Visión artificial para control de calidad

El control de calidad visual manual tiene dos limitaciones estructurales: la fatiga del inspector (que hace que la tasa de defectos no detectados aumente con el tiempo) y la velocidad (a partir de cierto ritmo de línea, la inspección humana no puede seguir el paso). La visión artificial no cansa y puede inspeccionar a la velocidad de la línea sin degradación. Para defectos visuales bien definidos, la precisión de los modelos actuales es comparable o superior a la inspección humana.

¿Qué tipos de defectos puede detectar la visión artificial?

• Defectos superficiales: rayaduras, grietas, porosidad, manchas, burbujas, decoloración.
• Defectos de forma: piezas fuera de tolerancia dimensional, deformaciones.
• Defectos de ensamblado: componentes faltantes, tornillos mal apretados, cables mal conectados.
• Defectos de impresión o etiquetado: etiquetas mal colocadas, texto incorrecto, códigos de barras ilegibles.
• Clasificación de calidad: categorización automática de piezas en niveles de calidad (A, B, C, rechazo).

¿Qué necesitas para implementar visión artificial en planta?

¿Cómo validar la visión artificial antes de escalar?

El enfoque correcto es un piloto acotado: una línea, un tipo de defecto, validación durante 4–6 semanas en paralelo con la inspección manual existente. Esto permite medir la precisión real del modelo con piezas de producción real (no de laboratorio), identificar los casos límite donde el modelo falla y ajustar umbrales antes de sustituir la inspección manual.

¿Qué errores evitar en proyectos de visión artificial industrial?

• Subestimar la importancia de la iluminación. La iluminación es tan importante como el modelo de IA. Un cambio de iluminación entre turnos (luz natural por la mañana, artificial por la noche) puede hacer que el modelo falle. La iluminación industrial controlada y constante es un requisito, no un complemento.
• Entrenar con imágenes de laboratorio y esperar que funcione en producción. Las condiciones reales de una línea (vibraciones, suciedad en la óptica, variaciones de velocidad) son distintas a un entorno controlado. El modelo debe entrenarse con imágenes capturadas en condiciones reales.
• No definir qué hacer con las piezas dudosas. El modelo va a tener casos con confianza intermedia. Hay que definir de antemano el flujo para estas piezas: inspección manual, rechazo por precaución o marcaje para revisión posterior.
• Esperar que el modelo detecte defectos que el ojo humano no ve de forma consistente. La cámara y el modelo pueden ser más rápidos y más constantes, pero el tipo de defecto detectable está limitado por la resolución óptica y el contraste visual.

¿Cómo integrar la visión artificial con el sistema de calidad y trazabilidad?

El sistema de visión artificial no funciona aislado: debe integrarse con el sistema de gestión de calidad (QMS), el MES y el sistema de trazabilidad de la planta. Cuando el sistema detecta un defecto, debe registrar el evento con su imagen, clasificación, nivel de confianza y timestamp; activar el mecanismo de rechazo o desvío; y actualizar los contadores de calidad que alimentan el OEE y los informes de producción. Esta integración convierte la visión artificial en una herramienta de producción real y no en un gadget sin impacto operativo.

¿Qué mantenimiento necesita el modelo en producción?

Un modelo de visión artificial en producción no es un proyecto que se entrega y se olvida. Los tipos de defectos pueden evolucionar con cambios en los materiales o en el proceso de fabricación; la óptica se ensucia y degrada la calidad de imagen; y nuevos productos pueden requerir reentrenamiento. Es necesario monitorizar la precisión del modelo de forma continua (comparando sus decisiones con muestreos de inspección manual) y tener un proceso definido para reentrenar cuando la precisión baja del umbral aceptable.

¿Qué requisitos técnicos exige la visión artificial en planta?

Un sistema de vision artificial para control de calidad necesita tres componentes: camaras industriales posicionadas en el punto de inspección, un sistema de procesamiento de imagen (que puede ser un PC industrial con GPU o un servicio cloud), y un mecanismo de actuacion (rechazo automático de piezas defectuosas o alerta al operador). La calidad de las camaras y la iluminacion condicionan directamente la precision del sistema.

• Camaras: resolucion mínima de 2 megapixeles para defectos visibles. Para defectos submilimetricos, camaras de mayor resolucion o camaras con optica especializada.
• Iluminacion: crítica y frecuentemente subestimada. Una iluminacion controlada y constante es más importante que una camara cara.
• Procesamiento: para inspecciones de menos de 1 segundo por pieza, se necesita procesamiento en borde (edge). Para tiempos mayores, cloud puede funcionar.
• Integración con línea: el sistema debe sincronizarse con la velocidad de la línea. Un retraso en la decisión de rechazo inutiliza el sistema.
• Dataset de entrenamiento: necesitas entre 500 y 5.000 imágenes etiquetadas de piezas buenas y defectuosas para entrenar el modelo inicial.

¿Qué limitaciones tiene hoy la visión artificial?

La vision artificial no detecta todos los defectos. Los defectos superficiales con contraste claro (grietas, manchas, deformaciones) se detectan con alta precision. Los defectos internos, los defectos que solo son visibles desde ciertos angulos, o los defectos que dependen del tacto o la flexibilidad del material quedan fuera del alcance de la vision estandar.

Una expectativa realista es detectar el 85-95% de los defectos visuales que un operador humano detectaria, con un ratio de falsos positivos del 2-5%. El sistema no elimina la inspección humana, pero reduce la fatiga del inspector y permite inspeccionar el 100% de la producción en vez de solo muestras.

Si te interesa profundizar, en dashboard oee en power bi para manufacturing exploramos este tema en detalle.

Para más contexto, puedes consultar la informe The State of AI de McKinsey.

Preguntas frecuentes sobre visión artificial para calidad

¿Cuántas imágenes necesito para entrenar el modelo?

Depende del tipo de defecto. Para defectos bien definidos y consistentes, 200–500 imágenes por clase pueden ser suficientes con modelos preentrenados y técnicas de transfer learning. Para defectos más variables o sutiles, puede necesitarse más. La calidad y diversidad del dataset importa más que el volumen bruto.

¿Qué precisión puede esperarse en detección de defectos?

Para defectos superficiales con contraste visual claro, los modelos actuales pueden alcanzar precisión del 95–99% en condiciones controladas (iluminación estable, cámara fija, tipo de pieza consistente). En condiciones variables o con defectos muy sutiles, la precisión baja. La clave es definir correctamente el umbral de confianza para equilibrar falsos positivos (rechazo de piezas buenas) y falsos negativos (paso de piezas defectuosas).