El defecto se ve en línea, y se sabe de qué cavidad salió
A la cadencia real de una inyectora, más aún con molde multicavidad, el ojo humano no puede inspeccionar el cien por cien. Edge pone una cámara a la salida del molde con una red entrenada con la referencia concreta, infiere en milisegundos y separa la pieza defectuosa antes del embalaje, registrando de qué cavidad salió.
El muestreo deja huecos justo en las derivas lentas.
se inspecciona por muestreo, y el muestreo deja huecos justo en las derivas lentas: una cavidad que empieza a dar rebaba y sigue así todo el turno. Los defectos característicos —disparo corto, rebaba, rechupe, línea de flujo, alabeo y, en pieza vista de línea blanca, punto negro o arrastre de color de la producción anterior— llegan al cliente y vuelven convertidos en reclamación.
- Una cavidad que empieza a dar rebaba y sigue así todo el turno es exactamente lo que el muestreo no ve.
- Los defectos característicos —disparo corto, rebaba, rechupe, línea de flujo, alabeo— llegan al cliente y vuelven convertidos en reclamación.
- En pieza vista de línea blanca se añaden el punto negro y el arrastre de color de la producción anterior, que son rechazo directo.
Edge con inferencia local — y cada detección asociada a su cavidad.
Edge con visión por red neuronal entrenada con ejemplos buenos y malos de la referencia real, e inferencia local en una GPU a pie de línea. Es una decisión de arquitectura, no un detalle: enviar cada imagen a la nube añadiría latencia, coste y dependencia de ancho de banda que una inspección al ritmo del molde no admite. Cada detección se asocia a la cavidad de origen, que es la diferencia entre tirar producción y corregir el molde en el próximo mantenimiento.
Saber de qué cavidad salió el defecto es la diferencia entre tirar producción y corregir el molde en el próximo mantenimiento.
- Cámara a la salida del molde con red neuronal entrenada con ejemplos buenos y malos de la referencia real, no de un catálogo genérico.
- Inferencia local en una GPU a pie de línea: es una decisión de arquitectura, no un detalle. Enviar cada imagen a la nube añadiría latencia, coste y dependencia de ancho de banda que una inspección al ritmo del molde no admite.
- Separación de la pieza defectuosa antes del embalaje, no después.
- Cada detección asociada a la cavidad de origen, que es lo que convierte un dato de calidad en una acción de mantenimiento.
- Registro con imagen de cada separación, que alimenta el dossier de evidencia.
Muestreo vs. control del cien por cien con cavidad identificada
| Aspecto | Inspección por muestreo | Con iLEAN Edge |
|---|---|---|
| Cobertura | 1-2% de las piezas | 100% |
| Deriva lenta de una cavidad | Pasa desapercibida todo el turno | Se detecta al empezar |
| Dónde se detecta el defecto | A veces, en el cliente | En la propia máquina |
| Cavidad problemática | Invisible | Identificada por número |
| Qué se hace con ella | Se tira producción | Se corrige el molde en el próximo mantenimiento |
| Dónde va la imagen | No hay imagen | Se queda en la planta |
de un muestreo del 1-2% a control del 100% de las piezas; de detectar el defecto en el cliente a separarlo en la propia máquina; de una cavidad problemática invisible a una identificada por número.
Estimación de impacto — a validar sobre la referencia que más reclamaciones genere.
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.
- Inyección con molde multicavidad, donde el ojo humano no puede inspeccionar el cien por cien a cadencia real.
- Piloto sobre la referencia que más reclamaciones genere, con piezas buenas y malas reales como material de entrenamiento.
- Payback orientativo entre 5 y 12 meses según ratio de scrap y peso de las reclamaciones.
- Reducciones de scrap del orden del 30% o más en la referencia intervenida.
payback estimado de 5 a 12 meses según ratio de scrap y peso de las reclamaciones, con reducciones de scrap del orden del 30% o más en la referencia intervenida. Estimación a validar sobre la referencia que más reclamaciones genere.
Y la duda razonable del responsable de producción
«¿Y si el modelo separa piezas buenas?» — el ratio de falsos positivos se mide desde el primer día del piloto y es un parámetro ajustable: se calibra con las piezas buenas y malas de tu propia producción. Un modelo entrenado con catálogo genérico sí tiende a rechazar de más; uno entrenado con tu referencia, tu material y tu iluminación, no.
[1] Paper OpenAI «Why Language Models Hallucinate», 2025 — sobre fiabilidad de la IA en tareas ancladas.
Lo que se pregunta sobre la visión IA en inyección
¿Por qué la inferencia es local y no en la nube?
Por tres razones que se acumulan al ritmo del molde. Latencia: la decisión de separar tiene que tomarse en milisegundos. Coste: subir vídeo continuo de varias cámaras es un gasto recurrente absurdo. Y confidencialidad: es producto de cliente, y en automoción y médico suele haber cláusulas que impiden que salga del recinto. Por eso Edge corre dentro de la planta.
¿Qué aporta identificar la cavidad?
Es lo que separa una medida paliativa de una correctiva. Sin cavidad, una tasa de rebaba del 3% obliga a inspeccionar o tirar producción. Con cavidad, sabes que es la número 6 la que da rebaba y puedes corregir ese postizo en el próximo mantenimiento del molde. El defecto deja de ser un porcentaje y pasa a tener una causa localizada.
¿Se entrena con catálogos o con nuestras piezas?
Con las vuestras, buenas y malas, de producción real. Un modelo entrenado con un catálogo genérico no conoce vuestro material, vuestro acabado ni el aspecto concreto de vuestros defectos habituales. Por eso el piloto empieza recogiendo material real durante unas semanas.
¿Detecta el arrastre de color de la producción anterior?
Sí, y en pieza vista de línea blanca es de los defectos que más compensa controlar, porque es rechazo directo y aparece justo después de un cambio de color. Se complementa con el caso de cambio de molde y purga: uno evita que ocurra, este lo detecta si ocurre.
¿Frena la producción?
No. La inferencia es de milisegundos y la separación se hace con el mecanismo que ya existe o con uno instalado al efecto, antes del embalaje. Si el sistema tuviera que frenar la máquina para mirar, no sería aplicable a inyección y no lo propondríamos.
Empezad por la referencia que más reclamaciones os genera y te pasamos el ROI estimado en 48h.
Trabajamos sobre los datos reales de tu planta, no sobre los nuestros. Diagnóstico sin compromiso.
Pedir ROI estimado en 48h ‹ Ver todos los casos de plástico técnico Ver plástico