El defecto invisible aquí y visible en casa del cliente
El queso fresco suelta suero. Si una gota queda en la pestaña de sellado, si el film se arruga o si un trozo de cuajada se interpone, la soldadura no cierra bien. El envase parece correcto al salir de la máquina y pierde vacío días después, ya en el lineal. Con una cámara Edge e inferencia en milisegundos, la tarrina defectuosa se expulsa antes de entrar en frío.
El defecto característico del fresco húmedo: invisible aquí y visible en casa del cliente.
El fallo de sellado tiene la peor propiedad posible para un producto refrigerado — se manifiesta lejos de donde se produce, y para entonces ya no hay nada que hacer:
- A cadencia de línea el ojo humano no distingue de forma fiable una pestaña ligeramente húmeda de una seca. No es falta de atención: es un límite físico, igual que no se puede leer a la velocidad de una cinta.
- Se manifiesta como devolución, reclamación de cadena y merma — días después, cuando el envase pierde vacío en el lineal y el producto ya está en manos del distribuidor.
- Y ataca al argumento de marca — en un producto que se vende bajo la promesa de natural y sin conservantes, un envase que pierde vacío no es un defecto de embalaje: es una contradicción con lo que se promete.
Lo que hace este defecto especialmente caro es que no da ninguna señal en la planta. El palé sale con aspecto correcto, se pagan el frío y el transporte, y el problema aparece cuando el coste ya está todo consumido.
Edge — visión IA en línea, inferencia local y expulsión antes del frío.
El problema no es de criterio sino de cadencia y de resolución: hay que mirar cada pestaña, siempre igual, a la velocidad de la máquina. Eso es exactamente donde la visión artificial no se cansa.
Cámara industrial sobre la salida de la termoselladora con iluminación controlada. Red entrenada con imágenes reales de la planta: pestañas limpias, con suero, film arrugado, film desplazado, cuajada atrapada. Inferencia local en milisegundos y señal de expulsión antes de la entrada a la cámara de frío.
Cómo opera Edge sobre la termoselladora:
- Iluminación controlada — media parte del problema de ver suero sobre una pestaña es la luz. Una iluminación propia y estable hace que la gota se vea igual en la primera tarrina y en la última del turno.
- Entrenada con imágenes reales de tu planta — no con un catálogo genérico: pestañas limpias, pestañas con suero, film arrugado, film desplazado y cuajada atrapada, tal y como se dan en tu línea y con tu producto.
- Inferencia local, sin depender de la nube — en milisegundos, sin latencia de red. Si la planta pierde conectividad, la línea sigue inspeccionando y expulsando.
- Expulsión antes del frío — la pieza defectuosa no llega ni a paletizarse. Se evita el coste de meterla en cámara, transportarla y recogerla después.
- Cada rechazo con su imagen — lo que permite ver si el defecto se agrupa por bobina, por cambio de formato o por franja horaria, y actuar sobre la causa en lugar de sobre la pieza.
Sellado sin control en línea vs. inspección Edge del 100%
| Aspecto | Control humano a cadencia | Con iLEAN Edge |
|---|---|---|
| Detección de suero en la pestaña | No fiable a cadencia real | En cada tarrina, en milisegundos |
| Dónde se manifiesta el defecto | En el lineal, días después | En la salida de la selladora |
| Defectos de sellado que llegan al cliente | Los que el muestreo no caza | Reducción estimada ≥70 % |
| Devoluciones y reclamaciones por envase | Coste recurrente | Reducción estimada ≥50 % |
| Coste de la pieza rechazada | Frío, transporte y logística inversa | Solo la tarrina, antes del frío |
| Causa raíz por bobina o por cambio | Invisible | Evidente: cada rechazo con su imagen |
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 de queso fresco en tarrina con termoselladora y devoluciones por pérdida de vacío.
- Piloto Edge sobre la salida de la termoselladora: cámara con iluminación controlada, inferencia local y actuador de expulsión antes de la cámara de frío. Primer valor esperable en pocas semanas.
- Payback orientativo entre 6 y 12 meses según cadencia de línea y coste actual de devoluciones. Estimación a validar con las cifras reales de reclamaciones y mermas por envase.
- El retorno que aparece después del primer mes es el mapa de causas: con los rechazos agrupados por bobina, por cambio de formato y por franja horaria, se deja de actuar sobre la pieza y se empieza a actuar sobre lo que la produce.
- Y la palanca que no se contabiliza: en un producto vendido como natural y sin conservantes, un envase que pierde vacío ataca al argumento de marca, no solo al margen.
Y la duda razonable del jefe de línea
«¿Y si la cámara expulsa tarrinas buenas y me hunde el rendimiento?» — es la preocupación correcta, y por eso el umbral se calibra con imágenes reales de tu línea, no de fábrica. La alucinación, además, es un problema de la generación libre: clasificar una imagen contra un patrón entrenado con tu propio producto es tarea anclada, donde los mejores modelos bajaron el error por debajo del 1,5% [1]. Y como cada rechazo queda con su imagen, revisar si el umbral está bien puesto es cuestión de mirar, no de discutir.
[1] Paper OpenAI «Why Language Models Hallucinate», 2025 — sobre fiabilidad de la IA en tareas ancladas.
Lo que se pregunta sobre la inspección de sellado con visión IA
¿Por qué no lo detecta una persona en la línea?
Porque no es un problema de atención sino un límite físico. A la cadencia de una termoselladora, distinguir de forma fiable una pestaña ligeramente húmeda de una seca, tarrina tras tarrina, no está al alcance del ojo humano — igual que no se puede leer un texto a la velocidad de una cinta. Y el defecto no ayuda: una gota de suero en la pestaña no altera el aspecto del envase, así que ni siquiera hay una señal visual evidente que buscar. El envase sale con aspecto correcto y pierde vacío días después, ya en el lineal.
¿Qué detecta exactamente la cámara?
Los modos de fallo reales del sellado en producto fresco húmedo: suero en la pestaña, film arrugado, film desplazado y cuajada atrapada en la zona de soldadura. La red se entrena con imágenes de tu propia planta — pestañas limpias y pestañas con cada uno de esos defectos — porque lo que es tolerable depende del formato, del film y del producto. Un catálogo genérico de defectos de envasado no conoce esas fronteras y produce dos problemas a la vez: expulsa lo bueno y deja pasar lo malo.
¿Aguanta la cadencia de la línea?
Sí, porque la inferencia ocurre en local, en un terminal a pie de línea, y se cuenta en milisegundos por tarrina. Ese es el motivo de no usar la nube: ni la latencia ni el coste de subir imágenes de forma continua encajan con el ritmo de una envasadora. Tiene además un efecto que se agradece: si la planta pierde conectividad, la línea sigue inspeccionando y expulsando, porque el ciclo crítico no depende de la red. Lo que se sincroniza después es el registro de rechazos, no la decisión.
¿Por qué expulsar antes de la cámara de frío?
Porque es el último punto donde la tarrina defectuosa cuesta solo lo que vale la tarrina. A partir de ahí acumula frío, paletizado, transporte y, si llega al cliente, logística inversa y gestión de la reclamación. Expulsar antes del frío significa que la pieza no llega ni a paletizarse: no se paga por enfriar, mover ni recuperar un envase que ya se sabía defectuoso. Es la misma lógica de detener el defecto donde nace, aplicada al punto concreto donde el coste todavía es mínimo.
¿Cómo se ataca la causa y no solo la pieza?
Porque cada rechazo queda registrado con su imagen y con su contexto — hora, formato, bobina de film en curso. Con eso, la pregunta deja de ser cuántas tarrinas se han expulsado y pasa a ser dónde se agrupan: si los defectos se concentran en una bobina concreta, justo después de un cambio de formato o en una franja horaria determinada. Esas tres agrupaciones apuntan a causas distintas — calidad del film, ajuste del cambio, temperatura o desgaste — y cada una tiene una acción distinta. Sin esa granularidad, lo único que se puede hacer es seguir expulsando.
¿Cuántas devoluciones al año tienes por envase defectuoso?
Trabajamos sobre los datos reales de tu quesería, no sobre los nuestros. Con imágenes de tu propia línea te enseñamos qué detecta. Diagnóstico sin compromiso.
Poner una cámara Edge sobre mi selladora ‹ Ver los 12 casos de queso fresco Ver alimentaria