Cero defectos de impresión sin frenar la línea

El problema

A cadencia real, el ojo se cansa y el muestreo deja huecos.

Esas hojas defectuosas siguen a formado y terminan en un cuerpo de lata defectuoso o, peor, en un fallo de barniz que compromete el contacto alimentario. La inspección por muestreo deja huecos.

• A la velocidad de una línea de litografía, el ojo humano se cansa y deja pasar hojas con defecto de registro de color, rayado o burbuja de barniz.
• La inspección se hace por muestreo, del 1 al 2% de las hojas. El resto pasa sin que nadie lo mire, y un defecto intermitente puede no coincidir nunca con la hoja que se saca de muestra.
• La hoja defectuosa sigue a formado y termina en un cuerpo de bote defectuoso o, peor, en un fallo de barniz que compromete el contacto alimentario.
• Cuando lo detecta el cliente envasador, ya no es una hoja: es una reclamación sobre un palé entero, con su coste de clasificación, devolución y reposición de botes.

Cómo encaja con el sistema IRIS

Edge — visión CNN local, sin enviar ni una imagen a la nube.

Edge — visión CNN local, sin enviar la imagen a la nube (latencia, costes, ancho de banda). Modelo entrenado con ejemplos buenos y malos del formato y Pantone concretos. Expulsión automática antes de formado.

La inferencia se resuelve junto a la línea en milisegundos: sin latencia de red, sin coste de ancho de banda y sin que vuestras artes finales salgan de la planta. El modelo se entrena con hojas buenas y malas de vuestros formatos y Pantone concretos. Además, cada hoja expulsada deja su imagen y su clase de defecto, de modo que se ve si el rayado o el registro desplazado crece con un cambio de tinta, de barniz o de turno.

Ver la arquitectura IRIS completa →

Antes y después

El muestreo de hojas de hoy frente a la inspección Edge

Aspecto	Hoy	Con iLEAN Edge
Hojas inspeccionadas	Muestreo del 1-2%	El 100%
Registro de color desplazado	Pasa si no toca muestra	Detectado hoja a hoja
Burbuja o rayado de barniz	Se ve en formado o en el cliente	Expulsado antes de formado
Velocidad de la línea	Se frena para inspeccionar	Sin frenar
Dónde se procesa la imagen en envases metálicos	—	Local, sin nube
Hoja dudosa	Criterio del inspector de turno	Se eleva a una persona

Muestreo del 1-2% → control del 100% de las hojas. Reclamaciones por defecto de impresión/barniz → 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.
• Del muestreo del 1-2% al control del 100% de las hojas litografiadas, sin bajar la velocidad de la línea ni añadir inspectores por turno.
• Reducción drástica de las reclamaciones por defecto de impresión o de barniz, que son las que más erosionan la confianza del cliente envasador en vuestra litografía.
• Y cuerpos de bote defectuosos que dejan de fabricarse, porque la hoja mala no llega a formado ni consume soldadura, horno ni cierre.

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

Y la duda razonable del responsable de producción

«¿Y si expulsa hojas buenas y nos come el rendimiento?» — el falso positivo es el riesgo real de cualquier visión, y por eso el modelo se entrena con hojas de vuestros formatos y Pantone concretos. Distinguir defecto de no defecto sobre un diseño conocido es tarea anclada, donde los mejores modelos bajan del 1,5% de error [1]; y las hojas de borde no se expulsan sin más: se elevan a una persona, cuya decisión realimenta el entrenamiento. En las primeras semanas el modelo trabaja en paralelo al inspector, sin expulsar, para medir los falsos positivos con vuestras hojas antes de darle el control.

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