Del muestreo al cien por cien de los envases
A la cadencia de una línea de envasado de cerveza pasan decenas de miles de envases por hora y el ojo humano no llega. El nivel de llenado bajo, la tapa mal engargolada, la etiqueta despegada, la lata abollada y la botella retornable astillada o con residuo solo pueden muestrearse. Edge iLEAN coloca cámaras en los puntos críticos, infiere en milisegundos y expulsa el envase defectuoso antes del encajonado, sin frenar la línea.
A cadencia real el ojo humano no llega, y el muestreo deja huecos por definición.
El control visual humano al cien por cien es imposible a cadencia real, y la inspección por muestreo deja huecos por definición. En cerveza un defecto de cierre no es una queja estética: es oxidación, pérdida de carbonatación y riesgo de producto no conforme llegando al consumidor. Con botella retornable el problema se agrava, porque el envase ya ha estado en el mercado y vuelve con desgaste, astillas o cuerpos extraños; la lavadora hace su trabajo, pero no lo detecta todo.
- Nivel de llenado bajo, tapa mal engargolada, etiqueta despegada, lata abollada — a decenas de miles de envases por hora solo pueden muestrearse.
- Un defecto de cierre no es estético: es oxidación, pérdida de carbonatación y riesgo de producto no conforme llegando al consumidor.
- Con botella retornable el problema se agrava: el envase ya ha estado en el mercado y vuelve con desgaste, astillas o cuerpos extraños. La lavadora hace su trabajo, pero no lo detecta todo.
Edge — visión IA corriendo dentro de la planta, no en la nube.
Edge, visión IA corriendo dentro de la planta. Paso a paso: (1) cámaras industriales en los puntos críticos —salida de llenadora y tapadora, salida de etiquetadora, entrada de encajonadora—; (2) inferencia en una GPU Edge local: a esta cadencia no se puede enviar imagen a la nube ni por latencia, ni por coste, ni por ancho de banda; (3) CNN entrenada con el envase concreto de la planta, marca a marca y formato a formato, aprendiendo de sus buenos y de sus malos, no de un catálogo genérico; (4) expulsión del envase defectuoso antes del encajonado; (5) cada expulsión queda registrada con su imagen y alimenta el dossier auditable.
A esta cadencia no se puede enviar imagen a la nube: ni por latencia, ni por coste, ni por ancho de banda. La inferencia ocurre en una GPU dentro de la planta, en milisegundos, y el envase defectuoso se expulsa antes del encajonado sin frenar la línea.
- Cámaras industriales en los puntos críticos — salida de llenadora y tapadora, salida de etiquetadora y entrada de encajonadora.
- Inferencia en GPU Edge local, dentro de la planta. Es un requisito técnico, no una preferencia de arquitectura.
- Red entrenada con el envase concreto de la planta, marca a marca y formato a formato, aprendiendo de sus buenos y de sus malos, no de un catálogo genérico.
- Expulsión del envase defectuoso antes del encajonado, que es el último momento en que sale barato.
- Cada expulsión queda registrada con su imagen y alimenta el dossier auditable del lote.
Control por muestreo vs. inspección al cien por cien
| Aspecto | Control por muestreo | Con iLEAN Edge |
|---|---|---|
| Cobertura | Una fracción de los envases | El 100% |
| Dónde se detecta el defecto | A veces, en el cliente | En línea, antes del encajonado |
| Evidencia del defecto | No existe | Imagen por cada expulsión |
| Botella retornable con astilla | Depende de lo que pille la lavadora | Inspeccionada envase a envase |
| Impacto en la cadencia | Ninguno, pero tampoco cobertura | Ninguno: inferencia en milisegundos |
| Aprendizaje | La experiencia del inspector | Los buenos y malos de tu propia planta |
muestreo de una fracción → control del 100% de los envases. Defecto detectado por el cliente → defecto detectado y expulsado en línea. Evidencia de defecto inexistente → imagen por cada expulsión.
Estimación de impacto para tu planta — a validar con tus números.
El siguiente bloque es una estimación a validar con los datos concretos de tu planta. Lo planteamos para que el comité tenga un orden de magnitud; lo refinamos en el diagnóstico.
- Línea de envasado a alta cadencia con mezcla de botella retornable, botella nueva, lata y barril.
- Piloto sobre una línea y un punto crítico, con el envase real de la planta como material de entrenamiento.
- Payback orientativo entre 5 y 12 meses, según el ratio de defecto actual y el coste de re-trabajo.
- Se cuentan reclamaciones y producto no conforme en mercado evitados, que es donde está el coste grande y el que no aparece en ningún indicador de planta.
payback estimado 5-12 meses según el ratio de defecto actual y el coste de re-trabajo, contando reclamaciones y producto no conforme en mercado evitados. *Estimación a validar*.
Y la duda razonable del responsable de producción
«¿Y si el modelo expulsa envases buenos?» — el ratio de falsos positivos se mide desde el primer día del piloto y es un parámetro ajustable, no un misterio: se calibra el umbral con los buenos y malos de tu propia planta. Un modelo entrenado con catálogo genérico sí tiende a expulsar de más; uno entrenado con tu envase, tu etiqueta y tu iluminación, no. Por eso pedimos ejemplos reales de una semana antes de prometer nada.
[1] Paper OpenAI «Why Language Models Hallucinate», 2025 — sobre fiabilidad de la IA en tareas ancladas.
Lo que se pregunta sobre la visión IA en la línea de envasado
¿Por qué la inferencia tiene que ser local y no en la nube?
Por tres razones que se acumulan a esta cadencia. Latencia: la decisión de expulsar tiene que tomarse en milisegundos, y un viaje de ida y vuelta a la nube no cabe en ese presupuesto de tiempo. Coste: subir el vídeo de varias cámaras a decenas de miles de envases por hora es un gasto recurrente absurdo. Ancho de banda: la mayoría de plantas no tiene la salida necesaria, y aunque la tuviera, la compartiría con todo lo demás. Por eso Edge corre dentro de la planta.
¿Hay que frenar la línea para inspeccionar?
No. Las cámaras trabajan sobre la línea en marcha a su cadencia normal y la expulsión se hace con el mecanismo que ya existe o con uno instalado al efecto, antes de la encajonadora. Si el sistema tuviera que frenar la línea para mirar, no sería aplicable a envasado de cerveza y no lo propondríamos.
¿Cómo se entrena con nuestro envase?
Con ejemplos reales de tu planta: envases buenos y envases con los defectos que de verdad te aparecen, recogidos durante una semana de producción normal. Es importante que sean tuyos, porque un modelo entrenado con un catálogo genérico no conoce tu etiqueta, tu formato de tapa, tu iluminación ni el aspecto concreto de tu botella retornable después de varios ciclos de mercado.
¿Sirve igual para lata, botella nueva y retornable?
Son problemas distintos y se tratan como tales. La lata tiene abolladura y defecto de cierre; la botella nueva, nivel y etiqueta; la retornable añade el desgaste acumulado, las astillas y los cuerpos extraños que la lavadora no siempre elimina. El modelo se entrena por formato y por marca, no hay un único clasificador que valga para todo.
¿Qué pasa con las expulsiones a efectos de auditoría?
Cada expulsión queda registrada con su imagen y anclada al lote. Eso cambia la conversación con el auditor: hoy no hay evidencia de los defectos que se detectaron y apartaron, y con Edge existe el registro completo. Ese material alimenta directamente el evidence pack del lote.
Envíanos ejemplos buenos y malos de una semana y entrenamos el modelo con tu envase.
Trabajamos sobre los datos reales de tu planta, no sobre los nuestros. Diagnóstico sin compromiso.
Pedir ROI estimado en 48h ‹ Todos los casos de cervecería industrial Ver alimentaria