Barreira, NoeliaFagúndez, JaimeRodríguez Rodríguez, JavierUniversidade da Coruña. Facultade de Informática2026-05-212026-05-212025-11https://hdl.handle.net/2183/48329[Resumen]: La venación foliar constituye un rasgo morfoanatómico de gran relevancia en el estudio de la fisiología y la adaptación de las plantas. Las características estructurales de la red de nervios, como su densidad, distribución y grado de ramificación, suelen mantenerse relativamente estables dentro de una especie, aunque pueden presentar cierta plasticidad ante condiciones de estrés abiótico como la salinidad. En este trabajo se desarrolla una herramienta basada en técnicas de visión por computador y aprendizaje profundo para el análisis automático de la venación en hojas de Raphanus raphanistrum L. A partir de imágenes escaneadas a tamaño real, la aplicación identifica los nervios foliares mediante segmentación semántica, extrae el esqueleto venoso y calcula métricas que caracterizan su estructura. Posteriormente, estas métricas se emplean para evaluar la variación de los patrones de venación en plantas sometidas a diferentes niveles de estrés salino. Los resultados obtenidos muestran el potencial de la metodología propuesta para automatizar el estudio de la venación foliar y aportar información cuantitativa que contribuya a comprender los mecanismos de respuesta morfológica de las plantas frente a condiciones ambientales adversas.[Abstract]: Leaf venation is a morpho-anatomical trait of great relevance in plant physiology and adaptation studies. The structural characteristics of the vein network, such as its density, distribution, and branching degree, tend to remain relatively stable within a species, although they may exhibit certain plasticity under abiotic stress conditions such as salinity. This work presents a tool based on computer vision and deep learning techniques for the automatic analysis of venation in Raphanus raphanistrum L. leaves. From high-resolution scanned images, the application identifies the leaf veins through semantic segmentation, extracts the venous skeleton, and computes metrics that characterize its structure. These metrics are then used to assess the variation of venation patterns in plants subjected to different levels of salt stress. The results demonstrate the potential of the proposed methodology to automate the study of leaf venation and provide quantitative information that contributes to understanding the morphological response mechanisms of plants under adverse environmental conditionsspaAttribution 4.0 Internationalhttp://creativecommons.org/licenses/by/4.0/Morfología vegetalAnálisis CuantitativoFenotipado AutomatizadoAdaptación al Estrés AbióticoPatrones VascularesEsqueletización de VenasProcesamiento de Imágenes BiológicasVisión Artificial en BotánicaRaphanus RaphanistrumRedes Neuronales ConvolucionalesPlant MorphologyQuantitative analysisAutomated PhenotypingAbiotic Stress AdaptationVascular PatternsVein SkeletonizationBiological Image ProcessingComputer Vision in BotanyLeaf Vein NetworkConvolutional Neural Networks (CNNs)bachelor thesisopen access