El control de calidad visual es de los trabajos más ingratos de una planta: mirar piezas durante horas buscando defectos que aparecen una vez cada cientos. La fatiga garantiza errores. La visión artificial ya no es cosa de grandes fábricas: cámaras asequibles y modelos entrenables con pocas imágenes la han puesto al alcance de talleres y pymes manufactureras.
Cómo funciona en la práctica
Una cámara fotografía cada pieza en un punto fijo de la línea, con iluminación controlada. El modelo compara la imagen con lo aprendido y clasifica: correcta, defectuosa o dudosa. Las defectuosas se apartan; las dudosas van a revisión humana. El sistema registra cada detección, así que además de filtrar sabes qué defectos aparecen, en qué turno y en qué lote.
- Defectos de superficie: arañazos, golpes, manchas, burbujas.
- Dimensional: piezas fuera de medida o mal posicionadas.
- Montaje: componentes ausentes, mal colocados o tornillos sin apretar.
- Etiquetado y envasado: etiquetas torcidas, precintos rotos, cajas incompletas.
Qué necesitas para empezar
Menos de lo que imaginas, pero con tres condiciones no negociables:
- Un punto de inspección estable: misma posición de pieza, misma luz, mismo fondo.
- Imágenes de ejemplo: cientos de piezas buenas y una muestra decente de cada defecto.
- Un criterio claro de qué es defecto: si dos inspectores humanos discuten, la IA tampoco lo resolverá.
El entrenamiento inicial suele hacerse con imágenes de tu propia producción. Sin defectos reales fotografiados no hay modelo fiable: guarda las piezas defectuosas unas semanas y fotografíalas antes de descartarlas.
Empieza por el defecto que más te cuesta: devoluciones de clientes, retrabajos o mermas. Un piloto acotado a un solo defecto demuestra el retorno en semanas y justifica ampliar.
Cuándo compensa y cuándo no
Compensa cuando hay volumen, repetitividad y un coste claro del fallo: piezas que se fabrican a miles, defectos visibles y clientes que penalizan la calidad. No compensa en producción artesanal muy variable, piezas únicas o defectos que requieren tacto u olfato. La regla rápida: si una persona puede detectar el defecto mirando una foto, la IA probablemente también.
Calcula el retorno con datos propios: coste anual de devoluciones y retrabajos, horas de inspección manual que se liberan y valor de la trazabilidad ganada. En muchas pymes el piloto se paga con una sola reclamación evitada de un cliente grande.
Errores habituales en el primer proyecto
El más caro es querer cubrir todos los defectos desde el día uno: el proyecto se eterniza y muere antes de producir. El segundo, descuidar la iluminación: la mitad de los problemas de precisión son sombras y reflejos, no el modelo. El tercero, no reentrenar: cambios de material, de proveedor o de formato degradan el sistema, y hay que alimentarlo con imágenes nuevas. Y el cuarto, prometer cero defectos: la visión artificial reduce drásticamente los fallos, pero la revisión humana por muestreo sigue siendo necesaria.
Preguntas frecuentes
¿Cuántas imágenes hacen falta para entrenar?
Depende del defecto. Para casos claros bastan unos cientos de imágenes buenas y decenas de cada defecto. Defectos sutiles piden miles.
¿Necesito integrarlo con la línea de producción?
Para apartar piezas automáticamente, sí: un expulsor o un aviso al operario. Pero puedes empezar solo con detección y registro, y añadir la automatización después.
¿Y si cambio el producto cada temporada?
Cada formato nuevo necesita su tanda de imágenes. Los modelos actuales se reentrenan relativamente rápido si la cadena de captura está establecida.