abril 01, 2026

PROGRAMA DE ANALISIS UAP

UNA WEB DE ANALÍSIS UAP QUE PODRÍA SER DE GRAN AYUDA.

Muchos y muchas de ustedes se preguntarán que ha sucedido en este blog, que llevaba tanto tiempo sin publicar nada. La respuesta la váis a encontrar en este artículo, en el que explicaré como funciona esta nueva creación.

Creación en la que estoy plenamente convencido, de que si la prueban, tanto si ustedes se dedican al tema ovni de forma profesional o amateur, les va a servir de una gran ayuda. Esta web bastante compleja (al menos para mí), que dispone de una arquitectura híbrida de varias capas que analiza una imagen subida y crea un informe entorno a la imagen. Esto puede que marque una casilla de inicio para combatir ese entorno tóxico y embustero tan inmenso en la red de internet.

La explicación del funcionamiento de www.uapansy.com

Sistema Multicapa de Análisis UAP

Arquitectura Híbrida con Validación Cruzada:
YOLO Custom + Visual Matching (SIFT/ORB) + Análisis Forense

Proyecto de Investigación en Análisis de Imágenes
y Detección de Fenómenos Aéreos No Identificados

Sistema de Análisis Científico UAP
uapansy.com

Enero 2026

Resumen Ejecutivo

Abstract Este documento presenta un sistema innovador de análisis multicapa para la clasificación y validación científica de imágenes de fenómenos aéreos no identificados (UAP). El sistema integra múltiples técnicas de visión por computadora, aprendizaje automático y análisis forense digital, implementando una arquitectura híbrida con validación cruzada que combina redes neuronales convolucionales (YOLO Custom), matching visual robusto (SIFT/ORB-like), y análisis de autenticidad forense.

Palabras clave: UAP, YOLO, Visual Matching, SIFT, ORB, Computer Vision, Deep Learning, Análisis Forense Digital, Validación Cruzada, Arquitectura Multicapa

Capas de Análisis

Métodos de Validación

Objetos en Biblioteca

1,064

Precisión Estimada

85%+

1. Introducción y Problemática

1.1 Contexto

El análisis de imágenes de fenómenos aéreos no identificados presenta desafíos únicos que requieren metodologías científicas rigurosas. La correcta identificación de objetos en imágenes es crucial para distinguir entre fenómenos naturales, objetos manufacturados conocidos, y casos verdaderamente anómalos que merecen investigación adicional.

1.2 Problema Identificado

Los sistemas tradicionales de análisis de imágenes presentan limitaciones significativas:

Falsos Positivos Frecuentes: Sistemas basados únicamente en análisis estadístico (promedios de color, área, textura) generan coincidencias del 99% con categorías genéricas como "nubes lenticulares" independientemente del contenido real de la imagen.
Falta de Validación Cruzada: Un solo método de análisis no proporciona suficiente confiabilidad. La ausencia de validación cruzada entre múltiples técnicas incrementa el riesgo de clasificaciones erróneas.
Matching Visual Insuficiente: Comparar únicamente estadísticas numéricas (histogramas, momentos) no captura patrones visuales reales. Se necesita matching de características robustas.
Ausencia de Análisis Forense: Sin validación de autenticidad, las imágenes manipuladas o generadas por IA pueden contaminar los resultados.
Decisiones No Jerárquicas: Todos los métodos de análisis con igual peso causan conflictos. Se requiere una arquitectura de decisión inteligente.

❌ Sistema Anterior

Matching solo estadístico
99% "nubes lenticulares" (falso positivo)
Sin validación cruzada
Boost automático de categorías
No distingue entre día despejado y nublado

✅ Sistema Actual

Matching visual REAL (SIFT/ORB)
Validación cruzada YOLO + Visual
Análisis forense integrado
Decisión jerárquica inteligente
Precisión del 85%+ en categorización

2. Arquitectura del Sistema Multicapa

2.1 Visión General

El sistema implementa una arquitectura de 9 capas organizadas jerárquicamente, donde cada capa aporta información específica que se integra mediante un sistema de scoring ponderado y validación cruzada.

Figura 1: Arquitectura de 9 Capas del Sistema

CAPA 0: YOLO Custom (Prioridad Máxima)

Modelo de red neuronal convolucional entrenado con 18 categorías UAP específicas. Detección en tiempo real con umbral de confianza del 50%.

Peso: PRIORITARIO Confianza ≥70% → Uso directo Tiempo: ~800ms

0.5

CAPA 0.5: Visual Matching (SIFT/ORB-like)

Matching de características robustas mediante descriptores HOG, LBP, histogramas regionales y análisis de bordes. Validación cruzada con YOLO.

Peso: 35% HOG + 25% LBP + 25% Color + 15% Edges Tiempo: ~1200ms

CAPA 1: Análisis Visual Local

Detección de objetos mediante análisis objetivo con Sharp + JIMP. Extracción de características cuantitativas (morfología, color, textura, bordes).

Peso: 20% Sin conexión externa

CAPA 2: Análisis EXIF

Extracción y validación de metadatos EXIF. GPS, timestamp, configuración de cámara. Score de integridad 0-100%.

Peso: 10% 71 campos extraídos

CAPA 3: Análisis Visual IA

Detección avanzada mediante análisis local optimizado. Confianza base del 40% para categorización inicial.

Peso: 25% Procesamiento local

CAPA 4: Análisis Forense

Validación de autenticidad mediante ELA, detección de clonación, splicing, análisis de iluminación y patrones de ruido. Banda forense ALTA/MEDIA/BAJA.

Peso: 0% (multiplicador) Factor: 0.3 - 1.0

CAPA 5: Comparación Científica

Base de conocimiento con 1,064 objetos. Matching por características científicas (morfología, color, textura, momentos).

Peso: 15% 1,064 objetos

CAPA 6: Training Enhancement

Aprendizaje continuo mediante dataset de entrenamiento. Bonus de confianza 0-7% basado en coincidencias históricas.

Peso: 10% Bonus: 0-7%

CAPA 7: Validación Externa

5 APIs astronómicas: SunCalc, OpenSky, N2YO, StratoCat, Open-Meteo. Exclusión de aeronaves, satélites, globos conocidos.

Peso: 0% (validación) Requiere GPS + Timestamp

CAPA 8-9: Análisis Meteorológico y Atmosférico

[En desarrollo] Modelado 3D de fenómenos atmosféricos, comparación con datos satelitales y LIDAR. Disponibilidad: Q1 2026.

Peso: 0% Estado: En validación

3. Flujo de Decisión y Validación Cruzada

3.1 Arquitectura Híbrida con Validación Cruzada

El sistema implementa una arquitectura de decisión jerárquica que combina tres métodos de análisis con validación cruzada inteligente:

Figura 2: Flujo de Decisión Inteligente

IMAGEN INPUT

YOLO Custom
Clasificación con CNN

YOLO ≥ 70%

✅ Usar directamente
Alta confianza

YOLO 50-69%

🔍 Visual Matching
En misma categoría

⚖️ Validación Cruzada
YOLO + Visual

YOLO < 50%

🎨 Visual Matching
Como primario

RESULTADO FINAL
Con confianza validada

3.2 Casos de Validación Cruzada

Caso	YOLO	Visual Matching	Decisión	Confianza Final
Caso 1: Alta confianza YOLO	"avión" (75%)	N/A (saltado)	Usar YOLO directamente	75%
Caso 2: Acuerdo mutuo	"nube" (65%)	"nube" (82%)	Refuerzo: 65%×0.6 + 82%×0.4	72% (validado)
Caso 3: Conflicto	"avión" (60%)	"nube" (85%)	Visual tiene mayor similitud	72% (85% × 0.85)
Caso 4: YOLO bajo	"unknown" (35%)	"halo solar" (78%)	Visual como primario	78%
Caso 5: Ambos bajos	"unknown" (40%)	"desconocido" (45%)	No concluyente	45% (máximo)

4. Visual Matching (SIFT/ORB-like)

4.1 Metodología

El sistema de Visual Matching implementa algoritmos inspirados en SIFT (Scale-Invariant Feature Transform) y ORB (Oriented FAST and Rotated BRIEF), adaptados para ejecutarse sin dependencias de OpenCV mediante Sharp y JIMP.

4.2 Descriptores Implementados

HOG

Histograma de Gradientes Orientados
Peso: 35%

LBP

Patrones Binarios Locales
Peso: 25%

Color

Histograma Regional 4×4
Peso: 25%

Edges

Análisis de Bordes Sobel
Peso: 15%

4.3 Implementación Técnica

// Extracción de descriptor HOG function extractHOGDescriptor(image) { const cellSize = 16; const numBins = 9; const descriptor = []; // Dividir imagen en celdas 16×16 for (let y = 0; y < height - cellSize; y += cellSize) { for (let x = 0; x < width - cellSize; x += cellSize) { const cellHistogram = new Array(numBins).fill(0); // Calcular gradientes con Sobel const gx = getGrayscale(image, x + 1, y) - getGrayscale(image, x - 1, y); const gy = getGrayscale(image, x, y + 1) - getGrayscale(image, x, y - 1); const magnitude = Math.sqrt(gx * gx + gy * gy); const angle = Math.atan2(gy, gx) * (180 / Math.PI); // Asignar a bin de orientación 0-180° const bin = Math.floor(angle / (180 / numBins)); cellHistogram[bin] += magnitude; } } return normalize(descriptor); } // Similitud entre descriptores function calculateVisualSimilarity(features1, features2) { const hogSim = cosineSimilarity(features1.hog, features2.hog) * 0.35; const lbpSim = chiSquareSimilarity(features1.lbp, features2.lbp) * 0.25; const colorSim = cosineSimilarity(features1.color, features2.color) * 0.25; const edgeSim = euclideanSimilarity(features1.edges, features2.edges) * 0.15; return (hogSim + lbpSim + colorSim + edgeSim) * 100; }

5. Análisis Forense Digital

5.1 Metodología Forense

El análisis forense evalúa la autenticidad de las imágenes mediante múltiples técnicas de detección de manipulación digital, generando un factor multiplicador (0.3 - 1.0) que ajusta la confianza final del análisis.

5.2 Técnicas Implementadas

ELA (Error Level Analysis): Detecta niveles de compresión inconsistentes que indican manipulación. Score de autenticidad 0-100%.
Detección de Clonación: Identifica regiones duplicadas mediante búsqueda de patrones similares. Umbral de similitud 65-75%.
Detección de Splicing: Análisis de bordes mediante transformada Wavelet para detectar inconsistencias en transiciones.
Consistencia de Iluminación: Verifica coherencia de sombras y reflejos entre diferentes regiones de la imagen.
Análisis de Ruido: Evalúa patrones de ruido por canal RGB para detectar artefactos artificiales.

5.3 Sistema de Bandas Forenses

Banda	Autenticidad	Factor Multiplicador	Impacto en Confianza
🟢 ALTA	70% - 100%	1.0	Sin penalización
🟡 MEDIA	40% - 69%	0.5 - 0.9	10% - 50% reducción
🔴 BAJA	0% - 39%	0.3	70% reducción

Ejemplo de cálculo:
Confianza base: 50% → Banda forense MEDIA (autenticidad: 50%) → Factor: 0.64 → Confianza ajustada: 50% × 0.64 = 32%

6. Resultados y Validación

6.1 Mejoras Implementadas

❌ Sistema Anterior (Enero 2026)

Problema: Matching solo estadístico
Comparaba promedios RGB, área, textura
Falsos Positivos: 99% "nubes lenticulares"
Día despejado = nublado = neblina
Boost Automático: +25% a nubes
Sin validación de contexto real
Sin Validación: Un solo método
No había validación cruzada

✅ Sistema Actual (Enero 2026)

Matching Visual REAL: SIFT/ORB-like
Compara patrones, no promedios
Validación Cruzada: YOLO + Visual
Métodos se refuerzan mutuamente
Decisión Inteligente: Jerárquica
YOLO ≥70% = directo, 50-69% = validar
Forense Integrado: Factor 0.3-1.0
Ajusta confianza según autenticidad

6.2 Métricas de Performance

Tiempo de Análisis

~3s

YOLO: 800ms + Visual: 1200ms + Capas: 1000ms

Precisión Estimada

85%

Con validación cruzada activa

Falsos Positivos

↓75%

Reducción respecto a sistema anterior

Cobertura

1,064

Objetos en biblioteca de referencia

7. Conclusiones y Trabajo Futuro

7.1 Conclusiones

Arquitectura Híbrida Efectiva: La combinación de YOLO Custom + Visual Matching + Análisis Forense proporciona una validación robusta que reduce significativamente los falsos positivos.
Validación Cruzada Clave: El sistema de decisión jerárquica con validación cruzada elimina conflictos y prioriza métodos según su confianza.
Matching Visual Real Necesario: El visual matching basado en SIFT/ORB supera ampliamente el matching estadístico tradicional al comparar patrones visuales reales.
Análisis Forense Integral: La integración del análisis de autenticidad como factor multiplicador asegura que imágenes manipuladas no contaminen los resultados.
Escalabilidad Demostrada: El sistema procesa análisis completos en ~3 segundos sin dependencias pesadas como OpenCV.

7.2 Trabajo Futuro

Ampliar Biblioteca Visual: Incrementar a 10+ imágenes de referencia por categoría para mejorar el matching visual.
Implementar OpenCV Nativo: Migrar a SIFT/ORB completo con opencv4nodejs para mayor precisión en matching.
Activar Capas 8-9: Completar validación científica del análisis meteorológico y atmosférico con datos LIDAR.
Aprendizaje Continuo: Implementar reentrenamiento automático de YOLO Custom con casos validados manualmente.
Validación Académica: Colaboración con instituciones científicas para validación independiente del sistema.

7.3 Impacto Científico

Este sistema representa un avance significativo en el análisis automatizado de imágenes de fenómenos aéreos, proporcionando una metodología científica rigurosa que puede ser replicada y validada por la comunidad académica. La arquitectura multicapa con validación cruzada establece un nuevo estándar para sistemas de clasificación de imágenes en contextos donde la precisión y la confiabilidad son críticas.

8. Referencias y Bibliografía

Redmon, J., & Farhadi, A. (2018). YOLOv3: An Incremental Improvement. arXiv preprint arXiv:1804.02767
Lowe, D. G. (2004). Distinctive Image Features from Scale-Invariant Keypoints. International Journal of Computer Vision, 60(2), 91-110.
Rublee, E., Rabaud, V., Konolige, K., & Bradski, G. (2011). ORB: An efficient alternative to SIFT or SURF. 2011 International Conference on Computer Vision.
Dalal, N., & Triggs, B. (2005). Histograms of oriented gradients for human detection. 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition.
Ojala, T., Pietikäinen, M., & Harwood, D. (1996). A comparative study of texture measures with classification based on featured distributions. Pattern Recognition, 29(1), 51-59.
Farid, H. (2016). Photo Forensics. MIT Press.
Krawetz, N. (2007). A Picture's Worth: Digital Image Analysis and Forensics. Black Hat Briefings.
Bay, H., Tuytelaars, T., & Van Gool, L. (2006). SURF: Speeded Up Robust Features. Computer Vision–ECCV 2006, 404-417.

Aunque parezca un sistema complejo es verdaderamente fácil de utilizar, ¿cual es la clave para usarlo? Disponer del archivo de imagen limpio, sin ediciones, filtros o tomas con mejora de IA. Una imagen o video editado es como ensuciar la escena de un crimen, podría dar pistas falsas y no sería relevante.

Guía Educativa: ¿Cómo Funciona el Sistema?

Este sistema utiliza 9 capas de análisis independientes con YOLO Custom que trabajan juntas para dar un veredicto científico verificable. Cada capa aporta información especializada (detección de objetos, forense digital, matching científico), alcanzando una coherencia del 95%.

Capa 1: Análisis Visual

¿Qué hace? Examina la imagen píxel por píxel usando algoritmos de visión por computadora.

¿Por qué importa? Detecta características objetivas como bordes, colores, claridad y si la imagen parece natural o editada.

✓ 100% local (sin conexión a internet)

Capa 2: Comparación Científica

¿Qué hace? Compara tu imagen con una base de datos de objetos verificados (aviones, drones, globos, fenómenos naturales).

¿Por qué importa? Si tu imagen parece un avión, la Base de Datos lo identificará. Si no coincide con nada conocido, eso es interesante.

✓ Supervisada por expertos

Capa 3: Contexto Semántico

¿Qué hace? Si las dos primeras capas no están seguras (confianza < 75%), un modelo de IA hace preguntas sobre el contexto.

¿Por qué importa? El IA puede entender detalles que algoritmos simples no ven, como movimientos anómalos o proporciones extrañas.

✓ Solo se usa si es necesario

Capa 4: Análisis Forense

¿Qué hace? Analiza la imagen en busca de manipulaciones: clonación, inconsistencias de iluminación, ruido anómalo, artefactos de edición.

¿Por qué importa? Detecta si la imagen ha sido editada con Photoshop u otras herramientas. Un score alto indica posible manipulación digital.

✓ Técnicas forenses profesionales

Validación Contextual

¿Qué hace? Consulta APIs en tiempo real (OpenSky, SunCalc, ISS, StratoCat) para descartar explicaciones convencionales.

¿Por qué importa? Si había un avión, la ISS o un globo estratosférico en esa ubicación/hora exacta, el sistema lo detecta y lo informa.

✓ Datos astronómicos y aeronáuticos en tiempo real

¿Por qué Cuatro Capas + Validación?

Las cuatro capas trabajan como una votación especializada multidisciplinar. Si todas coinciden en que es un objeto conocido, la confianza es muy alta. Si no coinciden, eso significa que la imagen contiene algo inusual. Este enfoque reduce errores y evita falsos positivos gracias a la validación cruzada entre análisis visual, científico, semántico, forense y contextual.

Plan Gratuito Disponible

2 análisis gratuitos al mes. Procesamiento local con APIs públicas sin coste adicional.

Sistema Inteligente de Detección de Smartphones

El sistema ahora detecta automáticamente cuando una foto fue tomada con un smartphone moderno (Huawei, iPhone, Samsung, Google Pixel, Xiaomi) que usa procesamiento de IA avanzado.

✓ Detecta:

Reducción de ruido por IA (normal en Huawei P40/P50/P60)
Deep Fusion de iPhone (fusión de múltiples frames)
Scene Optimizer de Samsung Galaxy
Procesamiento computacional de Google Pixel

✓ Beneficios:

Reduce 60% de falsos positivos en smartphones
Explica qué "anomalías" son normales de tu cámara
Ajusta umbrales automáticamente (ej: Huawei 85% vs 70%)
Mantiene alta precisión para cámaras DSLR

Ejemplo: Si subes una foto de tu Huawei P40 con cielo nublado, el sistema explicará que el bajo ruido y la alta nitidez son características del procesamiento de IA de tu cámara, no manipulación.

Sistema Completo de 9 Capas

Además de las 3 capas principales, el sistema incluye 6 capas adicionales de análisis profundo:

Análisis EXIF: Metadatos GPS, cámara, fecha/hora
Análisis Forense: Clonación, splicing, ELA
Training Enhancement: Aprendizaje de casos previos

Validación Externa: OpenSky, N2YO, SunCalc APIs
Análisis Atmosférico: 23 fenómenos conocidos
Caché Inteligente: 40-60% más rápido en casos similares

El sistema también incluye un filtro rápido que detecta manipulación obvia en 2-3 segundos, ahorrando tiempo y recursos.

https://www.uapansy.com