Defecto de envasado expulsado en línea

El problema

El muestreo del 1-2% deja pasar justo el envase que llega al distribuidor.

el control 100% visual humano es imposible a cadencia real en una línea con varios formatos por turno; los defectos que se escapan llegan al distribuidor como reclamación o devolución de palé.

• A la cadencia real de una línea de llenado, revisar el cien por cien a ojo es imposible: se muestrea el 1-2% y se confía en el resto.
• Los defectos típicos son de envase, no de receta: nivel de llenado bajo, tapón cruzado o mal roscado, cierre de lata defectuoso, etiqueta torcida o ausente.
• Con varios formatos por turno —botella, tarro de vidrio, sachet, lata— el ojo humano se cansa antes y cada cambio resetea su atención.
• Lo que se escapa llega al distribuidor como reclamación o devolución de palé completo. Y cada devolución cuesta el palé, el transporte de vuelta y una conversación incómoda con el cliente que lo rechazó, que además empieza a revisar con más lupa los siguientes envíos.

Cómo encaja con el sistema IRIS

Edge — una CNN local que inspecciona envase a envase antes del paletizado.

una cámara Edge sobre la línea, con un modelo CNN entrenado con ejemplos buenos y malos del formato concreto (botella, sachet, lata), infiere en milisegundos por envase y activa la expulsión automática antes de paletizado.

El modelo no es genérico: se entrena con envases buenos y malos de vuestro formato concreto, con la luz de esa línea. Por eso se puede enseñar entrenado en una semana a partir de veinte muestras. Y cada envase expulsado queda fotografiado, que es la mejor base para hablar con el proveedor de tapas o de etiquetas.

Ver la arquitectura IRIS completa →

Antes y después

El muestreo de hoy frente a la inspección del cien por cien

Aspecto	Hoy	Con iLEAN Edge
Envases inspeccionados	1-2% por muestreo	100%
Nivel de llenado bajo	Se escapa entre muestras	Detectado en milisegundos
Tapón cruzado o cierre de lata defectuoso	Depende de la fatiga	Clasificado envase a envase
Etiqueta torcida o ausente	A veces en destino	Expulsada en línea
Cambio de formato en el turno	Atención reiniciada	Modelo del formato activo
Reclamación por defecto visual	Llega del distribuidor	Reducción drástica

muestreo del 1-2% → control del 100% de envases. Reclamaciones por defecto visual → reducción drástica.

Estimación de impacto

Estimación de impacto — a validar con vuestros 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.

• Payback estimado 5-12 meses, según el ratio de defecto actual.
• Del muestreo del 1-2% al control del 100% de envases.
• Reducción drástica de las reclamaciones y devoluciones de palé por defecto visual.
• Y la inspección deja de depender de la fatiga del final de turno o de cuántos cambios de formato haya habido. Cada envase expulsado queda fotografiado con su defecto, y esa evidencia sirve para hablar con datos con el proveedor de tapas, de etiquetas o de envases de vidrio cuando el defecto viene de origen.

payback estimado 5-12 meses según el ratio de defecto actual. *Estimación a validar.*

Y la duda razonable del responsable de producción

«¿Y si expulsa botellas buenas?» — el falso positivo es el riesgo real de cualquier visión, y por eso el modelo se entrena con envases buenos y malos de vuestro formato concreto, no con uno genérico. Clasificar un defecto de catálogo cerrado sobre un envase conocido es tarea anclada, donde los mejores modelos bajan del 1,5% de error [1]. Y los casos de borde se elevan a una persona en lugar de expulsarse sin más.

^[1] Paper OpenAI «Why Language Models Hallucinate», 2025 — sobre fiabilidad de la IA en tareas ancladas.