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

Abstract

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.