La pieza más cara de tirar es la que ya está terminada
Un guarnecido de techo es una pieza grande, clara y mate: los defectos que importan se ven a contraluz y en ángulo, no de frente y a cadencia. El ojo humano rinde bien la primera hora del turno y peor a partir de la cuarta. Edge iLEAN inspecciona en los tres puntos donde el defecto aparece y saca la pieza de la secuencia antes del rack.
La pieza más cara de tirar es la que ya está terminada.
Arruga del tejido, burbuja, delaminación incipiente, marca de molde, mancha, recorte fuera de tolerancia, aro de altavoz mal encajado, parasol o asidero ausente, conector sin encajar. Con cien variantes activas, cada una con su combinación de componentes, el control cien por cien visual humano no es sostenible y el muestreo deja huecos por definición. Además, el guarnecido es la pieza más cara de descartar de toda la planta: cuando falla, ya lleva encima el sustrato conformado, el laminado, el recorte y el montaje completo. Todo el valor añadido está dentro de lo que se tira. Y el hueco que se escapa no llega a un consumidor final: llega a la línea de montaje del cliente, donde un operario lo ve y detiene la línea.
- Arruga, burbuja, delaminación incipiente, marca de molde, mancha, recorte fuera de tolerancia, aro de altavoz mal encajado, parasol o asidero ausente, conector sin encajar.
- Con cien variantes activas, cada una con su combinación de componentes, el control visual humano al cien por cien no es sostenible y el muestreo deja huecos por definición.
- Cuando falla, la pieza ya lleva encima el sustrato conformado, el laminado, el recorte y el montaje completo: todo el valor añadido está dentro de lo que se tira.
- Y el hueco que se escapa no llega a un consumidor: llega a la línea de montaje del cliente, donde un operario lo ve y detiene la línea.
Edge — visión con inferencia local, en los tres puntos donde aparece el defecto.
Edge — visión CNN con inferencia local.
La imagen no sale de la planta: ni latencia de nube, ni coste de ancho de banda, ni producto de cliente circulando fuera del recinto. La pieza sospechosa sale de la secuencia y la persona decide el destino final.
- Cámaras a la salida de laminado, en el centro de recorte y en la estación final de ensamblaje, con iluminación diseñada para revelar defecto de superficie a contraluz.
- Inferencia en GPU local de planta, en milisegundos por pieza.
- Un modelo por familia de defecto, entrenado con piezas reales buenas y malas de la propia producción, no con catálogos genéricos.
- La detección se cruza con la variante activa para verificar también que estén todos los componentes que esa variante concreta debe llevar.
- La pieza sospechosa sale de la secuencia y se marca para revisión humana; la persona decide el destino final.
- La imagen no sale de la planta: ni latencia de nube, ni coste de ancho de banda, ni producto de cliente circulando fuera del recinto.
Muestreo vs. control del cien por cien en tres puntos
| Aspecto | Control por muestreo | Con iLEAN Edge |
|---|---|---|
| Cobertura | Uno o dos por ciento | 100% en tres puntos del flujo |
| Dónde se detecta | A veces, en el cliente | Antes del rack |
| Rendimiento del control | Cae a partir de la cuarta hora | Constante todo el turno |
| Presencia de componentes | Depende de la variante y del ojo | Verificada contra la variante activa |
| Valor de la pieza descartada | Terminada, con todo el valor dentro | Detectada en el primer proceso |
| Dónde va la imagen | No hay imagen | Se queda en la planta |
de muestreo del uno o dos por ciento a control del cien por cien de las piezas en tres puntos del flujo. De defecto detectado en el cliente a defecto detectado antes del rack.
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.
- Guarnecido: pieza grande, clara y mate, cuyos defectos se ven a contraluz y en ángulo, no de frente.
- Piloto sobre un punto del flujo, con piezas reales buenas y malas de la propia producción como material de entrenamiento.
- Payback orientativo entre 5 y 12 meses según el ratio actual de scrap y retrabajo.
- Se cuentan la reducción de PPM al cliente y el riesgo de sorting pagado, que es donde está el coste grande.
payback estimado de 5 a 12 meses según el ratio actual de scrap y retrabajo, con reducción de PPM al cliente y del riesgo de sorting pagado. *Estimación a validar contra el histórico de scrap y reclamaciones*.
Y la duda razonable del responsable de producción
«¿Y si el modelo saca piezas buenas de la secuencia?» — el ratio de falsos positivos se mide desde el primer día del piloto y es un parámetro ajustable: se calibra con las piezas buenas y malas de vuestra propia producción. Un modelo entrenado con catálogo genérico sí tiende a expulsar de más; uno entrenado con vuestro tejido, vuestra iluminación y vuestras variantes, no. Y la pieza sospechosa no se descarta sola: se marca para revisión humana.
[1] Paper OpenAI «Why Language Models Hallucinate», 2025 — sobre fiabilidad de la IA en tareas ancladas.
Lo que se pregunta sobre la visión IA en guarnecidos
¿Por qué la inferencia es local y no en la nube?
Por tres razones que se acumulan. Latencia: la decisión tiene que tomarse en milisegundos por pieza. Coste: subir vídeo de varias cámaras de forma continua es un gasto recurrente absurdo. Y confidencialidad: es producto de cliente, y muchas plantas de automoción tienen prohibido por contrato que imágenes de producto salgan del recinto. Con Edge, la imagen se queda dentro.
¿Cómo se detecta un defecto de superficie en una pieza clara y mate?
Con iluminación diseñada para revelarlo, que es la mitad del trabajo. Los defectos que importan en un guarnecido —arruga, burbuja, delaminación incipiente, marca de molde— se ven a contraluz y en ángulo, no de frente. La cámara sola no basta: el montaje incluye la iluminación que hace visible el defecto.
¿Verifica también que estén todos los componentes?
Sí, y es donde más aporta con cien variantes activas. La detección se cruza con la variante activa para comprobar que la pieza lleva exactamente los componentes que esa variante concreta debe llevar: parasol, asidero, aro de altavoz, conector encajado. Es un error que el ojo humano comete con facilidad justo porque las variantes se parecen.
¿Se entrena con catálogos o con nuestras piezas?
Con vuestras piezas, buenas y malas, de producción real. Un modelo entrenado con un catálogo genérico no conoce vuestro tejido, vuestra iluminación ni el aspecto concreto de vuestros defectos habituales. Por eso el piloto empieza recogiendo material real durante unas semanas.
¿Quién decide el destino de la pieza detectada?
Una persona. La pieza sospechosa sale de la secuencia y se marca para revisión humana; el sistema no la descarta por su cuenta. Eso importa especialmente aquí, porque descartar un guarnecido terminado es tirar toda la cadena de valor de esa pieza.
Cuéntanos cuántas piezas terminadas tiráis al mes por un defecto que apareció en el primer proceso.
Trabajamos sobre los datos reales de tu planta, no sobre los nuestros. Diagnóstico sin compromiso.
Pedir ROI estimado en 48h ‹ Ver todos los casos de guarnecidos de techo Ver automoción