Grupo8 hernandez rincon

PlagasEnfermedadEnPlantas_Hernandez_Rincon/README.md

@@ -0,0 +1,96 @@
+# Proyecto de Visión Computacional: Detección de Enfermedades en plantas de Manzanas
+
+Este proyecto corresponde al Parcial 2 de la asignatura de Visión Computacional, cuyo objetivo es desarrollar un prototipo funcional de clasificación de imágenes.
+
+---
+
+## 👥 Integrantes del equipo
+- Valentina Hernandez Quintana
+- Laura Alejandra Rincón Castaño
+
+---
+
+## 🎯 Descripción de la Aplicación y Objetivos
+
+La aplicación consiste en un sistema automático de clasificación de imágenes de hojas de manzano que determina si una hoja está sana o afectada por la enfermedad **Cedar Apple Rust**.
+
+Objetivos:
+- Diseñar un flujo de trabajo que integre técnicas clásicas de visión computacional.
+- Construir un clasificador eficaz que generalice sobre imágenes nuevas.
+- Evaluar el rendimiento mediante métricas estándar y validación cruzada.
+
+---
+
+## 🧠 Temas Aplicados
+
+1. **Transformaciones Geométricas y Data Augmentation**
+   - Técnicas aplicadas: rotación, flip horizontal, escalado, ajuste de brillo
+   - Librería utilizada: `albumentations`
+   - Aplicado sobre el set de entrenamiento para aumentar la diversidad visual
+
+2. **Filtrado y Convolución**
+   - Filtros: Sobel X, Sobel Y, Laplaciano
+   - Permite detectar contornos, estructuras y bordes importantes
+
+3. **Detección de Bordes y Umbralización**
+   - Canny Edge Detection y Umbralización de Otsu
+   - Usado para realzar características de contraste e iluminación variable
+
+4. **Ecualización de Histogramas**
+   - Mejora el contraste antes de la extracción de características
+   - Aplicado sobre imágenes en escala de grises y canal Y de imágenes a color
+
+5. **Feature Detection y Descriptores (SIFT)**
+   - Uso de `cv2.SIFT_create()` para detectar puntos clave y extraer descriptores locales
+
+6. **Bag of Visual Words (BoVW)**
+   - KMeans sobre descriptores SIFT (50 clusters)
+   - Representación vectorial homogénea por imagen mediante histogramas
+
+7. **Machine Learning Pipeline en Scikit-Learn**
+   - Pipeline modular con `StandardScaler` + `SVM`
+   - Evaluado sobre datos de prueba
+
+8. **Optimización de Hiperparámetros**
+   - `GridSearchCV` con validación cruzada (5 folds)
+   - Búsqueda sobre parámetros `C`, `kernel`, y `gamma` del clasificador SVM
+
+9. **Aprendizaje no Supervisado**
+   - Clustering con `KMeans` aplicado sobre descriptores BoVW
+   - Visualización en 2D mediante PCA
+   - Comparación visual entre clusters y clases reales
+
+---
+
+## 📊 Métricas y Discusión de Resultados
+
+- **Clasificación binaria clara:** modelo logra separar eficazmente hojas sanas de enfermas
+
+### 🧪 Limitaciones
+- El modelo depende de calidad visual clara para extraer descriptores.
+- Si no se detectan puntos clave, no se puede clasificar la imagen.
+
+---
+
+## 📚 Referencias
+
+### Datasets:
+- [New Plant Diseases Dataset (Kaggle)](https://www.kaggle.com/datasets/vipoooool/new-plant-diseases-dataset)
+
+### Librerías Especiales:
+- `kagglehub` para descarga directa desde Google Colab
+- `albumentations` para aumentos geométricos de imagen
+- `opencv-contrib-python` para uso de SIFT (versión contrib)
+
+---
+
+## 💻 Requisitos
+- Python 3.10+
+
+---
+
+## 🔮 Posibles Mejoras Futuras
+- Soporte para múltiples enfermedades y otras frutas u hortalizas
+- Entrenamiento con redes neuronales ligeras (MobileNet, EfficientNet)
+
+