Sensado y Modelado de Sistemas Físicos
Descripción
Hub académico con 5 laboratorios interactivos: estimación de gravedad, visión computacional, coeficiente de restitución, análisis de péndulo con FFT y clasificación de cobertura terrestre con Sentinel-2.
Detalles del proyecto
Repositorio que centraliza 5 experimentos de la asignatura Sensado y Modelado de Sistemas Físicos, cada uno con arquitectura cliente-servidor (FastAPI + React).
Bento Launcher:
• Dashboard central con interfaz glassmorphism para orquestar todos los módulos
• Lanzamiento automatizado de servicios locales con logs en tiempo real
Aplicaciones del laboratorio:
• Estimación manual de gravedad mediante ajuste de curva (curve_fit)
• Gravity Tracker automatizado con visión computacional (OpenCV) y segmentación HSV
• Coeficiente de restitución detectando impactos en video
• Péndulo simple con seguimiento de color y FFT para calcular frecuencia dominante
• Imágenes satelitales Sentinel-2 L2A con índices espectrales (NDVI, BSI, NDWI) y clasificador Random Forest
Stack tecnológico:
• Backend: Python 3, FastAPI, uvicorn
• Frontend: React 19, TypeScript, Vite, Tailwind CSS
• Visión: OpenCV, numpy, scipy
• ML: scikit-learn, rasterio, pystac-client
Bento Launcher:
• Dashboard central con interfaz glassmorphism para orquestar todos los módulos
• Lanzamiento automatizado de servicios locales con logs en tiempo real
Aplicaciones del laboratorio:
• Estimación manual de gravedad mediante ajuste de curva (curve_fit)
• Gravity Tracker automatizado con visión computacional (OpenCV) y segmentación HSV
• Coeficiente de restitución detectando impactos en video
• Péndulo simple con seguimiento de color y FFT para calcular frecuencia dominante
• Imágenes satelitales Sentinel-2 L2A con índices espectrales (NDVI, BSI, NDWI) y clasificador Random Forest
Stack tecnológico:
• Backend: Python 3, FastAPI, uvicorn
• Frontend: React 19, TypeScript, Vite, Tailwind CSS
• Visión: OpenCV, numpy, scipy
• ML: scikit-learn, rasterio, pystac-client