Que hace
AI visual defect inspection reemplaza la inspección visual manual por el análisis automático de fotogramas de la línea de producción. El sistema se conecta a las cámaras existentes del puesto QA o se instala con nuevos módulos sobre la cinta transportadora. Cada pieza pasa por el fotograma — el modelo de visión artificial la clasifica como aceptable o defectuosa, registra las coordenadas del defecto y envía la señal al PLC, SCADA o sistema de monitoreo.
Qué ocurre en la práctica
- La cámara de ángulo fijo captura cada pieza en el punto de control de la línea.
- El pipeline de preprocesamiento normaliza el fotograma: corrige la exposición, el ángulo y escala hasta la resolución del modelo.
- El modelo de visión artificial clasifica la pieza: tipo de defecto, confianza, bounding box con coordenadas.
- El resultado se contrasta con el rubric: qué defectos son admisibles para el lote, el cliente y la especificación en cuestión.
- En caso de defecto, el sistema envía la señal al PLC en la siguiente estación — rechazo mecánico, marcado, parada de línea.
- Las métricas se escriben en el stack de observabilidad: turno, operador, lote, tipo de defecto, coordenadas.
- Cuando la tasa de defectos supera el umbral de control, se envía una alerta a la mensajería del equipo o al sistema de tickets.
- Todas las imágenes y veredictos se archivan — sirven como audit trail para las reclamaciones de clientes y el reentrenamiento del modelo.
Lo que el sistema no hace
- No reemplaza el control final de productos regulados (medtech, aviación, productos alimenticios de alto riesgo). La IA proporciona la señal inicial, la persona confirma los detalles críticos y firma.
- No detecta tipos de defectos que no estuvieron en el conjunto de entrenamiento. Las nuevas clases requieren reentrenamiento y nuevos ejemplos etiquetados que amplíen el dataset.
- No elimina las causas del defecto. El sistema detecta el defecto en la salida, pero el análisis de causa raíz corresponde a los tecnólogos y a la ingeniería de procesos.
Como funciona
El sistema se construye a partir de cuatro subsistemas: captura de imagen, inferencia del modelo, toma de decisiones, integración con producción. Cada subsistema es crítico — el eslabón débil anula el efecto del conjunto.
Pipeline técnico
A nivel de datos, todo comienza con la cámara. Una cámara industrial con la resolución adecuada se instala sobre la cinta transportadora o en el robot manipulador. Se le proporciona iluminación controlada: difusa, coaxial, estructurada o UV — la elección depende del tipo de defecto. El trigger de fotograma proviene del sensor de posición de la pieza o del temporizador de línea.
El fotograma capturado llega al servidor de inferencia edge (máquina GPU junto a la línea) o al endpoint en la nube, si la red es estable y la latencia requerida es admisible. El modelo consta de dos cabezas: clasificación (apto / no apto) y detección (localización del defecto con bounding box). Para cada clase de defecto se recopila un conjunto de imágenes etiquetadas y se entrena una red neuronal convolucional o un vision transformer.
El resultado de la inferencia se formaliza en JSON: id de la pieza, tipo de defecto, confianza, coordenadas, timestamp. A continuación — motor rubric: reglas «qué nivel de defecto es admisible» por lote, cliente, revisión de plano. El veredicto llega al PLC mediante protocolo industrial (OPC UA, MQTT) y simultáneamente al stack de observability, donde se construyen dashboards sobre tasas de rechazo, falsos positivos y deriva del modelo.
Pasos de implementación
- Auditoría de la línea: dónde instalar las cámaras, qué iluminación se necesita, cuántos puntos de control, qué latencia es admisible.
- Recopilación y etiquetado de datos: muestra etiquetada por cada clase de defecto, equilibrio entre piezas aptas y defectuosas, acuerdo del rubric con el departamento de QA.
- Entrenamiento del modelo baseline: transfer learning a partir de un modelo CV preentrenado, validación en muestra hold-out.
- Piloto en una línea: operación paralela con control manual, recopilación de métricas precision/recall, calibración de umbrales.
- Integración con PLC y MES: suscripción al trigger, envío del veredicto, rechazo automático.
- Configuración de observability: dashboards, alertas por incremento de FP/FN, métricas de deriva del modelo por turno, lote, temporada.
- Protocolo de reentrenamiento: quién etiqueta los nuevos casos erróneos, con qué periodicidad se actualiza el modelo, cómo revertir a la versión anterior.
Componentes típicos
Capa | Componentes |
|---|---|
Hardware | Cámara industrial, iluminación, sensor trigger, servidor GPU edge |
Modelo | Modelo CV de clasificación y detección, anomaly detection, motor rubric |
Integración | Protocolo industrial (OPC UA, MQTT) hacia PLC y MES |
Monitoreo | Stack de observability: dashboards, alertas, registro de veredictos y fotogramas |
La principal fuente de errores no es el modelo, sino el hardware. Un reflejo, el desplazamiento de la cámara en un milímetro, el cambio de lote de película en la iluminación rompen el modelo más rápido que los cambios en la pieza. Por eso, el control de deriva es un módulo obligatorio, no un nice-to-have.
Requisitos previos
Para el lanzamiento se necesitan tres grupos de requisitos previos: técnica, datos, equipo.
Parte técnica:
- Cámara industrial con resolución suficiente y montaje estable sobre el punto de control.
- Iluminación controlada según el tipo de defecto (difusa, coaxial, estructurada).
- Servidor edge con GPU junto a la línea o canal estable hasta el endpoint en la nube con latencia admisible.
- Acceso a PLC o MES mediante protocolo industrial (OPC UA, MQTT) o REST para la transmisión de veredictos.
- Red entre la cámara, el servidor de inferencia y el sistema de monitoreo.
Datos:
- Muestra etiquetada de imágenes por cada clase de defecto con balance de muestras conformes y no conformes.
- Rubric acordado: qué defectos son admisibles, cuáles no, cómo depende del lote y del cliente.
- Muestra de edge-cases: defectos raros y casos límite que el operador del control manual pasa por alto.
Equipo:
- Ingeniero de QA, responsable del rubric y que trabaja en pareja con los etiquetadores.
- Process engineer que conoce la línea y puede reservar ventanas para el piloto sin detener la producción.
- Especialista en IT / OT para la integración con PLC, MES y observability.
- Data engineer o ingeniero de ML para el entrenamiento y mantenimiento del modelo (propio o contratista).
Plazos: la implementación del escenario intermedio — 6–10 semanas desde la auditoría hasta la explotación industrial en una sola línea. El escalado a las líneas adyacentes lleva varias semanas por línea con geometría e iluminación similares.
Problemas
- Riesgos de cumplimiento / errores jur.
- Calidad inconsistente
- Errores en operaciones manuales
FAQ
¿Cuánto tiempo lleva la implementación?
El escenario típico de complejidad media es de 6–10 semanas. La primera etapa se dedica a la auditoría de la línea, la selección de cámara e iluminación. La siguiente — recopilación y etiquetado de imágenes, entrenamiento del modelo base. La final — piloto en paralelo con el control manual, calibración de umbrales, integración con PLC y el sistema de monitoreo. El escalado a líneas adyacentes es más rápido y requiere varias semanas por cada una.
¿Qué hacer si no tenemos imágenes etiquetadas de defectos?
El escenario más frecuente: no hay archivo. Dos caminos. Primero: acumular datos en paralelo con el control manual, etiquetando fotografías conforme se detectan defectos. Segundo: utilizar modelos de anomaly-detection, que aprenden únicamente con piezas conformes y marcan todo lo que se desvíe. En la práctica se combinan ambos enfoques — primero anomaly detection para el piloto, luego clasificación completa a medida que se acumula el etiquetado.
¿Cuáles son los riesgos y qué puede fallar?
Tres riesgos principales. Primero — deriva por factores físicos: un desplazamiento de la cámara de un milímetro, un nuevo lote de película en la iluminación, un reflejo con el sol de la mañana degradan el modelo más rápido que los cambios en la pieza. Segundo — falsas activaciones: umbrales agresivos elevan los FP, la línea se detiene con piezas conformes. Tercero — reentrenamiento sin rollback: una nueva versión del modelo puede empeorar las métricas si no hay canary deployment. Nos protegemos con dashboards de deriva y versionado del modelo.
¿Es adecuado para nuestra producción?
Funciona en producción discreta y continua donde los defectos son visibles en el rango óptico: autocomponentes, electrónica, plástico, embalaje, textil, metalmecánica. Referencias del sector — Bosch Jihlava (autocomponentes, captura de defectos del 85% al 99–100%), Oxmaint (9 líneas, 62 000 piezas por día, reducción de escapes del 32% al 0.2%), Opsio (reducción de devoluciones del 3.2% al 0.4%). No es adecuado donde el defecto es invisible a simple vista — se necesitan rayos X, ultrasonido o análisis espectral.
¿Qué ocurre con los tipos de defectos raros y nuevos?
Las clases raras son el talón de Aquiles de cualquier modelo CV. Se resuelve de dos maneras. Primero, con modelos de anomaly-detection, que aprenden únicamente con piezas conformes y marcan todo lo inusual — incluso defectos que no estaban en la muestra. Segundo, con un protocolo de reentrenamiento: cualquier defecto nuevo no detectado se envía a etiquetado manual y enriquece el conjunto de entrenamiento con actualización periódica del modelo.
¿Es necesario detener la línea para el piloto?
No. El piloto se lanza en paralelo con el control manual en la línea activa: la cámara se instala sobre la cinta transportadora, los veredictos del AI se registran en el log y se comparan con las decisiones del operador. La línea no depende del modelo hasta que se complete el período de calibración. En cuanto precision/recall se mantienen de forma estable por encima de los valores umbral, el PLC se conecta al veredicto del AI y el control manual pasa a verificaciones aleatorias.
Quieres esto en tu negocio?
Reserva una auditoria gratuita — te mostraremos como funcionara esta automatizacion para ti.