Originaria de los Andes de Sudamérica, la mashua (Tropaeolum tuberosum) es una planta herbácea perenne que ha sido domesticada y cultivada durante miles de años en países como Ecuador, Bolivia y Perú (Valle-Parra et al., 2020). Taxonómicamente es una angiosperma, perteneciente a la familia Tropaeolaceae (Aguilar-Galvez et al., 2020). A lo largo de su historia, este cultivo ha sido valorado por las comunidades andinas no solo por su importancia cultural, sino también por sus reconocidas propiedades nutricionales y medicinales (Takahashi et al., 2024). No obstante, a pesar de su relevancia, la investigación científica sobre la mashua sigue siendo limitada, lo que ha dificultado la implementación de programas de mejoramiento genético (Valle-Parra et al., 2018).

Este tubérculo andino destaca por su notable adaptabilidad a condiciones extremas, cultivándose exitosamente en altitudes que oscilan entre los 2400 y los 4300 m s.n.m (Siqueira et al., 2023). Además, se han identificado más de 100 ecotipos, lo que refleja una importante diversidad morfológica dentro de la especie (Grau et al., 2025). Su elevado contenido en antioxidantes, vitaminas, aminoácidos esenciales y compuestos bioactivos le confiere un alto valor nutricional y funcional, razón por la cual es empleado en diversas aplicaciones tradicionales, medicinales e industriales (Chirinos et al., 2008). El estudio de las características morfológicas de la mashua resulta clave en el desarrollo de nuevas variedades que puedan responder a las demandas actuales de los sistemas agrícolas y del mercado (Fajardo et al., 2013).

La caracterización morfológica constituye una herramienta esencial para identificar, conservar y explotar la variabilidad genética de los cultivos, lo que a su vez impulsa los programas de mejoramiento y fortalece la capacidad de adaptación frente a desafíos ambientales como el cambio climático (Ortiz Ortega et al., 2022). Sin embargo, en el caso de la mashua, los trabajos de caracterización morfológica han sido escasos y, en su mayoría, se han basado en observaciones visuales y descripciones manuales de atributos como la forma, el tamaño y el color de los tubérculos, además de rasgos de la parte aérea (Luziatelli et al., 2023). Aunque estas metodologías han proporcionado información inicial sobre la diversidad fenotípica, presentan limitaciones significativas, tales como la subjetividad en la evaluación, la baja reproducibilidad de los resultados y el elevado tiempo necesario para su ejecución (Hasankhani & Navid, 2012).

Ante este panorama, la incorporación de tecnologías emergentes, como la inteligencia artificial y el análisis de imágenes, representa una alternativa innovadora para optimizar el proceso de caracterización morfológica (Iotti et al., 2002). Estas herramientas permiten desarrollar metodologías automatizadas, objetivas y escalables, que faciliten el análisis eficiente de la variabilidad genética de la mashua y contribuyan a su conservación y aprovechamiento (Rashid & Kausik, 2024).

Diversas investigaciones han evidenciado que la caracterización morfológica en cultivos andinos constituye una herramienta esencial para identificar características distintivas y patrones de variación fenotípica, aspectos que resultan cruciales para orientar estrategias de conservación y el diseño de programas de mejoramiento genético (Samal & Choudhury, 2020). En el caso de mashua, la mayoría de estudios de caracterización morfológica se basan en observaciones visuales y descripciones manuales. Por ejemplo, Valle Parra, (2017) realizó la caracterización morfológica y fenológica de seis variedades de mashua en Ecuador, revelando una amplia variabilidad en atributos como la coloración de flores y tubérculos, así como en variables cuantitativas y fenológicas. El estudio destacó variedades con características sobresalientes como precocidad y diferencias en el contenido químico, resaltando el potencial de esta información para la selección de materiales destinados a la producción comercial. De manera complementaria, en el Perú, un estudio desarrollado por Mirano Papel, (2018) evaluó 113 accesiones de mashua en el Centro Agronómico K’ayra (Cusco), utilizando descriptores del IPGRI. Los resultados mostraron una importante diversidad morfológica, con predominancia del morfotipo 5 en un 81.10 % de las accesiones, así como variaciones significativas en el hábito de crecimiento, enroscamiento, cobertura del suelo y color del tallo. Ambos trabajos evidencian la riqueza fenotípica de la mashua y resaltan la necesidad de continuar con estudios de caracterización morfológica y agronómica que permitan identificar genotipos con atributos deseables para programas de mejoramiento, adaptación a diferentes condiciones agroecológicas y preferencias de mercado.

En este contexto, diversos estudios han evidenciado que la aplicación de visión artificial junto con modelos de aprendizaje profundo representa una alternativa eficaz para la caracterización morfológica automatizada en especies agrícolas como papa, maíz y otros cultivos. Por ejemplo, Si et al., (2018) realizaron un sistema automatizado para estimar la relación longitud/anchura en papa, utilizando imágenes de video durante su clasificación en cinta transportadora. Su algoritmo alcanzó una precisión mayor al 95 % y mostró una alta correlación con las mediciones manuales, validando su aplicabilidad para evaluar forma y tamaño en tubérculos de forma rápida y confiable.

Oppenheim et al., (2019) presentaron un modelo de clasificación de enfermedades de papa mediante redes neuronales profundas entrenadas con imágenes RGB. Se clasificaron cinco categorías (cuatro enfermedades y una clase sana) con una precisión promedio superior al 90 %, destacando el uso de CNN como alternativa viable para diagnósticos visuales en campo.

Samal & Choudhury, (2020) utilizaron aprendizaje automático y visión computacional para evaluar la calidad de semillas hortícolas con base en imágenes RGB. Su objetivo fue clasificar parámetros como vigor, viabilidad y germinabilidad sin recurrir a métodos destructivos. Aplicaron redes neuronales convolucionales que permitieron alcanzar altos niveles de precisión en la clasificación de muestras. Este estudio demuestra que la visión artificial puede ser un recurso confiable para tareas de evaluación masiva y automatizada de características fisiológicas y morfológicas, lo que se alinea con los objetivos de caracterización fenotípica automatizada en mashua mediante inteligencia artificial.

Nehoshtan et al., (2021) desarrolló una tecnología basada en aprendizaje profundo para predecir la germinación y utilidad de semillas mediante imágenes RGB, enfocándose en la industria hortícola. A través del entrenamiento de clasificadores con lotes compuestos de semillas de distintas genéticas y condiciones, el sistema logró superar el 90 % de precisión y el 80 % de recuperación en la clasificación de semillas viables, incluso sin datos específicos por lote. Esta metodología, que evitó pérdidas por descartes innecesarios, resalta la posibilidad de predecir el comportamiento fisiológico a partir de señales morfológicas sutiles, lo cual podría ser adaptado para el análisis de germoplasma de mashua en programas de conservación y selección fenotípica.

Lozada-Portilla et al., (2021) diseñó un modelo de CNN para la detección del tizón tardío en hojas de papa a partir del conjunto de datos PlantVillage. El modelo logró una precisión del 90 % y un puntaje F1 del 91 %, superando a arquitecturas como AlexNet y VGG16. El estudio destacó la utilidad de las CNN en el monitoreo sanitario de cultivos y su escalabilidad a plataformas móviles. Esta capacidad de clasificación precisa puede adaptarse a la detección de enfermedades o anomalías visuales en mashua, promoviendo sistemas de alerta temprana basados en imágenes.

Mhango et al., (2022) emplearon imágenes de drones y redes neuronales convolucionales (CNN) para estimar la densidad de tallos de papa mediante la detección de meristemos. Se desarrollaron nuevos índices de color para identificar hojas meristemáticas y se generaron 500 imágenes pseudoetiquetadas para entrenar el modelo. En comparación con métodos tradicionales, el CNN alcanzó un error cuadrático medio normalizado (nRMSE) de 0.09 y una precisión superior (IOU = 0.56), demostrando su validez para tareas agrícolas complejas.

Feldman et al., (2023) desarrollaron una estrategia de fenotipado escalable y de bajo costo para caracterizar morfológicamente tubérculos de papa, utilizando imágenes digitales para medir forma, tamaño, color de piel y pulpa. El objetivo fue superar las limitaciones de las mediciones tradicionales en programas de mejoramiento. Se capturaron imágenes de 189 progenies F1 bajo condiciones estandarizadas, y se aplicaron algoritmos de visión artificial para la extracción cuantitativa de características. Los resultados evidenciaron que las mediciones obtenidas fueron confiables, reproducibles y hereditarias, lo cual las hace útiles en la selección simultánea de múltiples rasgos. Este enfoque es aplicable al estudio de tubérculos andinos como la mashua, al permitir caracterizaciones objetivas de su diversidad morfológica.

Divyanth et al., (2024) aplicó y comparó diferentes versiones del modelo YOLO (v5 a v11) para detectar ojos y cicatrices en tubérculos de papa. Entre todos, YOLOv10m obtuvo el mejor rendimiento (mAP@0.5 = 0.911) y menor tiempo de inferencia, mostrando su potencial en sistemas robóticos de muestreo. Esta tecnología puede implementarse para detectar rasgos morfológicos sutiles en tubérculos de mashua, automatizando procesos de selección y clasificación por calidad.

Liu et al., (2025) propuso un enfoque innovador para la detección temprana de la germinación de semillas de maíz mediante imágenes RGB y visión artificial. Su estudio abordó una de las limitaciones tradicionales: la lentitud y subjetividad de las pruebas manuales de germinación. Se recolectaron imágenes en patrones definidos y se aplicaron tres métodos de predicción directa basados en características visuales (banda de rayas, límites y color). La combinación de estos tres métodos alcanzó una precisión del 73.5 %, un recuerdo del 87.5 % y un F1 score del 79.2 %, reduciendo el tiempo de prueba estándar en tres días.

Sharma et al., (2025) propusieron un sistema de estimación de masa y clasificación de tubérculos de papa mediante imágenes 2D multiángulo. El estudio incluyó 23 cultivares de papa cuyas imágenes se capturaron desde ángulos superior y lateral. Se emplearon modelos de regresión lineal y aleatoria para estimar la masa y clasificar tamaños. La metodología arrojó una precisión de hasta R² = 0.99 con errores mínimos (RMSE = 3.68 g). Estos hallazgos sugieren que la morfometría digital, combinada con algoritmos de aprendizaje automático, puede optimizar la clasificación de tubérculos como la mashua, reduciendo errores subjetivos y mejorando la eficiencia del proceso.

En conjunto, estos antecedentes respaldan firmemente el uso de inteligencia artificial y análisis de imágenes como herramientas eficaces para la caracterización morfológica de cultivos. Aunque no se han encontrado aplicaciones directas en mashua, representa una oportunidad para superar las limitaciones de los métodos tradicionales, avanzar en su mejoramiento genético y contribuir a su conservación como recurso fitogenético andino de gran valor.

Una caracterización morfológica más precisa, rápida y repetible que las técnicas tradicionales será posible con el desarrollo de un sistema automatizado basado en inteligencia artificial que utilice modelos de detección como YOLO entrenados con imágenes digitales de tubérculos de mashua (Tropaeolum tuberosum). Este método ayudará a clasificar eficazmente las accesiones, identificar rasgos de interés agronómico y apoyar iniciativas de conservación y mejora genética, al facilitar la identificación de variaciones fenotípicas complejas y revelar patrones morfológicos sutiles que con frecuencia se pasan por alto en los análisis tradicionales.