Visión IA en línea para el defecto de la pieza en bruto

El problema

El defecto que se escapa cuesta metal, energía y además una hora de máquina.

En fundición el scrap no es una anomalía, es una línea de coste estructural, y su detección tardía multiplica el daño. Una pieza en bruto rechazada cuesta metal y energía; la misma pieza rechazada después de mecanizar cuesta además horas de máquina, herramienta y capacidad de una celda que suele ser el cuello de botella de toda la planta. La inspección al cien por cien a cadencia no es humanamente sostenible, y el muestreo deja pasar precisamente lo esporádico —que es lo que acaba llegando al cliente—. Los defectos son conocidos y recurrentes: rechupe, sopladura por gas, arena atrapada, inclusiones, junta desplazada, mazarota mal cortada, rebaba. Y hay una segunda pérdida, invisible: sin registro sistemático del defecto, la causa raíz se investiga por intuición y no se cierra nunca del todo.

• A la cadencia de una línea de moldeo vertical, la inspección de la pieza en bruto la hace una persona a ojo, turno tras turno, con criterios que cambian de un compañero a otro.
• Una pieza rechazada en bruto cuesta metal y energía. La misma pieza rechazada después de mecanizar cuesta además horas de máquina, herramienta y capacidad de una celda que suele ser el cuello de botella de la planta.
• La inspección al cien por cien a cadencia no es humanamente sostenible, y el muestreo deja pasar precisamente lo esporádico, que es lo que acaba llegando al cliente.
• Los defectos son conocidos y recurrentes —rechupe, sopladura por gas, arena atrapada, inclusiones, junta desplazada, mazarota mal cortada, rebaba— pero sin registro sistemático la causa raíz no se cierra nunca del todo.

Cómo encaja con el sistema IRIS

Edge — visión IA en el transportador de salida del granallado, inferencia local en milisegundos.

Edge, visión IA ejecutándose en la propia línea:

La segunda mitad del valor no está en desviar la pieza, sino en lo que queda escrito: cada detección con su imagen, atada al número de colada y al resultado del laboratorio. Cuando un tipo de defecto se concentra en un rango de composición, en un horno o en un turno, el sistema lo dice. Y la celda de mecanizado, que suele ser el cuello de botella, deja de gastar horas en piezas que iban a chatarra.

• Cámara industrial sobre el transportador de salida de granallado, con iluminación controlada.
• Red neuronal entrenada con imágenes de defecto reales de los modelos que fabrica la planta, no con un catálogo genérico.
• Inferencia local en milisegundos —sin depender de la nube ni de la red de planta— y desvío automático de la pieza antes de que entre a mecanizado.
• Cada detección se guarda con su imagen y se ancla al número de colada y al resultado del laboratorio: cuando un tipo de defecto se concentra en un rango de composición, en un horno o en un turno, el sistema lo dice.

Ver la arquitectura IRIS completa →

Antes y después

La inspección de hoy frente a la visión Edge

Aspecto	Inspección a ojo	Con iLEAN Edge
Cobertura	Muestreada, depende de la fatiga	Continua a cadencia de moldeo
Criterio de rechazo	Cambia de un compañero a otro	Estable, entrenado con vuestras piezas
Punto de detección	Después de mecanizar	Antes de entrar a mecanizado
Horas de máquina en piezas malas	Se gastan	Reducidas un 30-50%
Causa raíz del defecto	Por intuición	Correlación defecto, colada, arena y horno
Dependencia de la red de planta	—	Ninguna: inferencia local

de inspección muestreada y subjetiva a inspección continua con criterio estable · de defectos descubiertos después de mecanizar a defectos desviados antes · de causa raíz por intuición a correlación defecto ↔ colada ↔ arena ↔ horno.

Estimación de impacto

Estimación de impacto — a validar con el dato real de scrap por etapa.

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 6-12 meses.
• Reducción del 30-50% del mecanizado gastado en piezas defectuosas de origen.
• Caída del coste de no calidad detectado aguas abajo, incluido el que hoy llega al cliente.
• Y la causa raíz pasa de investigarse por intuición a cerrarse con la correlación entre defecto, colada, arena y horno.

payback estimado de 6 a 12 meses, con una reducción del 30-50% del mecanizado gastado en piezas defectuosas de origen y una caída del coste de no calidad detectado aguas abajo. *Estimación a validar con el dato real de scrap por etapa*.

Y la duda razonable del responsable de producción

«¿Y si desvía piezas buenas y me vacía el transportador?» — el falso positivo es el riesgo real de cualquier visión, y por eso la red se entrena con imágenes de defecto reales de los modelos que fabrica la planta, con la iluminación de ese puesto, no con un catálogo genérico. Clasificar un defecto conocido sobre una pieza conocida es tarea anclada, donde los mejores modelos bajan del 1,5% de error [1]; los casos de borde no se desvían sin más, se elevan a una persona.

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