La cámara que no se cansa en la línea de ensamblaje

El problema

A cadencia de ensamblaje, el ojo humano solo ve una muestra.

Esos defectos críticos terminan en reclamo de garantía, devolución o, en el peor caso, riesgo de seguridad para el usuario final — y el control 100% visual humano es imposible a cadencia real.

• Un borne mal soldado, un sellado irregular entre tapa y caja o una micro-fuga de ácido se escapan al control visual humano a la cadencia real de la línea. Son defectos pequeños, a veces de un milímetro, sobre una pieza que pasa cada pocos segundos.
• El control al 100% es imposible a esa velocidad, así que se muestrea, y lo que no se mira sale en el palé.
• Esos defectos críticos terminan en reclamación de garantía, devolución o, en el peor caso, riesgo para el usuario final del vehículo. Y cada uno pesa en la valoración del proveedor que hace el OEM.
• Y cuando aparecen en el cliente, la planta tiene pocas pruebas de cómo salió esa unidad concreta de la línea de soldadura. Sin imagen, la discusión con el OEM se pierde casi siempre, y la planta acaba asumiendo costes que quizá no eran suyos.

Cómo encaja con el sistema IRIS

Edge — visión local sobre la línea, sin mandar imágenes a la nube.

Edge — visión CNN local, sin enviar imagen a la nube (latencia, costes, ancho de banda). El modelo expulsa automáticamente la pieza defectuosa antes del test final y el empaque.

El modelo se entrena con vuestras baterías y vuestros defectos, y decide en el borde, junto a la línea. Sin latencia hacia la nube ni coste de ancho de banda, la batería defectuosa sale de la cinta antes del test final y del empaque. El inspector deja de mirar baterías buenas y se dedica a las dudosas. Su criterio se aprovecha donde de verdad aporta. La línea mantiene su cadencia sin que nadie tenga que frenarla para mirar.

Ver la arquitectura IRIS completa →

Antes y después

El control visual de bornes hoy frente a la visión Edge

Aspecto	Hoy	Con iLEAN Edge
Baterías inspeccionadas por turno	Muestreo visual parcial	El 100%
Borne mal soldado	Puede llegar al palé	Expulsado en línea
Sellado tapa-caja irregular	Visto a veces	Detectado en cada unidad
Micro-fuga de ácido	Aparece en el cliente	Señalada antes del test final
Latencia de decisión	Depende del inspector	Milisegundos, sin nube
Rastro de cada batería inspeccionada	Ninguno	Imagen y veredicto guardados

Muestreo visual parcial → control del 100% de unidades, sin latencia hacia la nube.

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 vuestro ratio de rechazo actual.
• Y según el coste de garantía que se evita cuando el borne defectuoso no llega al cliente. Cada reclamación evitada protege también la valoración del proveedor, y libera horas de calidad que hoy se van en analizar devoluciones.
• El muestreo visual parcial pasa a control del 100% de las unidades, sin latencia hacia la nube.
• Cada batería deja además una imagen y un veredicto, que sirven como evidencia ante una reclamación de garantía. Ante un cliente, una imagen vale más que un registro de muestreo.

Payback estimado 5-12 meses según ratio de rechazo actual y coste de garantía evitado. *Estimación a validar*.

Y la duda razonable del responsable de producción

«¿Y si la cámara rechaza baterías buenas y nos llena el contenedor?» — distinguir un borne bien soldado de uno defectuoso con iluminación controlada y producto conocido es tarea anclada, donde los mejores modelos bajan del 1,5% de error [1]. Los casos dudosos se separan para revisión humana en lugar de expulsarse sin más, y esas revisiones reentrenan el modelo. Con el tiempo, el contenedor de dudosas se queda casi vacío. Y el umbral de expulsión lo fija calidad, no el modelo.

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