Radial Signature / CropCount

Aplicación pública: https://cropcount-cftuhniyxaof8yjx9u7ujk.streamlit.app/

1. Problema que resuelve

Contar plantas individuales en imágenes aéreas RGB suele ser lento y subjetivo. CropCount ayuda a detectar cultivos, vectorizar copas, extraer firmas radiales y contar individuos en nuevas plantaciones cuando se conoce la resolución de terreno (caso de referencia: 6 cm/píxel).

La interfaz general se llama CropCount. Está preparada para perfiles como Oil palm, Banana, Pineapple, Aloe vera y Custom crop.

2. Innovación o aporte técnico

CropCount usa un método geométrico y explicable, no una red neuronal:

Imagen RGB -> segmentación HSV -> máscara vegetal -> watershed
           -> contornos individuales -> firma radial -> comparación

El modelo se identifica como radial_signature_hsv_watershed, para distinguirlo claramente de YOLO u otros detectores profundos.

Enfoque	Qué aprende o calcula	Necesita cajas etiquetadas	Ventaja principal	Uso recomendado
CropCount actual	Color, separación watershed y forma radial	No	Rápido de ajustar y explicable	Imágenes con buen contraste y resolución conocida
YOLO detector	Apariencia de cada planta mediante red neuronal	Sí	Mejor tolerancia a fondo, sombras y variación visual	Producción con muchas imágenes etiquetadas
Clasificación de imagen	Clase de una imagen o recorte completo	Sí	Decide qué contiene una imagen	No basta para contar individuos por sí sola
Segmentación semántica	Clase de cada píxel	Sí	Separa vegetación compleja	Cuando el borde de cada planta es importante

• Ahora: cuenta con firmas radiales en archivos .npz.
• No ahora: no descarga pesos YOLO ni afirma reconocimiento profundo.
• Evolución posible: YOLO localiza plantas y CropCount valida la forma con firma radial.

Importante: la certeza es un índice de similitud, no una probabilidad estadística ni una precisión validada en campo.

3. Metodología y algoritmo

flowchart LR
	A[Imagen RGB] --> B[Segmentación HSV]
	B --> C[Máscara vegetal]
	C --> D[Separación watershed]
	D --> E[Contornos individuales]
	E --> F[Firma radial normalizada]
	F --> G{Comparar con modelo}
	G -->|>= 60%| H[Planta reconocida]
	G -->|< 60%| I[Candidato rechazado]
	H --> J[Conteo y rectángulo rojo]
	F --> K[Modelo NPZ]

Loading

Para cada copa se calcula un centroide y el radio máximo en 180 direcciones angulares. La firma se normaliza entre 0 y 1:

flowchart TD
	A[Contorno de copa] --> B[Centroide]
	B --> C[180 direcciones angulares]
	C --> D[Radio máximo por dirección]
	D --> E[Normalización 0..1]
	E --> F[Firma almacenada]

Loading

Interpretación de la certeza

similitud = 0.60 * correlación + 0.40 * (1 - error medio)

Se prueban rotaciones circulares de la firma. El umbral inicial es 60% y debe calibrarse con imágenes nuevas etiquetadas manualmente.

4. Datos de entrada y formatos soportados

Entrada	Formatos	Notas
Imagen de planta o plantación	.png, .jpg, .jpeg, .tif, .tiff	RGB. La resolución de terreno debe conocerse.
Modelo de firmas	.npz	NumPy comprimido con firmas y metadatos.
Salidas	.csv, .jpg anotada, .svg, .npz	Se generan desde la interfaz; no forman parte del repositorio.

Archivos de ejemplo incluidos en el repositorio

Archivo	Propósito
palma africana.png	Referencia individual de palma.
DJI_11.jpg	Plantación aérea de prueba (4056 x 3040).
palma_radial_model.npz	Banco de firmas de referencia (~342 firmas).
firma_radial_animada.gif	Animación de la firma radial.
animacion/perim.jpg	Máscara/perímetro de ejemplo.
animacion/graph.png	Firma radial de ejemplo (ángulo vs radio).
examples_for_count/*.jpg	Imágenes DJI adicionales para probar el conteo.

Los modelos por perfil (cropcount_oil_palm.npz, etc.) se crean en local al usar CropCount; no se publican vacíos en el repo.

Formato del modelo NPZ

Campo	Contenido
signatures	Matriz de firmas normalizadas, una fila por planta.
method	Por ejemplo radial_signature_hsv_watershed.
crop	Perfil de cultivo (CropCount).
resolution_cm	Centímetros por píxel.
minimum_diameter_m	Diámetro mínimo de copa.
hsv_settings	Tono, saturación, valor y cierre morfológico.
samples	Muestras angulares (180).
created_at	Fecha UTC de creación.

5. Instalación y ejecución

Requisitos

• Windows, macOS o Linux.
• Python 3.10 o superior.

Instalación limpia

python -m venv .venv
.\.venv\Scripts\Activate.ps1
python -m pip install --upgrade pip
python -m pip install -r requirements.txt

En macOS/Linux:

python3 -m venv .venv
source .venv/bin/activate
python -m pip install --upgrade pip
python -m pip install -r requirements.txt

requirements.txt instala Streamlit, OpenCV headless, NumPy, Pillow, Matplotlib y streamlit-image-coordinates.

Ejecutar la app multipágina

python -m streamlit run app.py

URL local: http://localhost:8501

app.py abre la navegación: Radial Signature, Model Generation y CropCount.

Entradas alternativas por script

Comando	Puerto
python -m streamlit run app.py --server.port 8501	Radial Signature + multipágina
python -m streamlit run compare_app.py --server.port 8502	Model Generation
python -m streamlit run palm_model_app.py --server.port 8503	Modelo de palma
python -m streamlit run cropcount_app.py --server.port 8504	CropCount multi-cultivo

Ejemplo reproducible (palma)

1. Clonar el repo e instalar dependencias.
2. Ejecutar python -m streamlit run app.py.
3. En Radial Signature, usar la carga automática de palma africana.png y exportar firma/SVG.
4. En Model Generation, comparar contra DJI_11.jpg con 6 cm/píxel, diámetro 4 m y certeza 60%.
5. En CropCount (o palm_model_app.py), cargar palma_radial_model.npz y contar sobre una imagen nueva o sobre DJI_11.jpg.

Tamaño de imágenes cargadas

Por defecto Streamlit permite hasta 200 MB por carga. En local se puede subir el límite:

python -m streamlit run app.py --server.maxUploadSize 1024

O en .streamlit/config.toml:

[server]
maxUploadSize = 1024

En Streamlit Community Cloud aplican los límites del servicio. Para ortomosaicos grandes conviene comprimir, bajar resolución o dividir en teselas.

Publicar en Streamlit Community Cloud

Campo	Valor
Repository	asoto59g/CropCount
Branch	main
Main file path	app.py
Python dependencies	requirements.txt

Despliegue desde https://share.streamlit.io. Datos privados o pesados deben quedarse fuera del repositorio.

6. Ejemplo visual

Animación de la firma radial:

Máscara/perímetro de una copa segmentada:

Firma radial (radio por ángulo):

En la app, las palmas candidatas se dibujan en naranja y las reconocidas sobre el umbral en rojo; el conteo se descarga como CSV. Para probar con imágenes nuevas, usar examples_for_count/ (DJI_18.jpg, DJI_23.jpg, DJI_26.jpg, DJI_28.jpg).

Flujo CropCount (revisión de falsos positivos)

1. Seleccionar perfil de cultivo.
2. Ajustar resolución, diámetro y HSV.
3. Cargar referencia + plantación de entrenamiento.
4. Build detections for review → excluir falsos positivos en la vista completa.
5. Save reviewed crop model.
6. Cargar modelo + nueva plantación → Count plants in new image.
7. Descargar CSV e imagen anotada.

Cada especie debe tener su propio .npz. Para añadir un cultivo, editar PROFILES en cropcount_app.py:

"Coffee": {"slug": "coffee", "diameter_m": 1.5},

7. Limitaciones técnicas

• La segmentación HSV falla con sombras fuertes, suelo húmedo, reflejos o vegetación de color similar.
• Watershed puede partir una copa o fusionar plantas muy próximas.
• El diámetro mínimo depende de la edad del cultivo y de la resolución.
• No sustituye validación geoespacial ni agronómica en campo.
• Banano, piña, sábila y otros cultivos requieren modelos propios con imágenes representativas.
• No evaluar solo con DJI_11.jpg si esa misma imagen entró al modelo: eso infla el resultado por reidentificación.

Validación realizada en desarrollo

• Compilación sintáctica de app.py, compare_app.py, palm_model_app.py y cropcount_app.py.
• Instalación limpia verificada: python -m venv + pip install -r requirements.txt + streamlit run app.py → HTTP 200 (Python 3.14).
• Procesamiento de DJI_11.jpg a 6 cm/píxel con cientos de candidatos.
• Modelo de referencia con ~342 firmas y exportación de conteo/CSV.
• App pública en Streamlit Community Cloud.

8. Roadmap

• Empaquetar un dataset de demostración con licencia explícita por imagen.
• Métricas de conteo (FP/FN, error absoluto) sobre un set de hold-out.
• Perfiles calibrados por cultivo más allá de palma.
• Exportación geoespacial opcional (centroides a GeoJSON/SHP) cuando exista CRS.
• Prototipo híbrido YOLO (localización) + firma radial (validación de forma).
• Pruebas automatizadas de install limpia y smoke de Streamlit en CI.

9. Licencia y citación sugerida

El código fuente se distribuye bajo GNU General Public License v3.0 (GPLv3). Consulta LICENSE y https://www.gnu.org/licenses/gpl-3.0.html.

La GPLv3 aplica al código, no concede automáticamente derechos sobre:

• DJI_11.jpg, palma africana.png y demás imágenes de ejemplo.
• Datos geoespaciales, ortomosaicos o información de clientes.
• Modelos .npz derivados de datos con uso restringido.

Antes de redistribuir imágenes, modelos o resultados, verificar la autorización del propietario de los datos.

Citación sugerida

Soto Barquero, A. (2026). CropCount / Radial Signature: conteo de cultivos por
firmas radiales (HSV + watershed) [Software].
https://github.com/asoto59g/CropCount

Archivos del código

Archivo	Propósito
app.py	Entrada multipágina Streamlit.
radial_signature_page.py	Vectorización y firma de una imagen.
compare_app.py	Comparación plantación vs referencia.
palm_model_app.py	Modelo reutilizable de palma.
cropcount_app.py	App multi-cultivo con revisión de FP.
requirements.txt	Dependencias Python.
LICENSE	GPLv3.