- Binario .loraw leído sin SDK (dato)
- Espectros medios por muestra y por grupo (dato)
- Correlación con validación LOOCV (sistema)
- Informe en LaTeX, PDF y Word (dato)
De 441 a 898 nm.
Resumen
¿Puede la «huella espectral» de una muestra de aceite predecir sus parámetros de laboratorio? Para responderlo se procesaron decenas de muestras capturadas con una cámara hiperespectral Living Optics (96 bandas entre ~441 y ~898 nm, incluyendo NIR), contrastando las firmas espectrales contra las mediciones fisicoquímicas de referencia. El pipeline cubre desde el archivo binario crudo del sensor hasta el informe técnico final.
Cómo funciona
- Ingeniería inversa del formato binario propietario (
.loraw/.lo). Bloques fijos de ~9,96 MB (header + payload de imagen 2048×2432), decodificados con Python puro, sin una sola dependencia externa, para no quedar bloqueados esperando el SDK del fabricante (que se integró después como camino alternativo). - Inventario automático del dataset (más de 5 GB), espectros medios por muestra y por
grupo, detección de bandas diferenciales y vistas previas en
.pgmpara inspección visual sin herramientas propietarias. - Estudio de correlación. Señal cruda, normalizada por área y primera derivada, contrastadas contra cada parámetro. Validación cruzada LOOCV con R² por parámetro para elegir modelo sin sobreajustar un dataset pequeño.
- Reportes automáticos. Resultados compilados a LaTeX → PDF (figuras con pgfplots) y convertidos programáticamente a Word para la entrega formal. Un orquestador corre todo el pipeline en Ubuntu con un solo comando.
Resultados
El estudio quedó concluido y entregado, con espectros y bandas diferenciales por grupo, correlaciones cuantitativas espectro ↔ calidad, y un veredicto de viabilidad técnica sobre la espectroscopía como método de predicción rápido y no destructivo. La parte más sabrosa fue decodificar un formato binario sin SDK para poder avanzar, es decir, construir el camino propio mientras se gestionaba el oficial.