Recientemente se publicó en la revista WoS Applied Sciences el artículo “Development of an Extreme Machine Learning-Based Computational Application for the Detection of Armillaria in Cherry Trees”, disponible en: MDPI. En él participaron los académicos David Zabala Blanco (tutor), Mary Carmen Jarur (co-tutora) y el estudiante de pregrado Patricio Hernández Toledo, marcando un hito por la participación estudiantil en un artículo de alto impacto.
El trabajo aborda la detección temprana de Armillaria en cerezos mediante una aplicación computacional basada en inteligencia artificial, usando modelos de Machine Learning del tipo Extreme Learning Machines (ELM) para clasificar imágenes de árboles sanos y enfermos. Se emplea la base de datos ERICA, previamente utilizada en estudios con YOLOv5, compuesta por imágenes RGB sometidas a recorte, conversión a escala de grises, redimensionamiento, vectorización y normalización. Además, se optimiza la resolución, identificando 63×23 píxeles como la dimensión optima.
Se evaluaron seis variantes de ELM mediante exactitud, media geométrica y tiempo de entrenamiento, integrándolas en una aplicación funcional en MATLAB. La variante ELM desbalanceada 1 obtuvo el mejor desempeño (exactitud 0,77; media geométrica 0,45). Aunque no supera a YOLOv, su bajo costo computacional la vuelve una alternativa atractiva para entornos con recursos limitados, proyectándose mejoras en tratamiento de imágenes y balanceo de datos.
