La cámara expulsa el sellado defectuoso antes del envasado

El problema

El ojo humano no aguanta la cadencia real de la línea.

El control 100% visual humano es imposible a cadencia real, y más con varias fórmulas de relleno rotando en el turno, cada una con su comportamiento de sellado distinto. La inspección por muestreo deja huecos que terminan en reclamación o devolución de bandeja entera del cliente.

• El repulgue mal cerrado no siempre se ve: una empanada con el borde apenas abierto pasa el control visual, revienta en el horno túnel o se abre en la congelación y mancha el resto de la bandeja.
• El control 100% visual humano es imposible a cadencia real, y la fatiga hace el resto a partir de la tercera hora de turno: el criterio con el que se mira la pieza número mil no es el mismo con el que se miró la número cincuenta.
• Con varias fórmulas de relleno rotando en el mismo turno, cada una se comporta distinto al sellar: el relleno más húmedo escapa por el borde y el más frío no deja pegar la masa. Lo que el operario aprendió a mirar con una receta deja de servirle con la siguiente.
• La inspección por muestreo deja huecos que terminan en reclamación o en devolución de la bandeja entera por parte del cliente, que es donde el coste se multiplica: no se pierde una empanada, se pierde el envase, el film, el proceso y la confianza de la cadena que la compró.

Cómo encaja con el sistema IRIS

Edge — clasificación pieza a pieza en milisegundos, antes del envasado.

Edge: visión CNN local sobre la línea de formado-sellado, sin depender de la nube. El modelo, entrenado con ejemplos reales de cada fórmula, infiere en milisegundos y expulsa la pieza defectuosa antes del envasado.

La inferencia es local, en la propia línea, sin depender de la red de planta ni de la nube. A la cadencia de una formadora eso no es un detalle técnico: es la diferencia entre expulsar la pieza mala en el metro siguiente de cinta y descubrirla en el cliente, dos semanas más tarde y con una bandeja entera comprometida.

Ver la arquitectura IRIS completa →

Antes y después

La inspección de hoy frente a la visión Edge

Aspecto	Inspección visual	Con iLEAN Edge
Cobertura	Muestreo y fatiga	100% de las piezas, constante
Repulgue apenas abierto	Se escapa	Clasificado pieza a pieza
Punto de detección	El cliente o el control final	La cinta, antes del envasado
Varias fórmulas en el turno	Cada una engaña distinto	Un modelo por fórmula activa
Bandeja manchada por una pieza	Se pierde entera	No llega a formarse
Casos de borde	Los decide la prisa	Se elevan a una persona

Muestreo parcial → control del 100% de piezas. Reclamaciones por sellado defectuoso → 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 scrap de sellado actual.
• Del muestreo parcial al control del 100% de las piezas que salen de la formadora.
• Reducción drástica de las reclamaciones y devoluciones por sellado defectuoso.
• Y la bandeja que se perdía entera porque una sola pieza se abría en la congelación deja de llegar al envasado.

Payback estimado 5-12 meses según ratio de scrap actual. *Estimación a validar*.

Y la duda razonable del responsable de producción

«¿Y si expulsa empanadas buenas?» — el falso positivo es el riesgo real de cualquier visión, y por eso el modelo se entrena con piezas buenas y malas de vuestras fórmulas concretas y con la iluminación de ese puesto, no con un modelo genérico. Los casos de borde no se expulsan sin más: se elevan para que decida una persona, y cada decisión realimenta el entrenamiento. La clasificación es tarea anclada, donde los mejores modelos bajan del 1,5% de error [1].

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