Inspección visual y trazabilidad con IA en líneas de producción

La inspección visual con IA sustituye o complementa el control de calidad humano y la visión artificial clásica con modelos entrenados sobre imágenes reales de producto bueno y defectuoso. Bien planteada, detecta defectos que un sistema de reglas no puede describir, mantiene un criterio estable turno tras turno y, si se conecta con la trazabilidad de planta, permite pasar de "esta pieza está mal" a "estas son todas las piezas del lote que pueden estarlo". En lo que sigue: qué hace falta para llegar ahí y dónde tropiezan la mayoría de los proyectos.

Qué es la inspección visual con IA

Inspeccionar visualmente una pieza es responder a una pregunta con la imagen como única evidencia: ¿este producto cumple o no cumple? Durante décadas esa pregunta la han respondido personas al final de la línea y, desde los años noventa, sistemas de visión artificial que aplican reglas programadas sobre la imagen. La inspección con IA cambia el mecanismo de decisión: en lugar de programar qué es un defecto, se entrena un modelo con ejemplos de piezas buenas y piezas malas, y es el modelo quien aprende la frontera entre ambas.

El cambio parece sutil y no lo es. Un sistema de reglas solo detecta lo que alguien supo describir de antemano. Un modelo aprendido detecta lo que aparece en los datos, incluidas variantes del defecto que nadie había formulado. A cambio, exige algo que la visión clásica no pedía: un conjunto de imágenes etiquetadas representativo de la producción real, con sus variaciones de material, de iluminación y de posición.

Para aterrizar los conceptos usaremos un ejemplo a lo largo de todo el artículo: una línea de inyección de plástico que fabrica carcasas para electrodomésticos. Los defectos habituales son rechupes (hundimientos por contracción), rebabas en las líneas de partición, manchas de material degradado y marcas del expulsor. Algunos son geométricos y fáciles de medir; otros, como una mancha tenue sobre una superficie texturizada, son exactamente el tipo de defecto donde la visión clásica sufre.

De la visión clásica basada en reglas a los modelos aprendidos

La visión artificial clásica descompone la inspección en operaciones deterministas: umbralizado, detección de bordes, comparación con plantilla, medición de distancias y áreas. Un ingeniero de visión configura cada operación y fija tolerancias. Este enfoque sigue siendo el correcto para muchas tareas: verificar que un tapón está presente, medir un diámetro, leer un código Data Matrix. Cuando el defecto se puede describir con geometría y contraste, las reglas son rápidas, explicables y baratas de validar.

El problema aparece con los defectos de apariencia. En la línea de carcasas del ejemplo, un rechupe es una depresión suave cuya visibilidad depende del ángulo de la luz; una mancha de material degradado puede tener cualquier forma, tamaño y posición. Describir eso con reglas obliga a encadenar decenas de filtros con umbrales frágiles, y cada cambio de color de material o de proveedor de granza obliga a reajustarlos. El resultado típico es un sistema que o deja pasar defectos o rechaza piezas buenas, y que nadie de planta se atreve a tocar.

Los modelos aprendidos, en su mayoría redes neuronales convolucionales, invierten el planteamiento. Con tres familias principales:

La tercera fila merece atención porque encaja con la realidad de muchas plantas: si la línea produce un 1 % de piezas defectuosas, reunir mil imágenes de defectos exige fotografiar cien mil piezas. Los métodos de detección de anomalías aprenden la distribución de lo normal y marcan como sospechoso lo que se aleja de ella, lo que permite arrancar con un histórico corto. Su contrapartida es una tasa de falsas alarmas mayor, que conviene gestionar como veremos más adelante.

La decisión práctica no es "reglas o IA" sino dónde poner cada cosa. En la línea de carcasas, la presencia de insertos metálicos y la lectura del código de molde se resuelven con reglas; los rechupes y las manchas, con un modelo. Los sistemas maduros combinan ambas capas y usan la salida de reglas como verificación previa: si la pieza no está bien posicionada o la imagen está desenfocada, no tiene sentido pedirle opinión al modelo.

Qué hace falta para que funcione: datos, iluminación e integración

Imágenes etiquetadas: el activo que nadie tiene el primer día

El modelo vale lo que valen sus datos de entrenamiento. Tres condiciones separan un dataset útil de una colección de fotos:

• Representatividad. Las imágenes deben cubrir la variación real de la producción: todos los colores de material, todos los moldes, todas las cavidades, arranques de máquina y régimen estable. Un modelo entrenado solo con piezas del turno de mañana descubrirá en producción que la luz natural de la nave cambia por la tarde.
• Etiquetado consistente. Si dos verificadores discrepan sobre si un rechupe leve es defecto, el modelo aprenderá esa ambigüedad. Antes de etiquetar miles de imágenes hay que cerrar el criterio de aceptación por escrito, con ejemplos límite fotografiados, igual que se haría con un panel de defectos físico.
• Trazabilidad del dato. Cada imagen debe guardar con qué cámara, qué iluminación, qué referencia y qué fecha se capturó. Sin esos metadatos es imposible diagnosticar por qué el modelo falla más con una referencia que con otra.

Como orden de magnitud, un clasificador binario razonable puede arrancar con algunos cientos de ejemplos por clase apoyándose en transferencia de aprendizaje, y un detector de anomalías con menos aún. La cifra exacta depende del problema; lo que no cambia es que el dataset se construye de forma continua, no una vez. El sistema debe nacer con un mecanismo para capturar y etiquetar los casos dudosos que aparezcan en producción, porque esos casos son el material de reentrenamiento.

Iluminación y óptica: la mitad del proyecto que no es software

Ningún modelo compensa una imagen donde el defecto no se ve. La iluminación es una decisión de ingeniería, no un accesorio: luz rasante para revelar defectos de relieve como los rechupes, campo oscuro para arañazos sobre superficies brillantes, luz difusa en domo para piezas curvas con reflejos, retroiluminación para siluetas. En la línea de carcasas, el rechupe que resulta invisible con luz frontal difusa aparece con nitidez bajo luz rasante a baja altura; esa prueba, hecha con la pieza en la mano antes de comprar nada, define media arquitectura del puesto de inspección.

La regla de oro es estabilizar todo lo que se pueda: carenado que bloquee la luz ambiente, iluminación estroboscópica sincronizada con el disparo de cámara para congelar piezas en movimiento, y control periódico de la intensidad de los focos, que degradan con las horas. Cada variación que se elimina en la captura es variación que el modelo no tiene que aprender, y por tanto menos imágenes de entrenamiento y menos sorpresas.

Integración en línea: tiempo de ciclo y decisión

Un sistema de inspección que no decide dentro del tiempo de ciclo no sirve. Si la línea saca una carcasa cada cuatro segundos, la cadena completa (disparo de cámara, transferencia de imagen, inferencia y orden al actuador de rechazo) debe caber en ese margen con holgura. Esto suele resolver la ubicación del cómputo a favor del edge: la inferencia se ejecuta en un equipo a pie de línea y la nube queda para reentrenamiento, monitorización y archivo. El sistema necesita además señales de la máquina: el disparo sincronizado con la posición de la pieza, el resultado publicado hacia el PLC que gobierna el expulsor de rechazo y un comportamiento definido cuando la inspección falla (¿la línea para o las piezas pasan marcadas como no inspeccionadas?).

Esta cara del proyecto es más de conectividad industrial que de ciencia de datos: protocolos con el PLC, ancho de banda para mover imágenes, buffering cuando la red cae. Es la capa que tratamos en la solución de conectividad de visión artificial, donde las cámaras dejan de ser islas y sus resultados entran en la misma capa de datos que el resto de señales de planta.

Falsos positivos y falsos negativos: el coste de equivocarse

Todo sistema de inspección se equivoca en dos direcciones, y las dos cuestan dinero de forma distinta. El falso negativo (dejar pasar una pieza defectuosa) cuesta reclamaciones, devoluciones y, en sectores regulados, riesgo de retirada de producto. El falso positivo (rechazar una pieza buena) cuesta scrap, reinspección manual y algo menos visible pero más corrosivo: la confianza de planta. Un sistema que rechaza piezas buenas de forma frecuente acaba con un operario revisando la caja de rechazos y devolviendo piezas a la línea, y en ese momento la inspección automática ha dejado de existir en la práctica.

El equilibrio entre ambos errores se gobierna con el umbral de decisión del modelo, y fijarlo es una decisión de negocio, no técnica. Merece la pena escribir los números del caso concreto. En la línea de carcasas: si un falso negativo llega al cliente de electrodomésticos, el coste incluye la penalización por PPM del contrato y una posible selección al 100 % del stock enviado; si un falso positivo tira una carcasa buena, el coste es el material más el tiempo de máquina de esa pieza. Con esos dos costes sobre la mesa, decidir si el umbral se inclina hacia la severidad o hacia la permisividad deja de ser una discusión de opiniones.

Tres prácticas mantienen los errores bajo control en producción:

1. Zona gris con revisión humana. En lugar de un umbral único, dos: por encima, rechazo automático; por debajo, aceptación; en medio, la imagen va a un puesto de verificación. La zona gris arranca ancha y se estrecha conforme el modelo demuestra fiabilidad, y cada decisión humana sobre ella es una etiqueta nueva para reentrenar.
2. Medición continua contra muestreo. Un muestreo periódico auditado por calidad (piezas aceptadas reinspeccionadas a mano) da la tasa real de falsos negativos, que el sistema por sí solo no puede conocer.
3. Vigilancia de la deriva. Un cambio de proveedor de granza, un molde repasado o un foco degradado mueven la distribución de imágenes. Monitorizar la tasa de rechazo y la distribución de puntuaciones del modelo por referencia y por turno permite detectar la deriva antes de que se convierta en un lote entero mal clasificado.

Trazabilidad: del defecto puntual al lote afectado

Detectar el defecto es la mitad del valor. La otra mitad aparece cuando cada inspección queda ligada a la identidad de la pieza y a su contexto de fabricación: qué máquina, qué molde y qué cavidad la produjeron, con qué lote de materia prima, en qué turno y con qué parámetros de proceso. Esa ligadura convierte la inspección en una fuente de trazabilidad hacia atrás y hacia delante.

Hacia atrás: si el cliente reclama por una carcasa con mancha, el histórico de imágenes y resultados permite acotar cuándo empezó el problema y qué lo acompañaba. En el ejemplo, la correlación entre las manchas y un lote concreto de granza reciclada se encuentra en minutos si cada resultado de inspección guarda el lote de material; sin esa ligadura, se encuentra tras semanas de pruebas de molde.

Hacia delante: si un defecto sistemático se descubre tarde, la pregunta urgente es qué producto está afectado y dónde está. Con inspección trazada, la respuesta es una consulta: todas las piezas de la cavidad 3 entre las 14:10 y las 16:40 del martes, que corresponden a estos palés y estas expediciones. La retirada pasa de "todo el envío" a un subconjunto acotado, y la diferencia de coste entre ambas cosas suele pagar el sistema.

Técnicamente esto exige tres piezas: identificación de la pieza o del contenedor (código Data Matrix, etiqueta de lote o, como mínimo, sello de tiempo más posición en línea), un modelo de datos que una resultados de inspección con genealogía de producto y parámetros de proceso, y retención de imágenes con una política definida (las imágenes de rechazos y de zona gris se conservan más tiempo que las de piezas buenas, de las que puede bastar una muestra). Sobre esa base, cruzar resultados de inspección con señales de proceso es un caso natural de analítica operacional: la tasa de defectos por cavidad y por lote de material deja de ser un informe mensual y pasa a ser una señal viva sobre la que actuar.

Arquitectura en línea: cámara, edge y capa de datos

Una arquitectura de referencia razonable tiene cuatro niveles:

Dos decisiones marcan la diferencia a medio plazo. La primera es tratar el modelo como un artefacto versionado: cada veredicto en planta debe poder atribuirse a una versión concreta del modelo y del umbral, porque sin eso no hay auditoría posible de una reclamación. La segunda es no dejar los resultados encerrados en el software de la cámara: publicados en la capa de datos de planta junto al resto de señales, los veredictos de inspección alimentan el análisis de calidad, el cálculo de indicadores y la mejora de proceso, en lugar de vivir en un histórico propietario que solo consulta el integrador.

Cómo empezar sin quemar el proyecto

Los proyectos de inspección con IA fracasan por patrones conocidos: elegir como primer caso el defecto más difícil de la planta, entrenar con imágenes de laboratorio que no se parecen a las de línea, o desplegar sin plan de reentrenamiento y ver cómo el rendimiento se degrada con el primer cambio de material. La secuencia que evita la mayoría de estos fallos:

1. Elegir un caso con defecto frecuente, coste de error claro y criterio de aceptación que dos personas apliquen igual. La frecuencia importa: un defecto que aparece una vez al mes no genera datos para aprender ni evidencia para validar.
2. Resolver la captura antes que el modelo: probar iluminaciones con piezas reales, fijar la mecánica del puesto y capturar un primer dataset en condiciones de producción.
3. Validar el modelo en sombra: el sistema decide pero no actúa, y sus veredictos se comparan durante semanas con la inspección vigente. Esta fase da las tasas de error reales con las que negociar el umbral.
4. Pasar a producción con zona gris ancha y revisión humana, y estrecharla con evidencia.
5. Conectar desde el primer día los resultados a la trazabilidad de lote, aunque el cruce con proceso llegue después: los datos que no se guardan hoy no existirán cuando se necesiten.

Preguntas frecuentes

Si estáis valorando un sistema de inspección visual, el orden importa: primero la captura y el criterio de aceptación, después el modelo, y desde el principio la conexión con la capa de datos de planta. En Captia abordamos ese recorrido desde la conectividad de visión artificial y la analítica operacional, dentro de la unidad de inteligencia artificial industrial.