MeliAPP
Ciencia e Investigación 🔐 Iniciar Sesión ✨ Registrarse

MeliAPP

Ciencia e Investigación

  1. Publicado Scientific Data · Nature · 2026

    A High-Resolution Multifocal RGB Pollen Grain Image Dataset for Deep Learning Computer Vision Tasks from Biobío Region, Chile

    I. Sanhueza, P. Coelho, J. Staforelli-Vivanco y colaboradores

    Publica PollenBB16, un conjunto de 16.198 imágenes de microscopía a resolución nativa y 36.383 máscaras de 16 especies del Biobío, entre endémicas, nativas e introducidas. Cada posición se fotografió en tres planos focales y un palinólogo verificó cada anotación. Un modelo de referencia alcanza 0,985 de mAP@50 en las máscaras. El conjunto sirve para entrenar el reconocimiento de polen con el que se autentica el origen botánico de la miel.

    Ver artículo
  2. Publicado Journal of Agriculture and Food Research · 2025

    YOLOv8-based on-the-fly classifier system for pollen analysis of Guindo Santo (Eucryphia glutinosa) honey and assessment of its monoflorality

    R. Jofré, J. Staforelli, P. Coelho y colaboradores · DOI 10.1016/j.jafr.2025.101665

    Cuenta el polen de la miel de guindo santo del Alto Biobío con microscopía de campo claro y un clasificador YOLOv8. La precisión media fue de 97,6 % en todas las clases y de 94,4 % en guindo santo. El conteo automático y el conteo manual coinciden en que esa miel es monofloral. El resultado importa para las comunidades pehuenche, porque el origen botánico es lo que distingue esa miel en el mercado.

    Ver artículo
  3. Publicado Foods · 30 de noviembre de 2022

    Hyperspectral Microscopy Technology to Detect Syrups Adulteration of Endemic Guindo Santo and Quillay Honey Using Machine-Learning Tools

    G. Machuca, J. Staforelli, P. Coelho y colaboradores · DOI 10.3390/foods11233868

    Detecta jarabes añadidos a mieles de guindo santo y quillay, a concentraciones que no se ven a simple vista. El montaje combina un microscopio confocal con un filtro óptico sintonizable y compara análisis discriminante lineal, máquinas de soporte vectorial y una red neuronal. La máquina de soporte vectorial llegó a un 93 % de exactitud promedio en ambas mieles.

    Ver artículo
  4. En proceso arXiv · 24 de agosto de 2026

    Automated Palynological Analysis System: Integrating Deep Metric Learning and U²-Net Detection in H∞ bright field microscopy

    R. Jofré, J. Staforelli, P. Coelho y colaboradores

    Propone un microscopio de campo claro automatizado para contar y clasificar polen del Biobío. La detección de cada grano usa U²-Net y la clasificación usa un transformador DINOv2 entrenado por aprendizaje métrico, de modo que una especie nueva se incorpora con sus ejemplos y sin reentrenar toda la red. El sistema alcanza un 95,8 % de recall y reduce cerca de seis veces el tiempo respecto del conteo manual de un especialista.

    Ver prepublicación
  5. En proceso arXiv · 27 de agosto de 2026

    Three-Dimensional Volumetric Reconstruction of Native Chilean Pollen via Lens-Free Digital In-line Holographic Microscopy

    J. Staforelli-Vivanco, V. Salamanca-Levi, B. Muñoz-Cepeda y colaboradores · DOI 10.48550/arXiv.2601.14205

    Reconstruye en tres dimensiones granos de polen nativo chileno con microscopía holográfica digital sin lentes. A partir de frentes de onda de Anthemis cotula, Gevuina avellana y Conium maculatum obtiene volúmenes de 3780 a 4320 µm³ y esfericidades de 0,76 a 0,89. La reconstrucción se valida con microesferas de poliestireno certificadas y con un eritrocito humano. El trabajo propone huellas digitales tridimensionales, sin tinción, para la melisopalinología automática en un hotspot de biodiversidad sudamericano.

    Ver prepublicación