Recent progress in computer vision and embedded systems has facilitated real-time monitoring of bioprocesses; however, lightweight and scalable solutions for resource-constrained settings remain limited. This work presents a modular framework for monitoring Chlorella vulgaris growth by integrating RGB image processing with multimodal sensor fusion. The system incorporates a Logitech C920 camera and low-cost pH and temperature sensors within a compact photobioreactor. It extracts RGB channel statistics, luminance, and environmental data to generate a 10-dimensional feature vector. A feedforward artificial neural network (ANN) with ReLU activations, dropout layers, and SMOTE-based data balancing was trained to classify growth phases: lag, exponential, and stationary. The optimized model, quantized to 8 bits, was deployed on an ESP32 microcontroller, achieving 98.62% accuracy with 4.8 ms inference time and a 13.48 kB memory footprint. Robustness analysis confirmed tolerance to geometric transformations, though variable lighting reduced performance. Principal component analysis (PCA) retained 95% variance, supporting the discriminative power of the features. The proposed system outperformed previous vision-only methods, demonstrating the advantages of multimodal fusion for early detection. Limitations include sensitivity to lighting and validation limited to a single species. Future directions include incorporating active lighting control and extending the model to multi-species classification for broader applicability.

El presente trabajo propone una metodología para la extracción de características visuales en puntos presentes sobre la epidermis de tubérculos, específicamente en papas, con el fin de clasificarlos en función de cuatro descriptores: Asimetría, Borde, Color y Diámetro (ABCD). El proceso inicia con la captura de imágenes de alta resolución, seguido de una etapa de preprocesamiento que incluye la extracción de fondo y la aplicación de filtros binarios para aislar los puntos de interés. A partir de las imágenes segmentadas, se construye una base de datos con los valores numéricos de cada descriptor, permitiendo su posterior análisis y clasificación. Esta metodología sienta las bases para el entrenamiento de modelos de aprendizaje automático que podrán automatizar la detección y clasificación de estos puntos, contribuyendo así al control de calidad y diagnóstico visual en productos agrícolas.

Los estomas son poros formados por un par de células oclusivas ubicadas en la epidermis de la planta, los cuáles intervienen en el proceso de transpiración y fotosíntesis. Por otra parte, la obtención manual de características celulares mediante el análisis de imágenes de microscopia resulta ser un trabajo extenuante y prolongado. El presente artículo presenta una metodología para el reconocimiento y obtención de características de los estomas en hojas de muérdago mediante un procesamiento digital de imágenes y la implementación de una red neuronal convolucional conocida como YOLO (You Only Look Once). Se realizó una segmentación semántica de las imágenes y para ello se utilizó el modelo YOLOv8n-seg. Asimismo, se realizó el etiquetado de 510 imágenes aumentadas a través de diversas transformaciones en Roboflow para lograr un total de 779 instancias divididas en tres subconjuntos: 80% para entrenamiento, 13% para validación y 7% para prueba. Los índices de precisión y sensibilidad para la fase de entrenamiento fueron 89.32% y 96.53% respectivamente. Las características estomáticas obtenidas se calcularon con la ayuda de la librería Scikit-Image e incluyen conteo, área, perímetro, excentricidad, ancho y alto del estoma. Finalmente, luego del entrenar el modelo se llevó a cabo una prueba sobre cada uno de canales RGB de la imagen para posteriormente analizar las predicciones hechas por el algoritmo y compararlas entre sí para conocer las diferencias en los resultados obtenidos utilizando los mejores pesos encontrados en la fase de entrenamiento de la red neuronal.

This study introduces a novel, low-cost, and non-invasive method for characterizing the surface profile of transparent objects using double digital fringe projection (DDFP). By projecting dual sinusoidal patterns that generate a Moiré effect and applying a frequency-domain Gaussian filter, the system isolates relevant data for accurate phase recovery through the isotropic quadrature transform (IQT). Experimental validation with plastic and acrylic samples confirms the method’s high spatial resolution and robustness against ambient noise. Unlike traditional systems, this technique avoids coherent light sources and complex hardware, improving its accessibility for academic and industrial use in transparent surface metrology.

El avance de la Inteligencia artificial (IA) ha ido desarrollándose con el paso del tiempo y ha demostrado ser de gran utilidad en diferentes áreas, una de ellas es el área de la salud. Los médicos se han apoyado de imágenes médicas, entre ellas la Tomografía Computarizada (TC) para poder dar diagnósticos y/o prevenir enfermedades. En el año 2019 fue cuando surgió el llamado COVID-19 (enfermedad de Coronavirus-19), nombrado así desde el 11 de febrero del 2020. A partir de estos años se empezó a enfocar principalmente en cómo combatir, curar o contrarrestar esta enfermedad. Actualmente sigue siendo prioridad descubrir avances que puedan ser de ayuda para el área médica en el tema del COVID-19. En este artículo se presentan los resultados de las TC de la región torácica de pacientes con COVID-19 procesadas por el algoritmo LBP (Local Binary Pattern) básico y algunas de sus variantes (LBP uniforme y LBP con invarianza a la rotación) donde se observan los diferentes patrones de dichas imágenes por medio de sus histogramas, llegando a identificar la frecuencia de los patrones correspondientes a cada LBP anteriormente mencionado con la implementación de filtro gaussiano con media ponderada e implementación de los canales rojo y verde así como las imágenes de TC del área torácica sin un preprocesamiento, dichas imágenes con un tamaño de 512x512.

Los sistemas inmersivos en los últimos años han tomado gran relevancia en la vida de los jóvenes. Estos incluyen tecnologías como la realidad aumentada (RA), la cual ha demostrado ser una herramienta poderosa para mejorar la experiencia de entretenimiento, interacción social y aprendizaje. Aunque para poderla usar correctamente se deben de considerar los posibles desafíos y riesgos, ya que también se puede causar adicción con el uso excesivo. Este estudio tiene como objetivo proporcionar una evaluación preliminar de como los sistemas inmersivos pueden ayudar en la vida de los jóvenes, ya que ellos enfrentan muchos retos en su día a día como depresión, estrés y ansiedad, por lo cual por medio de los sistemas inmersivos se pretende promover la mejora de la calidad de vida de los jóvenes actuales, esto a través de terapias no farmacológicas que los ayuden a tener un mejor bienestar emocional lo que desencadenaría una mejor calidad de vida. Para lo anterior se aplicaron una serie de pruebas a usuarios en un ambiente inmersivo controlado, recogiendo los datos producidos para posteriormente ser analizados. Como parte de los principales hallazgos de este trabajo se puede mencionar que los usuarios participantes tuvieron una mejora significativa en su bienestar emocional después de la aplicación de la terapia inmersiva. Estos resultados nos permitirán continuar explorando estas estrategias enfocadas a la mejora del bienestar emocional, incluyendo entornos laborales, personas bajo altos niveles de estrés, así como en población vulnerable (incluyendo adultos mayores).