Automatización e IA
Visión artificial para control de calidad: ¿la cámara detectó la botella sin tapa?
De mil botellas, diez salen sin tapa. Si un sistema deja pasar todas, acierta en 990 ocasiones y pierde los diez defectos que importaban. Para decidir si conviene invertir en visión artificial, la primera pregunta es qué error necesita detectar tu planta y cómo comprobarás el resultado.
Una tapa ausente es una pregunta concreta
Imagina una línea de botellas de vidrio ámbar. Una cámara industrial compacta apunta al cuello de cada envase al pasar. En una botella se ve la tapa metálica. En la siguiente queda a la vista el cuello abierto. Podemos definir una inspección con un resultado verificable: señalar la segunda botella para que calidad la revise.
En ese ejemplo, la cámara comprueba si la tapa está presente. Una tapa visible también podría estar floja, así que evaluar la fuerza del cierre requeriría otra prueba. Antes de proponer una automatización para tu operación, delimitamos con calidad qué puede observarse desde esa posición, cuándo debe producirse el aviso y qué hará el operario al recibirlo.
Cuándo sirve una regla y cuándo probar aprendizaje automático
Si todos los envases llegan a una altura estable, la tapa contrasta con el fondo y la cámara captura el mismo punto, podemos probar una regla sencilla sobre esa zona de la imagen. Por ejemplo, Cognex documenta una herramienta de presencia por brillo y cita precisamente la inspección de tapas como posible uso.
Un reflejo en el vidrio puede parecerse al brillo de la tapa; una sombra podría ocultarla. Probaríamos la iluminación, la posición de la cámara y el momento de captura con envases reales. Si distintos acabados o formatos siguen haciendo difícil expresar la diferencia mediante reglas, podemos evaluar un modelo entrenado con ejemplos. Compararíamos ambos métodos sobre las mismas botellas de prueba.
Cómo leer una prueba de mil botellas
Sigamos con el ejemplo hipotético. Calidad revisa los envases y confirma que 990 tenían tapa y diez carecían de ella. La cámara marca ocho de esos diez defectos y también manda a revisar doce botellas correctamente tapadas. El resultado significa tres cosas distintas:
- Detectó ocho de diez faltas de tapa (80 %). Dos botellas sin tapa habrían pasado sin aviso.
- De las veinte botellas señaladas, ocho presentaban el defecto (40 %). Las otras doce ocuparon tiempo de revisión.
- Acertó en 986 de mil decisiones (98.6 %). El sistema que dejaba pasar todo obtenía 99 %, aunque perdía cada defecto. Calidad y producción necesitan conocer ambos tipos de error para comparar propuestas.
Qué tendría que demostrar una prueba en tu línea
Separaríamos las imágenes que usamos para ajustar el método de las que reservamos para evaluarlo. Diez fotografías consecutivas del mismo envase siguen siendo un solo caso físico. Conviene probar con otras botellas, turnos, lotes, tapas y velocidades. Tu responsable de calidad identifica los casos de referencia y deja constancia de los que resultan dudosos incluso para una persona.
Empezaríamos registrando alertas en paralelo con la revisión habitual. Para cada alerta importa recuperar la imagen, la hora y el envase correcto. También revisaríamos una muestra de piezas que pasaron sin alerta: ahí pueden esconderse los defectos omitidos. Si cambia la luz o aparece otro acabado, registramos qué cambió y repetimos la comparación antes de ampliar el alcance.
El entregable útil es una decisión documentada: qué formatos funcionan, cuáles siguen en revisión humana y dónde hace falta otra cámara, una iluminación distinta o una prueba diferente. Ese detalle permite cotizar la siguiente etapa con evidencia de tu propia operación.