TomateRitmo

El problema

Diagnosticar el estado de un cultivo de tomate a partir de fotos exige combinar un backend robusto con un modelo de visión.

Mi rol

Desarrollé el backend en Spring Boot que orquesta el modelo de visión y expone los resultados.

Funcionalidades

• Backend en Spring Boot que orquesta el modelo de visión.
• Modelo de visión en Python con Flask y TensorFlow.
• Clasificación de imágenes con diagnóstico, anomalía y confianza.
• Interfaz en Angular.
• Integración de los servicios con Docker.

Arquitectura

El backend en Spring Boot orquesta un modelo de visión en Python (Flask y TensorFlow) que clasifica cada imagen y devuelve diagnóstico, anomalía y nivel de confianza. La interfaz es Angular y todo se integra con Docker.

Retos

Coordinar servicios en distintos lenguajes y mantener tiempos de respuesta razonables.

Resultado

Plataforma AgroTech funcional, entregada como proyecto académico en la UPC.