Detecta el defecto antes de que llegue al cliente

El problema

A cadencia, el ojo humano se cansa y el caso límite es el que falla.

un color fuera de rango, un cuerpo extraño o un sellado incorrecto pueden llegar al cliente, con la consiguiente reclamación.

• Un color fuera de rango delata una mezcla mal homogeneizada o una materia prima de otra campaña, y a la velocidad de la envasadora se aprecia mal o no se aprecia en absoluto.
• Un sellado incompleto en un sobre o en un doypack no se ve a simple vista y termina en producto apelmazado, con humedad tomada o con pérdida de aroma a las pocas semanas en el lineal.
• Un cuerpo extraño visible en el envase no lo caza el detector de metales: pelusa, fragmento de rafia del saco, resto vegetal o de tallo — y es justo el que genera la reclamación más ruidosa y peor de explicar.
• Quien revisa miles de envases por turno deja pasar los casos límite, y el caso límite es precisamente el que llega al cliente industrial con derecho a auditar y con un protocolo de reclamación escrito.

Cómo encaja con el sistema IRIS

Edge — clasificación envase a envase en milisegundos, antes del cierre.

cámara Edge + CNN entrenada con el producto concreto, inferencia en milisegundos, expulsión automática.

Expulsar en la propia línea en lugar de descubrirlo en destino cambia la naturaleza del problema: deja de ser una reclamación con un cliente industrial enfadado y pasa a ser un porcentaje de rechazo que se mide, se analiza y se corrige aguas arriba. Un defecto que se ve en la línea es un dato; el mismo defecto visto en destino es una incidencia con coste comercial.

Ver la arquitectura IRIS completa →

Antes y después

El control visual de hoy frente a la visión Edge

Aspecto	Control visual	Con iLEAN Edge
Cobertura	Depende de la fatiga del turno	Objetiva y constante a cadencia
Color fuera de rango	Se aprecia mal en movimiento	Comparado con el patrón del producto
Sellado incompleto	Se descubre semanas después	Detectado antes del cierre
Cuerpo extraño no metálico	El detector de metales no lo ve	Clasificado envase a envase
Punto de detección	El cliente	La propia línea
Casos de borde	Se escapan	Se elevan a una persona

defectos detectados en destino → detectados y expulsados en la propia línea.

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 4-9 meses, según la cadencia y el número de formatos de la línea.
• Reducción estimada de reclamaciones y devoluciones de al menos un 30% en la familia cubierta.
• Menos producto retirado del lineal o del almacén del cliente industrial por un defecto que se vio tarde.
• Y el porcentaje de rechazo deja de ser una sensación de turno: se mide por lote, por formato y por producto, y señala si lo que hay que corregir está en la mezcla, en la película o en la propia envasadora.

reducción de reclamaciones y devoluciones ≥30%, payback estimado 4-9 meses. *Estimación a validar*.

Y la duda razonable del responsable de producción

«¿Y si expulsa envases buenos?» — el falso positivo es el riesgo real de cualquier visión, y por eso el modelo se entrena con envases buenos y malos de vuestros propios productos y formatos, con la iluminación de ese puesto, no con un modelo genérico de catálogo. Es clasificación anclada contra un patrón fijo, donde los mejores modelos bajan del 1,5% de error [1]. Y los casos de borde no se expulsan sin más: se elevan para que decida una persona, y cada decisión realimenta el entrenamiento.

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