Segmentación y Clasificación de Especies de Polen en la Comarca Lagunera
Segmentation and Classification of Pollen Species in the Comarca Lagunera
Ramírez Seañez Sergio
Instituto Tecnológico de la Laguna
https://orcid.org/0009-0000-8866-2831
Tello Mijares Santiago
Instituto Tecnológico de la Laguna
https://orcid.org/0000-0002-2575-8251
Flores García Francisco
Instituto Tecnológico de la Laguna
https://orcid.org/0000-0002-6661-8191
Volumen:
1
Edición:
12
Resumen
Este estudio presenta una modernización integral del sistema de identificación de polen en la Comarca Lagunera, que aborda las limitaciones de los métodos previos de procesamiento de imágenes. El objetivo principal fue segmentar y clasificar doce especies de importancia alergológica y separar eficazmente los granos superpuestos en muestras microscópicas complejas, que con frecuencia presentan aglomeraciones y ruido visual. Para lograrlo, se utilizaron metodologías tradicionales de aprendizaje automático, combinadas con un procesamiento digital avanzado. La extracción de datos consistió en evaluar características geométricas y propiedades de textura espacial para alimentar a los clasificadores. Se implementaron métodos como el Bosque Aleatorio, el Árbol Aleatorio y el Perceptrón Multicapa para la clasificación taxonómica, apoyados por modelos de segmentación de instancias para resolver de manera definitiva el problema de la oclusión entre granos. El sistema aprendió a identificar patrones morfológicos sutiles de la pared celular utilizando un conjunto de datos previamente enriquecido mediante técnicas de aumento sintético para mejorar su capacidad de generalización. Los resultados de validación demuestran que estas arquitecturas superan el 90 % de precisión. El algoritmo que obtuvo mejores resultados fue el Perceptrón Multicapa, alcanzando una exactitud global cercana al 93% y un reconocimiento perfecto en taxones específicos. Se concluye que esta transición tecnológica proporciona una herramienta diagnóstica cuantitativa más rápida, precisa y consistente, lo que facilita un monitoreo aerobiológico oportuno que beneficia directamente la gestión de las enfermedades respiratorias y la salud pública de la región.
Palabras clave
Aprendizaje profundo, Clasificación de polen, Redes Neuronales Convolucionales, Segmentación, Transferencia de aprendizaje
Referencias Bibliográficas
Arroyo Hernández, J., Travieso González, C. M., Ticay Rivas, J., Mora, F., Salas Huertas, O., Ramírez Bogantes, M., & Sánchez Chaves, L. (2013). Sistema de detección y clasificación automática de granos de polen mediante técnicas de procesado digital de imágenes. Uniciencia, 27(1), 59–73. http://www.redalyc.org/articulo.oa?id=475947762004
Barnes, C. M., Power, A. L., Barber, D. G., Tennant, R. K., Jones, R. T., Lee, G. R., Hatton, J., Elliott, A., Zaragoza-Castells, J., Haley, S. M., et al. (2023). Deductive automated pollen classification in environmental samples via exploratory deep learning and imaging flow cytometry. New Phytologist, 240(3), 1305–1326. https://doi.org/10.1111/nph.19186
Battiato, S., Ascari, L., Ortis, A., Politi, M., Trenta, F., & Siniscalco, C. (2020). Detection and classification of pollen grain microscope images. En 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW) (pp. 4220– 4227). IEEE.
Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/A:1010933404324
Chen, X., & Ju, F. (2022). Automatic classification of pollen grain microscope images using a multi-scale classifier with SRGAN deblurring. Applied Sciences, 12(14), 7126. https://doi.org/10.3390/app12147126
Commission Internationale de l'Éclairage. (2004). Colorimetry (3.ª ed., CIE 15:2004). CIE Central Bureau.
Daood, A., Ribeiro, E., & Bush, M. (2018). Sequential recognition of multifocal image pollen-grain sequences by combining CNN and RNN. En Proceedings of the Thirty-First International Florida Artificial Intelligence Research Society Conference (FLAIRS-31) (pp. 8–13). AAAI Press.
Fukunaga, K., & Hostetler, L. D. (1975). The estimation of the gradient of a density function, with applications in pattern recognition. IEEE Transactions on Information Theory, 21(1), 32–40. https://doi.org/10.1109/TIT.1975.1055330
Gallardo, R., García-Orellana, C. J., González-Velasco, H. M., GarcíaManso, A., Tormo-Molina, R., Macías-Macías, M., & Abengózar, E. (2024). Automated multifocus pollen detection using deep learning. Multimedia Tools and Applications, 83, 72097–72112. https://doi.org/10.1007/s11042-024-18450-2
Garga, B., Abboubakar, H., Sourpele, R. S., Li Gwet, D. L., & Bitjoka, L. (2024). Pollen grain classification using some Convolutional Neural Network architectures. Journal of Imaging, 10(7), 158. https://doi.org/10.3390/jimaging10070158
Haralick, R. M., Shanmugam, K., & Dinstein, I. (1973). Textural features for image classification. IEEE Transactions on Systems, Man, and Cybernetics, SMC-3(6), 610–621. https://doi.org/10.1109/TSMC.1973.4309314
Holmes, G., Donkin, A., & Witten, I. H. (1994). Weka: A machine learning workbench. En Proceedings of the 2nd Australian and New Zealand Conference on Intelligent Information Systems (pp. 357–361). IEEE. https://doi.org/10.1109/ANZIIS.1994.396988
Jimenez Choy, D. O., Reyes Baños, R. L., & Rodríguez Santana, I. A. (2023). Sistema informático para la clasificación automática de imágenes de granos de polen. Universidad & ciencia, 12(1), 27–37. https://revistas.unica.cu/uciencia/index.php
Konijn, T., Bijl, I., Cao, L., & Verbeek, F. (2025). Analysis of 3D Urticaceae pollen classification using deep learning models. arXiv. https://arxiv.org/abs/2503.07419
Kubera, E., Kubik-Komar, A., Piotrowska-Weryszko, K., & Skrzypiec, M. (2021). Deep learning methods for improving pollen monitoring. Sensors, 21(10), 3526. https://doi.org/10.3390/s21103526
Mahbod, A., Schaefer, G., Ecker, R., & Ellinger, I. (2020). Pollen grain microscopic image classification using an ensemble of finetuned deep convolutional neural networks. arXiv. https://arxiv.org/abs/2011.07428
Olsson, O., Karlsson, M., Persson, A. S., Smith, H. G., Varadarajan, V., Yourstone, J., & Stjernman, M. (2021). Efficient, automated and robust pollen analysis using deep learning. Methods in Ecology and Evolution, 12(5), 850–862. https://doi.org/10.1111/2041-210X.13575
Otsu, N. (1979). A threshold selection method from gray-level histograms. IEEE Transactions on Systems, Man, and Cybernetics, 9(1), 62–66. https://doi.org/10.1109/TSMC.1979.4310076
Powers, D. M. W. (2011). Evaluation: From precision, recall and Fmeasure to ROC, informedness, markedness and correlation. Journal of Machine Learning Technologies, 2(1), 37–63.
Rettenberger, L., et al. (2023). Mask R-CNN outperforms U-Net in instance segmentation for overlapping cells. Current Directions in Biomedical Engineering, 9(1), 335–338. https://doi.org/10.1515/cdbme-2023-1084
Rostami, M. A., Balmaki, B., Dyer, L. A., Allen, J. M., Sallam, M. F., & Frontalini, F. (2023). Efficient pollen grain classification using pre-trained Convolutional Neural Networks: A comprehensive study. Journal of Big Data, 10(1), 151. https://doi.org/10.1186/s40537-023-00815-3
Rostami, M. A., Kydd, L., Balmaki, B., Dyer, L. A., & Allen, J. M. (2025). Deep learning for accurate classification of conifer pollen grains: Enhancing species identification in palynology. Frontiers in Big Data, 8, 1507036. https://doi.org/10.3389/fdata.2025.1507036
Sánchez Méndez, A. G., Arguijo, P., Vázquez López, J. A. H., & Melendez Armenta, R. A. (2021). Técnicas de selección de características y su aplicación en el análisis de polen a través de su textura. Research in Computing Science, 150(6), 203– 214.
Tello, S., & Flores, F. (2016). A novel method for the separation of overlapping pollen species for automated detection and classification. Computational and Mathematical Methods in Medicine, 2016, 5689346. https://doi.org/10.1155/2016/5689346
Yang, N., Joos, V., Jacquemart, A.-L., Buyens, C., & De Vleeschouwer, C. (2020). Using pure pollen species when training a CNN to segment pollen mixtures. En 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). IEEE.
Yu, X., Zhao, J., Xu, Z., Wei, J., Wang, Q., Shen, F., Yang, X., & Guo, Z. (2024). AIpollen: An analytic website for pollen identification through Convolutional Neural Networks. Plants, 13(22), 3118. https://doi.org/10.3390/plants13223118
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.