Upload 2 files

app.py

@@ -0,0 +1,163 @@
+"""
+Rice Crop Stage Detector — Gradio App
+======================================
+Model  : MobileNetV2 (transfer learning) trained on 4 rice crop stages
+Input  : 224x224 RGB image
+Classes: flowering, germination, noise, tillering
+"""
+
+import gradio as gr
+import tensorflow as tf
+import numpy as np
+from PIL import Image
+
+# ─── CONFIG ──────────────────────────────────────────────────
+MODEL_PATH = "rice_stage_model_v2_with_noise.keras"
+IMG_SIZE = 224
+CONFIDENCE_THRESHOLD = 0.70
+
+# Class labels (must match the order from training: alphabetical by folder name)
+CLASS_LABELS = ["flowering", "germination", "noise", "tillering"]
+
+# Telugu translations for each stage
+TELUGU_LABELS = {
+    "flowering":   "పూత దశ (Flowering)",
+    "germination": "మొలకెత్తడం (Germination)",
+    "tillering":   "పిలకలు వేయడం (Tillering)",
+    "noise":       "గుర్తించలేని చిత్రం (Unrecognized)"
+}
+
+# Detailed stage descriptions
+STAGE_INFO = {
+    "flowering": {
+        "description": "The rice plant is in the flowering/heading stage. Panicles have emerged and pollination is occurring.",
+        "description_te": "వరి మొక్క పూత దశలో ఉంది. కంకులు బయటకు వచ్చి పరాగసంపర్కం జరుగుతోంది.",
+        "advisory": "Ensure adequate water supply. Avoid pesticide spraying during active flowering. Monitor for neck blast disease.",
+        "advisory_te": "తగినంత నీటి సరఫరా ఉండేలా చూడండి. పూత సమయంలో పురుగుమందులు పిచికారీ చేయకండి. మెడవిరుపు తెగులు కోసం గమనించండి."
+    },
+    "germination": {
+        "description": "The rice seeds are in the germination/seedling stage. Young shoots are emerging from the soil.",
+        "description_te": "వరి విత్తనాలు మొలకెత్తే దశలో ఉన్నాయి. చిన్న మొక్కలు మట్టి నుండి బయటకు వస్తున్నాయి.",
+        "advisory": "Maintain thin water layer (2-3cm). Watch for seedling blight and case worm. Ensure proper nursery management.",
+        "advisory_te": "సన్నని నీటి పొర (2-3 సెం.మీ) ఉంచండి. మొలక తెగులు మరియు కేస్ వార్మ్ కోసం గమనించండి."
+    },
+    "tillering": {
+        "description": "The rice plant is actively producing tillers (side shoots). This is a critical growth phase.",
+        "description_te": "వరి మొక్క పిలకలు వేస్తోంది. ఇది కీలకమైన పెరుగుదల దశ.",
+        "advisory": "Apply nitrogen fertilizer to promote tillering. Maintain 5cm water depth. Scout for stem borer and leaf folder.",
+        "advisory_te": "పిలకలు పెరగడానికి నత్రజని ఎరువు వేయండి. 5 సెం.మీ నీటి లోతు ఉంచండి. కాండం తొలుచు పురుగు కోసం గమనించండి."
+    },
+    "noise": {
+        "description": "The uploaded image does not appear to be a recognizable rice crop stage.",
+        "description_te": "అప్‌లోడ్ చేసిన చిత్రం గుర్తించదగిన వరి పంట దశగా కనిపించడం లేదు.",
+        "advisory": "Please upload a clear photo of your rice crop taken from close range.",
+        "advisory_te": "దయచేసి మీ వరి పంట యొక్క స్పష్టమైన ఫోటోను దగ్గరి నుండి తీసి అప్‌లోడ్ చేయండి."
+    }
+}
+
+# ─── LOAD MODEL ──────────────────────────────────────────────
+print("Loading rice stage classification model...")
+model = tf.keras.models.load_model(MODEL_PATH)
+print(f"Model loaded successfully. Input shape: {model.input_shape}")
+
+
+# ─── PREDICTION FUNCTION ────────────────────────────────────
+def classify_crop_stage(input_image):
+    """
+    Takes a PIL Image, preprocesses it, runs inference,
+    and returns structured results.
+    """
+    if input_image is None:
+        return "No image provided", "", "", "", {}
+
+    # Preprocess
+    img = input_image.resize((IMG_SIZE, IMG_SIZE))
+    img_array = np.array(img, dtype=np.float32) / 255.0
+    img_array = np.expand_dims(img_array, axis=0)
+
+    # Predict
+    predictions = model.predict(img_array, verbose=0)
+    class_idx = int(np.argmax(predictions[0]))
+    confidence = float(np.max(predictions[0]))
+
+    # Build confidence dict for all classes
+    confidence_scores = {
+        TELUGU_LABELS.get(cls, cls): float(predictions[0][i])
+        for i, cls in enumerate(CLASS_LABELS)
+    }
+
+    # Check threshold
+    if confidence < CONFIDENCE_THRESHOLD or CLASS_LABELS[class_idx] == "noise":
+        stage = "noise"
+        result_text = (
+            f"**Result:** Not a recognized rice crop stage\n\n"
+            f"**Confidence:** {confidence*100:.1f}% (below {CONFIDENCE_THRESHOLD*100:.0f}% threshold)\n\n"
+            f"Please upload a clear photo of your rice crop."
+        )
+    else:
+        stage = CLASS_LABELS[class_idx]
+        info = STAGE_INFO[stage]
+        result_text = (
+            f"**Detected Stage:** {TELUGU_LABELS[stage]}\n\n"
+            f"**Confidence:** {confidence*100:.1f}%\n\n"
+            f"---\n\n"
+            f"**Description:**\n{info['description']}\n\n"
+            f"**వివరణ:**\n{info['description_te']}\n\n"
+            f"---\n\n"
+            f"**Advisory:**\n{info['advisory']}\n\n"
+            f"**సలహా:**\n{info['advisory_te']}"
+        )
+
+    return result_text, confidence_scores
+
+
+# ─── GRADIO INTERFACE ────────────────────────────────────────
+with gr.Blocks(
+    title="Rice Crop Stage Detector",
+    theme=gr.themes.Soft(primary_hue="green")
+) as demo:
+
+    gr.Markdown(
+        """
+        # 🌾 Rice Crop Stage Detector
+        ### వరి పంట దశ గుర్తింపు
+
+        Upload a photo of your rice crop to identify its current growth stage.
+        మీ వరి పంట ఫోటోను అప్‌లోడ్ చేసి ప్రస్తుత దశను తెలుసుకోండి.
+        """
+    )
+
+    with gr.Row():
+        with gr.Column(scale=1):
+            input_image = gr.Image(
+                type="pil",
+                label="Upload Rice Crop Image / వరి పంట చిత్రం అప్‌లోడ్ చేయండి",
+                sources=["upload", "webcam"],
+                height=350
+            )
+            submit_btn = gr.Button("🔍 Detect Stage / దశ గుర్తించండి", variant="primary", size="lg")
+
+        with gr.Column(scale=1):
+            result_text = gr.Markdown(label="Detection Result")
+            confidence_chart = gr.Label(
+                label="Confidence Scores / నమ్మకం స్కోర్లు",
+                num_top_classes=4
+            )
+
+    submit_btn.click(
+        fn=classify_crop_stage,
+        inputs=[input_image],
+        outputs=[result_text, confidence_chart]
+    )
+
+    gr.Markdown(
+        """
+        ---
+        **Model:** MobileNetV2 (Transfer Learning) · **Classes:** Flowering, Germination, Tillering, Noise
+        · **Threshold:** 70% confidence · **Input:** 224×224 RGB
+        """
+    )
+
+# ─── LAUNCH ──────────────────────────────────────────────────
+if __name__ == "__main__":
+    demo.launch(server_name="0.0.0.0", server_port=7860)

requirements.txt

@@ -0,0 +1,4 @@
+tensorflow>=2.12.0
+gradio>=4.0.0
+numpy
+Pillow