Un ojo en cada cavidad, a la cadencia real de la línea

El problema

El coste no es el scrap propio: es la parada de la línea del cliente.

A cadencia real, el control humano de una línea de PET es estadístico por necesidad. El ojo se cansa y el muestreo, por definición, no ve la mayoría de las piezas. Los defectos característicos del sub-sector son bien conocidos: punto negro o contaminación en la preforma, burbuja, cristalinidad o perlado por perfil de horno desviado, cuello mal formado o con rebaba, rayado por fricción en guías, ovalidad y reparto de espesor fuera de ventana. El costo no es el scrap propio, que es menor: es la parada de la línea del cliente. Una botella con reparto de espesor irregular revienta a alta velocidad en la llenadora del embotellador, y ahí el daño es la línea parada de otro más la relación comercial. Y hay una tendencia que empeora el cuadro: cuanto más rPET entra en la mezcla, más sube la variabilidad de entrada —color, viscosidad, contaminación residual— y con ella la tasa de defecto.

• A cadencia real, el control humano de una línea de PET es estadístico por necesidad: se muestrea el uno o el dos por ciento y el muestreo deja huecos.
• Los defectos son conocidos y repetitivos: punto negro o contaminación, burbuja, cristalinidad o perlado por perfil de horno desviado, cuello mal formado o con rebaba, rayado, ovalidad y reparto de espesor fuera de ventana.
• El scrap propio es menor. Lo caro es que una botella defectuosa pare la llenadora del embotellador.
• Y sin atribución por cavidad, el hallazgo se queda en «este lote trae más scrap», que no es accionable.

Cómo encaja con el sistema IRIS

Edge — visión IA en el borde, entrenada con producto real de la planta.

Edge: visión IA en el borde de la línea. Flujo paso a paso:

Lo que cambia no es solo la cobertura: es la atribución. Saber que el defecto viene de la cavidad siete de ese molde convierte un problema de calidad en una orden de trabajo de mantenimiento concreta.

• Cámaras en los dos puntos clave. Salida de la inyectora de preformas y salida de la sopladora.
• Modelo entrenado con producto real. Una red convolucional entrenada con ejemplos buenos y malos de los formatos concretos de la planta, no con un catálogo genérico.
• Inferencia en el borde. Milisegundos por pieza en una GPU local. La imagen no sale a la nube: sin latencia, sin costo de tráfico y sin problema de ancho de banda.
• Expulsión. La pieza defectuosa se rechaza antes de llegar a la tarima.
• Atribución a molde y cavidad. Cada detección se etiqueta con su molde y su cavidad de origen. Esto es lo que cambia la naturaleza del dato: deja de ser control de calidad y pasa a ser una orden de mantenimiento — "la cavidad treinta y siete lleva dos turnos generando punto negro".
• Cierre del lazo con el etiquetado. La misma cámara puede leer la etiqueta impresa y contrastarla con la orden activa.

Ver la arquitectura IRIS completa →

Antes y después

El muestreo de hoy frente a la visión Edge

Aspecto	Control por muestreo	Con iLEAN Edge
Cobertura de inspección	1-2 % de las piezas	100 %
Punto de detección	La llenadora del cliente	La propia línea
Naturaleza del hallazgo	«Este lote trae más scrap»	Causa raíz por molde y cavidad
Acción que permite	Bloquear el lote	Intervenir la cavidad concreta
Dónde se procesa la imagen	—	En planta: sin latencia ni coste de tráfico
Con reciclado alto en la mezcla	Más variabilidad, mismo muestreo	Más variabilidad, control al 100 %

- Cobertura de inspección: del 1-2% por muestreo al 100% de las piezas. - Punto de detección: de la llenadora del cliente a la propia línea. - Naturaleza del hallazgo: de "este lote trae más scrap" a causa raíz por molde y cavidad. - Reclamaciones de cliente por defecto visual: 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 la tasa de scrap actual y el peso de las reclamaciones de cliente.
• El retorno crece con el porcentaje de resina reciclada en la mezcla, porque la variabilidad de entrada es mayor.
• Paradas de la línea del embotellador evitadas, que es donde el coste deja de tener relación con el precio de la botella.
• De un hallazgo agregado por lote a una causa raíz atribuida a molde y cavidad.

Payback estimado 5-12 meses, en función de la tasa de scrap actual y del peso de las reclamaciones de cliente. El retorno crece con el porcentaje de resina reciclada en la mezcla, porque la variabilidad de entrada es mayor. La justificación cambia mucho entre una línea de 12.000 botellas/hora y una de 60.000: conviene calibrarla con la cadencia real. *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 ejemplos buenos y malos de los formatos concretos de la planta, no con un modelo genérico. Las piezas dudosas se elevan para que decida una persona, y cada decisión realimenta el entrenamiento. Al ver el cien por cien, además, la deriva se ve como tendencia antes de que haya un lote comprometido.

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