Proyecto MCA - Sistema de Clasificación de Caña de Azúcar

Descripción

Este proyecto implementa un sistema de clasificación de imágenes para identificar caña de azúcar, incluyendo procesamiento de imágenes para extraer regiones de interés, detección de bordes y clasificación mediante aprendizaje profundo.

Requisitos

• Python 3.10
• Git
• OpenCV
• NumPy
• Pillow
• TensorFlow

Instalación

0. Instala Git LFS (solo una vez por máquina):

   git lfs install
   

1. Clonar el repositorio:

   git clone https://github.com/GRE3E/proyecto-mca.git
   cd proyecto-mca

2. Instalar dependencias:

   pip install -r requirements.txt

Estructura del Proyecto

proyecto-mca/
├── README.md
├── requirements.txt
├── .gitignore
├── checkpoints/          # Modelos entrenados
├── data/
│   ├── model_training/   # Datos para entrenamiento
│   │   ├── train/       # Conjunto de entrenamiento
│   │   │   ├── ca/      # Imágenes de caña
│   │   │   └── no_ca/   # Imágenes que no son caña
│   │   └── val/         # Conjunto de validación
│   │       ├── ca/
│   │       └── no_ca/
│   ├── processed/       # Imágenes procesadas
│   └── raw/            # Imágenes sin procesar
└── src/
    ├── app_main.py      # Menú principal (punto de entrada)
    ├── img_proc/        # Procesamiento de imágenes
    │   ├── edge_detection.py
    │   ├── esc_grises.py
    │   ├── main_processor.py
    │   └── roi_extraction.py
    ├── model/           # Modelos de ML
    │   ├── inference.py
    │   ├── training.py
    ├── gui/             # Interfaces gráficas
    │   └── app.py
    ├── file_manager.py
    ├── main.py
    └── utils.py

Uso

Menú Principal

Para iniciar el menú principal:

python src/app_main.py

Desde aquí puedes acceder a:

• Reducción de bordes
• Entrenamiento del modelo
• Prueba del modelo
• RE Entrenamiento

Nota: El modelo entrenado best_sugarcane_model.pth se encuentra incluido en el repositorio en la carpeta src/model/. Puedes usarlo directamente para probar la funcionalidad desde el menú principal.

Flujo de Procesamiento de Imágenes

1. Reducción de bordes: Antes de la predicción, las imágenes pasan por un proceso de reducción de bordes para mejorar la detección y clasificación.
2. Clasificación: El modelo clasifica la imagen procesada como caña o no caña.
3. Visualización: Puedes ver la imagen original y la procesada, y decidir si guardar el resultado.

Entrenamiento del Modelo

Desde el menú, selecciona "Entrenamiento Modelo". Se abrirá una ventana emergente donde se muestran los logs del proceso en tiempo real. El proceso maneja excepciones y muestra mensajes claros en caso de error.

RE Entrenamiento (Nuevo)

Permite seleccionar un modelo existente mediante el gestor de archivos y reentrenarlo con nuevos datos. El progreso y los logs se muestran en una ventana emergente. Incluye botón de regreso para volver al menú principal en cualquier momento.

Clasificación de Imágenes

Selecciona "Probar modelo" en el menú. Podrás subir una imagen nueva y el sistema indicará si es o no caña de azúcar. El flujo incluye la reducción de bordes antes de la predicción.

Detector de Bordes

Selecciona "Bordes" en el menú para acceder a la reducción de bordes usando los módulos de procesamiento de imágenes. Puedes visualizar la imagen original y la procesada, y guardar el resultado si lo deseas. Incluye botón de regreso siempre visible.

Visualización de Logs

Tanto el entrenamiento como el reentrenamiento muestran los logs en ventanas emergentes, permitiendo un seguimiento detallado del proceso.

Mantenimiento

Para limpiar archivos de caché Python:

Get-ChildItem -Recurse -Directory -Filter __pycache__ | ForEach-Object { Remove-Item $_.FullName -Recurse -Force }