Inspección del 100 % del sellado aséptico, no de una muestra

El problema

El muestreo es estadísticamente correcto y completamente ciego al defecto esporádico.

La cadencia de una llenadora aséptica moderna está muy por encima de lo que una persona puede inspeccionar de forma sostenida durante un turno completo. Por eso el control se hace por muestreo periódico, que es estadísticamente correcto y completamente ciego frente al defecto esporádico. Y el defecto esporádico es precisamente el que hace daño: la bobina que empieza a sellar mal a mitad de turno, el envase mal formado justo después de un cambio de formato, el tapón desalineado en una tirada concreta. Todos ellos pasan el muestreo sin problema. El coste no se manifiesta en la línea. Se manifiesta cuando el producto ya está en otro país, con la marca encima y sin posibilidad de contención rápida.

• A ocho mil envases de un litro por hora, el ojo humano no controla el sellado: controla una muestra cada cierto tiempo. Es lo que se puede hacer de forma sostenida durante un turno completo.
• El defecto esporádico es el que hace daño: la bobina de cartón aséptico que empieza a sellar mal a mitad de turno, el envase mal formado justo después de un cambio de formato, el tapón desalineado en una tirada concreta. Todos pasan el muestreo sin problema.
• Un sellado transversal defectuoso en leche UHT no es un defecto estético: es la pérdida de la esterilidad comercial, y aparece como envase hinchado en el lineal del país de destino semanas después.
• El coste no se manifiesta en la línea. Se manifiesta cuando el producto ya está en otro país, con la marca encima y sin posibilidad de contención rápida.

Cómo encaja con el sistema IRIS

Edge — visión IA en línea, inferencia local y expulsión antes del encajado.

Edge, visión IA en línea. El flujo:

El valor no está solo en expulsar: está en que la tendencia se ve antes de ser un problema. No es lo mismo enterarse de que «esta bobina va rara» al final del turno que ver una curva de rechazo subiendo por línea y por bobina en tiempo real, con el lote todavía en casa.

• Cámara industrial montada sobre la cinta a la salida de la llenadora, antes del encajado.
• Modelo de visión entrenado con envases buenos y malos de esa línea y ese formato concretos —no un modelo genérico—: sellado transversal incompleto, pliegue mal formado, nivel de llenado fuera de rango, tapón desalineado o ausente, marcaje ilegible.
• Inferencia local, en milisegundos, sin depender de la red ni de la nube. La línea no se para si se cae internet.
• Expulsión automática del envase defectuoso antes del encajado: nunca llega al palé.
• Cada defecto queda registrado contra el lote, de modo que la curva de rechazo por línea y por bobina es visible en tiempo real.

El valor no está solo en expulsar: está en que la tendencia se ve antes de ser un problema. No es lo mismo enterarse de que "esta bobina va rara" que ver una curva subiendo.

Ver la arquitectura IRIS completa →

Antes y después

La inspección de hoy frente a la visión Edge

Aspecto	Inspección por muestreo	Con iLEAN Edge
Cobertura	Una muestra cada cierto tiempo	El 100 % de los envases
Sellado transversal incompleto	Pasa entre muestras	Detectado en milisegundos
Nivel de llenado, tapón y marcaje	A ojo, en la muestra	Clasificados envase a envase
Dónde se descubre el defecto	En la reclamación del cliente	En la cinta, antes del encajado
Una bobina que empieza a sellar mal	Intuición del operario	Curva de rechazo por bobina
Dependencia de la red	—	Ninguna: la línea no para si cae internet

de inspección por muestreo, a inspección del 100 %. De descubrir el defecto en la reclamación del cliente, a expulsarlo en la línea. De intuición sobre la calidad de una bobina, a una curva de rechazo por lote.

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.

• Reducción estimada de al menos un 30 % en reclamaciones por envase defectuoso.
• Payback estimado 6-12 meses por línea instalada.
• Ese plazo baja considerablemente si se cuenta una sola retirada de producto exportado evitada.
• Y cada defecto queda registrado contra el lote y la bobina, que es lo que permite reclamar al proveedor de cartón con datos.

reducción estimada de al menos un 30 % en reclamaciones por envase defectuoso, con payback de 6 a 12 meses por línea instalada. Ese plazo baja considerablemente si se cuenta una sola retirada de producto exportado evitada. *Estimación a validar.*

Y la duda razonable del responsable de producción

«¿Y si expulsa bricks buenos?» — el falso positivo es el riesgo real de cualquier visión, y por eso el modelo se entrena con envases buenos y malos de vuestra línea y vuestro formato concretos, con la iluminación de ese puesto, no con un modelo genérico. Clasificar un envase fijo en una posición conocida de la cinta es tarea anclada, donde los mejores modelos bajan del 1,5% de error [1]. Los casos de borde no se expulsan sin más: se apartan y se elevan para que decida una persona, y cada decisión realimenta el entrenamiento. Y la tasa de rechazo se ve en pantalla en todo momento, así que una deriva del modelo se nota antes que una deriva de la bobina.

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