🌿 SymptoLeaf

Aplicación móvil inteligente para la detección de enfermedades en plantas usando Machine Learning e IA Generativa

Características • Capturas • Tecnologías • Instalación • Arquitectura • Modelo ML

---

📱 Descripción

SymptoLeaf es una aplicación Flutter de última generación que combina Machine Learning on-device con IA Generativa (Google Gemini) para proporcionar un sistema completo de diagnóstico y tratamiento de enfermedades en plantas.

🎯 Problema que Resuelve

Los agricultores y jardineros necesitan identificar rápidamente enfermedades en sus plantas para aplicar tratamientos efectivos. SymptoLeaf proporciona:

• ✅ Diagnóstico instantáneo mediante análisis de imagen
• ✅ Recomendaciones de tratamiento personalizadas con IA
• ✅ Asistente virtual para consultas agrícolas 24/7
• ✅ Funcionalidad offline para zonas rurales sin internet

📸 Capturas de Pantalla

Interfaz principal de SymptoLeaf: Sistema de navegación con 3 secciones - Inicio, Galería de Fotos y Perfil de Usuario

✨ Características

🔬 Detección de Enfermedades

• 🔍 Análisis en tiempo real - Detección instantánea usando modelo ONNX ResNet50
• 📷 Captura de cámara - Toma fotos directamente desde la app con configuración optimizada
• 🖼️ Selección de galería - Analiza fotos existentes de tu dispositivo
• 🤖 ML On-Device - Inferencia local usando ONNX Runtime (100% offline)
• ☁️ Modo servidor - Opción de usar servidor remoto para análisis

🤖 Inteligencia Artificial

• 🧠 Google Gemini AI - Recomendaciones detalladas de tratamiento
• 💬 Chatbot agrícola - Asistente virtual para consultas sobre cuidados de plantas
• 🌍 Multiidioma - Resultados en español con nombres científicos y comunes
• 📊 Análisis detallado - Información sobre síntomas, causas y prevención

🎨 Interfaz de Usuario

• 🧭 Navegación intuitiva - BottomNavigationBar con 3 secciones principales
• 🎨 Diseño Eco-Clean - Tema verde con gradientes suaves y animaciones Lottie
• 📱 Indicador de modo - Chip visual que muestra Modelo Local/Servidor activo
• 🔄 Cambio rápido de modo - Diálogo para alternar entre modos fácilmente
• 📸 Gestión de fotos - Sistema MVC para captura, almacenamiento y análisis

🏗️ Arquitectura

• 🏛️ Clean Architecture - Separación clara de capas (Data, Domain, Presentation)
• 🎭 Patrón MVC - Modelo-Vista-Controlador con Provider para estado
• 🔌 Provider Pattern - Gestión de estado reactiva y escalable
• ♻️ Widgets reutilizables - Componentes modulares y testeables

🛠️ Tecnologías

Core Framework

Tecnología	Versión	Uso
Flutter	3.9+	Framework multiplataforma
Dart	3.9+	Lenguaje de programación

Machine Learning & IA

Tecnología	Versión	Uso
ONNX Runtime	1.4.1	Inferencia de modelo ML on-device
Google Gemini AI	0.4.3	Recomendaciones y chatbot
Image Processing	4.1.7	Preprocesamiento de imágenes

Estado & Navegación

Tecnología	Versión	Uso
Provider	6.1.0	Gestión de estado (MVC Pattern)
Shared Preferences	2.2.2	Persistencia de configuración

Captura de Imágenes

Tecnología	Versión	Uso
Camera	0.10.5	Control de cámara nativo
Image Picker	1.0.4	Selección de galería

UI/UX

Tecnología	Versión	Uso
Lottie	3.0.0	Animaciones JSON
Material Design	3.0	Sistema de diseño

Utilidades

Tecnología	Versión	Uso
HTTP	1.2.0	Comunicación con servidor (opcional)
Path Provider	2.1.2	Acceso a rutas del sistema

📁 Arquitectura

El proyecto implementa Clean Architecture con patrón MVC (Modelo-Vista-Controlador):

lib/
├── config/              # Configuración global de la app
│   └── theme/           # Temas y estilos
├── data/                # Capa de datos
│   ├── models/          # Modelos de datos
│   ├── repositories/    # Implementación de repositorios
│   └── services/        # Servicios (API, Gemini, etc.)
├── domain/              # Capa de dominio
│   ├── entities/        # Entidades de negocio
│   └── usecases/        # Casos de uso
├── presentation/        # Capa de presentación (UI)
│   ├── models/          # Modelos de UI (Foto, ChatMessage)
│   ├── providers/       # Estado con ChangeNotifier
│   │   └── foto_provider.dart
│   ├── controllers/     # Lógica de negocio
│   │   └── foto_controller.dart
│   ├── viewmodels/      # ViewModels
│   │   ├── prediction_viewmodel.dart
│   │   ├── settings_viewmodel.dart
│   │   └── gemini_viewmodel.dart
│   ├── views/           # Pantallas
│   │   ├── main_screen.dart        # Hub principal con BottomNav
│   │   ├── home_screen.dart        # Inicio
│   │   ├── camera_screen.dart      # Galería de fotos
│   │   ├── perfil_screen.dart      # Perfil de usuario
│   │   ├── result_screen.dart      # Resultados de análisis
│   │   ├── chat_screen.dart        # Chatbot Gemini
│   │   └── welcome_screen.dart     # Pantalla de bienvenida
│   ├── widgets/         # Widgets reutilizables
│   │   └── foto_item.dart
│   ├── temas/           # Sistema de temas
│   │   ├── esquema_color.dart
│   │   ├── tipografia.dart
│   │   └── tema_general.dart
│   └── routes/          # Navegación
│       └── app_routes.dart
└── main.dart            # Punto de entrada

Flujo de Datos - Patrón MVC

Usuario
  ↓
Vista (CameraScreen)
  ↓
Controlador (FotoController)
  ↓
Modelo (Foto) ← Provider (FotoProvider)
  ↓
ViewModel (PredictionViewModel)
  ↓
Service (ONNX Runtime / Gemini AI)
  ↓
Vista actualizada (ResultScreen)

Componentes Clave

🎨 Presentation Layer

• Views: Pantallas sin lógica de negocio (StatelessWidget)
• ViewModels: Gestión de estado con ChangeNotifier
• Controllers: Lógica de negocio específica (ej: captura de fotos)
• Providers: Estado global compartido

📊 Data Layer

• Models: Representación de datos
• Services: Comunicación con APIs externas y modelo ML
• Repositories: Abstracción de fuentes de datos

🚀 Instalación

Prerrequisitos

• ✅ Flutter SDK 3.9 o superior
• ✅ Android Studio o VS Code con extensiones Flutter/Dart
• ✅ Dispositivo Android (API 21+) o iOS (11.0+)
• ✅ Clave API de Google Gemini (para funciones de IA)

Pasos de Instalación

1. Clona el repositorio

   git clone https://github.com/AMVMesias/SymptoLeaf.git
   cd SymptoLeaf

2. Instala las dependencias

   flutter pub get

3. Configura la API Key de Gemini

   Crea un archivo .keyapigemeni en lib/ con tu API key:

   lib/.keyapigemeni
   

   Contenido:

   TU_API_KEY_AQUI
   

4. Verifica los assets

   Asegúrate de que los modelos estén en:

   assets/modelo/plant_disease_model.onnx
   assets/modelo/clases.json
   assets/modelo/clases_es.json
   

5. Ejecuta la aplicación

   flutter run

📖 Uso

Flujo Básico

1. Inicio de la App

   • Pantalla de bienvenida con animación
   • Acceso directo a MainScreen con BottomNavigationBar

2. Detección de Enfermedad

   • Navega a "Fotos" desde la barra inferior
   • Opciones:
     • 📷 Tomar foto: Captura con cámara optimizada
     • 🖼️ Galería: Selecciona imagen existente
   • Presiona "Analizar" en la foto capturada

3. Revisión de Resultados

   • Visualiza el diagnóstico con porcentaje de confianza
   • Lee recomendaciones de tratamiento generadas por Gemini AI
   • Accede a información detallada sobre la enfermedad

4. Consulta al Asistente

   • Desde "Inicio", toca "Asistente Virtual"
   • Haz preguntas sobre cuidados de plantas
   • Recibe respuestas personalizadas de Gemini AI

5. Cambio de Modo

   • Toca el chip "Local/Servidor" en el AppBar
   • Selecciona el modo preferido:
     • 📱 Local: Funciona sin internet
     • ☁️ Servidor: Requiere conexión, mayor precisión

🧠 Modelo de Machine Learning

Especificaciones Técnicas

• Arquitectura: ResNet50 (Deep Residual Network)
• Framework Original: TensorFlow/Keras
• Formato: ONNX (Open Neural Network Exchange)
• Tamaño del Modelo: ~100 MB
• Dataset de Entrenamiento: PlantVillage (54,000+ imágenes)
• Clases: 38 categorías de enfermedades en 14 especies de plantas

Preprocesamiento

Input: 
  - Formato: RGB Image
  - Dimensiones: 1024x1024 (captura) → 224x224 (inferencia)
  - Normalización: [0, 1] range
  - Calidad: 85% JPEG compression

Rendimiento

Métrica	Valor
Precisión (Accuracy)	~94% en dataset de prueba
Tiempo de Inferencia	~200-500ms (hardware promedio)
Tamaño en memoria	~150 MB en RAM
Soporte offline	✅ 100% funcional

Especies Soportadas

🍎 Manzana • 🍒 Cereza • 🌽 Maíz • 🍇 Uva • 🍑 Durazno • 🌶️ Pimiento • 🥔 Papa • 🍓 Fresa • 🍅 Tomate • Y más...

🏗️ Entrenamiento y Código Fuente (ResNet9)

El código utilizado para entrenar el modelo de clasificación actual (ResNet9) se encuentra disponible en un repositorio dedicado.

ℹ️ Nota: Este repositorio contiene el código de entrenamiento, preprocesamiento y notebooks. El archivo .onnx final se encuentra integrado directamente en los assets de esta aplicación.

👉 plant-disease-classification-resnet9

Contenido del repositorio de entrenamiento:

• Notebooks de Jupyter/Colab optimizados
• Arquitectura detallada de ResNet9
• Gráficas de métricas (Accuracy/Loss)
• Pipeline de procesamiento de datos

🔐 Seguridad

• ✅ API Keys: Almacenadas en archivo local no versionado (.keyapigemeni)
• ✅ Git Ignore: .keyapigemeni excluido del repositorio
• ✅ Procesamiento Local: Imágenes procesadas on-device (privacidad)
• ✅ No almacenamiento cloud: Fotos solo en dispositivo local

🎯 Roadmap

Versión Actual (v1.0.0)

• ✅ Detección de enfermedades con ONNX
• ✅ Integración con Google Gemini AI
• ✅ Chatbot agrícola interactivo
• ✅ Arquitectura MVC + Clean Architecture
• ✅ Modo dual (Local/Servidor)
• ✅ Interfaz Eco-Clean moderna

Próximas Funcionalidades

• 🔜 Historial de análisis persistente
• 🔜 Exportación de reportes PDF
• 🔜 Multi-usuario con perfiles
• 🔜 Notificaciones de mantenimiento de plantas
• 🔜 Integración con calendario de tratamientos
• 🔜 Modo oscuro
• 🔜 Soporte para más idiomas

📄 Licencia y Derechos de Autor

Este proyecto, incluyendo su código fuente y modelos de IA, es propiedad intelectual exclusiva de Mesias Orlando Mariscal Oña.

Todos los derechos reservados.

• ✅ Se permite su uso para fines estrictamente educativos y de aprendizaje.
• 🚫 PROHIBIDO su uso comercial, redistribución o modificación sin permiso expreso.
• 🚫 PROHIBIDA la extracción o reutilización de los modelos de IA (.onnx) en otros proyectos.
• 🚫 No se permite "clonar y republicar" este trabajo como propio.

Para más detalles, consulta el archivo LICENSE.

👨‍💻 Autor

Mesias Orlando Mariscal Oña

• 🐙 GitHub: @AMVMesias

🙏 Agradecimientos

• 🌱 Dataset PlantVillage por proporcionar imágenes de entrenamiento
• 🤖 Google Gemini AI por la API de IA generativa
• 🔬 ONNX Runtime por la inferencia ML eficiente
• 💙 Comunidad de Flutter por el excelente framework

---

⭐ Si este proyecto te fue útil, considera darle una estrella ⭐