Tecnura

Editorial del Volumen 30 - Numero 87, 2026

Herramienta para la predicción de enfermedades en cultivos de tomate mediante tecnologías de aprendizaje automático

Abstract Objective: Late blight disease, caused by Phytophthora infestans, represents a critical threat to tomato cultivation, significantly affecting its quality and productivity. This study aimed to develop a technological tool for the early and precise detection of tomato disease in a controlled agricultural environment using machine learning (ML) techniques and digital image processing. Methodology: A total of 3560 foliar images encompassing three severity levels of Phytophthora infestans were acquired. The Segment Anything Model (SAM) was implemented as a preprocessing step to isolate the biological tissue and eliminate chromatic background noise. Three classifiers were evaluated using a unified Monte Carlo cross-validation framework (10 iterations, 70/30 split): SVM and KNN, based on global chromatic descriptors (HSV/YIQ and PCA), compared with a CNN that extracts local spatial topologies. Results: Within the evaluated dataset, the convolutional neural network (CNN) and the local distance-based model (KNN) achieved classification metrics exceeding 98%, significantly outperforming the global color-based baseline (SVM, 79%). By evaluating the localized spatial morphology of the necrotic lesions, the CNN architecture effectively mitigated misclassifications in extreme severity phenotype. Consequently, these high classification metrics must be interpreted as an upper performance bound, strictly constrained to the ideal and controlled conditions of the greenhouse setup. Conclusions: The developed tool demonstrates high potential for automated disease diagnosis in tomatoes, contributing to phytosanitary management through emerging technologies. This study highlights ML’s role as a driver of innovation for more precise, efficient, and sustainable agriculture.

Resumen Objetivo: El tizón tardío, causado por Phytophthora infestans, representa una amenaza crítica para el cultivo de tomate, afectando su calidad y productividad. Ante esta problemática, el presente estudio tiene como objetivo desarrollar una herramienta tecnológica para la detección temprana y precisa de la enfermedad en hojas de tomate, utilizando técnicas de aprendizaje automático y procesamiento digital de imágenes en un entorno agrícola controlado. Metodología: Se adquirieron 3560 imágenes foliares en tres niveles de severidad de Phytophthora infestans. El modelo SAM se implementó como preprocesamiento para aislar el tejido biológico y eliminar el ruido cromático del fondo. Mediante una Validación Cruzada de Monte Carlo unificada (10 iteraciones, 70/30), se evaluaron tres clasificadores: SVM y KNN, basados en descriptores cromáticos globales (HSV/YIQ y PCA), frente a una CNN que extrae topologías espaciales locales. Resultados: Los resultados demuestran que la red neuronal (CNN) y el modelo local (KNN) acertaron en más del 98% de las clasificaciones, superando ampliamente al modelo de color (SVM, con 79%). La CNN logró eliminar las confusiones al identificar hojas gravemente enfermas porque evalúa la forma de las manchas. Estos altos aciertos representan un rendimiento máximo esperable, válido estrictamente bajo las condiciones ideales y controladas del invernadero. Conclusiones: La herramienta desarrollada demuestra un alto potencial para el diagnóstico automatizado de enfermedades en tomate, aportando al manejo fitosanitario con base en tecnologías emergentes. Se destaca el papel del aprendizaje automático como motor de innovación para una agricultura más precisa, eficiente y sostenible.

Caracterización de isquemias cerebrales en imágenes de resonancia magnética usando la transformada de Hermite

Resumen Contexto: Las Imágenes de Resonancia Magnética (IRM) son altamente útiles para evaluar isquemias cerebrales y resultan de vital importancia para detectar las regiones donde se ubican dichas lesiones, así como para determinar su estado y condición. El análisis de estas imágenes lo realiza normalmente el médico especialista, y el diagnóstico depende fundamentalmente del conocimiento y experiencia del especialista. No obstante, para llevar a cabo un análisis cuantitativo y más objetivo, resulta de mucha utilidad la creación de modelos y herramientas matemáticas que permitan caracterizar las regiones afectadas y las regiones sanas. Antes esta necesidad, las técnicas de procesamiento digital de imágenes y las de inteligencia artificial se han convertido en alternativas para desarrollar herramientas de ayuda diagnóstica para las isquemias y otros tipos de enfermedades. Objetivo: Caracterizar y segmentar isquemias cerebrales a partir de IRM utilizando un proceso de análisis de textura basado en la transformada de Hermite. Metodología: La caracterización permite desarrollar un esquema capaz de diferenciar tejidos sanos e isquémicos de forma automática en las IRM, mediante un algoritmo de aprendizaje de máquinas o clasificador. Además, se utilizan otras técnicas de procesamiento de imágenes que contribuyen al proceso final de segmentación. Resultados: Las pruebas se realizaron con imágenes de una base de datos pública conformada por IRM que han sido adquiridas de pacientes con isquemias cerebrales. Los resultados fueron evaluados y analizados en la etapa de clasificación de los tejidos y en la etapa de segmentación, con presentación de resultados cualitativos y cuantitativos. En el contexto de la segmentación, el algoritmo desarrollado mostró un alto nivel de eficacia al delimitar las regiones isquémicas con un coeficiente Dice promedio cercano al 80 %. Aunque se observaron algunos falsos positivos, estos fueron mitigados en etapas posteriores mediante técnicas de morfología matemática como la erosión, dilatación y llenado de huecos. Conclusiones: El enfoque descrito no solo mejoró la calidad de la segmentación, sino que también aseguró la robustez del sistema frente a variaciones y ruidos en las imágenes. Este enfoque matemático demostró ser una herramienta de gran valor, al permitir un análisis profundo y direccional de las texturas presentes en las imágenes, destacándose por su capacidad para identificar y diferenciar tejidos sanos de los afectados por isquemias con una alta precisión.

Abstract Context: Magnetic Resonance Imaging (MRI) is highly useful for evaluating cerebral ischemia and plays a crucial role in detecting the regions where these lesions are located, as well as determining their extent and condition. The analysis of these images is usually performed by a medical specialist, and the diagnosis largely depends on their knowledge and experience. However, in order to carry out a more objective and quantitative analysis, the development of mathematical models and tools that allow the characterization of both affected and healthy regions becomes highly valuable. In this context, digital image processing techniques and artificial intelligence methods have become promising alternatives for developing diagnostic support tools for ischemia and other types of diseases. Objective: To characterize and segment cerebral ischemia from MRI images using a texture analysis process based on the Hermite Transform. Methodology: The characterization process enables the development of a scheme capable of automatically differentiating healthy and ischemic tissues in MRI images through a machine learning algorithm (classifier). In addition, other image processing techniques are used to support the final segmentation process. Results: The tests were carried out using images from a public database composed of MRI scans acquired from patients with cerebral ischemia. The results were evaluated and analyzed during the tissue classification and segmentation stages, presenting both qualitative and quantitative outcomes. In the segmentation stage, the developed algorithm showed a high level of effectiveness in delineating ischemic regions, achieving an average Dice coefficient close to 80%. Although some false positives were observed, these were mitigated in subsequent stages through mathematical morphology techniques such as erosion, dilation, and hole filling. Conclusions: The approach described not only improved the quality of the segmentation but also ensured the robustness of the system against variations and noise in the images. This mathematical approach proved to be a valuable tool, enabling a deep and directional analysis of the textures present in the images and demonstrating a strong capability to accurately identify and differentiate healthy tissues from those affected by ischemia.

Diseño y Simulación de un e-Kart de Carreras

Abstract Objective: To design and simulate an electric kart that maximizes energy efficiency for racing. Methodology: The project entitled “Design and simulation of an electric kart that maximizes energy efficiency for racing” was developed using a quantitative, descriptive, and experimental virtual approach based on the construction of mathematical models, computer-aided design, and simulation using specialized software. The study is part of an applied research design, as it seeks to generate a technical solution to a specific problem: increasing energy efficiency in electric racing karts. Likewise, the research is based on a deductive method, starting from theories of vehicle dynamics and energy efficiency, to arrive at the validation of an optimized model through simulations. Results: The results validated the feasibility of the proposed design and provided invaluable insights for adjustments and enhancements. So, they found that putting the electric propulsion system into the kart is okay. The kart still works well with this system. The electric propulsion system does not make the kart too heavy. This is important because the SuperKart category stays that the kart cannot weigh more than 240 kg. The electric propulsion system helps with this rule. The kart with the electric propulsion system is still under the 240 kg limit, for the SuperKart category. Conclusions: Through numerical simulations conducted in Matlab, the eKart performance was meticulously optimized, focusing on speed, autonomy, and energy efficiency. The outcomes reveal a substantial enhancement in the maximum speed attained, selection of the optimal reduction (Ntf), and increased autonomy without compromising energy consumption. The computer simulations provided comprehensive insights into the startup and operation of the components comprising the electric kart propulsion system during races, where the vehicle achieves a speed of 248 km/h in merely 34 seconds.

Resumen Objetivo: diseñar y simular un kart eléctrico que maximice la eficiencia energética para carreras. Metodología: el proyecto se desarrolló bajo un enfoque cuantitativo, descriptivo y experimental de carácter virtual, pues se basa en la construcción de modelos matemáticos, el diseño asistido por computadora y la simulación en software especializado. Es un diseño de investigación aplicada que busca generar una solución técnica a un problema específico: el incremento de la eficiencia energética en karts eléctricos de competición. La investigación se apoya en métodos deductivos a partir de teorías de dinámica vehicular y eficiencia energética, hasta la validación de un modelo optimizado mediante simulaciones. Resultados: los resultados validaron la viabilidad del diseño propuesto y proporcionaron información valiosa para realizar ajustes y mejoras. Se determinó que la integración del sistema de propulsión eléctrica en el kart no compromete sus características de rendimiento energético. En otras palabras, el sistema de propulsión eléctrica no aumenta el peso total del kart, lo que garantiza el cumplimiento del límite de 240 kg estipulado para la categoría SuperKart. Conclusiones: mediante simulaciones numéricas realizadas en Matlab, se optimizó meticulosamente el rendimiento del eKart, medidos en la velocidad, la autonomía y la eficiencia energética. Los resultados revelan una mejora sustancial en la velocidad máxima alcanzada, la selección de la reducción óptima (NTF) y una mayor autonomía sin comprometer el consumo de energía. Las simulaciones por ordenador proporcionaron una visión completa del arranque y el funcionamiento de los componentes que conforman el sistema de propulsión del kart eléctrico durante las carreras, en las que el vehículo alcanza una velocidad de 248 km/h en tan solo 34 segundos.

Minería de datos y redes sociales: predicción de la distracción en estudiantes de educación superior

Resumen Objetivo: las redes sociales, como herramientas emergentes de las últimas tres décadas, han evolucionado en paralelo con Internet. Estas plataformas ofrecen formas de interacción que pueden derivar en distracciones positivas como negativas, según el uso que se les dé. En el ámbito educativo, un uso inadecuado de estas plataformas digitales puede generar problemas de distracción y afectar negativamente el aprendizaje. En este contexto, la presente investigación desarrolla un modelo predictivo basado en minería de datos y aprendizaje automático, con el objetivo de identificar el grado de distracción en el proceso de enseñanza-aprendizaje. Metodología: la base de conocimiento, construida a partir de una encuesta aplicada a más de 1000 estudiantes de educación superior, proporciona la información necesaria para entrenar algoritmos de aprendizaje automático capaces de predecir la probabilidad de que un estudiante sufra distracciones debido al uso de las redes sociales. Resultados: los resultados obtenidos muestran que el modelo es capaz de detectar adecuadamente el 80 % de los casos de distracción, aunque existe margen para mejorar estos resultados mediante ajustes en la base de conocimiento. Conclusiones: los hallazgos actuales demuestran un buen rendimiento en la predicción de distracciones relacionadas con el uso de las plataformas digitales, lo que permitiría anticipar el bajo rendimiento de estudiantes y proponer estrategias de mejora.

Abstract Objective: Social media platforms, as emerging tools over the last three decades, have evolved alongside the Internet. They offer forms of interaction that can lead to positive or negative distractions, depending on how they are used. In the educational context, the inappropriate use of these digital platforms can lead to distraction issues and negatively affect learning. In this context, this research develops a predictive model based on data mining and machine learning, aiming to identify the degree of distraction in the teaching-learning process. Methodology: The knowledge base, constructed from a survey administered to over 1,000 higher education students, provides the necessary information to train machine learning algorithms capable of predicting the probability of a student experiencing distraction due to social media use. Results: The results show that the model accurately detects 80% of distraction cases, although there is room for improvement through adjustments to the knowledge base. Conclusions: The findings demonstrate good performance in predicting distractions related to the use of digital platforms, which would allow anticipating low academic performance in students and proposing intervention strategies.

Inversor CHB-5-MLI trifásico con optimización de armónicos: implementación y validación experimental

Resumen Contexto: los sistemas de tracción eléctrica modernos demandan convertidores de potencia capaces de operar bajo condiciones dinámicas exigentes, garantizando un suministro de energía estable, eficiente y de calidad. Uno de los principales problemas en estos sistemas es la distorsión armónica introducida por el inversor, la cual afecta negativamente el funcionamiento de la máquina. Objetivo: implementar un inversor multinivel en cascada trifásico con optimización armónica para aplicaciones de tracción eléctrica. Metodología: la metodología consta de la definición de la topología del inversor, la estructuración de una estrategia de conmutación complementada con un modelo de optimización y, finalmente, la validación mediante pruebas funcionales del prototipo en vacío. Resultados: los resultados permiten identificar formas de tensión con niveles definidos, aproximación senoidal, correctamente desfasadas entre sí y equilibradas en términos de tensión eficaz. Asimismo, se registraron valores de THD entre 1.2 % y 1.6 % para tensiones de fase, y entre 1 % y 1.2 % para tensiones de línea, mediante pruebas experimentales en vacío. Conclusiones: la topología de inversor multinivel en cascada trifásico, junto con un modelo de optimización armónica mediante algoritmos genéticos, constituye una solución viable al problema del alto contenido armónico en convertidores de potencia para sistemas de tracción. Financiamiento: este estudio hace parte de un proyecto de investigación aprobado por la Universidad de Pamplona como trabajo final de maestría, con financiación de recursos propios y apoyo institucional.

Abstract Context: Modern electric traction systems demand power converters capable of operating under demanding dynamic conditions, guaranteeing a stable, efficient, and high-quality power supply. One of the main problems in these systems is the harmonic distortion introduced by the inverter, which negatively affects machine performance. Objective: To implement a three-phase cascaded multilevel inverter with harmonic optimization for electric traction applications. Methodology: The methodology consists of defining the inverter topology, structuring a switching strategy complemented by a harmonic optimization model, and validating the design through functional testing of the prototype under no-load conditions. Results: The results show voltage waveforms with defined levels, a sinusoidal approximation, correctly phase-shifted, and balanced in terms of RMS voltage. THD values between 1.2% and 1.6% for phase voltages, and between 1% and 1.2% for line voltages, were demonstrated through experimental no-load tests. Conclusions: The three-phase cascaded multilevel inverter topology, combined with a harmonic optimization model using genetic algorithms, constitutes a viable solution to the problem of high harmonic content in power converters for traction systems. Funding: This study is part of a research project approved by the University of Pamplona as a master's thesis, funded by the researcher's own resources and institutional support.

Los activos intangibles en micro, pequeñas y medianas empresas: un análisis comparativo entre América Latina y el contexto internacional

Abstract Objective: This article examines the thematic evolution and intellectual structure of research on intangible assets in micro, small, and medium-sized enterprises (MSMEs) through a comparative approach between Latin America and the international context. Its aim is to identify the main theoretical streams, regional gaps, and research dynamics that shape this field, highlighting both the convergences and divergences between the two contexts. Methodology: A mixed methodology was adopted, combining bibliometric techniques, such as co-citation analysis and thematic evolution, with a qualitative content review. The Scopus and Web of Science databases served as data sources, yielding a total of 683 documents published up to 2024, 54 of which correspond to Latin American affiliations. Results: The results reveal lower conceptual and methodological density in Latin American scientific production, characterized by a fragmented structure and a limited presence of consolidated theoretical frameworks. Nevertheless, emerging regional themes were identified that position intangible assets as strategic tools for productive transformation. Conclusions: The study concludes that Latin America is undergoing a delayed yet progressive alignment with the global agenda, and it highlights the need to strengthen context-specific frameworks that articulate global conceptual richness with regional realities.

Resumen Objetivo: Este artículo analiza la evolución temática y la estructura intelectual de la investigación sobre activos intangibles en MiPymes, mediante un enfoque comparativo entre América Latina y el contexto internacional. Su objetivo es identificar las principales corrientes teóricas, brechas regionales y dinámicas investigativas que configuran este campo, visibilizando tanto las convergencias como las divergencias entre ambos contextos. Metodología: Se adoptó una metodología mixta, combinando técnicas bibliométricas, como análisis de cocitación y evolución temática, con una revisión cualitativa de contenido. Las fuentes utilizadas fueron las bases de datos Scopus y Web of Science, integrando un total de 683 documentos publicados hasta el año 2024, de los cuales 54 corresponden a afiliaciones latinoamericanas. Resultados: Los resultados evidencian una menor densidad conceptual y metodológica en la producción científica latinoamericana, caracterizada por una estructura fragmentada y menor presencia de marcos teóricos consolidados. No obstante, se identifican temas emergentes propios de la región que posiciona a los bienes intangibles como herramientas estratégicas en la transformación productiva. Conclusiones: El estudio concluye que América Latina se encuentra en un proceso de alineación tardía, aunque progresiva, con la agenda global, y plantea la necesidad de fortalecer marcos situados que articulen la riqueza conceptual global con las realidades regionales.

Automatización de la generación de casos de prueba de software 2018-2024: mapeo sistemático en bases de datos IEEE, ACM, Springer y Elsevier

Resumen Contexto: la prueba de software es esencial para asegurar la calidad de productos de software. Sin embargo, la generación manual de casos de prueba es costosa, propensa a errores y consume tiempo considerable, lo que ha impulsado el desarrollo de métodos y herramientas para automatizar esta actividad. Objetivo: analizar métodos y herramientas para la automatización de la generación de casos de prueba documentados entre 2018 y 2024, identificando características, retos en el empleo práctico y formas de evaluación. Metodología: se aplicó la metodología de mapeo sistemático de Kitchenham et al., analizando 70 estudios primarios de IEEE Xplore, ACM Digital Library, Science Direct y Springer Link. Se empleó el enfoque quasi-gold standard para definir cadenas de búsqueda y síntesis narrativa de Popay et al. para el análisis de datos. Resultados : la prueba basada en búsqueda y la prueba basada en modelos son las técnicas predominantes, con una emergente adopción de Modelos de Lenguaje Grande (LLM, Large Language Models). Los métodos y herramientas se orientan principalmente ha-cia APIs RESTful y aplicaciones Java, presentando limitaciones en el manejo de especificaciones y generación de test oracles efectivos. Conclusiones: se identifican oportunidades significativas en pruebas de seguridad y rendimiento. Aunque el estudio no incluyó evaluación de calidad de estudios primarios, literatura gris ni snowballing, proporciona un panorama base para futuras investigaciones en generación automática de casos de prueba.

Abstract Context: Software testing is essential to ensure software product quality. However, manual test case generation is costly, error-prone, and time-consuming, driving the development of methods and tools to automate this activity. Objective: To analyze methods and tools for automating test case generation reported between 2018 and 2024, identifying characteristics, practical implementation challenges, and evaluation approaches. Methodology: Kitchenham et al.'s systematic mapping methodology was applied, analyzing 70 primary studies from IEEE Xplore, ACM Digital Library, ScienceDirect, and SpringerLink. The quasi-gold standard approach was used to define search strings, and Popay et al.'s narrative synthesis for data analysis. Results: Search-based testing and model-based testing are the predominant techniques, with emerging adoption of Large Language Models (LLMs). Methods and tools mainly target RESTful APIs and Java applications, showing limitations in specification handling and effective test oracle generation. Conclusions: Significant opportunities are identified in security and performance testing. Although the study did not include quality assessment of primary studies, grey literature, or snowballing, it provides a baseline for future research in automated test case generation.