Detector de Defectos en Conservas para una Industria de Murcia
Visión general
De qué trata este proyecto.
Recibes 1.500 imágenes etiquetadas (defectuosas / aceptables) de producto en el formato exacto antes del cierre. Construye un pipeline clásico: segmentación del producto vs fondo, extracción de features de color (histograma HSV) y de textura (LBP — Local Binary Patterns — patrones binarios locales), clasificación con SVM o Random Forest. Evalúa con precision/recall y matriz de confusión. Entrega un demo en Jupyter que clasifique 20 imágenes nuevas con visualización del razonamiento.
El Briefing
Lo que harás y lo que demostrarás.
Construir un detector de defectos con precision > 0,85 y recall > 0,80 usando únicamente procesamiento de imagen clásico.
Earning criteria — what you'll demonstrate
- Aplicar segmentación clásica (umbralización, morfología)
- Extraer features de color y textura interpretables
- Entrenar y evaluar un clasificador clásico
- Comunicar resultados a un equipo de producción no técnico
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Trayectorias profesionales que esto construye
Roles canónicosIngeniero de Visión por Computadora
El reto cubre el pipeline clásico completo (segmentación, features, clasificación) que un CV engineer junior usa todos los días en inspección industrial.
Este proyecto afina
- image-processing
- feature-extraction
- opencv
Ingeniero de Aprendizaje Automático
Entrenar y evaluar un clasificador con métricas operativas es el día uno del MLE junior.
Este proyecto afina
- classification
- model-evaluation
- python