Inspección por visión artificial con IA para el control de calidad

Los modelos few-shot modernos suelen empezar con unos cientos de imágenes; el sistema sigue aprendiendo en producción.

Las cámaras industriales y la iluminación se seleccionan según la aplicación. Entregamos el puesto de inspección completo, diseñado a medida.

Las nuevas variantes se entrenan rápidamente a partir de los modelos existentes, algo ideal para producción de alta variedad.

En un servidor bien dimensionado la inferencia tarda milisegundos y rara vez es el cuello de botella, aunque hay que presupuestar la latencia puesto por puesto cuando varias cámaras comparten una misma GPU. Lo que decide la respuesta es el resto del lazo: la pieza tiene que estar quieta y con la misma iluminación en el instante del disparo, y la decisión de rechazo tiene que llegar antes de que la pieza alcance el punto de expulsión. Si su tiempo de indexado no deja margen para eso, la solución es mecánica; un modelo más rápido no lo arregla.

Sí, el retrofit es lo habitual, pero el trabajo es sobre todo mecánico y eléctrico, no de software. Hace falta una señal de disparo del PLC o de un sensor, un actuador capaz de ejecutar el rechazo y un cableado de vuelta hasta el servidor de inferencia. Entrenar el modelo suele ser la parte más corta del proyecto; conseguir que la pieza se presente igual ante la cámara en cada ciclo es lo que marca el plazo.

Todo lo que la cámara no puede ver. Grietas internas, porosidad bajo la superficie, penetración del cordón de soldadura, par de apriete y propiedades del material exigen otra tecnología de medida, por bueno que sea el modelo. La visión también sufre cuando el defecto no tiene una firma visual constante, cuando el rango aceptable depende del criterio subjetivo de una persona más que de un límite descriptible, y cuando las piezas se presentan en ángulos impredecibles. Decida qué modos de fallo persigue realmente antes de especificar un puesto de inspección.

Una vez en marcha, alguien tiene que confirmar o corregir las clasificaciones que el sistema marca como dudosas, y ese feedback es lo que mantiene los modelos al día: una carga recurrente que no llega a ocupar un puesto a tiempo completo. El grueso del esfuerzo llega antes, en las primeras semanas, recopilando imágenes representativas de piezas buenas y de cada clase de defecto que le interese. Nadie debería asumir esto encima de un turno completo sin tiempo asignado.

Se equivoca en dos direcciones, y una se cambia por la otra moviendo el umbral de decisión. Si lo aprieta, se achatarran o se reinspeccionan piezas buenas; si lo afloja, escapan defectos. Ambas cosas tienen que ser visibles, así que cada decisión se guarda junto con su imagen, y los rechazos deben auditarse contra el criterio humano con una periodicidad fijada. Un puesto cuyos falsos rechazos no se revisan nunca acaba siendo un puesto que los operarios aprenden a saltarse.

La inferencia se ejecuta en el servidor de visión GPU on-premise, así que el lazo de decisión en tiempo real no sale de la planta; eso es lo que mantiene la latencia lo bastante baja para un rechazo en línea. Las imágenes almacenadas y las correcciones de los operarios que se usan para reentrenar son otra cuestión: si MSF ajusta los modelos con sus datos, deje cerrado en el contrato si esas imágenes se quedan en sus instalaciones. El resto de la plataforma puede desplegarse como SaaS, en nube privada o on-premise.

Se expulsa de la línea y luego decide su destino quien tenga esa responsabilidad: chatarra, retrabajo o concesión. El resultado en sí va a MSF Calidad, donde entra en los gráficos SPC y puede abrir una no conformidad automáticamente. Lo que no es automático es el escalado cuando una clase de defecto empieza a mostrar tendencia, así que acuerde la vía de decisión y de escalado antes de montar la cámara.