Un sistema de visión no ve una pieza: ve la imagen que producen cámara, lente, iluminación, posición, velocidad y entorno. Si esa imagen no hace visible el defecto de forma estable, cambiar de modelo rara vez arregla el proyecto.
La visión artificial puede aumentar cobertura y consistencia, pero no es infalible ni sustituye automáticamente la inspección humana. Esta guía permite decidir si una inspección concreta merece un piloto y cómo probarla sin poner en riesgo la línea.
Qué puede detectar y qué queda fuera
La visión artificial es adecuada cuando la característica relevante puede observarse con una modalidad disponible y repetible. Según el producto y la configuración, puede evaluar:
- presencia, ausencia, posición u orientación de componentes;
- dimensiones o geometría dentro de la resolución y calibración del sistema;
- defectos de superficie como grietas, manchas, rayaduras o contaminación;
- códigos, etiquetas, texto, color o patrones;
- anomalías estructurales o combinaciones incorrectas;
- cambios térmicos, tridimensionales o espectrales si se incorporan sensores específicos.
Una cámara RGB convencional no detecta por sí sola defectos internos, propiedades químicas, resistencia mecánica, humedad oculta o características que no producen una señal visual suficiente. Algunos casos necesitan rayos X, termografía, visión 3D, hiperespectral u otro ensayo; otros deben mantener inspección humana o destructiva.
La pregunta inicial no es «¿la IA puede detectar defectos?», sino qué defecto, de qué tamaño, sobre qué material, desde qué ángulo, a qué velocidad y con qué consecuencia si se escapa o se rechaza por error.
La ficha de viabilidad de una inspección
Antes de pedir imágenes o presupuestos, documenta:
| Campo | Pregunta |
|---|---|
| Unidad inspeccionada | ¿Pieza, superficie, ensamblaje, lote o secuencia? |
| Defecto o condición | ¿Qué se considera no conforme y quién lo decide? |
| Tamaño y localización | ¿Cuál es la característica mínima y dónde puede aparecer? |
| Variación aceptable | ¿Qué cambios de color, textura o geometría son normales? |
| Cadencia | ¿Qué tiempo hay para capturar, inferir y actuar? |
| Presentación | ¿La pieza llega estable, orientada y visible? |
| Consecuencia | ¿Qué coste tiene un escape y un falso rechazo? |
| Acción | ¿Registrar, avisar, marcar, retirar o detener la línea? |
| Trazabilidad | ¿Debe conservarse imagen, resultado, lote, versión y decisión? |
Si producción y calidad no pueden acordar ejemplos de aceptable y defectuoso, el modelo recibirá una etiqueta inconsistente. Resolver el criterio de calidad forma parte del proyecto.
La imagen manda: cámara, lente e iluminación
Resolución y campo de visión
El defecto mínimo debe ocupar suficientes píxeles y mantener contraste en toda la zona inspeccionada. Aumentar megapíxeles no corrige una lente inadecuada, movimiento, desenfoque, reflejos o una pieza que cambia de posición. Campo de visión, distancia de trabajo, profundidad de campo y precisión mecánica se diseñan juntos.
Iluminación
La iluminación busca hacer estable la señal del defecto y reducir la variación irrelevante. Retroiluminación puede destacar siluetas; campo oscuro, arañazos y bordes; iluminación difusa, superficies reflectantes; luz coaxial, ciertas superficies planas. No existe una receta universal.
El conjunto MVTec AD 2, publicado para investigar detección de anomalías industriales, incluye más de 8.000 imágenes de ocho escenarios y prueba cambios de iluminación no presentes en el entrenamiento. Sus autores muestran por qué una variación óptica real puede convertirse en cambio de distribución para el modelo, incluso cuando la pieza no ha cambiado.
Captura y entorno
Vibración, polvo, temperatura, luz ambiente, velocidad, disparo, obturador y sincronización afectan a la imagen. Registra la configuración junto con los datos. Una muestra tomada con un móvil en la mesa puede ayudar a entender el defecto, pero no representa necesariamente la línea.
Elegir el enfoque técnico
| Enfoque | Conviene cuando | Límite principal |
|---|---|---|
| Visión determinista | Geometría, contraste y tolerancias son estables | Se vuelve frágil ante variaciones no modeladas |
| Clasificación o detección supervisada | Hay ejemplos suficientes y etiquetas consistentes de defectos conocidos | Puede no reconocer defectos nuevos o muy raros |
| Segmentación | Importa localizar y medir el área defectuosa | Etiquetar por píxel aumenta esfuerzo y coste |
| Detección de anomalías | Hay muchas piezas buenas y pocos defectos representativos | «Diferente» no siempre significa «defectuoso» |
| Visión 3D o sensor especializado | La señal no se observa de forma fiable en RGB 2D | Añade hardware, calibración e integración |
Una solución puede combinar enfoques. Las reglas pueden comprobar dimensiones exactas; un modelo puede detectar variación visual; otra etapa puede leer un código; y una persona puede revisar los casos inciertos.
No conviene empezar por el modelo más reciente. Empieza por el método más simple que cumpla el requisito y que producción pueda mantener.
Cómo construir el conjunto de datos
En procesos de alta calidad, los defectos reales son escasos. Eso es bueno para la fábrica y difícil para un clasificador supervisado. No resuelvas la escasez duplicando imágenes o utilizando ejemplos que no representan la variación futura.
- Define una taxonomía operativa. Cada defecto necesita criterio, severidad y acción; agrupa solo lo que deba tratarse igual.
- Captura variación normal. Incluye lotes, turnos, proveedores, ajustes, colores, texturas, posiciones y condiciones ambientales autorizadas.
- Conserva metadatos. Lote, máquina, receta, cámara, iluminación, fecha y decisión humana permiten investigar deriva y errores.
- Separa por contexto, no solo al azar. Reserva lotes, periodos o condiciones para comprobar generalización y evitar que imágenes casi idénticas aparezcan en entrenamiento y prueba.
- Revisa etiquetas. Calidad y producción deben resolver desacuerdos y registrar defectos ambiguos; el modelo no puede superar una definición inestable.
- Protege un conjunto final. No se utiliza para ajustar umbrales. Representa la decisión de aceptación antes de entrar en la línea.
Las imágenes sintéticas o defectos provocados pueden ampliar cobertura, pero deben identificarse y validarse contra defectos reales. Una textura creada en laboratorio no demuestra cómo aparecerá un fallo de proceso.
Métricas que importan en producción
No uses solo accuracy. Si el 99,5 % de las piezas son buenas, un sistema que apruebe todo alcanzaría 99,5 % y no detectaría ningún defecto.
- Tasa de escape por defecto: piezas defectuosas aprobadas, separada por clase y severidad.
- Tasa de falso rechazo: piezas buenas apartadas, con coste de revisión, retrabajo o descarte.
- Cobertura: proporción de piezas y superficies realmente inspeccionadas.
- Tiempo de ciclo y latencia máxima: no solo promedio; importan colas y picos.
- Disponibilidad: tiempo operativo, fallos de cámara, suciedad, pérdida de disparo y reinicios.
- Incertidumbre y revisión: casos enviados a una persona y resultado posterior.
- Deriva: cambios de producto, proceso, óptica o entorno que alteran la distribución.
El umbral óptimo depende del coste asimétrico. En una pieza crítica puede priorizarse reducir escapes y aceptar más revisión. En otro proceso, un falso rechazo puede destruir producto válido o detener la línea. Calidad, producción y negocio deben acordar ese compromiso antes de ajustar el sistema.
Un piloto en seis pasos
- Estudio de viabilidad óptica. Captura piezas buenas y defectuosas con varias configuraciones controladas y comprueba que la señal existe.
- Estación de adquisición representativa. Monta cámara, lente, luz, protección y disparo cercanos a las condiciones reales.
- Conjunto de referencia. Etiqueta variación normal, defectos y casos ambiguos con trazabilidad.
- Comparación de enfoques. Evalúa reglas, aprendizaje supervisado, anomalías o sensores alternativos con el mismo conjunto.
- Modo sombra. El sistema registra decisiones, pero no rechaza ni detiene. Se compara por lote y defecto con la referencia vigente.
- Activación gradual. Empieza por alertar o marcar, define recuperación y amplía autonomía solo cuando la evidencia y la operación lo permitan.
Cada paso debe tener una condición de salida. Si el defecto no es visible, si las etiquetas no son reproducibles o si el tiempo de ciclo no cabe, se vuelve al diseño; no se compensa con más entrenamiento.
Cómo calcular el retorno sin inventar porcentajes
No existe una amortización genérica de 12, 18 o 24 meses aplicable a cualquier línea. Calcula escenarios con tu línea base:
Beneficio anual atribuible = inspección manual evitada + retrabajo y scrap evitados + reclamaciones evitadas + capacidad adicional demostrada − nueva revisión manual − paradas o falsos rechazos.
Coste total = estudio óptico + cámaras, lentes y luz + protecciones y mecánica + cómputo + software + integración PLC/MES/SCADA + datos y etiquetado + validación + mantenimiento + recalibración + soporte.
Separa medido, observado y estimado. No anualices una prueba corta sin mostrar volumen, periodo, variación y supuestos. El retorno puede proceder menos de reducir personal que de aumentar cobertura, evitar una reclamación costosa o estabilizar el criterio de calidad.
Ejemplo ilustrativo: una superficie metálica reflectante
Una línea quiere detectar rayaduras finas en una pieza pulida. Con iluminación frontal, reflejos normales parecen defectos y la rayadura desaparece según el ángulo. El primer modelo produce muchos falsos rechazos.
El equipo no cambia de red neuronal. Prueba luz difusa y campo oscuro, fija mejor la orientación y reduce la luz ambiente. Después separa rayaduras críticas de marcas cosméticas y captura varios lotes. El modelo mejora porque la estación hace visible una señal más estable.
Durante el modo sombra, los errores se concentran tras una limpieza y cambio de proveedor. Esa información conduce a una comprobación diaria de referencia y a conservar metadatos de lote. El sistema final no se diseña solo para acertar: se diseña para detectar cuándo las condiciones ya no se parecen a las validadas.
Cuándo no recomendamos visión artificial
No recomendamos iniciar un piloto basado solo en imagen si el defecto no es observable con una modalidad viable, el criterio humano cambia sin posibilidad de acuerdo, la pieza no puede presentarse de forma estable, la cadencia impide capturar o actuar, o el coste del error exige un método de ensayo distinto.
También conviene detenerse si hay tan pocos casos que no puede construirse una evaluación representativa y la organización no acepta un periodo de observación. La opción responsable puede ser instrumentar primero, mejorar trazabilidad o mantener inspección manual asistida.
Preguntas frecuentes
¿Cuántas imágenes hacen falta?
No hay una cifra universal. Depende de la variación normal, número y rareza de defectos, tamaño de la característica, método elegido y exigencia de error. La pregunta correcta es si el conjunto cubre las condiciones que aparecerán y permite estimar cada métrica con incertidumbre aceptable. Empieza por un estudio óptico y una muestra estratificada, no por un número redondo.
¿Puede entrenarse solo con piezas buenas?
Sí, mediante detección de anomalías, cuando existen muchas muestras normales representativas y pocos defectos. El sistema aprende regularidades y señala desviaciones. Sin embargo, una anomalía puede ser una variación válida y un defecto sutil puede parecer normal. Debe evaluarse con defectos reales y condiciones cambiantes antes de decidir.
¿Es necesario procesar en el edge?
No siempre. El procesamiento cerca de la línea reduce latencia y dependencia de red y puede facilitar requisitos de datos, pero añade operación local. La nube puede servir para entrenamiento, análisis o procesos sin respuesta inmediata. La decisión depende de tiempo de ciclo, volumen, conectividad, privacidad, disponibilidad y mantenimiento.
¿Cuándo puede el sistema detener la línea?
Solo después de demostrar en modo sombra que detecta los casos críticos con la tasa de escape acordada, mantiene falsos rechazos aceptables y tiene mecanismos de diagnóstico y recuperación. Conviene activar por etapas: registrar, alertar, marcar o desviar antes de conceder una parada automática cuando sea viable.
¿Cómo se mantiene después del lanzamiento?
Con referencias ópticas, limpieza y calibración, monitorización por defecto y lote, conservación de muestras, revisión de incertidumbre y evaluación de cambios. Una nueva cámara, proveedor, receta, superficie o iluminación puede exigir repetir pruebas. Modelo y estación forman un único sistema de medición.
El modelo suele ser la parte visible, no la primera decisión
Una inspección fiable nace de una definición de calidad reproducible, una señal óptica estable y una prueba que representa la línea. El algoritmo llega después y debe demostrar no solo que detecta, sino que sabe operar, degradarse y pedir ayuda.
En INSTINTIA evaluamos la pieza, el defecto, la estación, los datos, la integración y el coste del error antes de recomendar arquitectura o automatización.
Fuentes y lecturas recomendadas
- MVTec AD 2: Advanced Industrial Anomaly Detection Dataset, ficha y recursos consultados el 20 de agosto de 2026.
- Lars Heckler-Kram et al., The MVTec AD 2 Dataset: Advanced Scenarios for Unsupervised Anomaly Detection, International Journal of Computer Vision, 2026, DOI 10.1007/s11263-026-02743-0.
- Paul Bergmann et al., MVTec AD — A Comprehensive Real-World Dataset for Unsupervised Anomaly Detection, referencia original del conjunto MVTec AD; vigencia consultada el 20 de agosto de 2026.
- Kilian Batzner et al., Accurate Visual Anomaly Detection at Millisecond-Level Latencies, WACV 2024.
- Caso de uso de INSTINTIA: detección de defectos en paneles solares mediante visión artificial, consultado el 20 de agosto de 2026.
Fuentes y vigencia técnica revisadas el 20 de agosto de 2026. Las fórmulas son marcos de estimación; no constituyen una promesa de ahorro o rendimiento.