Caso de estudio 15 / 17Visión por computadora ML
Validar inversiones en equipos contra 50,000+ planos heredados
Convertí 50,000+ planos CNC heredados en evidencia para una decisión de capital: la mayoría de las mesas de corte era mayor de lo necesario.
Stack
- Python 3.8+
- NumPy
- Pandas
- Matplotlib
- Streamlit
- LibreOffice CLI
- pikepdf
- Tesseract OCR
- +10
01 · Cómo funciona
- HoyaModificado en este trabajo
- Flujo de datos
Qué hace
Una plataforma de datos que contrasta una decisión de capital con el historial: ¿las máquinas de corte láser que se están comprando corresponden a las piezas que realmente se cortan? Lee las dimensiones de más de 50,000 planos CNC heredados, las guarda para análisis en SQL y agrupa la producción real por tamaño.
Leer más
Diseñé su arquitectura como servicios en Python, con un pipeline de procesamiento de documentos, un motor de extracción y una capa de análisis de retorno de inversión y utilización.
5 conexiones· elige un componente para ver su recorrido
- Planos vectoriales a Convertir PDF + limpiar: convertidos a PDF en lote
- Convertir PDF + limpiar a Motor de OCR: páginas limpias sin máscaras
- Motor de OCR a Parser patrones de tabla: texto y tablas en brutomodificado
- Parser patrones de tabla a Base de datos SQL: dimensiones por plano
- Base de datos SQL a Clustering + retorno: tamaño de mesa vs. uso real
02Resultados
- R01Cuanto más alto, mejor
Puntaje de confianza del OCR (0 a 1)
Antes 0.6, después 0.84, +40%. Cuanto más alto, mejor.AntesDespués
Qué logró
- Evidencia de inversión: 73 % de las mesas de corte láser sobredimensionadas, en un 40–60 %
- Ajuste de tamaño: 80 % de la producción cabe en mesas 30 % más pequeñas, hallado al agrupar los tamaños reales de las piezas
- Calidad de extracción: dimensiones leídas de 50,000+ planos con 95.7 % de precisión
Leer más
- Soporte a la decisión: análisis de retorno y utilización en SQL, con mapas de calor de utilización
- Operación: unos 240 archivos por hora con 99.2 % de disponibilidad y recuperación automática
El desafío
La evidencia estaba encerrada en planos vectoriales heredados que nunca se diseñaron para que una máquina los leyera. Sus capas de transparencia corrompían el OCR, así que reescribí los streams de contenido del PDF para quitar las máscaras antes de la extracción, lo que subió la confianza del OCR de 0.6 a 0.84.
Las tablas de dimensiones venían en 504 formatos de encabezado distintos, así que un parser fijo era inviable; implementé un emparejamiento jerárquico de patrones con grupos de captura con nombre y, como último recurso, coincidencia por distancia de edición, que alcanzó un 95.7 % de precisión de clasificación.
Leer más
Con ese volumen, el pipeline también tenía que correr sin supervisión y recuperarse solo, así que le agregué procesamiento concurrente, logs estructurados, métricas y reintentos automáticos con espera creciente.
Qué aprendí
Lo difícil de un proyecto de analítica suele ser sacar datos confiables de documentos que nadie diseñó pensando en el análisis. Primero hay que arreglar la entrada: limpiar los streams del PDF antes del OCR fue lo que, de entrada, hizo usable la extracción. Para formatos desordenados, una jerarquía de patrones con coincidencia tolerante escala mejor que una lista creciente de casos especiales.
Leer más
Y una pregunta de capital necesita una respuesta que la gente pueda verificar: guardar las dimensiones extraídas en SQL permite reproducir y cuestionar el análisis de retorno en lugar de aceptarlo a ciegas.
Stack
- Python 3.8+
- NumPy
- Pandas
- Matplotlib
- Streamlit
- LibreOffice CLI
- pikepdf
- Tesseract OCR
- RESTful APIs
- JSON Schema Validation
- PostgreSQL
- Docker
- Git
- pytest
- Regular Expressions
- Multiprocessing
- Logging
- Error Handling
