Defecto de pintura fuera antes del ensamble — 100% de chasis inspeccionados
A la cadencia real de la línea el ojo humano se cansa y deja pasar cráteres finos, descuelgues, ojos de pez o zonas con cobertura insuficiente en el borde del chasis. Esos chasis llegan al ensamble y de ahí al OEM — el customer PPM sube y aparecen puntos en el scorecard que penalizan volumen y precio. Con iLEAN Edge, cámaras cenital y laterales con iluminación polarizada específica para pintura infieren en milisegundos por pieza y expulsan el chasis defectuoso antes del ensamble. Jidoka AI puro: el proceso detecta su propio defecto y reacciona.
El control 100% visual humano es imposible a cadencia real.
En una línea de pintura de chasis metálicos para electrónica, las piezas salen del horno de curado a un ritmo que ningún puesto de inspección humano sostiene turno tras turno. A esa cadencia, pedir a una persona que garantice la superficie de cada chasis no es exigente: es físicamente imposible. La atención cae, el cráter fino y el ojo de pez se camuflan, y lo que existe en la práctica es una inspección por muestreo del 2-5% de las piezas — con dos problemas estructurales.
- La luz estándar no enseña el defecto — la iluminación convencional de la mesa de inspección devuelve un brillo especular que aplana el relieve fino: el cráter fino o el descuelgue en el borde interior no generan contraste y pasan aunque el inspector esté mirando exactamente esa zona. El problema no es solo de atención: es de física de la luz.
- El muestreo deja huecos — calidad comprueba una fracción mínima de las piezas. El ojo de pez, el descuelgue y la cobertura insuficiente en el borde del chasis se cuelan exactamente por las piezas que nadie mira. Y esos huecos los detectan los OEMs cliente en su recepción — y los sancionan. En vocabulario Lean: el poka-yoke no existe, existe la esperanza estadística.
La consecuencia es la peor muda de todas: el chasis defectuoso consumió pretratamiento, pintura, curado y ensamble antes de descubrirse — en la planta del OEM. El customer PPM sube, aparecen puntos en el scorecard, y el scorecard es lo que decide volumen y precio en la siguiente adjudicación. En EMS, el coste de que el defecto salga de la planta se dispara muy por encima del coste del retrabajo interno.
iLEAN Edge — cámaras con luz polarizada, CNN local y expulsión del chasis antes del ensamble.
El problema no es de criterio — el responsable de calidad distingue perfectamente un ojo de pez de una mota de polvo asentada — es de cadencia, atención sostenida y física de la luz, justo donde la visión artificial gana. iLEAN Edge replica el criterio del inspector veterano a la velocidad de la línea, pieza a pieza, sin fatiga, y con la iluminación que sí revela el relieve. Es el poka-yoke que el muestreo nunca pudo ser.
Edge ve cada chasis antes del ensamble. Las cámaras cenital y laterales con iluminación difusa polarizada revelan el relieve fino que la luz estándar aplana. La CNN local distingue cráter, ojo de pez, descuelgue y cobertura insuficiente de borde. El actuador marca o expulsa el chasis defectuoso sin parar la línea. Funciona sin nube y sin enviar una sola imagen fuera de la planta. Cada decisión de la cámara queda registrada en el evidence pack, trazable al lote y a la referencia.
La pieza concreta de iLEAN para una línea de pintura de chasis en planta EMS:
- Edge — terminal físico con cámaras cenital y laterales instaladas sobre la mesa de inspección, antes del ensamble, con iluminación difusa polarizada específica para pintura: la luz polarizada elimina el brillo especular y revela el relieve fino que la luz estándar esconde. Lleva una CNN local sobre GPU Edge, entrenada con ejemplos buenos y malos del catálogo real de chasis y colores del sitio. Inspecciona cráter fino, ojo de pez, descuelgue — incluido el del borde interior — y cobertura insuficiente en el borde del chasis. La inferencia es local, con cero envío de imagen a la nube — sin latencia, sin coste de ancho de banda, sin imágenes del producto fuera de la planta —: cuando detecta defecto, dispara el marcado o la expulsión del chasis antes del ensamble, y cada decisión queda registrada en el evidence pack. Jidoka AI: el proceso reacciona a su propio defecto en el instante, no en la recepción del OEM.
- Connect — captura la orden de fabricación, la referencia de chasis, el color y el lote en curso, venga del ERP o del MES. Cada chasis marcado o expulsado por Edge queda firmado con timestamp y ligado al lote y a la referencia, así que la trazabilidad que exige el OEM cliente es automática, no una reconstrucción manual.
- Agente — vive en Central, cruza el histórico de Edge (rechazos por hora, por tipo de defecto, por turno, por color) con la OF y la referencia de Connect. Si el ojo de pez se dispara siempre tras un cambio de color concreto o con un lote de pintura concreto, no manda un email a medianoche: presenta la hipótesis ya cruzada al responsable de calidad, que valida y decide. La persona pone el criterio; el sistema hace el gemba walk de los datos.
El terminal Edge se instala sobre la mesa de inspección existente, sin obra en la línea de pintura ni en el transportador. Y el modelo CNN no es una caja negra que muta sola: cada versión se documenta, se valida contra un set de piezas conocidas y se aprueba por calidad antes de entrar en producción, con registro de qué versión estaba activa en cada lote.
Inspección por muestreo vs. inspección con iLEAN Edge
| Aspecto | Inspección por muestreo | Con iLEAN Edge en la línea |
|---|---|---|
| Cobertura de la inspección | Muestreo humano del 2-5% de las piezas | Control del 100% de las piezas, a cadencia real |
| Cráter fino / ojo de pez | Depende de que caiga en la muestra y de la fatiga del inspector | CNN local en cada chasis, con luz polarizada que revela el relieve |
| Descuelgue en borde interior | Invisible bajo la iluminación estándar de la mesa | Revelado por la iluminación polarizada y las cámaras laterales en ángulo |
| Customer PPM por defecto visual | Lo detecta el OEM cliente en su recepción | Reducción drástica (estimación a validar) |
| Devoluciones de lote por defecto de pintura | Lote retenido + puntos en el scorecard que penalizan volumen y precio | Reducción drástica: el chasis defectuoso se expulsa antes del ensamble |
| Evidencia ante el OEM cliente | Sin registro por pieza: la discusión es palabra contra palabra | Cada decisión de la cámara registrada en el evidence pack, con timestamp |
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.
- Planta EMS con pintura de chasis metálicos y control actual por muestreo del 2-5% sobre la mesa de inspección, antes del ensamble.
- Piloto Edge sobre la mesa de inspección — cámaras cenital y laterales con iluminación polarizada + actuador de marcado o expulsión antes del ensamble, sin obra en la línea. Primer valor esperable en pocas semanas.
- Payback orientativo entre 5 y 12 meses, según el ratio actual de devolución de los OEMs cliente. Estimación a validar contra tu histórico.
- Reducción esperable del customer PPM por defecto visual: drástica al pasar del muestreo del 2-5% al control del 100% de las piezas. (Estimación a validar con tu histórico.)
- La palanca estratégica es la protección del scorecard cliente: los puntos por defecto visual penalizan volumen y precio en la siguiente adjudicación, así que el impacto es multi-anual — difícil de cifrar a priori, pero grande. Habilita negocio, no solo ahorra retrabajo.
Y la duda razonable del responsable de calidad
«¿Y si la IA se equivoca y deja pasar un cráter?» — la alucinación es un problema de la generación libre, no de las tareas ancladas. En tareas donde la IA se limita a clasificar una imagen contra patrones conocidos (este chasis coincide con el patrón «bueno» o con el patrón «defecto»), los mejores modelos bajaron el error por debajo del 1,5% [1]. Y aun así, no se decide en el vacío: el responsable de calidad ve el histórico de cada turno, valida los falsos positivos en la propia interfaz de Edge y el reentreno entra con cada versión del modelo documentada y aprobada. La línea no para mientras se entrena. La persona pone el criterio; la máquina mantiene el ciclo girando.
[1] Paper OpenAI «Why Language Models Hallucinate», 2025 — sobre fiabilidad de la IA en tareas ancladas.
Lo que se pregunta sobre la inspección de pintura de chasis con visión IA
¿Qué defectos de pintura concretos detecta iLEAN Edge en el chasis?
Los que acaban en el scorecard del OEM cliente. En superficie: cráter fino, ojo de pez y descuelgue, incluido el descuelgue en el borde interior que la luz estándar no revela. En cobertura: zonas con cobertura insuficiente en el borde del chasis, donde la capa se adelgaza y el sustrato queda expuesto. La CNN se entrena con ejemplos buenos y malos del catálogo real de chasis y colores del sitio, así que el criterio de aceptación es el tuyo, no uno genérico: el chasis defectuoso se marca o se expulsa antes del ensamble y cada decisión queda registrada en el evidence pack.
¿Por qué iluminación polarizada y no la luz estándar de la mesa de inspección?
Porque el defecto de pintura fino es un defecto de relieve, no de color. Bajo la iluminación estándar de la mesa, la superficie pintada devuelve un brillo especular que aplana el cráter fino o el inicio de un descuelgue: el ojo — y una cámara con luz convencional — no ven contraste. La iluminación difusa polarizada elimina ese brillo especular y convierte el relieve fino en una discontinuidad nítida en la imagen, sea cual sea el color de la pieza. Con las cámaras cenital y laterales, además, el borde del chasis se ve en ángulo rasante, justo donde la cobertura insuficiente se esconde en una inspección frontal.
¿A qué cadencia real inspecciona Edge sin convertirse en el cuello de botella de la línea?
A la cadencia de la propia línea. La CNN local infiere en milisegundos por pieza sobre GPU Edge: la visión nunca es el cuello de botella — el límite lo pone el actuador de marcado o de expulsión, no el modelo. La decisión llega antes de que el chasis entre al ensamble, la línea no se ralentiza y ningún chasis pasa sin inspección. Es jidoka en su definición literal: el proceso detecta su propio defecto y reacciona sin depender de la atención sostenida de una persona.
¿Cómo se entrena la CNN con el catálogo propio de chasis y colores de mi planta?
Con ejemplos reales de tu producto, no con una librería genérica de pintura. El responsable de calidad marca piezas buenas y piezas con cada tipo de defecto — cráter, ojo de pez, descuelgue, cobertura insuficiente de borde — de cada referencia de chasis y de cada color y acabado del catálogo del sitio (liso, texturado, mate, brillo). La CNN aprende el patrón visual de esa pieza bajo esa iluminación polarizada. Cuando entra una referencia o un color nuevo, se reentrena con las nuevas muestras y cada versión del modelo se documenta, se valida contra un set de piezas conocidas y se aprueba por calidad antes de entrar en producción, con registro de qué versión estaba activa en cada lote.
¿Funciona Edge sin nube? No quiero imágenes de mis chasis saliendo de la planta.
Sí — y es el caso de diseño, no la excepción. Edge es un terminal físico on-premise con la CNN cargada sobre GPU Edge en el propio dispositivo: la inferencia es local y ninguna imagen sale a la nube, así que no hay latencia, ni coste de ancho de banda, ni imágenes de tu producto fuera de la planta. Si la red cae, Edge sigue inspeccionando cada chasis y disparando el marcado o la expulsión. Cada decisión de la cámara queda registrada localmente en el evidence pack con timestamp y versión del modelo; cuando la conexión vuelve, el registro sube para cruzarse con la trazabilidad del lote y de la referencia.
Sube tu scorecard con tus OEMs cliente — te pasamos en 48h el ROI estimado de este proyecto de IA para tu mesa de inspección.
Trabajamos sobre los datos reales de tu planta, no sobre los nuestros. Diagnóstico sin compromiso.
Pídenos un piloto de Edge en tu mesa de inspección ‹ Ver todos los casos de pintura de chasis Ver electrónica