phylum Glomeromycota y desarrollan una simbiosis entre hongos y plantas por medio de las hifas de los primeros y las raíces de los segundos, presentando un beneficio mutuo debido a un intercambio de nutrientes, además aumentando la tolerancia a diferentes condiciones de stress para las plantas y mejorando la calidad de los suelos [
En cuanto a la clasificación de las micorrizas, esta se realiza de acuerdo con el grupo taxonómico del hongo involucrado. De forma general, la clasificación de los HFMA se lleva a cabo a través de dos métodos: morfológico y molecular. En el primer caso, la clasificación se realiza a partir de inspección visual, por medio del análisis de las características morfológicas y subcelulares de las esporas [
Por otra parte, las técnicas moleculares se basan en el análisis de secuencias de ADN y, como lo expone Rodríguez et al. [
En este sentido, la clasificación morfológica continúa siendo muy importante en los estudios pertinentes a los HFMA, tanto así, que hoy en día existe un interés creciente por los sistemas de visión asistidas por computadoras para apoyar los procesos de identificación. Así mismo, al utilizar la inspección visual como base fundamental de los estudios, y teniendo a la mano las micrografías digitales, son los sistemas de visión artificial, los llamados a desarrollar metodologías que permitan auxiliar y resolver problemas como la identificación automática de los HFMA en imágenes adquiridas. Por lo tanto, este trabajo es un artículo de revisión y tiene como objetivo conocer las principales técnicas y estrategias de visión artificial utilizadas en sistemas diseñados para la identificación automática de hongos formadores de micorrizas arbusculares, teniendo en cuenta que, en un futuro, estos mismos pueden apoyar procesos de clasificación más avanzados. Los criterios de búsqueda de información se asocian inicialmente a información general de las micorrizas, apuntando a la solución de problemas de contaminación de suelos, teniendo en cuenta la aplicabilidad de las mismas; seguido de información ligada a la clasificación taxonómica de las micorrizas, que apoyan el objetivo principal de la investigación, los sistemas de clasificación automática de micorrizas.
A modo de agenda, inicialmente, en la sección dos, se presentan los aspectos metodológicos de la revisión bibliográfica y la selección de documentos a enmarcar en el trabajo. Posteriormente, se presentan aspectos generales de las micorrizas arbusculares y se tienen en cuenta factores de estudio como la clasificación molecular y la clasificación morfométrica. Seguido se desarrolla la temática principal, enfocada en los sistemas de visión artificial, inicialmente de forma general y haciendo énfasis en técnicas de segmentación, y después de forma específica en aplicaciones enfocadas en HFMA, donde se destaca el empleo de las redes neuronales artificiales, la morfología matemática difusa, la Transformada de Hough y las redes neuronales convolucionales.
En este trabajo se empleó el proceso de revisión bibliográfica sistemática con base al tratamiento planteado por Yang et al. [
2.1 Etapa 1: Definir pregunta de investigación
En esta etapa se define el tema de interés, problema u objetivo de investigación, para lo cual se puede recurrir al desarrollo de un árbol problema, el uso de encuestas, las indicaciones de personal con conocimientos en el ámbito o simplemente visualizando el problema en el entorno con el cual interactúa. En este caso, a modo exploratorio se desarrolló una búsqueda sistematizada del tema de investigación, obteniendo como resultado la siguiente pregunta de investigación. ¿es posible auxiliar el proceso de identificación de hongos formadores de micorrizas arbusculares a partir de técnicas de visión artificial?
2.2 Etapa 2: Protocolo de investigación y búsqueda de literatura
Una vez generada la pregunta de investigación, se procede a estructurar los protocolos y las características de los términos de búsqueda definidos en base al tema de interés y la pregunta de investigación. La búsqueda de información se realizó a partir de artículos científicos y trabajos asociados encontrados en diferentes bases de datos y motores de búsqueda, en este caso: “Scopus”, “Scielo”, “Dialnet” y “Google Académico. Este proceso se realizó en línea, estableciendo un rango de tiempo entre el año 2014 al 2021 y a partir de ecuaciones de búsquedas con palabras claves asociadas a los términos de búsqueda establecidos, en este caso: solución a los problemas de contaminación de los suelos; clasificación taxonómica de las micorrizas; y sistemas de clasificación automática de micorrizas. Por otro lado, artículos clave y específicos fuera del rango son tenidos en cuenta en el análisis por su importancia en el contexto del estudio, en este caso [
Posterior a la exploración de las bases de datos con las ecuaciones de búsquedas mencionadas, se realizó un filtrado de los artículos, buscando identificar y preseleccionar los documentos considerados adecuados para realizar el trabajo. Así, inicialmente se preseleccionaron artículos investigación y de revisión, y también artículos derivados de ponencias presentadas en conferencias internacionales. Después, se identificaron las referencias replicadas en las diferentes bases de datos, con el fin de no repetir la búsqueda de documentos. Como consecuencia y restricción, se descartaron documentos tipo informe, ensayo, conferencia regional, artículo de opinión, información alojada en sitios Webs, y Tesis de pregrado. La Tabla 1 presenta los términos y ecuaciones de búsquedas, así como la cantidad de documentos encontrados y filtrados en cada base de datos.
Base de datos | Término de búsqueda | Ecuación de búsqueda | Artículos Filtrados | Artículos Preseleccionados |
Scopus | Solución problemas de contaminación de suelos | ALL ("contaminación de suelos" AND hongos) | 8 | 4 |
Clasificación taxonómica de micorrizas | ALL ((Clasificación OR Identificación) AND (taxonómic*) AND (micorriz*)) | 27 | 18 | |
Sistema de clasificación automática de micorrizas | ("Computer vision" OR "image processing") AND "mycorrhizal fungi" AND classification | 98 | 38 | |
Scielo | Solución problemas de contaminación de suelos | (contaminación de suelos) AND hongos | 2 | 1 |
Clasificación taxonómica de micorrizas | (clasificación OR identificación) AND (taxonómic* OR morfológic*) AND Micorriz* | 9 | 5 | |
Sistema de clasificación automática de micorrizas | (visión artificial OR procesamiento de imágenes) AND micorrizas | 1 | 0 | |
Dialnet | Solución problemas de contaminación de suelos | (contaminación de suelos) AND hongos | 13 | 6 |
Clasificación taxonómica de micorrizas | (clasificación OR identificación) AND (taxonómic* OR morfológic*) AND Micorriz* | 7 | 4 | |
Sistema de clasificación automática de micorrizas | (visión artificial OR procesamiento de imágenes) AND micorrizas | 0 | 0 | |
Google Académico | Solución problemas de contaminación de suelos | "contaminación de suelos" + "hongos" + "micorrizas" + "solución" | 172 | 32 |
Clasificación taxonómica de micorrizas | "clasificación morfológica" + micorrizas | 30 | 10 | |
Sistema de clasificación automática de micorrizas | ("Computer vision" OR "image processing") + "mycorrhizal fungi" + "classification" + "automatic" | 110 | 28 | |
Total: | 497 | 146 |
De forma específica, el proceso de filtrado y preselección de artículos se realizó mediante cinco etapas. En primer lugar, se realizó la búsqueda de los documentos a partir de la información referida en las bases de datos; en segundo lugar, se organizaron por medio de criterios establecidos (términos de búsqueda, año); en tercer y cuarto lugar, se procedió a la lectura, identificando inicialmente resumen, metodología y conclusión en cada uno, permitiendo otorgar un veredicto de aprobación de los mismos; en quinto lugar, finalmente se organizaron en fichas de tabulación, buscando identificar la información relevante en cada uno. La Figura 1 agrupa estos documentos según el año de publicación.
2.3 Etapa 3: hallazgos de la investigación
Una vez concluida la etapa de preselección, se generó una base de datos con los documentos obtenidos en el proceso de revisión bibliográfica, teniendo en cuenta de cada documento: la base de datos original de donde se extrajo, su categoría o criterio relacionado, el título del documento, el año de publicación, los autores, su respectiva citación en formato IEEE, la revista donde fue publicada, un breve resumen del documento, el problema identificado, la metodología de trabajo, citas textuales de interés, elementos teóricos fundamentales, conclusiones del trabajo, definiciones referente al documento, ya sea por parte del autor o por terceros, y por último, comentarios propios referentes al artículo.
En el caso de este artículo, se planteó la elección de mínimo 50 artículos y máximos 70 de la base de datos generada, teniendo en cuenta alrededor del 50 % de la misma. Finalmente, se analizaron los documentos que aportan en gran medida al estado del arte, permitiendo la identificación de soluciones, estrategias u otros mecanismos que permitan responder a la pregunta de investigación planteada, orientada a los procesos de clasificación e identificación morfológica de las micorrizas arbusculares.
3.1 Micorrizas arbusculares
Etimológicamente la palabra micorrizas proviene del término griego mykes (hongo) y el latino rhiza (raíz), donde literalmente la palabra micorrizas quiere decir hongo-raíz, esta fue aplicada por primera vez por el patólogo alamán Albert Bernard en 1885, para definir las asociaciones simbióticas o mutualista, establecidas entre ciertos hongos presentes en el suelo y las plantas, como lo indican Khalil et al. [
Por otra parte, diversos estudios demuestran que aproximadamente un 95 % de las plantas presentan algún tipo simbiosis con hongos micorrízicos, donde se forman estructuras como vesículas e hifas en las células corticales de las plantas colonizadas [
Los HFMA pertenecen al Phylum Glomeromycota, y como exponen Furrazola y Torres-Arias [
No obstante, dependiendo del clima y los pisos térmicos puede que no se tenga presencia de HFMA, así mismo, puede que en algunos casos no se obtengan beneficios sustanciales para las plantas, por lo cual es de constante interés el estudiar el comportamiento de este tipo de hongos. Así mismo, es importante conocer el tipo de micorrizas y la cantidad de cada una presente en ciertas áreas, por ello es fundamental el proceso de identificación y clasificación, para el cual actualmente se han determinado dos métodos: molecular y morfométrico.
3.1.1 Clasificación Molecular
De forma tradicional, la clasificación taxonómica de estos grupos de microorganismos se ha realizado a partir de la morfología de las esporas de los HFMA, permitiendo su identificación a nivel familiar. Sin embargo, esta determinación de especies a nivel morfológico puede ser muy complicado, por lo tanto, desde hace algunos años se vienen implementado técnicas moleculares a partir de secuencias de ADN, donde estos organismos pasaron de estar incluidos en un solo género, a un nivel más amplio de clasificación [
3.1.2 Clasificación Morfométrica
El método morfométrico es un análisis de los HFMA, realizado mediante un cuidadoso examen microscópico de las esporas. Desafortunadamente, como indican Kehri et al. [
Actualmente, la clasificación morfológica se complementa con técnicas moleculares, y se basa en diferentes características de las esporas como: forma, composición, ornamentación, estructura, paredes, presencia y tipo de hifa conectora, presencia de escudos y gránulos, todas estas características con medidas de tamaños y distancias [
3.2. Sistemas de visión artificial
Como expone Akshaya et al. [
De forma general, se puede decir que el objetivo de la visión artificial es extraer información del mundo físico a partir de imágenes digitales, para lo cual emplea herramientas derivadas de los sistemas computacionales y de los sistemas de adquisición de imágenes y video. Así mismo, es importante decir que a lo largo de los años se han estudiado muchos fundamentos que han permitido definir y dar forma a la visión artificial, y gracias al avance de los nuevos computadores y de los sistemas de adquisición de imágenes modernos, cada vez con mayor capacidad de almacenamiento y procesamiento, es posible hoy en día procesar una gran cantidades de datos y desarrollar complejas operaciones computacionales, generando múltiples aplicaciones, incluso que trabajan en tiempo real, y permitiendo una implementación importante de los sistemas de visión artificial en la automatización de procesos [
Por otro lado, dentro del espectro de técnicas que se utilizan en los sistemas de visión artificial, se destacan las técnicas enfocadas en la segmentación de objetos. Este tipo de técnicas, como indican Kotteswari y Sathiya [
Así mismo, los algoritmos de segmentación se pueden agrupar en diferentes especialidades, donde básicamente se encuentran: la detección de discontinuidades, incluyendo puntos, líneas y bordes; la detección de fronteras, utilizando, por ejemplo, la Transformada de Hough, la cual permite inferir formas simples en una imagen, como líneas, círculos o elipses; la umbralización, también llamada binarización, donde se tiene en cuenta exclusivamente el nivel digital de cada píxel; y la segmentación orientada a regiones, por ejemplo, utilizando crecimiento o división de regiones, como en el caso de la morfología matemática o de la transformada Watershed. Después de la etapa de segmentación, regularmente los resultados se comparan con descriptores del conjunto de entrenamiento y se procede a la clasificación de los objetos, asignándoles un clasificador binario o una etiqueta en el caso de múltiples categorías.
Por otro lado, teniendo en cuenta la búsqueda y el reconocimiento de patrones, es importante destacar el empleo de sistemas derivados de los paradigmas clásicos de la inteligencia artificial, como lo son la lógica fuzzy y las redes neuronales artificiales, los cuales en esencia buscan emular en parte el sistema cognitivo del ser humano, el primero desde el punto de vista de la toma de decisiones a partir de incerteza en la información, y el segundo a partir de modelos matemáticos inspirados en el comportamiento de las estructuras biológicas presentes en el cerebro. Así mismo, es importante mencionar que el avance de los sistemas computacionales ha permitido que los métodos enfocados en redes neuronales artificiales evolucionen también.
Así, hoy en día se pueden encontrar sistemas de este tipo enfocados en el llamado deep learning, y en procesos que involucran directamente sistemas de visión artificial, como es el caso de las llamadas redes neuronales convolucionales (CNN, por la referencia en inglés convolutional neural network), utilizadas, por ejemplo, por Zhao et al. [
En el caso de las micorrizas arbusculares, diferentes investigaciones con un enfoque en visión artificial han sido presentadas a lo largo del tiempo. Inicialmente, como referencia para trabajos actuales, [
Actualmente, por ejemplo, Stoian et al. [
Por su parte, Cardini et al. [
Así mismo, en aras de automatizar, o al menos auxiliar, los procesos de identificación de las esporas de hongos micorrízicos, diferentes trabajos pueden ser encontrados. En este caso, Melo et al. [
Por su parte, Melo et al. [
Cabe indicar que, en [
Por otro lado, Andrade et al. [
Por su parte, [
Así mismo, Andrade et al. [
Por último, se indica que la técnica de morfología matemática difusa se puede emplear para separar las esporas del fondo de la imagen, y además para separarlas entre sí mismas, y presentar resultados únicamente a partir de la segmentación de objetos asociada al proceso, acompañada de la identificación de características específicas en dichos objetos, por ejemplo, el tamaño (número de pixeles) de cada uno, como en Barros y Trindade [
Cabe indicar que, [
La Tabla 2 presenta un resumen de las principales técnicas de visión artificial encontradas en la revisión de literatura y aplicadas a la identificación de hongos formadores de micorrizas arbusculares a partir de imágenes digitales, indicando el proceso en el cual se enmarcan las investigaciones estudiadas: segmentación, clasificación, ambas; indicando también las referencias bibliográficas asociadas. Cabe decir que la clasificación en mención se asocia a clasificación binaria, en este caso si el objeto es una espora o no (espora/no-espora), pero no se encuentra información asociada a la clasificación de diferentes géneros de micorrizas en una misma investigación.
Referencia | Técnicas | Métodos | Base de datos | Conclusión |
[ |
Transformada de Hough | Segmentación | La obtención de las imágenes empleadas como base de datos, se realizó por medio de un microscopio y con la ayuda de un experto. | La implementación de la transformada de Hough y una red neuronal para su clasificación generó un 77.4 % de precisión comparado con el proceso de conteo manual. |
Redes neuronales artificiales | Clasificación | |||
[ |
Transformada de Hough | Segmentación | La obtención de las imágenes empleadas como base de datos, se realizó a partir de [49]. | Realizaron un nuevo análisis de las micorrizas obtenidas en la base de datos, determinando nuevos aspectos que no tuvieron en cuenta anteriormente, por lo tanto, se realizó un nuevo entrenamiento, dando como resultado un 90 % de precisión, superior al modelo presentando inicialmente. |
Redes neuronales artificiales | Clasificación | |||
[ |
Morfología matemática difusa | Segmentación | La obtención de las imágenes empleadas como base de datos, se realizó a partir de [53] más exactamente, las micorrizas de género “Claroideum”, obteniendo un grupo de 37 imágenes. | La implementación de la morfología matemática y una red neuronal, para su clasificación, genero un 80 % de precisión, haciendo énfasis en que, para imágenes con esporas superpuestas y muy agrupadas, dicha precisión puede alcanzar únicamente un aproximado de 23 % de precisión. |
Redes neuronales artificiales | Clasificación | |||
[ |
Morfología matemática difusa | Segmentación | El proceso de la obtención de imágenes empleadas en la base de datos se realizó por medio de [53], más específicamente, las micorrizas de género “Claroideum” y “Denticulata”, obteniendo un grupo de 37 imágenes. | Se realizó el análisis y el desempeño de las implicaciones R de weber, Fodor y los operadores de Lukasiewicz, Gödel, realizando la experimentación de los operadores morfológicos por medio de la función épsilon, concluyendo que la morfología de Gödel, tiene una fuerte correlación, presentado una diferencia inferior del 89.09 % con el proceso de conteo manual. |
Extracción de características | Clasificación | |||
[ |
Morfología matemática difusa | Segmentación | La obtención de las imágenes empleadas como bases de datos, se realizó a partir de [53], obteniendo un grupo de 20 imágenes de micorrizas de género “Claroideum” y “Denticulata”, y 19 imágenes de esporas de hongos micorrízicos con incertidumbres. | Realizaron una experimentación entre los operadores morfológicos, posteriormente, se combinaron los operadores más apropiados en este caso erosión, apretura y el operador Lukasiewicz, en el proceso de entrenamiento se utilizó una red neuronal para la clasificación de los hongos, por último, se presentó un índice de acierto del 80 % en el conteo de esporas en 12 de 19 imágenes de la base de datos. |
Redes neuronales artificiales | Clasificación | |||
[ |
Morfología matemática difusa | Segmentación | El proceso de la obtención de imágenes empleadas en la base de datos se realizó por medio de [53], más exactamente de las micorrizas de género “laevis” y “Claroideum”, obteniendo un grupo de 37 imágenes. | Se realizó la experimentación de los métodos morfológicos, donde, se determinó que el uso de la erosión con el método de Gödel, fueron eficientes para el proceso que separación y conteo automático, por ende, su implementación es una alternativa al conteo manual, considerando que se logró aciertos superiores al 80 %. |
Extracción de características | Clasificación |
En este trabajo se concluye que la metodología propuesta permite responder afirmativamente a la pregunta de investigación y muestra que es posible auxiliar el proceso de identificación de hongos formadores de micorrizas arbusculares a partir de técnicas de visión artificial. Se indica que, al ser una revisión de literatura, este estudio se limita a los artículos de investigación estudiados, así mismo, a los años utilizados para filtrar la información en la búsqueda. En este caso, se presentaron trabajos donde, a partir de técnicas utilizadas en sistemas de visión artificial, se identifican y hasta se cuentan los HFMA en las imágenes de estudio.
Así mismo, el trabajo permite conocer estrategias que pueden ser implementadas en la concepción de sistemas enfocados en la identificación automática de HFMA, en este caso, sobresale el empleo de la transformada de Hough como estrategia para detectar formas circulares u ovaladas en las imágenes, comúnmente encontradas en los HFMA. Al mismo tiempo, las respuestas de la transformada de Hough en cada caso pueden ser empleadas como entradas a redes neuronales artificiales, las cuales pueden ser utilizadas en los procesos de reconocimiento de los HFMA. Desde otra perspectiva, se indica también que se reportan trabajos donde se emplea la morfología matemática difusa, también con el objetivo de identificar si un objeto es o no una espora de hongo y, a partir de esta información, realizar el conteo.
Por otro lado, se entiende que los sistemas propuestos alcanzan únicamente la etapa de identificación de objetos, llegando a una clasificación simple y binaria de “espora, o no espora”, y enfocados básicamente en la forma circular y elíptica de las mismas. Por tanto, se necesitan sistemas que ahonden en las características de las esporas, por ejemplo, color y textura, para apoyar los procesos de clasificación. Así, dichas características podrían ser utilizadas como entradas en los sistemas propuestos para mejorar el desempeño. Por otro lado, se indica un vacío en la revisión bibliográfica asociado a la clasificación no binaria, teniendo en cuenta su importancia, de acuerdo con la cantidad de familias y géneros reportados en la literatura. De esta forma, atributos como los mencionados, pueden ser tenidos en cuenta y asociados al empleo de redes neuronales convolucionales, proponiendo sistemas basados en deep learning, u otras propuestas asociadas a técnicas de inteligencia artificial, convirtiendo este hecho en un foco de estudio.
Finalmente se indica que, con el auge de los sistemas de visión artificial, cada vez más comunes, se proyecta una clara tendencia al empleo de este tipo de sistemas en los procesos de identificación y clasificación no binaria de HFMA. Esto, debido al uso de micrografías digitales en los procesos actuales y a los ya primeros pasos generados en los sistemas de identificación binaria presentados. Finalmente, se indica que los estudios de hongos formadores de micorrizas arbusculares seguirán siendo tendencia, y con ellos la identificación, conteo y clasificación de estos, ya que se relacionan directamente con propuestas enfocadas al tratamiento y recuperación de los suelos desde un punto de vista agroecológico, generando tecnologías limpias, eficientes y sustentable, y con ello contribuyendo a la salud y bienestar de los consumidores y productores de alimentos.
Este producto es derivado del proyecto de investigación denominado “Sistema automático de identificación morfológica de micorriza arbusculares”, avalado por la Universidad de la Amazonia, a quien se agradece por la gestión y apoyo suministrado. El artículo no contó con el apoyo económico de ninguna entidad externa pública o privada.
Los autores declaran que no se presenta ningún conflicto de interés.
Todos los autores contribuyeron por igual en la compilación y análisis de la información, así como con la redacción del documento. Específicamente:
Jimilgton Enrique Soto Sogamoso, formuló la compilación inicial de documentos y generó la base de datos asociada, así mismo redactó la base del documento.
Jesús Emilio Pinto Lopera, concibió la elaboración del artículo, apoyo en la búsqueda de información y ajustó la redacción y la presentación final del documento.
Edwin Eduardo Millán Rojas, apoyo en la metodología de búsqueda de información y redacción del documento.