Predicción de esmaltes cerámicos

Sistema de predicción de fórmulas de esmalte cerámico basado en coordenadas de color CIELAB.

Desarrollado por el Ing. Carlos Alberto Cueto Casillas como herramienta de apoyo al proceso de formulación y desarrollo de nuevos productos.

---

Prueba la versión en linea de manera gratuita haciendo click en este link: https://glaze-predictor-cacc.streamlit.app/

¿Qué hace?

El sistema recibe como entrada las coordenadas de color L*, a*, b* (espacio CIELAB) de un color objetivo y predice la fórmula de ingredientes necesaria para alcanzarlo, usando un modelo de K-Nearest Neighbors entrenado sobre la base de datos histórica del laboratorio.

Flujo principal:

1. El técnico ingresa las coordenadas LAB del color deseado.
2. El modelo encuentra los 3 colores más cercanos en la base de datos.
3. Se genera una fórmula ponderada por distancia inversa, normalizada a 1 000 g de base.
4. La fórmula puede guardarse temporalmente y validarse o descartarse tras las pruebas físicas.

---

Stack tecnológico

Capa	Tecnología
Interfaz	Streamlit
Modelo ML	scikit-learn · KNeighborsRegressor
Procesamiento de datos	pandas · numpy
Visualización	Plotly (3D, barras)
Conversión de color	Implementación propia CIELAB → CIE XYZ → sRGB
Persistencia temporal	JSON
Base de datos	Excel (.xlsm / .xlsx)

---

Estructura del proyecto

prediccion-Carlos/
├── app.py                  # Interfaz Streamlit (UI únicamente)
├── requirements.txt
├── .gitignore
└── src/
    ├── __init__.py
    ├── config.py           # Constantes centralizadas
    ├── model.py            # Lógica ML: carga, entrenamiento, predicción
    ├── color_utils.py      # Conversiones de color CIELAB → HEX
    └── storage.py          # Ciclo de vida de fórmulas temporales

---

Instalación y uso

Requisitos: Python 3.10 o superior.

# 1. Clonar el repositorio
git clone https://github.com/<tu-usuario>/prediccion-Carlos.git
cd prediccion-Carlos

# 2. Crear entorno virtual (recomendado)
python -m venv .venv
source .venv/bin/activate      # macOS / Linux
.venv\Scripts\activate         # Windows

# 3. Instalar dependencias
pip install -r requirements.txt

# 4. Ejecutar la aplicación
streamlit run app.py

El archivo Excel de la base de datos no está incluido en el repositorio por razones de confidencialidad. Al iniciar la aplicación, puedes indicar su ruta en la barra lateral o cargarlo directamente desde el explorador de archivos.

---

Configuración

Todos los parámetros del modelo se centralizan en src/config.py:

Parámetro	Descripción	Default
N_NEIGHBORS	Vecinos para entrenamiento y predicción	3
N_NEIGHBORS_DISPLAY	Vecinos mostrados en la UI	4
MAX_BASES	Máximo de ingredientes base por fórmula	2
DEFAULT_EXCEL_PATH	Ruta local al Excel (dejar vacío en producción)	""

---

Formato del archivo Excel

El sistema espera una hoja llamada Muestras con al menos las columnas L, A, B y una columna por cada ingrediente. Las columnas de metadatos (fecha, folio, comentario, etc.) se definen en META_COLUMNS dentro de config.py.

---

Autor

Ing. Carlos Alberto Cueto Casillas
LinkedIn: www.linkedin.com/in/carlos-cueto-859b462a5 Guadalajara, Jalisco, México