aborda el análisis técnico avanzado mediante tecnologías como VNIR, SWIR, FTIR y machine learning para la detección no invasiva de defectos y contaminantes. Este enfoque integra fundamentos en procesamiento digital de señales, espectrometría óptica, calibración radiométrica y sistemas embebidos, esenciales para aplicaciones en inspección automatizada, trazabilidad y aseguramiento de calidad bajo condiciones dinámicas. Las metodologías incluyen desde el modelado espectral hasta técnicas de hyperspectral unmixing, complementadas con algoritmos de IA para clasificación y segmentación, fundamentales para la optimización en líneas de producción en sectores regulados y de alta exigencia técnica.
Los laboratorios equipados con sistemas HIL/SIL, adquisición de datos multisensoriales, y entornos controlados para pruebas de robustez óptica, aplican normativas internacionales en metrología y seguridad, garantizando trazabilidad y validación conforme a criterios de calidad y compliance industrial. La normativa aplicable abarca estándares ISO para calidad y seguridad en producción farmacéutica y alimentaria, así como protocolos de validación técnica para sistemas ópticos y electrónica embebida. El perfil profesional se orienta hacia roles como ingeniero de visión artificial, especialista en control de calidad, analista de datos espectrales, consultor en normativa industrial, y desarrollador de sistemas embebidos.
6.410 €
Aprenderás a integrar todo el proceso de desarrollo de producto desde la concepción del modelo hasta su validación final, aplicando metodologías centradas en el usuario. Desarrollarás competencias en diseño paramétrico, ergonomía, simulación, materiales sostenibles, visualización 3D y gestión de manufactura, garantizando soluciones eficientes, seguras y alineadas con los estándares industriales actuales.
Aprenderás a integrar todo el proceso de desarrollo de producto desde la concepción del modelo hasta su validación final, aplicando metodologías centradas en el usuario. Desarrollarás competencias en diseño paramétrico, ergonomía, simulación, materiales sostenibles, visualización 3D y gestión de manufactura, garantizando soluciones eficientes, seguras y alineadas con los estándares industriales actuales.
Requisitos recomendados: Conocimientos básicos de espectroscopía y procesamiento de imágenes. Manejo de ES/EN (B2+ / C1) deseable.
1.1 Fundamentos de la Visión Espectral Industrial: visión multispectral vs hiperspectral y conceptos clave
1.2 Bandas espectrales y su relevancia para Alimentos, Fármacos y Textiles: visible, NIR, SWIR y más
1.3 Arquitecturas de sensores: cámaras multispectral/hiperspectral, line scan y sensores InGaAs; selección de configuración
1.4 Iluminación para visión espectral: iluminación controlada, temperatura de color, uniformidad y sincronización con la captura
1.5 Calibración radiométrica y geométrica: referencia blanca, dark frames, corrección de distorsión y co-registro entre bandas
1.6 Preprocesamiento y extracción de firmas espectrales: normalización, corrección de sombras, reducción de ruido, muestreo
1.7 Análisis espectral y reducción de dimensionalidad: firmas espectrales, PCA/ICA, selección de características, clasificación
1.8 Detección de defectos en alimentos, fármacos y textiles con visión espectral: enfoques supervisados, no supervisados y aprendizaje híbrido
1.9 Integración en la planta: pipeline de datos, integración con MES/SCADA, trazabilidad y control de calidad en tiempo real
1.10 Casos de negocio y métricas de desempeño: ROI, coste total de propiedad, métricas de calidad (precisión, recall, F1), go/no-go y matrices de decisión
2.1 Fundamentos de la visión espectral: diferencias entre multispectral e hiperespectral y bandas clave
2.2 Arquitecturas de captura: cámaras, iluminación, óptica y distancia de muestreo
2.3 Calibración y modelado de reflectancia: blancos de referencia, calibración radiométrica y corrección
2.4 Preprocesamiento y normalización: corrección de sombras, reducción de ruido y alineamiento espacial
2.5 Extracción de características espectrales: firmas, índices y técnicas de reducción dimensional (PCA/ICA)
2.6 Detección de defectos y análisis de tolerancias: enfoques supervisados/no supervisados y detección de anomalías
2.7 Clasificación por industria: alimentos, farmacéuticos y textiles; defectos típicos
2.8 Integración en la línea de producción: flujo de datos, sincronización con PLC/SCADA y control de calidad
2.9 Métricas de rendimiento y evaluación: precisión, recall, F2, ROC, reproducibilidad y coste de calidad
2.10 Casos de estudio, desafíos y buenas prácticas: ROI, escalabilidad, mantenimiento y soporte tecnológico
3.1 Fundamentos de la visión espectral: definición, espectro y conceptos clave para control de calidad
3.2 Multiespectral vs hiperspectral: diferencias, resoluciones y casos de uso en alimentos, farmacéuticos y textiles
3.3 Arquitecturas de captura: cámaras, sensores, iluminación, filtros y sincronización
3.4 Adquisición de datos y calibración: protocolos de captura, calibración radiométrica y geométrica
3.5 Preprocesamiento de imágenes espectrales: corrección de iluminación, normalización y reducción de ruido
3.6 Extracción de características espectrales: firmas espectrales, índices y transformadas relevantes
3.7 Detección de defectos con visión espectral: enfoques basados en umbrales, ML y DL
3.8 Diseño de pipelines de visión para la industria: flujo de trabajo, procesamiento en línea y integración con sistemas de planta
3.9 Evaluación y validación: métricas (precisión, recall, F3, AUC, IoU), conjuntos de prueba y robustez
3.10 Casos de uso y consideraciones regulatorias: ejemplos en alimentos, fármacos y textiles, normativas, ética y seguridad
4.1 Principios de Visión y Sensores Espectrales: definición de visión, espectros y su relación con la detección de defectos en procesos industriales
4.2 Tipos de sensores espectrales: cámaras multiespectrales, hiperespectrales, VNIR/SWIR/LWIR, sensores monocromáticos adaptados
4.3 Multiespectral vs Hiperspectral: rendimiento, resolución espacial y espectral, costo y casos de uso
4.4 Iluminación y escena radiancia: estrategias de iluminación, control de sombras, calibración de espectro
4.5 Calibración radiométrica y geométrica: convertir radiancias a reflectancias, corrección de distorsiones y geometría de adquisición
4.6 Configuración de adquisición: distancia, ángulo de incidencia, resolución, superposición de bandas, sincronización
4.7 Preprocesamiento de imágenes espectrales: corrección de iluminación, eliminación de ruido, normalización, mosaico de bandas
4.8 Extracción de características espectrales: firmas espectrales, índices, transformadas (PCA), selección de bandas
4.9 Integración con métodos de visión computacional para detección de defectos: pipelines, segmentación, localización y clasificación
4.10 Evaluación de rendimiento y casos de uso: métricas (precisión, recall, IoU), validación, generación de datasets y consideraciones de SEO para contenidos de cursos
5.1 Fundamentos de la Visión Artificial y su Aplicación en la Industria
5.2 Principios de la Visión Espectral: Multiespectral e Hiperspectral
5.3 Comparación entre Visión RGB y Visión Espectral: Ventajas y Limitaciones
5.4 Componentes Clave de los Sistemas de Visión Espectral: Cámaras, Iluminación, Software
5.5 Aplicaciones Industriales de la Visión Espectral: Panorama General
5.6 Selección de Cámaras y Fuentes de Iluminación: Criterios y Consideraciones
5.7 Preprocesamiento de Datos Espectrales: Calibración y Corrección
5.8 Fundamentos del Análisis de Datos Espectrales: Técnicas de Clasificación y Detección
5.9 Ética y Consideraciones Legales en la Implementación de la Visión Espectral
5.10 Casos de Estudio: Ejemplos de Éxito en la Industria Alimentaria, Farmacéutica y Textil
6.1 Introducción a la Visión Espectral: Conceptos básicos y fundamentos.
6.2 El espectro electromagnético y sus bandas.
6.3 Tipos de cámaras espectrales: multiespectrales e hiperspectrales.
6.4 Principios de la reflectancia, transmitancia y absorción de la luz en diferentes materiales (alimentos, fármacos y textiles).
6.5 Sensores y sistemas de adquisición de datos espectrales.
6.6 Preprocesamiento de datos espectrales: calibración y corrección atmosférica.
6.7 Análisis de datos espectrales: métodos de clasificación y análisis.
6.8 Aplicaciones de la visión espectral en la industria: visión general.
6.9 Ventajas y limitaciones de la visión espectral.
6.10 Casos de estudio: ejemplos de aplicaciones en alimentos, fármacos y textiles.
7. 1 Fundamentos de la Visión Artificial y su Aplicación en la Industria
7. 2 Introducción a la Visión Espectral: Multiespectral e Hiperspectral
7. 3 Principios de Funcionamiento de Sensores Espectrales
7. 4 Ventajas de la Visión Espectral sobre la Visión Tradicional
7. 5 Aplicaciones de la Visión Espectral en Alimentos, Farmacéutica y Textil
7. 6 Flujos de Trabajo en la Inspección Espectral: Adquisición, Procesamiento y Análisis
7. 7 Selección de Equipos y Parámetros Clave para la Inspección Espectral
7. 8 Fundamentos de la Iluminación y su Impacto en la Visión Espectral
7. 9 Introducción a los Algoritmos de Procesamiento de Imágenes Espectrales
7. 10 Estudios de Caso: Ejemplos de Éxito en la Inspección Espectral
8.1 Fundamentos de la Visión Espectral: Principios y Aplicaciones
8.2 Sensores Multiespectrales e Hiperespectrales: Tipos y Características
8.3 Configuración de Sistemas de Captura Espectral: Óptica e Iluminación
8.4 Calibración y Corrección de Datos Espectrales: Preprocesamiento
8.5 Adquisición de Imágenes Espectrales: Metodologías y Técnicas
8.6 Análisis de Imágenes Espectrales: Técnicas de Extracción de Características
8.7 Software y Herramientas para el Procesamiento Espectral
8.8 Selección del Sensor y Configuración del Sistema: Casos Prácticos
8.9 Consideraciones sobre la Iluminación: Fuentes y Geometrías
8.10 Despliegue de Sistemas de Visión Espectral en Líneas de Producción
9. 1 Conceptos Clave: Visión Artificial y Procesamiento de Imágenes.
9. 2 Introducción a la Visión Multiespectral/Hiperspectral.
9. 3 Principios de la Radiometría y Espectroscopía.
9. 4 Componentes de un Sistema de Visión Multiespectral.
9. 5 Cámaras Multiespectrales: Tipos y Características.
9. 6 Fuentes de Iluminación: Selección y Consideraciones.
9. 7 Adquisición de Datos: Calibración y Preprocesamiento.
9. 8 Representación y Visualización de Datos Espectrales.
9. 9 Aplicaciones Iniciales en Alimentos, Pharma y Textil.
9. 10 Fundamentos Matemáticos: Transformada de Fourier y Análisis de Componentes Principales.
10.1 Principios de la Visión Artificial y su Aplicación en la Industria.
10.2 Introducción a la Visión Espectral: Conceptos y Fundamentos.
10.3 El Espectro Electromagnético y su Relación con la Visión Espectral.
10.4 Cámaras Multiespectrales e Hiperspectrales: Tipos y Funcionamiento.
10.5 Fuentes de Iluminación para Visión Espectral: Selección y Optimización.
10.6 Adquisición de Datos Espectrales: Técnicas y Consideraciones.
10.7 Preprocesamiento de Imágenes Espectrales: Calibración y Corrección.
10.8 Análisis de Datos Espectrales: Extracción de Características y Patrones.
10.9 Software y Hardware para Visión Espectral: Herramientas y Plataformas.
10.10 Aplicaciones de la Visión Espectral en la Industria: Introducción.
Consulta “Calendario & convocatorias”, “Becas & ayudas” y “Tasas & financiación” en el mega-menú de SEIUM
Nuestro equipo está listo para ayudarte. Contáctanos y te responderemos lo antes posible.
Si, contamos con certificacion internacional
Sí: modelos experimentales, datos reales, simulaciones aplicadas, entornos profesionales, casos de estudio reales.
No es obligatoria. Ofrecemos tracks de nivelación y tutorización
Totalmente. Cubre e-propulsión, integración y normativa emergente (SC-VTOL).
Recomendado. También hay retos internos y consorcios.
Sí. Modalidad online/híbrida con laboratorios planificados y soporte de visados (ver “Visado & residencia”).