Sistema VID · Clasificación foliar

Modo postest activoEl cronometraje operativo se registrará automáticamente.

Entrada de imagen

Analizar una hoja

Use la cámara del dispositivo o seleccione una fotografía existente.

1 Imagen

Hoja enfocada

Buena iluminación

Hoja visible

Evite sombras fuertes

Cronometraje de investigación activoSe registrarán preparación, tiempo operativo y, si usa cámara, captura y flujo completo.

Cámara

Tomar fotografía

Centre la hoja y capture cuando se encuentre enfocada.

Captura: 0.0 s

Preparación

Encuadre de la hoja

Ajuste el recorte para concentrar el análisis en el área foliar.

Preparación: 0.0 s

Resultado de clasificación

Cuando analice una fotografía, aquí verá la clase predicha, el nivel de confianza, las probabilidades por categoría y el tiempo de inferencia.

3 clases224 × 224 internoMobileNetV2

Resultado de clasificación

-

Confianza del modelo -

Registro -

Probabilidades por clase

Softmax

Mildiu0 %

Oídio0 %

Sana0 %

Tiempo de inferencia CNN-

Preparación / recorte-

Captura-

Tiempo operativo tesis-

Flujo completo-

Herramienta de apoyo a la clasificación. No sustituye una evaluación fitosanitaria especializada.

Registro de investigación

Control del postest

Administre H001–H092 y conserve el pareo con el pretest.

Modo postest

Código actual

Códigos permitidos: H001 a H092.

Avance registrado0 / 92

La predicción y los tiempos se guardarán automáticamente.

Captura media—

Preparación—

Operativo tesis—

Técnico CNN—

Flujo completo—

Exportar CSV para SPSS

Actívelo cuando vaya a medir el postest oficial.El sistema añadirá código Hxxx, cronometraje operativo y guardado persistente.

Qué registra

Datos listos para SPSS

01

Clase predichaMildiu, oídio o sana.

02

Acierto / errorSe obtiene al cruzar con la referencia agronómica.

03

Tiempo operativoDato principal para el indicador de eficiencia.

04

FP / VNSe calcula sobre las hojas cuya referencia es sana.

Persistencia local

Registros guardados

Vista rápida de las clasificaciones almacenadas en SQLite.

Código	Predicción	Confianza	Operativo	Técnico	Origen

Todavía no hay registros de postest guardados.

Función complementaria

Analizar una carpeta completa

Clasifique múltiples fotografías de forma secuencial para una revisión técnica rápida.

Automático

Seleccione una carpeta de imágenes

Admite fotografías de resoluciones diferentes; el modelo las prepara internamente a 224 × 224.

Detectadas0

Procesadas0

Tiempo técnico medio—

EstadoListo

Solución tecnológica

Clasificación foliar con MobileNetV2

El sistema combina visión por computador, transferencia de aprendizaje y una aplicación web para clasificar hojas de vid en tres categorías: mildiu, oídio y sana.

Deep Learning Flask Visión por computador

Cómo funciona

Flujo de la solución

Desde la fotografía hasta la respuesta final mostrada al usuario.

Cliente–servidor

1. ImagenCámara o archivo

2. PreparaciónRecorte, RGB y 224×224

3. MobileNetV2Extracción de patrones

4. SoftmaxProbabilidad por clase

5. ResultadoMildiu · Oídio · Sana

Validación interna97.24%422 aciertos de 434 imágenes

Prueba técnica pública95.00%114 aciertos de 120 imágenes

Postest local96.74%89 aciertos de 92 registros

Entrada del modelo224×224RGB · 3 canales

Categorías3Mildiu · Oídio · Sana

Preparación de datos

Dataset NGLD v5 y depuración

Archivos seleccionados inicialmente2,626

Duplicados exactos retirados333

Dataset final2,293 imágenes

Entrenamiento1,739 imágenes

Validación434 imágenes

Prueba técnica120 imágenes · 40 por clase

También se revisó similitud visual con dHash y los grupos de imágenes similares se mantuvieron dentro de un mismo subconjunto para reducir fuga de información.

Desbalance de clases

Pesos de clase, no “balanceo” por eliminación

No se descartaron imágenes para igualar las cantidades. Durante el entrenamiento se asignó mayor importancia a los errores de la clase menos representada.

Mildiu0.782

Oídio2.013

Sana0.816

Peso de claseN / (k × nᵢ)

El peso más alto para oídio compensa su menor representación sin duplicar ni eliminar artificialmente observaciones.

Entrenamiento

Transferencia de aprendizaje y fine-tuning

01

Base preentrenadaMobileNetV2 con pesos de ImageNet y clasificador original retirado.

02

Cabezal de clasificaciónGlobal Average Pooling + Dropout 0.30 + Dense de 3 neuronas Softmax.

03

Primera etapaBase congelada, Adam 0.001 y detención temprana; mejor estado restaurado.

04

Fine-tuningÚltimas ~30 capas habilitadas, BatchNormalization congelada y Adam 1×10⁻⁵.

Generalización

Aumento de datos

Las transformaciones se aplicaron únicamente al conjunto de entrenamiento para aumentar la variabilidad visual sin alterar validación ni prueba.

Volteo horizontal y vertical

Rotación 0.08

Zoom 0.10

Contraste 0.10

Las 92 fotografías locales del estudio no formaron parte del entrenamiento ni se utilizaron para modificar el modelo después de observar sus resultados.

Evaluación de uso local

Resultados descriptivos del postest

Resultados sobre las mismas 92 unidades utilizadas en la comparación pretest–postest.

92 registros

Nivel de acierto96.74%89 de 92 clasificaciones correctas

F1 macro95.67%Métrica técnica complementaria

Tiempo operativo promedio7.879 sIntervalo real de uso registrado

Tasa de falsos positivos1.96%1 FP entre 51 hojas sanas

Matriz de confusión del postest

Comportamiento por clase

Las filas son las clases de referencia y las columnas las clases predichas.

	Pred. sana	Pred. oídio	Pred. mildiu
Ref. sana	50	1	0
Ref. oídio	0	23	1
Ref. mildiu	0	1	16

Arquitectura del producto

Aplicación web cliente–servidor

El navegador gestiona la interacción y el recorte; Flask recibe la imagen y coordina la inferencia; TensorFlow/Keras ejecuta MobileNetV2 y devuelve la predicción al cliente.

Cliente webHTML · CSS · JavaScript · Cropper.js

Servidor FlaskRutas, validación y API

Modelo IATensorFlow/Keras · MobileNetV2

La separación entre interfaz, servidor y servicio de inferencia facilita mantener la lógica del modelo aislada de la presentación y permite ampliar la solución sin modificar el clasificador entrenado.

Clasificar una hoja