En prepintado el defecto no se repara: se descarta. Y hoy lo encuentra tu cliente

El problema

El ojo humano no inspecciona a cadencia de línea: muestrea.

Una rayadura, una marca de rodillo, una partícula incrustada o una mancha de aceite convierten una cinta de prepintado en material de segunda. La superficie es el producto y no admite reparación. Lo mismo ocurre con la rebaba de orilla en el slitter, que no se aprecia a simple vista a cadencia y que el cliente descubre cuando le rompe el troquel. Y lo peor es dónde se descubre: el defecto viaja enrollado dentro de la bobina de salida y no se ve hasta que el cliente la desenrolla en su prensa. Para entonces el coste ya no es el material: es el sorteo en casa ajena, el flete de retorno y la confianza.

• Una rayadura longitudinal, una marca de rodillo, una partícula incrustada o una mancha de aceite convierten una cinta de prepintado en material de segunda. La superficie es el producto y no admite reparación: se descarta.
• A la velocidad a la que corre un slitter o una niveladora, un 1-2 % inspeccionado significa un 98 % que sale sin mirar.
• La rebaba de orilla no se aprecia a simple vista a cadencia, y el cliente la descubre cuando le rompe el troquel.
• Y el defecto viaja enrollado dentro de la bobina de salida: no se ve hasta que el cliente la desenrolla en su prensa. Para entonces el coste ya no es el material, es el sorteo en casa ajena, el flete de retorno y la confianza.

Cómo encaja con el sistema IRIS

Edge — visión CNN con inferencia local, y el metro exacto antes de enrollar.

Edge — visión CNN con inferencia local en GPU dentro de la propia planta, sin enviar imagen a la nube: latencia, coste y ancho de banda resueltos de raíz. Los modelos se entrenan con muestras reales del material que corta esta planta: rayadura longitudinal, marca de rodillo, partícula incrustada, mancha, óxido, falta de recubrimiento y rebaba de orilla. El sistema registra la posición métrica exacta del defecto y detiene la línea cuando el defecto es continuo. La decisión final —despuntar, marcar o degradar la cinta— sigue siendo del operario.

La inferencia corre en una GPU dentro de la propia planta, sin enviar imagen a la nube: latencia, coste y ancho de banda resueltos de raíz. El sistema marca la posición métrica del defecto y detiene la línea si es continuo, pero la decisión —despuntar, marcar o degradar la cinta— sigue siendo del operario.

Ver la arquitectura IRIS completa →

Antes y después

La inspección de hoy frente a la visión Edge

Aspecto	Inspección visual	Con iLEAN Edge
Metro lineal inspeccionado	1-2 %	100 %
Dónde se detecta	En la prensa del cliente	A la salida de la línea
Posición del defecto	Desconocida, enrollada	Metro exacto marcado antes de enrollar
Rebaba de orilla	La descubre el troquel del cliente	Detectada a cadencia
Defecto continuo	Una bobina entera degradada	Línea detenida
Quién decide despuntar o degradar	Nadie: ya salió	El operario, con el metro en pantalla

del muestreo del 1-2% al control del 100% del metro lineal producido. Del defecto detectado por el cliente al defecto detectado en la línea, con el metro exacto localizado.

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 actual de material degradado a segunda y el peso del prepintado en el mix.
• Reducción significativa de reclamaciones por superficie, que son las que llevan flete de retorno y sorteo en casa ajena.
• Del muestreo del 1-2 % al control del 100 % del metro lineal producido.
• Y la rebaba de orilla deja de descubrirse en el troquel del cliente.

payback estimado 5-12 meses según el ratio actual de material degradado a segunda y el peso del prepintado en el mix, con reducción significativa de reclamaciones por superficie. *Estimación a validar*.

Y la duda razonable del responsable de producción

«¿Y si marca como defecto lo que no lo es?» — el falso positivo es el riesgo real de cualquier visión, y por eso el modelo se entrena con muestras reales del material que corta vuestra planta —vuestros calibres, vuestros recubrimientos, vuestra iluminación— y no con un modelo genérico. Y no descarta nada por su cuenta: marca el metro y es el operario quien despunta, marca o degrada. La detección sobre imagen de referencia es tarea anclada, donde los mejores modelos bajan del 1,5% de error [1], y cada decisión del operario realimenta el entrenamiento.

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