El defecto de acabado que ya no llega al cliente

El problema

A la cadencia real de la línea, el ojo humano deja pasar el defecto de acabado.

El control 100% visual humano es imposible a cadencia real. La inspección por muestreo deja huecos que terminan en reclamación de garantía o devolución de distribuidor.

• Un gabinete de refrigerador o la cubierta de una lavadora pasan por la inspección visual en segundos, y un rayón fino, una piel de naranja o una falta de pintura en una esquina no se ven a esa velocidad.
• El control 100% visual humano es imposible a cadencia real, así que se inspecciona por muestreo.
• El muestreo deja huecos, y por esos huecos sale el defecto de acabado que el cliente final ve en cuanto abre la caja.
• El resultado es una reclamación de garantía o una devolución del distribuidor por algo que se habría podido retirar antes del empaque. Y retocar un gabinete en planta cuesta mucho menos que reponer el aparato entero en casa del cliente.

Cómo encaja con el sistema IRIS

Edge — cámara sobre la línea de pintura, inferencia local en milisegundos y retirada antes del empaque.

Cámara Edge sobre la línea + CNN local entrenada con ejemplos buenos/malos del gabinete concreto. Inferencia en milisegundos, sin depender de la nube.

La red neuronal se entrena con ejemplos buenos y malos del gabinete concreto de vuestra planta, no con un catálogo genérico de defectos. Decide en milisegundos y sin depender de la nube, así que no frena la línea ni se cae si falla la conexión. Y cada unidad inspeccionada deja su imagen, de forma que calidad puede ver en el tablero si el rechazo sube en un turno, un color o una cabina concreta antes de que llegue la primera reclamación.

Ver la arquitectura IRIS completa →

Antes y después

La inspección por muestreo de hoy frente al control del 100% con Edge

Aspecto	Hoy	Con iLEAN Edge
Unidades inspeccionadas	Una muestra	El 100%
Rayón fino o piel de naranja	Se escapa a cadencia real	Detectado en milisegundos
Gabinete defectuoso	Llega al empaque	Retirado antes
Dependencia de la nube en línea blanca	—	Ninguna: inferencia local
Registro por turno y modelo	Conteo en el parte	Imagen y dato por unidad
Reclamaciones por acabado	Llegan del distribuidor	Reducción drástica

Muestreo parcial → control del 100% de unidades. Reclamaciones por defecto de acabado → reducción drástica.

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 de rechazo actual por defecto de acabado.
• Del muestreo parcial al control del 100% de las unidades.
• Reducción drástica de las reclamaciones de garantía y de las devoluciones de distribuidor por acabado.
• Y un registro con imagen por unidad que permite ver si el defecto se concentra en un turno, un color o una cabina de pintura.

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

Y la duda razonable del responsable de producción

«¿Y si la cámara rechaza gabinetes buenos?» — el modelo se entrena con vuestras unidades buenas y malas, y el umbral se ajusta con calidad en la puesta en marcha. Clasificar la superficie de un gabinete contra ejemplos conocidos de ese producto es tarea anclada, donde los mejores modelos bajan del 1,5% de error [1], y cada unidad retirada queda con su imagen para que un inspector la revise y la recupere si procede.

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