Defectos en tablero de melamina — la raya que se ve después del corte es la pieza buena tirada.
Un tablero de melamina con una raya, un poro o una mancha entra en la seccionadora y sale como ocho piezas terminadas — todas cortadas, todas canteadas, todas para tirar. iLEAN Vision ve el defecto antes del corte y lo aparta a la cinta de revisión. La pieza buena se queda; el scrap se ataja en origen. La persona firma — no la línea.
El defecto que viaja del almacén al corte es un múltiplo de scrap.
El tablero de melamina entra en la planta desde el proveedor, pasa por el almacén automático, se mueve con ventosas y termina en la cinta de alimentación de la seccionadora. Y entre uno y otro paso:
- La raya de la ventosa nadie la registra. Una manipulación de más, un roce con un tablero apilado, y la cara vista pierde calidad. El operario que lo ve a contraluz desde su puesto a veces avisa, a veces no — y el tablero entra a la seccionadora con su raya intacta.
- El poro de la prensa del proveedor llega disuelto en el lote. Un cambio de presión en la prensa del fabricante de tablero produce una variación que se nota en la cara — pero no en todas las planchas del palé, solo en algunas. La inspección de recepción es por muestreo: pasa.
- La mancha aparece después del corte. Un tablero con una mancha de cola en el centro cae en la seccionadora y sale como ocho piezas: dos tienen la mancha visible y son scrap; las otras seis tienen la mancha tapada o fuera, pero el operario las tira todas porque «no fiamos del lote».
El responsable de calidad lo sabe, pero no puede inspeccionar el 100% de los tableros antes del corte. El sistema clásico (operario en la cinta + muestreo + ojo del veterano) funciona el 90% de las veces. Ese 10% es scrap de pieza terminada, que pesa varias veces el coste del tablero original, más las horas de operario, más el daño de servicio al pedido del cliente.
iLEAN no sustituye al ojo del veterano — lo replica, y lo deja disponible 24/7.
El problema del defecto en melamina no es falta de criterio: el criterio existe pero vive en la cabeza del veterano, que está en su puesto unas horas al día y se jubila en unos años. Si nadie captura ese criterio como dato, se va con él. iLEAN es la masilla que captura ese ojo del veterano y lo pone en la línea siempre, sin reemplazar a quien lo tenía: lo amplifica.
Vision ve el tablero antes del corte. Connect cruza con el lote y el proveedor. El agente investiga causa raíz y propone reclamación. La persona firma — nunca al revés.
Las tres piezas iLEAN aplicadas a defectos en tablero de melamina:
- iLEAN Vision (Edge) — terminal con visión artificial (CNN) sobre la cinta de alimentación de la seccionadora, con iluminación rasante para revelar rayas y poros. Procesa la imagen en local, detecta el defecto, mide su superficie y posición sobre el tablero, y desvía a la cinta de revisión (semáforo + actuador). Funciona sin red: si la planta se queda sin WiFi, Edge sigue viendo y desviando.
- iLEAN Connect — lee el lote del tablero del ERP, el albarán del proveedor, y el dato del almacén automático (¿este tablero entró ayer o lleva tres semanas en el palé?). Y captura lo de fuera: el email del proveedor confirmando un cambio de receta, el WhatsApp del operario que ha visto una rotura en el palé que llegó esta mañana. Todo entra en el segundo cero.
- iLEAN Agents — cruza la foto del defecto con el lote, el proveedor, el histórico del almacén y el ritmo de la seccionadora, y propone causa raíz. «El 70% de los defectos detectados hoy vienen del lote 2025-XYZ del proveedor A — recomendamos reclamar y pausar entrada de ese lote a producción.» No reclama solo. Propone, el jefe de planta firma.
Inspección por muestreo vs. inspección 100% con iLEAN Vision
| Aspecto | Muestreo + ojo del veterano | Con iLEAN Vision + Connect + Agente |
|---|---|---|
| Cobertura de inspección | Una muestra por lote | 100% de tableros antes del corte |
| Detección del defecto | Después del corte, en la pieza terminada | Antes del corte, sobre el tablero entero |
| Captura del ojo del veterano | Solo cuando está en turno | Replicado en el modelo, disponible 24/7 |
| Causa raíz | Discusión sin foto, semanas después | Foto cruzada con lote y proveedor, en continuo |
| Reclamación al proveedor | Con palé devuelto y pelea | Con dossier fotográfico y dato |
| Funcionamiento sin red | n/a | Edge sigue desviando con la luz del cuadro |
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 de fabricación de muebles modulares en melamina, seccionadora con alimentación automática desde almacén, canteadora downstream. Histórico de scrap por defectos de melamina documentado en el último ejercicio.
- Piloto Edge sobre la cinta de alimentación de la seccionadora, con cámara + iluminación rasante + actuador de desvío. Primer valor esperable en pocas semanas: tableros defectuosos detectados antes del corte, primer análisis de causa raíz por lote y proveedor.
- Reducción razonable de scrap por defectos visuales de tablero de ≥ 30% en el primer trimestre — y reducción del retrabajo en pieza terminada, que pesa más que el propio tablero en horas de operario.
- Payback orientativo entre 4 y 9 meses, según el coste actual de scrap y de devoluciones de cliente final. Si tu reclamación al proveedor de tablero mejora con el dossier fotográfico, el payback se acorta.
Y la duda razonable del director de operaciones
«¿Y si el modelo confunde la textura del decorativo con un defecto y me desvía tableros buenos?» — la alucinación es un problema de la generación libre, no de las tareas ancladas. En tareas donde la IA clasifica una imagen contra una referencia entrenada con tus propios tableros, los mejores modelos bajaron el error por debajo del 1,5%[1]. Y aun así, los desviados pasan por la cinta de revisión: una persona firma el descarte. Los tres anillos de seguridad están ahí precisamente para esto.
[1] Paper OpenAI «Why Language Models Hallucinate», 2025 — sobre fiabilidad de la IA en tareas ancladas.
Lo que se pregunta sobre defectos en tablero de melamina
¿Qué defectos típicos tiene un tablero de melamina antes del corte?
Los habituales son: rayas superficiales por roce durante el almacenaje o el transporte interno, poros y burbujas en la capa de melamina por presión irregular en la prensadora, manchas de cola o de cera de la prensa, variación de tono entre tableros del mismo lote, desconchados en los cantos por mala manipulación con ventosa. Todos se descubren tarde: cuando el tablero ya está cortado en piezas terminadas, ya canteado, ya empaquetado, y la pieza buena se ha tirado junto con la mala.
¿Cómo distingue iLEAN una raya superficial de una raya de imprenta del tablero?
Entrenando el modelo con imágenes reales de tu propio almacén — la red convolucional aprende la diferencia entre la textura de tu acabado (imprenta de madera, blanco mate, decorativo) y el defecto sobrepuesto (raya, mancha, poro). El entrenamiento se hace con tus tableros, no con un modelo genérico, porque cada planta tiene su catálogo de acabados y cada defecto tiene su patrón. Esto es lo que diferencia a iLEAN de una solución estándar: no se pretende que un modelo sirva para todo; se entrena con tu realidad.
¿Dónde se coloca la cámara en la línea?
En el punto de máxima utilidad antes del corte: a la salida del almacén automático, sobre la cinta de alimentación de la seccionadora, o sobre el transbordo de tablero hacia la canteadora. iLEAN Vision necesita ver el tablero completo en condiciones de iluminación controlada (típicamente luz LED rasante para revelar rayas y poros, y luz directa para manchas). El terminal Edge procesa la imagen en local y marca el tablero defectuoso para desvío manual o automático según tu configuración.
¿Y si el defecto se ve solo bajo cierta luz?
Por eso la iluminación es parte del piloto. Una de las primeras tareas del ingeniero empotrado es estudiar el ángulo y la intensidad de luz que revela el defecto que cuesta dinero — porque cada planta tiene un defecto que sale en una luz y se esconde en otra. Lo que el ojo del veterano ve a contraluz, iLEAN Vision lo aprende con luz LED rasante y lo detecta en continuo, también cuando ese veterano está librando.
¿Cuánto tarda en dar primer valor en una planta de muebles?
Un piloto Edge sobre la cinta de alimentación de la seccionadora puede dar primer valor en pocas semanas: defectos detectados antes del corte, primeros tableros desviados, primer análisis de causa raíz (¿es el proveedor?, ¿es la manipulación interna?, ¿es la prensa?). Payback orientativo entre 4 y 9 meses según el coste actual de scrap por pieza terminada con defecto, devoluciones de cliente y horas de retrabajo — estimación a validar con tus números reales.
Cuéntanos tu caso y te pasamos en 48h el ROI estimado de este proyecto de IA para tu planta de muebles.
Trabajamos sobre los datos reales de tu planta, no sobre los nuestros. Diagnóstico sin compromiso.
Pedir ROI estimado en 48h Ver iLEAN Vision