5.
DETALLES TÉCNICOS
El desarrollo técnico del proyecto se realizó mediante la plataforma Machine Learning
for Kids (ML4K), seleccionando un proyecto de clasificación de imágenes con el
objetivo de identificar cinco tipos de minerales: oro, cobre, hierro, plata y zinc. Para el
entrenamiento del modelo, se recopilaron entre 35 y 45 imágenes por cada mineral,
obtenidas de bases de datos mineralógicas de acceso público y repositorios académicos.
Las imágenes fueron cuidadosamente seleccionadas para incluir muestras con diferentes
grados de pureza, texturas superficiales y condiciones de iluminación, lo que permitió
entrenar un modelo más robusto y representativo.
El proceso de entrenamiento se realizó utilizando el algoritmo de clasificación visual
integrado en ML4K, el cual se basa en un modelo de red neuronal preentrenada.
Durante esta fase, el sistema aprendió a reconocer características distintivas de cada
mineral, como el color característico del cobre, el brillo metálico de la plata, la textura
granular del hierro, y el tono amarillo dorado del oro, entre otros. Una vez completado
el entrenamiento, se procedió a evaluar el modelo con un conjunto de imágenes de
validación no utilizadas durante el entrenamiento.
Como resultado, el modelo logró una precisión del 80% en la clasificación de los cinco
minerales. Se observó que los mayores niveles de confusión se presentaron entre el
cobre y el oro debido a su tonalidad similar en ciertas condiciones de luz, mientras que
el hierro y el zinc fueron reconocidos con mayor precisión gracias a sus características
físicas más diferenciadas.
Posteriormente, el modelo entrenado se integró en Scratch utilizando la extensión de
ML4K. En este entorno, se desarrolló una aplicación interactiva que permite al usuario
seleccionar o mostrar una imagen de un mineral para que el modelo lo identifique de
manera automática. La interfaz incluye botones para cada tipo de mineral y un área de
visualización de resultados, donde se muestra el nombre del mineral detectado y el nivel
de confianza de la clasificación.
Esta implementación demostró de manera práctica cómo el aprendizaje automático
puede aplicarse en el campo de la ingeniería de minas para tareas de identificación y
clasificación de recursos minerales, ofreciendo una herramienta educativa de gran
utilidad para la formación de estudiantes en el reconocimiento visual de materiales.