Curso de OpenCV

Entender una imagen como matriz de píxeles y canales.

Diferenciar resolución, profundidad de color, formato, compresión y tamaño en memoria.

Trabajar con imágenes en escala de grises, BGR, RGB, HSV, LAB y otros espacios de color.

Leer y modificar píxeles, regiones de interés y canales.

Usar NumPy para operaciones rápidas sobre imágenes.

Analizar histogramas, rangos de intensidad y distribución de color.

Gestionar formatos JPEG, PNG, TIFF, BMP y WebP según el caso.

Detectar problemas por compresión, ruido, baja iluminación o pérdida de detalle.

Crear utilidades para inspeccionar dimensiones, canales, tipo de dato y rango de una imagen.

Taller: analizar y modificar imágenes mediante arrays y operaciones vectorizadas.

Cargar imágenes desde disco, rutas relativas, carpetas, bytes o flujos.

Mostrar imágenes con OpenCV, Matplotlib y herramientas de depuración.

Guardar resultados intermedios y finales con control de formato y calidad.

Gestionar conversiones BGR-RGB para evitar visualizaciones incorrectas.

Crear pipelines para procesar carpetas completas de imágenes.

Renombrar salidas automáticamente con metadatos, fecha, clase o resultado.

Validar si una imagen se ha cargado correctamente antes de procesarla.

Añadir textos, rectángulos, círculos, líneas y anotaciones sobre imágenes.

Crear comparativas visuales antes/después para depuración.

Taller: procesar un lote de imágenes y generar salidas anotadas.

Redimensionar imágenes manteniendo proporción, calidad y rendimiento.

Recortar regiones de interés para centrar el análisis en zonas relevantes.

Rotar, trasladar, escalar y reflejar imágenes.

Aplicar transformaciones afines para corregir inclinaciones o desplazamientos.

Aplicar transformaciones de perspectiva para rectificar documentos, planos o superficies.

Corregir imágenes capturadas desde ángulos no frontales.

Crear máscaras para trabajar solo sobre áreas seleccionadas.

Combinar transformaciones dentro de un pipeline reproducible.

Evaluar pérdida de calidad tras interpolación, escalado o rotación.

Taller: rectificar una imagen de documento o pieza capturada con perspectiva.

Aplicar filtros de desenfoque medio, gaussiano, mediana y bilateral.

Elegir filtro según ruido, bordes, textura y objetivo del proceso.

Diferenciar ruido impulsivo, ruido de sensor, baja iluminación y compresión.

Usar filtros para preparar imágenes antes de segmentar o detectar bordes.

Aplicar sharpening para realzar detalles cuando sea necesario.

Controlar el tamaño del kernel y su impacto en precisión y rendimiento.

Evitar sobreprocesamiento que elimine información relevante.

Crear comparativas visuales entre filtros.

Medir impacto del preprocesamiento en etapas posteriores.

Taller: preparar imágenes ruidosas para detección de objetos o contornos.

Aplicar threshold simple para separar fondo y objeto.

Usar threshold adaptativo en imágenes con iluminación irregular.

Aplicar Otsu para seleccionar umbrales automáticamente.

Segmentar por color en espacios HSV, LAB o RGB.

Crear máscaras binarias para aislar objetos, áreas o defectos.

Combinar máscaras con operaciones lógicas.

Filtrar objetos por tamaño, posición, color, forma o intensidad.

Gestionar fondos complejos, sombras, reflejos y variaciones de iluminación.

Preparar segmentaciones para conteo, medición o inspección.

Taller: segmentar piezas, etiquetas o defectos a partir de imágenes reales.

Aplicar erosión y dilatación para limpiar máscaras.

Usar apertura para eliminar ruido pequeño.

Usar cierre para rellenar huecos en objetos segmentados.

Aplicar gradiente morfológico para resaltar bordes.

Usar top-hat y black-hat en análisis de iluminación y defectos.

Seleccionar kernels según forma, tamaño y orientación del objeto.

Encadenar operaciones morfológicas sin destruir información útil.

Mejorar resultados de threshold y segmentación mediante morfología.

Preparar máscaras para análisis de contornos.

Taller: limpiar una máscara de inspección visual antes de medir objetos.

Aplicar Sobel para detectar cambios horizontales y verticales.

Aplicar Laplacian para resaltar cambios bruscos de intensidad.

Usar Canny para detección robusta de bordes.

Ajustar umbrales de Canny según contraste, ruido y detalle.

Combinar blur y detección de bordes para mejorar estabilidad.

Detectar líneas, formas y límites de objetos.

Usar bordes como paso previo a contornos, medición o alineación.

Comparar resultados entre distintos operadores.

Evitar falsos bordes por ruido, sombras o texturas no relevantes.

Taller: detectar bordes en piezas, documentos o escenas industriales.

Encontrar contornos en imágenes binarias.

Diferenciar contornos externos, internos y jerarquías.

Calcular área, perímetro, bounding box, centroides y momentos.

Filtrar contornos por tamaño, proporción, circularidad o posición.

Detectar formas simples: círculos, rectángulos, polígonos y piezas irregulares.

Aproximar contornos para simplificar geometrías.

Medir objetos en píxeles y preparar conversión a unidades reales.

Detectar defectos visuales mediante comparación de formas.

Anotar resultados sobre la imagen con medidas y etiquetas.

Taller: detectar, contar y medir objetos mediante contornos.

Trabajar con espacios de color RGB, BGR, HSV, LAB y YCrCb.

Segmentar objetos por rango de color con tolerancia ajustable.

Corregir problemas de iluminación desigual.

Aplicar ecualización de histograma y CLAHE.

Normalizar imágenes para mejorar consistencia entre capturas.

Detectar dominantes de color, sombras y reflejos.

Diseñar condiciones de captura para reducir variabilidad.

Preparar imágenes para análisis por color en industria, retail o laboratorio.

Evaluar cuándo el problema no es de algoritmo, sino de iluminación o cámara.

Taller: segmentar objetos por color bajo distintas condiciones de luz.

Capturar vídeo desde cámara web, archivo, RTSP o fuente compatible.

Leer frames, procesarlos y mostrarlos en tiempo real.

Controlar FPS, resolución, buffer y latencia.

Guardar vídeo procesado con anotaciones.

Gestionar cortes, reconexiones, errores de cámara y fuentes no disponibles.

Diseñar bucles de captura seguros y cerrados correctamente.

Aplicar procesamiento por frame con control de rendimiento.

Reducir carga procesando cada N frames o zonas de interés.

Crear interfaz mínima para probar parámetros en directo.

Taller: procesar vídeo en tiempo real y detectar eventos visuales simples.

Entender distorsión radial, tangencial, intrínsecos y extrínsecos.

Preparar patrones de calibración como tablero de ajedrez o marcadores.

Calcular matriz de cámara y coeficientes de distorsión.

Corregir distorsión de imágenes y vídeo.

Aplicar calibración para medición más precisa.

Rectificar perspectiva en planos, documentos o superficies.

Convertir medidas en píxeles a unidades reales cuando el entorno está controlado.

Identificar limitaciones de calibración por mala captura o patrón insuficiente.

Documentar parámetros de cámara para reproducibilidad.

Taller: calibrar cámara y corregir distorsión en capturas de prueba.

Detectar puntos de interés en imágenes.

Usar ORB, SIFT u otros detectores según disponibilidad y caso.

Extraer descriptores para comparar imágenes.

Realizar matching entre imágenes de referencia y escena.

Filtrar matches incorrectos mediante distancia y ratio test.

Estimar homografía para localizar objetos planos.

Aplicar matching a reconocimiento de piezas, logos, etiquetas o referencias visuales.

Evaluar robustez frente a rotación, escala, iluminación y oclusión.

Comparar métodos clásicos frente a modelos deep learning.

Taller: localizar una plantilla o referencia dentro de una imagen compleja.

Aplicar template matching para localizar patrones conocidos.

Evaluar similitud mediante distintos métodos de correlación.

Ajustar umbrales para evitar falsos positivos.

Trabajar con múltiples escalas cuando cambia el tamaño del patrón.

Detectar presencia o ausencia de elementos en una imagen.

Aplicar template matching a interfaces, etiquetas, marcas, piezas o documentos.

Combinar template matching con preprocesamiento y máscaras.

Identificar limitaciones ante rotación, cambios de escala o iluminación.

Crear sistema de validación visual basado en patrones.

Taller: detectar una referencia visual en capturas de lote.

Detectar movimiento mediante diferencia de frames.

Usar background subtraction en escenas relativamente estables.

Aplicar filtros para reducir ruido en detección de movimiento.

Detectar objetos en movimiento y extraer bounding boxes.

Realizar tracking básico de objetos entre frames.

Usar optical flow para analizar movimiento.

Diferenciar movimiento real, sombras, cambios de luz y ruido.

Aplicar seguimiento en seguridad, conteo, tráfico, producción o logística.

Medir trayectorias, permanencia, velocidad aproximada y zonas de paso.

Taller: detectar y seguir objetos en vídeo con una cámara fija.

Diferenciar detección puntual y tracking temporal.

Revisar trackers clásicos disponibles en OpenCV y sus casos de uso.

Inicializar un tracker sobre un objeto seleccionado.

Actualizar posición frame a frame y gestionar pérdida de seguimiento.

Combinar detección periódica con tracking intermedio.

Evaluar tracking en objetos rápidos, oclusiones, cambios de escala e iluminación.

Diseñar métricas simples de estabilidad y pérdida.

Aplicar tracking a inspección, seguridad, deporte, logística o laboratorio.

Comparar tracking clásico con tracking basado en detección profunda.

Taller: construir un sistema de seguimiento simple en vídeo.

Diferenciar detección facial, reconocimiento facial, verificación y análisis biométrico.

Usar clasificadores clásicos como Haar Cascades en casos sencillos.

Entender limitaciones de métodos clásicos frente a modelos modernos.

Detectar caras, ojos o cuerpos en imágenes y vídeo.

Revisar condiciones de iluminación, pose, distancia y oclusión.

Aplicar desenfoque o anonimización de rostros por privacidad.

Analizar implicaciones legales, éticas y de protección de datos.

Evitar usos no autorizados de identificación biométrica.

Diseñar casos seguros: anonimización, conteo agregado o detección no identificativa.

Taller: detectar y anonimizar rostros en imágenes o vídeo.

Preparar imágenes para OCR con umbralización, limpieza y corrección de perspectiva.

Detectar regiones de texto en documentos, etiquetas, formularios o capturas.

Mejorar contraste y nitidez antes de enviar a un motor OCR.

Integrar OpenCV con motores OCR externos como Tesseract cuando proceda.

Separar líneas, campos, tablas o áreas de interés.

Procesar documentos escaneados con rotación, sombras o baja calidad.

Aplicar OCR a matrículas, etiquetas, códigos, albaranes o formularios simples.

Validar resultados con reglas de formato, expresiones regulares o listas maestras.

Controlar errores frecuentes en OCR por ruido, tipografías o mala resolución.

Taller: extraer texto de una imagen documental preprocesada con OpenCV.

Detectar y leer códigos QR mediante OpenCV o librerías complementarias.

Preprocesar imágenes para mejorar lectura de códigos dañados o mal iluminados.

Detectar regiones candidatas a códigos en escenas complejas.

Integrar lectura de códigos con sistemas de inventario, trazabilidad o control de acceso.

Trabajar con códigos de barras mediante herramientas específicas cuando OpenCV no baste.

Usar marcadores visuales para calibración, realidad aumentada o posicionamiento.

Validar lectura con reglas de negocio, formato o consulta a sistema externo.

Gestionar errores: código parcialmente oculto, borroso, reflejado o fuera de foco.

Crear evidencias visuales de lectura exitosa o fallida.

Taller: leer códigos y generar registro automático de trazabilidad.

Entender el módulo DNN de OpenCV y su papel en inferencia de modelos.

Diferenciar entrenamiento de modelos e inferencia con modelos ya entrenados.

Cargar modelos en formatos compatibles como ONNX u otros soportados.

Preparar blobs de entrada con tamaño, escala, media y orden de canales correcto.

Ejecutar inferencia sobre imágenes y vídeo.

Interpretar salidas de modelos de clasificación, detección o segmentación.

Aplicar postprocesado: umbrales, NMS, bounding boxes, etiquetas y confianza.

Medir latencia y rendimiento de inferencia.

Comparar uso de OpenCV DNN frente a frameworks específicos.

Taller: ejecutar un modelo preentrenado para clasificación o detección.

Entender el flujo de detección: imagen, preprocesamiento, inferencia, postprocesamiento y visualización.

Cargar modelos YOLO exportados a formatos compatibles para inferencia con OpenCV.

Ajustar tamaño de entrada, escala, confianza y NMS.

Dibujar cajas, etiquetas y puntuaciones sobre imagen o vídeo.

Procesar detección en tiempo real con control de FPS.

Filtrar clases relevantes según el caso de negocio.

Medir falsos positivos, falsos negativos y estabilidad en distintas condiciones.

Integrar detección con tracking para mejorar continuidad temporal.

Aplicar detección a conteo, seguridad, calidad, retail, logística o inspección.

Taller: construir detector de objetos sobre vídeo con salida anotada.

Diferenciar clasificación, detección, segmentación y análisis de anomalías.

Usar segmentación clásica por umbral, color, textura o bordes.

Detectar defectos por diferencia frente a plantilla o patrón esperado.

Comparar piezas buenas y defectuosas con alineación previa.

Medir manchas, grietas, huecos, desviaciones o elementos ausentes.

Combinar reglas visuales con modelos IA cuando la variabilidad es alta.

Diseñar datasets de defectos y muestras buenas.

Evaluar resultados con criterios de calidad, tolerancia y revisión humana.

Controlar iluminación, cámara y posición para mejorar estabilidad.

Taller: detectar defectos visuales en imágenes de inspección simuladas.

Contar objetos mediante segmentación y contornos.

Medir dimensiones relativas o absolutas cuando existe escala de referencia.

Detectar presencia, ausencia, orientación o posición de piezas.

Validar ensamblajes, etiquetas, tornillos, componentes o elementos obligatorios.

Medir áreas, perímetros, diámetros, ángulos y distancias.

Diseñar tolerancias y reglas de aceptación/rechazo.

Generar evidencias visuales de cada medición.

Exportar resultados a CSV, base de datos, API o sistema MES/ERP.

Analizar limitaciones por perspectiva, calibración o resolución.

Taller: sistema de conteo y medición con informe automático.

Medir tiempo de captura, preprocesamiento, inferencia, postprocesado y escritura.

Optimizar operaciones con NumPy y evitar bucles innecesarios en Python.

Reducir resolución, FPS o región de interés cuando el caso lo permite.

Procesar frames de forma selectiva para mantener latencia controlada.

Usar multithreading o multiprocessing en escenarios adecuados.

Separar captura, procesamiento y salida para evitar bloqueos.

Aplicar aceleración por hardware cuando esté disponible.

Controlar memoria en procesamiento por lotes y vídeo largo.

Diseñar pruebas de rendimiento con métricas reproducibles.

Taller: optimizar un pipeline lento hasta cumplir un objetivo de FPS.

Crear servicios backend que reciben imágenes y devuelven resultados visuales.

Integrar OpenCV con FastAPI, Flask o servicios internos.

Guardar resultados en base de datos, CSV, JSON o data lake.

Enviar eventos a sistemas corporativos tras detectar una condición visual.

Integrar con colas para procesar imágenes de forma asíncrona.

Conectar resultados con dashboards, alertas, ERP, MES, CRM o herramientas de calidad.

Diseñar contratos de API con imagen, metadatos, resultado y evidencia.

Gestionar errores de carga, formato, tamaño, timeouts y archivos corruptos.

Registrar trazabilidad de imagen original, procesamiento, versión de modelo y salida.

Taller: API simple de análisis de imagen con OpenCV y respuesta JSON.

Preparar proyecto OpenCV para ejecución reproducible.

Crear estructura de carpetas, dependencias, configuración, tests y documentación.

Construir imagen Docker con OpenCV y dependencias necesarias.

Gestionar diferencias entre desarrollo local, servidor, edge y cloud.

Preparar ejecución en dispositivos edge, servidores on-premise o cloud.

Controlar acceso a cámaras, rutas, permisos, GPU o dispositivos externos.

Crear logs útiles para diagnóstico de procesamiento.

Monitorizar errores, latencia, FPS, imágenes procesadas y resultados.

Diseñar estrategia de actualización sin romper producción.

Taller: empaquetar una aplicación OpenCV en contenedor ejecutable.

Identificar datos sensibles en imágenes y vídeos: rostros, matrículas, documentos, ubicaciones o personas.

Aplicar anonimización mediante difuminado, recorte, máscaras o eliminación de metadatos.

Definir políticas de retención para imágenes originales, resultados y evidencias.

Controlar acceso a imágenes, modelos, cámaras, almacenamiento y APIs.

Evitar usos no autorizados de reconocimiento facial o vigilancia invasiva.

Documentar finalidad, base legal, consentimiento y minimización de datos.

Diseñar revisión humana para casos de impacto relevante.

Registrar decisiones automáticas y evidencias visuales.

Preparar sistemas auditables y explicables en entornos corporativos.

Taller: adaptar un pipeline visual para cumplir privacidad y minimización.

Crear datasets de prueba con imágenes representativas y casos límite.

Medir precisión, recall, falsos positivos, falsos negativos y estabilidad.

Diseñar pruebas unitarias para funciones de preprocesamiento y detección.

Comparar resultados esperados frente a resultados reales.

Validar robustez ante cambios de luz, posición, cámara, resolución y ruido.

Crear informes de evaluación para negocio y equipo técnico.

Versionar datasets, parámetros, código y modelos.

Detectar regresiones al cambiar algoritmos o umbrales.

Crear pruebas automatizadas en CI cuando el proyecto lo permita.

Taller: construir batería de validación para un caso de inspección visual.

Diseñar arquitectura desde cámara o imagen hasta resultado, alerta, dashboard o integración.

Separar captura, procesamiento, inferencia, reglas de negocio, almacenamiento y salida.

Decidir entre procesamiento local, edge, servidor o cloud.

Diseñar tolerancia a fallos, reconexión de cámaras y reprocesamiento.

Preparar trazabilidad de versiones, parámetros, modelos y resultados.

Gestionar escalabilidad cuando hay muchas cámaras o lotes masivos de imágenes.

Integrar visión artificial con procesos humanos de revisión.

Documentar decisiones técnicas, límites y supuestos del sistema.

Evaluar coste, mantenimiento, precisión y complejidad.

Taller: diseñar arquitectura completa para un sistema OpenCV empresarial.

Inspección visual de piezas en industria y fabricación.

Conteo de objetos en cintas, bandejas, estanterías o imágenes aéreas.

Control de presencia/ausencia de componentes en montaje.

Procesamiento documental con OCR, rectificación y extracción de campos.

Seguridad visual con detección de movimiento y anonimización.

Retail y logística con lectura de códigos, conteo y control de ubicaciones.

Laboratorio y salud con análisis de imágenes no diagnósticas y medición visual.

Mantenimiento con detección de anomalías visuales en equipos o instalaciones.

Formación y prototipado de soluciones IA visuales para equipos internos.

Taller: seleccionar un caso sectorial y diseñar su pipeline completo.

Definición de un caso empresarial de visión artificial con imágenes, vídeo, cámara o documentos.

Preparación del entorno Python, dependencias, estructura de proyecto y dataset de prueba.

Diseño del pipeline de captura, preprocesamiento, segmentación, detección o inferencia.

Aplicación de filtros, máscaras, contornos, medición, tracking o modelo DNN según el caso.

Integración de resultados con archivo, JSON, API, dashboard o notificación.

Añadido de evidencias visuales con anotaciones, cajas, etiquetas, medidas o estados.

Optimización de rendimiento para procesar lotes o vídeo en tiempo razonable.

Incorporación de control de errores, logs, configuración y parámetros externos.

Validación con imágenes de prueba, métricas, falsos positivos, falsos negativos y casos límite.

Presentación final del sistema, justificando arquitectura, precisión, límites, privacidad y próximos pasos.