La pregunta que define si tiene sentido
En el tejido industrial de Bilbao y Bizkaia —desde la siderurgia y la metalurgia de la ría del Nervión (Sidenor en Basauri, ArcelorMittal en Sestao) hasta la aeronáutica de precisión de ITP Aero en Zamudio o la fabricación de bienes de equipo y componentes de automoción— la inspección visual es a menudo el eslabón que decide si una pieza sale a tiempo y sin defectos. La visión artificial automatiza esa inspección. La pregunta fundamental es si la inspección visual es hoy un cuello de botella, una fuente de variabilidad en la calidad, o una tarea que limita la velocidad de la línea de producción. Si las tres respuestas son no, el caso de uso puede ser viable técnicamente pero no generar suficiente retorno para justificarse.
Los candidatos naturales: líneas donde la inspección manual tiene alta variabilidad (diferentes inspectores, diferentes turnos, fatiga), líneas donde la velocidad de producción supera la capacidad de inspección humana al 100%, y procesos donde los defectos que llegan al cliente tienen coste de reputación o garantía elevado.
Evaluación de la oportunidad
La visión artificial para control de calidad tiene las aplicaciones más maduras y con mejor ROI documentado de cualquier caso de uso de IA industrial. La razón: el valor es directo y fácilmente cuantificable — coste de defectos que llegan al cliente, coste de reclamaciones, coste de inspección manual que se automatiza.
El análisis de oportunidad empieza por tres cifras: ¿qué porcentaje de defectos pasa la inspección actual? ¿Cuál es el coste de un defecto que llega al cliente (devolución, reclamación, pérdida de cliente, reputación)? ¿Cuántas horas de inspección manual se dedican hoy al proceso?
Requisitos de datos
Dataset de imágenes etiquetadas. Este es el requisito más subestimado y el que más tiempo consume en los proyectos de visión artificial. Para entrenar un modelo de detección de defectos se necesitan miles de imágenes de piezas defectuosas y no defectuosas, con los defectos etiquetados. En producción industrial, los defectos son raros: si la tasa de defectos es del 1%, conseguir suficientes ejemplos de piezas defectuosas requiere un período largo de captura o técnicas de aumento de datos.
Taxonomía de defectos clara. Antes de capturar imágenes, hay que definir exactamente qué es un defecto y qué no lo es. En industria agroalimentaria —por ejemplo en las conserveras de anchoa del Cantábrico y bonito con tradición en Bermeo, o en el sector lácteo—, la variabilidad natural del producto (coloraciones, tamaños, texturas) es significativa y la frontera entre “variación aceptable” y “defecto” tiene que estar definida con criterio de producto, no solo con criterio técnico.
Condiciones de captura controladas. La calidad de la imagen depende de la iluminación, la distancia y el ángulo de captura. El sistema de iluminación industrial diseñado específicamente para el sistema de visión es tan importante como la cámara. Las variaciones de iluminación ambiental (luz solar cambiante en una nave, lámparas que se desgastan) son la causa más frecuente de degradación del rendimiento en sistemas existentes.
Estructura de costes y complejidad
Los componentes principales: hardware (cámaras industriales, sistema de iluminación, ordenador de procesamiento), integración física con la línea de producción (diseño del punto de captura, sincronización con la velocidad de línea), desarrollo del modelo (incluyendo la fase de etiquetado de datos), y el sistema de actuación (rechazo automático de piezas defectuosas o señalización para revisión humana).
La integración física con líneas de producción existentes es frecuentemente la parte más compleja: velocidad de línea que limita el tiempo de exposición, posición de las piezas que no siempre es consistente, y restricciones de espacio para instalar el sistema de cámaras.
Evaluación de riesgos
Riesgo de falsos positivos. Un sistema que rechaza producto bueno genera pérdida directa. El umbral de sensibilidad del sistema — que determina el equilibrio entre falsos positivos y falsos negativos — es una decisión de diseño que equilibra dos tipos de coste: el coste de defectos que pasan vs. el coste de producto bueno rechazado. Esta calibración debe hacerse con criterio económico, no solo técnico.
Riesgo de variabilidad natural en producto biológico. En conservas, productos lácteos, cárnico o pescado, la materia prima tiene variabilidad natural que el modelo tiene que aprender a distinguir de los defectos reales. Esto es especialmente relevante en la inspección de pescado y conservas que llega a las lonjas de puertos como Bermeo, Ondarroa o Santurtzi, y requiere más datos de entrenamiento y una taxonomía de defectos más cuidadosa que en piezas industriales con tolerancias estrictas.
Riesgo de degradación silenciosa. El rendimiento del sistema puede degradarse gradualmente por desgaste de lámparas, suciedad en las cámaras o cambios en el producto sin que nadie lo detecte. Un sistema de monitorización del rendimiento del modelo en producción es imprescindible para detectar esta degradación antes de que afecte a la calidad real.
Métricas de éxito
- Tasa de detección de defectos (recall): % de piezas defectuosas que el sistema detecta
- Tasa de falsos positivos: % de piezas buenas rechazadas por el sistema
- Cobertura de inspección: % de la producción inspeccionada (vs. muestreo en inspección manual)
- Defectos escapados al cliente antes y después de la implantación
- Disponibilidad del sistema (tiempo operativo vs. parado por mantenimiento)
Cómo genera ROI
Los mecanismos son: reducción de defectos que llegan al cliente (coste de reclamaciones, devoluciones, riesgo reputacional), reducción del coste de inspección manual (horas de personal reasignadas a tareas de mayor valor), y cobertura del 100% de la producción vs. el muestreo que permite la inspección humana.
Un mecanismo de valor frecuentemente olvidado: los datos de defectos capturados por el sistema de visión son una fuente de información sobre causas raíz de calidad que la inspección manual no proporciona con esa granularidad. El análisis de patrones de defectos puede identificar correlaciones con parámetros de proceso que permiten mejoras en origen.
Preguntas frecuentes
¿Puede el sistema de visión trabajar en líneas de alta velocidad? La velocidad de la línea determina el tiempo de exposición disponible para capturar la imagen, y por tanto la complejidad del sistema óptico. Líneas muy rápidas requieren iluminación estroboscópica y cámaras de alta velocidad. El diseño del sistema tiene que partir de la velocidad de línea real, no de la velocidad nominal.
¿El sistema puede inspecionar 360° de una pieza? Depende de cómo se mueven las piezas en la línea. Algunas piezas pasan en posición fija y solo es posible inspeccionar la cara superior. Para inspección completa se necesita voltear las piezas en la línea o usar múltiples puntos de cámara. Este diseño mecánico es parte del proyecto de integración.