Coffee Disease Detection

Resumen del Proyecto

Coffee Disease Detection es un sistema de visión computacional que clasifica imágenes de hojas de café en cinco categorías: hojas saludables y cuatro enfermedades (Cercospora, Roya, Minador y Phoma) que pueden reducir significativamente el rendimiento de los cultivos si no se tratan a tiempo.

Construido por un equipo de cuatro personas bajo mi liderazgo, desde la preparación del dataset y el entrenamiento de modelos hasta el desarrollo de la API y el despliegue en la nube. Fue uno de los dos proyectos seleccionados como proyecto final en el bootcamp de Data Science & AI de Le Wagon.

El Problema

Los caficultores frecuentemente identifican enfermedades demasiado tarde, cuando el daño visible ya es extenso. Las cuatro enfermedades objetivo se presentan de forma distinta:

1. Cercospora - enfermedad fúngica que causa manchas marrones en las hojas
2. Roya - pústulas naranjas/amarillas en el envés de las hojas
3. Minador - larvas de insecto que crean túneles visibles a través del tejido de la hoja
4. Phoma - enfermedad fúngica que causa muerte del tejido foliar

Algunas se ven similares en etapas tempranas. El sistema necesita detectar enfermedades temprano, lo que significa optimizar para recall sobre precisión. Una falsa alarma es preferible a una infección no detectada.

Arquitectura de Modelos

Comparación Multi-Arquitectura

En lugar de comprometerse con un solo modelo, el proyecto entrena y compara tres arquitecturas:

• VGG16 Transfer Learning - pre-entrenado en ImageNet, fine-tuned con medidas anti-overfitting (dropout, early stopping). Proporciona rendimiento base estable.
• EfficientNetB0 - optimizado para el balance precisión-eficiencia. Modelo más pequeño con rendimiento competitivo.
• CNN Personalizado - arquitectura ligera diseñada para datasets más pequeños. Útil como benchmark y para despliegue con recursos limitados.

Cada modelo usa detección automática de arquitectura para carga fluida en tiempo de inferencia.

Optimización Enfocada en Enfermedades

El insight clave: en una tarea de clasificación médica/agrícola, el costo de los errores es asimétrico. No detectar una enfermedad (falso negativo) es mucho peor que marcar una hoja saludable (falso positivo). El pipeline de entrenamiento refleja esto:

• Pesos de clase personalizados que reducen el peso de la clase saludable y aumentan los pesos de enfermedades raras, forzando al modelo a aprender características de enfermedades de forma más agresiva.
• Métrica de recall de enfermedades - una métrica personalizada de TensorFlow que mide recall exclusivamente en clases de enfermedad, ignorando la precisión de clasificación saludable.
• Tasas de aprendizaje adaptativas basadas en tamaño de dataset, con entrenamiento multi-fase (extracción de características congelada, luego fine-tuning completo).

Pipeline de Datos

• Preprocesamiento letterboxing a 224x224 manteniendo la relación de aspecto
• Aumento (rotación, flip, brillo, contraste) que preserva patrones específicos de enfermedades
• Splitting automático train/validación/test con estratificación
• Análisis de distribución de clases para informar la estrategia de pesos

Despliegue

Backend FastAPI

Una API RESTful acepta imágenes vía carga de archivos o codificación base64, ejecuta inferencia y retorna la clase predicha con scores de confianza. La API incluye caché de producción para optimización de carga del modelo y manejo integral de errores.

Frontend Streamlit

Una aplicación web separada proporciona una interfaz simple de subir-y-predecir, haciendo el sistema accesible a usuarios sin conocimiento técnico.

Infraestructura

• Docker para despliegue reproducible y containerizado
• Google Cloud Platform para inferencia escalable basada en la nube
• MLflow para seguimiento de experimentos, registro de modelos y versionado

Equipo y Alcance

Un equipo de cuatro personas a lo largo del ciclo completo: recolección de datos, experimentación de modelos, desarrollo de API y despliegue en producción. Liderazgo del proyecto, cubriendo la dirección técnica, la distribución de tareas y la estructura y documentación del repositorio.