Control de aspecto al cien por cien en piezas de interior

El problema

El ojo humano no aguanta la cadencia, y el criterio cambia de turno a turno.

Rechupe, ráfaga, línea de flujo, marca de expulsor, quemado, mota o cascarilla en pintura, brillo desigual, diferencia de tono entre la pieza y el conjunto. El catálogo de defectos de aspecto de una pieza de interior es largo y no admite discusión estética: lo define el cliente. El control al cien por cien por ojo humano es imposible a cadencia real, y la inspección por muestreo deja huecos exactamente donde viven los defectos intermitentes: los de una cavidad concreta, los que aparecen tras una purga, los que solo salen cuando la máquina lleva dos horas caliente. Y hay un problema añadido de criterio: lo que en el turno de mañana es rechazo, en el de noche pasa. La discusión con el cliente sobre límites de aceptación se libra sin datos y siempre la gana el cliente.

• Rechupe, ráfaga, línea de flujo, marca de expulsor, quemado, mota o cascarilla en pintura, brillo desigual, diferencia de tono entre el panel y el resto del conjunto. El catálogo es largo y lo define el OEM, no la planta.
• El control al cien por cien por ojo humano es imposible a cadencia real, y el muestreo del 1-2 % deja huecos exactamente donde viven los defectos intermitentes: los de una cavidad concreta, los que aparecen tras una purga, los que solo salen con la máquina dos horas caliente.
• Lo que en el turno de mañana es rechazo, en el de noche pasa. La discusión con el cliente sobre límites de aceptación se libra sin datos y siempre la gana el cliente.
• Y una pieza de aspecto que llega a la planta de vehículo no es scrap: es una reclamación, un retrabajo del cien por cien y, si se repite, un envío controlado con inspector externo pagado por la planta.

Cómo encaja con el sistema IRIS

Edge — dos cámaras, GPU local e inferencia en milisegundos, antes del montaje del módulo.

Edge, con una cámara industrial a la salida de la prensa y otra a la salida de la línea de pintura, iluminación difusa y de campo oscuro, y una red neuronal convolucional en GPU local entrenada con piezas buenas y malas de las referencias concretas de la planta y con los límites de aceptación pactados con el cliente. La inferencia es local: ni la latencia, ni el coste, ni el ancho de banda permiten enviar imagen a la nube a esa cadencia. La pieza defectuosa se separa antes de entrar en el montaje del módulo, donde recuperarla ya cuesta diez veces más. Cada rechazo queda registrado con su imagen, su referencia, su molde y su cavidad.

Separar la pieza a la salida de la prensa o de pintura, y no en el montaje del módulo, es la diferencia entre un rechazo y un módulo entero con airbag y cableado que hay que desmontar. Recuperarla ahí cuesta diez veces más, y ese factor casi nunca se cuenta en el caso de negocio.

Ver la arquitectura IRIS completa →

Antes y después

La inspección de hoy frente a la visión Edge en línea

Aspecto	Inspección visual	Con iLEAN Edge
Cobertura	Muestreo del 1-2 %	100 % de las piezas
Criterio de aceptación	Variable por turno	Único, pactado con el OEM y trazable
Defecto de una cavidad concreta	Se sospecha	Histórico de rechazo por cavidad
Dónde se separa la pieza	En montaje, o en cliente	Antes de entrar en el módulo
Mota o cascarilla tras pintura	Depende de la luz de la nave	Iluminación difusa y de campo oscuro
Qué queda del rechazo	Un conteo	Imagen, referencia, molde y cavidad

de muestreo del 1-2% a control del 100% de piezas · de criterio variable por turno a criterio único y trazable · de sospechar que una cavidad da problemas a un histórico de rechazo por cavidad que dice cuándo intervenir el molde.

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 el ratio actual de scrap y de retrabajo.
• Reducción de reclamaciones de aspecto en el OEM, que es donde se juega el estatus en el panel de proveedores.
• Coste de contención con inspección externa que se deja de pagar, más el retrabajo del cien por cien que la acompaña.
• Y el histórico de rechazo por cavidad dice cuándo intervenir el molde, en lugar de sospecharlo.

payback estimado 5-12 meses según el ratio actual de scrap y de retrabajo; reducción de reclamaciones de aspecto en cliente y del coste de contención con inspección externa. *Estimación a validar.*

Y la duda razonable del responsable de producción

«¿Y si rechaza piezas buenas?» — el falso positivo es el riesgo real de cualquier visión, y por eso la red se entrena con piezas buenas y malas de vuestras referencias concretas, con la iluminación de ese puesto y con los límites de aceptación pactados con el OEM, no con un modelo genérico. Clasificar contra un catálogo cerrado de defectos es tarea anclada, donde los mejores modelos bajan del 1,5% de error [1]. Los casos de borde no se expulsan sin más: se elevan a una persona, y cada decisión realimenta el entrenamiento. Y cada rechazo lleva su imagen, así que una pieza expulsada por error se recupera con un vistazo.

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