-
Notifications
You must be signed in to change notification settings - Fork 0
/
projectTA.py
416 lines (340 loc) · 18.9 KB
/
projectTA.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
# -*- coding: utf-8 -*-
"""
Created on Sun Sep 22 11:07:54 2019
@author: 247
"""
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
Created on Sun Nov 4 18:15:13 2018
@author: fadlimuharram
"""
# import the necessary packages
from time import time
import tensorflow
from keras.models import Sequential
from keras.layers import Convolution2D
from keras.layers import Conv2D
from keras.layers import MaxPooling2D
from keras.layers import Flatten
from keras.layers import Dense
from keras.layers import Dropout, Activation
from keras.callbacks import TensorBoard
from keras.preprocessing.image import ImageDataGenerator
import numpy as np
from keras.preprocessing import image
import flask
from flask import request, redirect, url_for
from werkzeug.utils import secure_filename
import os
import matplotlib.pyplot as plt
from keras.models import load_model
from flask_cors import CORS
import numpy
from sklearn import metrics
# initialize our Flask application and the Keras model
app = flask.Flask(__name__)
CORS(app)
klasifikasi = None
train_set = None
test_set = None
datanya = None
jumlahKelas = None
'''development atau production atau initial'''
MODENYA = None
productionEpochnya = None
print('')
print('Input Dengan Menggunakan Model Yang Telah Tersedia')
print('[1] Tidak')
print('[2] Ya')
isLoadedDariModel = int(input('Input Pilihan : '))
print(isLoadedDariModel, type(isLoadedDariModel))
print(isLoadedDariModel != 1)
if isLoadedDariModel != 2 and isLoadedDariModel != 1 :
raise ValueError('Error ! Mohon Input Angka 1 dan 2')
if isLoadedDariModel == 2:
isLoadedDariModel = True
print('Masukan Jumlah Epoch Sebelumnya')
productionEpochnya = int(input('Input Jumlah Epoch : '))
elif isLoadedDariModel == 1:
isLoadedDariModel = False
print(' ')
print('Pilih Mode Training')
print('[1] Production')
MODENYA = int(input('Input Pilihan : '))
if MODENYA == 1:
MODENYA = 'production'
else:
raise ValueError('Error ! Mohon Input Angka 1')
if MODENYA == 'production':
print('Pilih Jumlah Epoch Yang Di Ingin Dijalankan')
productionEpochnya = int(input('jumlah Epoch : '))
else:
raise ValueError('Error ! Mohon Input 0 dan 1')
#isLoadedDariModel = True
#productionEpochnya = 5
IPNYA = '127.0.0.1'
PORTNYA = 5000
LOKASI_TRAINING = 'D:/Tugas Unas/TA/PlantVillage/Latihan/training'
LOKASI_TESTING = 'D:/Tugas Unas/TA/PlantVillage/Latihan/testing'
LOKASI_UPLOAD = 'upload'
ALLOWED_EXTENSIONS = set(['txt', 'pdf', 'png', 'jpg', 'jpeg', 'gif','JPG'])
PENYAKIT_TANAMAN = {
0: {
"nama":'''<h2 style="text-align: center;">Apple Scab</h2>
''',
"penyebab":'''<h4>Penyebab</h4>'''
'''<p>Jamur <i>Venturia inaequalis</i></p>''',
"gejala":'''<h4>Gejala</h4>'''
'''
<p style="text-align: justify;">Gejala penyakit yang paling umum dijumpai dan dianggap penting adalah pada daun dan buah. Bercak daun dapat terjadi pada kedua sisi permukaan daun. Namun hal ini masih tergantung pada waktu terjadinya infeksi. Waktu tunas membuka maka permukaan bawah daun yang lebih dahulu terbuka, disamping itu permukaan tersebut lebih basah sehingga lebih mudah terinfeksi.
Seiring berkembangnya penyakit warna bercak ini akan berubah menjadi hitam keunguan</p>
''',
"penangan":'''<h4>Penanganan</h4>'''
'''
<ul style="text-align: justify;">
<li>Pilih varietas yang lebih kuat bila memungkinkan.</li>
<li>Beri air di malam atau pagi hari (menghindari biaya overhead irigasi) untuk memberikan waktu daun mengering sebelum infeksi dapat terjadi.</li>
<li>Penyemprotan dengan fungisida seperti bubur Bordeaux masih cukup efektif; fungisida lain yang dapat dianjurkan adalah captan, ferbam, glyodin dan jenis belerang.</li>
<li>Untuk kontrol terbaik, semprot sabun tembaga cair awal, dua minggu sebelum gejala biasanya muncul. Atau, mulai aplikasi ketika penyakit muncul pertama, dan ulangi pada 7 sampai 10 interval hari sampai dengan penurunan bunga.</li>
</ul>
'''
},
1: {
"nama":'''<h2 style="text-align: center;">Black Rot</h2>''',
"penyebab":'''<h4>Penyebab</h4>'''
'''<p>jamur <i>Botryosphaeria obtusa</i></p>''',
"gejala":'''<h4>Gejala</h4>'''
'''
<p style="text-align: justify;">Gejala awal terlihat umumnya pada buah yang menjelang masak berupa luka berupa bercak coklat, kecil dan kemudian meluas hingga warnanya berubah semakin gelap atau hitam. Pada buah yang berwarna hijau bisanya bercaknya langsung hitam. Pada bagian pusat bercak sering nampak garis-garis konsentris. Buah yang sakit busuk tidak berbau, dan permukaan yang busuk tetap rata. Bila busuk telah sempurna pada buah biasanya akan mengering, jaringan melipat, kadang-kadang menjadi mengeras (mumifikasi). Pada saat demikian biasanya patogen membentuk badan buah yang berupa bintik-bintik hitam.
Gejala pada daun diawali dengan adanya bintik kecilberwarna ungu, kemudian segera meluas, dengan garis tengah bercak sekitar 2-10 mm atau rata-rata 4 mm. Bercak berbentuk bulat mempunyai garis batas yang jelas, lama kelamaan bagian tengahnya menjadi berwarna coklat kekuningan. Apabila terjadi serangan sekunder bentuk bercak menjadi tidak teratur. Pada pusat bercak dapat dilihat adanya bintik-bintik hitam yang merupakan kumpulan piknidium patogen.</p>
''',
"penangan":'''
<p style="text-align: justify;">Mengobati black rot pada pohon apel dimulai dengan sanitasi. Karena spora jamur menahan musim dingin pada daun jatuh, kulit mati dan Kanker, penting untuk menjaga semua puing-puing jatuh dan buah mati dibersihkan jauh dari pohon. Selama musim dingin, memeriksa merah membusuk dan menghapus mereka dengan memotong mereka keluar atau pemangkasan jauh tungkai yang terkena setidaknya enam inci di luar luka. Menghancurkan semua jaringan yang terinfeksi segera dan menjaga pengawasan yang ketat untuk tanda-tanda baru infeksi. Setelah penyakit black rot di bawah kontrol di pohon Anda dan Anda lagi panen buah-buahan yang sehat, pastikan untuk membuang setiap buah terluka atau bekas gigitan serangga untuk menghindari infeksi ulang. Meskipun tujuan umum fungisida, seperti semprotan berbasis tembaga dan belerang kapur, dapat digunakan untuk mengendalikan black rot, tidak akan meningkatkan apel black rot seperti menghapus semua sumber spora.</p>
'''
},
2: {
"nama":'''<h2 style="text-align: center;">Cedar Apple Rust</h2>''',
"penyebab":'''<h4>Penyebab</h4>'''
'''<p>Jamur <i>Gymnosporangium juniperi-virginianae</i></p>''',
"gejala":'''<h4>Gejala</h4>'''
'''
<p style="text-align: justify;">Gejala yang paling mencolok pada apel adalah berupa warna oranye terang, lukanya pada daun berkilau. Lesio yang tidak dihambat bahan kimia dapat membentuk berkas-berkas kecil yang menghasilkan struktur spora (aecia) pada permukaan bawah daun pada bulan Juli atau Agustus.
Karat cedar-apel muncul pada buah pertama sebagai lesiooranye terang, sedikit terangkat, tetapi dengan membesarnya buah penampilannya akan lebih coklat dan retak. Biasanya beberapa warna oranye tetap dipanen sebagai bukti infeksi awal musim. Sporulasi lesi pada buah kurang umum daripada lesi daun.
Batang terinfeksi menyebabkan pembengkakan batang dan dapat mengakibatkan amputasi buah muda.
Pada pohon cedar, karat cedar-apel memproduksi gall bulat coklat, ukuran diameternyamulai dari 6-7 mm sampai hampir 50 mm.</p>
''',
"penangan":'''<h4>Penanganan</h4>'''
'''
<p style="text-align: justify;">Lakukan monitoring dengan memperhatikan keberadaan pohon-pohon cedar merah dalam jarak 1km dari kebun apel dan adanya karat Quince dan lakukan survei keberadaan gall karat cedar. Amati lesion yang mulai muncul 10 sampai 14 hari setelah terinfeksi.
Kumpulkan gall karat dari pohon cedar merah dan uji apakah masih mampu bersporulasi dengan menempatkannya dalam air dalam cangkir putih.
Jika gall dengan lamanya pembasahan air berwarna oranye dalam beberapa jam, maka galls masih mampu menghasilkan spora selama periode pembasahan mendatang.
Bercak karat muncul pada daun dan buah masing-masing dalam waktu sekitar 14 hari dan dua sampai empat minggu setelah infeksi.
Fungisida yang efektif terhadap penyakit karat harus diterapkan secara periodik dari tahap perkembangan kuncup berwarna pink untuk melindungi muncul dan berkembangnya buah dan daun.
Menghilangkan sumber inokulum yang terletak dalam radius 2 mil dari kebun akan memotong siklus hidup jamur dan membuat kontrol dengan fungisida lebih mudah.
Menghilangkan semua pohon aras dalam waktu 4 sampai 5 mil dalam areal akan memberikan kontrol penuh.</p>
'''
},
3: {
"nama":'''<h2 style="text-align: center;">Healthy</h2>''',
"gejala":'''
<p style="text-align: justify;">Tetap jaga kesehatan pada pohon. Beri pupuk dan air dengan teratur</p>
''',
"penangan":'''
'''
}
}
print(PENYAKIT_TANAMAN[0])
def hitungGambar(path):
count = 0
for filename in os.listdir(path):
if filename != '.DS_Store':
count = count + len(os.listdir(path+'/'+filename))
return count
def hitungKelas():
global LOKASI_TRAINING, LOKASI_TESTING, PENYAKIT_TANAMAN
kelasTraining = 0
kelasTesting = 0
for filename in os.listdir(LOKASI_TRAINING):
if filename != '.DS_Store':
kelasTraining = kelasTraining + 1
for filename in os.listdir(LOKASI_TESTING):
if filename != '.DS_Store':
kelasTesting = kelasTesting + 1
if kelasTesting == kelasTraining and kelasTraining == len(PENYAKIT_TANAMAN) and kelasTesting == len(PENYAKIT_TANAMAN):
return kelasTraining
else:
raise ValueError('Error: Kelas Training tidak sama dengan Kelas Testing')
app.config['UPLOAD_FOLDER'] = LOKASI_UPLOAD
app.config['STATIC_FOLDER'] = LOKASI_UPLOAD
jumlahKelas = hitungKelas()
def allowed_file(filename):
return '.' in filename and \
filename.rsplit('.', 1)[1].lower() in ALLOWED_EXTENSIONS
def load_model_klasifikasi():
global klasifikasi, train_set, test_set, datanya, kelasnya, LOKASI_TRAINING, LOKASI_TESTING
global MODENYA, productionEpochnya, isLoadedDariModel
# Initializing the CNN
klasifikasi = Sequential()
#input the first convolution with 32 filter, (5x5) kernel, and input shape (64,64,3)
klasifikasi.add(Convolution2D(32, # number of filter layers
5, # y dimension of kernel (we're going for a 3x3 kernel)
5, # x dimension of kernel
input_shape=(64, 64, 3),
init='he_normal'))
# input activation function relu
klasifikasi.add(Activation('relu'))
# input subsampling layer (maxpooling) (2x2) for reduce data
klasifikasi.add(MaxPooling2D(pool_size=(2,2)))
#input the second convolution with 32 filter, (5x5) kernel,
klasifikasi.add(Convolution2D(64, # number of filter layers
5, # y dimension of kernel (we're going for a 3x3 kernel)
5, # x dimension of kernel
init='he_normal'))
# input activation function relu
klasifikasi.add(Activation('relu'))
# input subsampling layer (maxpooling) (2x2) for reduce data
klasifikasi.add(MaxPooling2D(pool_size=(2,2)))
#Input Flatten
klasifikasi.add(Flatten())
klasifikasi.add(Dense(150, activation = 'relu', init='he_normal'))
klasifikasi.add(Dropout(0.5))
klasifikasi.add(Dense(84, activation = 'relu', init='he_normal'))
klasifikasi.add(Dropout(0.5))
klasifikasi.add(Dense(jumlahKelas, activation='softmax',init='he_normal'))
print("Full Connection Between Hidden Layers and Output Layers Completed")
train_datagen = ImageDataGenerator(
rescale=1./255,
shear_range=0.2,
zoom_range=0.2,
horizontal_flip=True)
test_datagen = ImageDataGenerator(rescale=1./255)
train_set = train_datagen.flow_from_directory(
LOKASI_TRAINING,
target_size=(64, 64),
batch_size=20,
class_mode='categorical')
test_set = test_datagen.flow_from_directory(
LOKASI_TESTING,
target_size=(64, 64),
batch_size=20,
class_mode='categorical')
if isLoadedDariModel == True:
namaFilenya = "modelKlasifikasi" + str(productionEpochnya) +".h5"
if os.path.exists(namaFilenya) :
klasifikasi = load_model(namaFilenya)
datanya = klasifikasi.compile(optimizer='adam', loss='categorical_crossentropy', metrics= ['accuracy'])
else:
raise ValueError('Error: File Tidak Ada Harap Lakukan Training Terlebih Dahulu Sebelum Menggunakan Model')
else:
# compile CNN
klasifikasi.compile(optimizer='adam', loss='categorical_crossentropy', metrics= ['accuracy'])
print(klasifikasi.summary())
print("Compiling Initiated")
if MODENYA == 'production' :
tensorboard = TensorBoard(log_dir="logs/{}".format(time()))
datanya = klasifikasi.fit_generator(
train_set,
steps_per_epoch=hitungGambar(LOKASI_TRAINING),
epochs=productionEpochnya,
validation_data=test_set,
validation_steps=hitungGambar(LOKASI_TESTING),
callbacks=[tensorboard]
)
klasifikasi.save("modelKlasifikasi" + str(productionEpochnya) +".h5")
test_steps_per_epoch = numpy.math.ceil(test_set.samples / test_set.batch_size )
predictions = klasifikasi.predict_generator(test_set, steps=test_steps_per_epoch)
predicted_classes = numpy.argmax(predictions, axis=1)
true_classes = test_set.classes
class_labels = list(test_set.class_indices.keys())
report = metrics.classification_report(true_classes, predicted_classes, target_names=class_labels)
print(report)
else:
print('Model Tidak Tersimpan')
gambarHasilLatih()
klasifikasi._make_predict_function()
print("Compiling Completed")
def gambarHasilLatih():
global datanya
# Plot training & validation accuracy values
plt.plot(datanya.history['acc'])
plt.plot(datanya.history['val_acc'])
plt.title('Model Accuracy')
plt.ylabel('Accuracy')
plt.xlabel('Epoch')
plt.legend(['Train', 'Test'], loc='upper left')
plt.show()
# Plot training & validation loss values
plt.plot(datanya.history['loss'])
plt.plot(datanya.history['val_loss'])
plt.title('Model Loss')
plt.ylabel('Loss')
plt.xlabel('Epoch')
plt.legend(['Train', 'Test'], loc='upper left')
plt.show()
@app.route('/predict', methods=['GET', 'POST'])
def upload_file():
global train_set, klasifikasi, IPNYA, PORTNYA, LOKASI_UPLOAD, PENYAKIT_TANAMAN
print('-------------')
print(request.method)
print(request.files)
print('-------------')
if request.method == 'POST':
# check if the post request has the file part
if 'file' not in request.files:
print('No file part')
return redirect(request.url)
file = request.files['file']
# if user does not select file, browser also
# submit a empty part without filename
if file.filename == '':
print('No selected file')
return redirect(request.url)
if file and allowed_file(file.filename):
filename = secure_filename(file.filename)
file.save('static/' + os.path.join(app.config['UPLOAD_FOLDER'], filename))
print(filename)
lokasiTest = LOKASI_UPLOAD + '/' + filename
test_image = image.load_img('static/' + lokasiTest, target_size = (64, 64))
test_image = image.img_to_array(test_image)
test_image = np.expand_dims(test_image, axis = 0)
result = klasifikasi.predict(test_image).tolist()
'''result = pd.Series(result).to_json(orient='values')'''
print(train_set.class_indices)
'''return redirect(url_for('uploaded_file',filename=filename))'''
print(result)
hasil = {}
dataJSON = {}
allProba = {}
loop = 0
for cls, val in train_set.class_indices.items():
'''hasil[cls] = result[0][train_set.class_indices[cls]]'''
proba = result[0][train_set.class_indices[cls]]
allProba[cls] = proba
print(proba)
if (proba > 0.0) and (proba <= 1.0) :
print('valnya : ' + str(val))
'''hasil.update({'datanya':{PENYAKIT_TANAMAN[val]},'probability':proba})'''
hasil["proba" + str(loop)] = PENYAKIT_TANAMAN[val]
hasil["proba" + str(loop)]['probability'] = proba
loop = loop + 1
print(hasil)
dataJSON['Debug'] = allProba
dataJSON['penyakit'] = hasil
dataJSON['uploadURI'] = 'http://' + IPNYA + ':' + str(PORTNYA) + url_for('static',filename=lokasiTest)
return flask.jsonify(dataJSON)
else:
return '''
<!doctype html>
<title>Upload new File</title>
<h1>Upload new File</h1>
<form method=post enctype='multipart/form-data'>
<p><input type='file' name='file'>
<input type='submit' value='Upload'>
</form>
'''
if __name__ == '__main__':
print(("* Loading Keras model and Flask starting server..."
"please wait until server has fully started"))
load_model_klasifikasi()
app.run(host=IPNYA, port=PORTNYA,debug=True, use_reloader=False, threaded=False)