En una línea de producción a 300 piezas por hora, un inspector humano es capaz de revisar, en el mejor de los casos, un 5% de lo que sale. Un sistema de visión artificial revisa el 100% de las piezas, a la misma velocidad, sin fatiga y sin subjetividad. Y no es tecnología del futuro: lleva cerca de cincuenta años funcionando en las plantas más exigentes del mundo.
Lo que ha cambiado en los últimos años es la inteligencia que se aplica sobre esas imágenes. La irrupción del deep learning, la disponibilidad del cloud computing y la llegada de arquitecturas edge, han transformado la visión artificial de un sistema de inspección aislado en una pieza central de la fábrica digital.
En este artículo explicamos cómo funciona, qué tipos de tecnología existen, cuáles son sus aplicaciones más maduras, por qué implementar IA en planta es más complejo de lo que parece, y cómo desplegarla de forma eficiente sin sobredimensionar la inversión.
Más allá de la cámara: los cuatro tipos de visión industrial
| VISIBLE (RGB) | TERMOGRÁFICA | HIPERESPECTRAL | 3D/PERFILOMETRÍA |
| Detección de defectos superficiales, lectura de códigos, verificación de ensamblaje. El estándar para la mayoría de aplicaciones. | Detecta calor. Prevención de incendios, puntos calientes eléctricos, control de temperatura en procesos térmicos. | Diferencia materiales por composición molecular. Distingue grasa de carne en alimentaria, detecta contaminantes invisibles. | Volumetría, medición de alturas, control de forma. Esencial en bin picking robótico y control dimensional preciso. |
Un caso especialmente ilustrativo del potencial de la cámara hiperespectral es la industria alimentaria: permite diferenciar dentro de una pieza de carne si se trata de grasa o de carne magra, algo imposible para una cámara convencional y muy difícil para un inspector humano a alta velocidad.
La selección del tipo de cámara no es una decisión técnica aislada: determina qué defectos se pueden detectar, qué velocidad de línea es viable y qué infraestructura de procesamiento se necesita. Un integrador experto como Geprom comienza siempre por definir la aplicación antes de proponer la tecnología.
Del sensor al resultado: cómo procesa la imagen un sistema de visión industrial
Un sistema de visión industrial moderno no es una cámara conectada a un ordenador. Es un pipeline de procesamiento donde cada etapa importa:
| ETAPA | QUÉ HACE | POR QUÉ IMPORTA |
| Adquisición | Cámara + iluminación controlada capturan la imagen en el instante preciso | La iluminación es el 50% del éxito. Una mala luz genera falsos positivos. |
| Preprocesamiento | Corrección de perspectiva, normalización de brillo, filtrado de ruido | Garantiza que el algoritmo trabaje con datos limpios y consistentes |
| Análisis | Algoritmo clásico (reglas geométricas) o modelo de IA (deep learning) detecta anomalías | El tipo de análisis define la flexibilidad del sistema ante variabilidad |
| Decisión | El sistema emite OK, NOK o una medida cuantitativa | Base para el rechazo automático o la alerta al operario |
| Salida | Resultado enviado a PLC, MES o QMS en tiempo real | Cierra el bucle: de la inspección a la acción correctiva sin intervención humana |
Visión clásica vs. visión con IA. Los sistemas basados en reglas (medir si un diámetro está dentro de tolerancia, verificar que un componente está presente) son muy robustos y rápidos cuando el defecto es predecible y bien definido. Los sistemas con deep learning son más flexibles: pueden aprender a detectar defectos que no se pueden describir con reglas, como variaciones de textura o defectos irregulares. En la práctica, los sistemas más avanzados combinan ambos enfoques según el tipo de inspección.
El reto real del deep learning en planta: cuando el defecto cero complica la IA
La industria bien gestionada tiene un problema paradójico a la hora de implementar inteligencia artificial: produce muy pocos defectos.
Para entrenar un modelo de deep learning de forma efectiva se necesitan ejemplos de ambas clases: piezas correctas y piezas defectuosas. En una planta que funciona bien, la proporción puede ser de dos millones de piezas buenas por cincuenta defectuosas. Ese desequilibrio brutal hace que el modelo aprenda a decir siempre ‘correcto’ y tenga un rendimiento aparentemente bueno… hasta que sale un defecto real y no lo detecta.
| 2.000.000 Piezas correctas típicas | 50 Piezas defectuosas disponibles para entrenamiento | >99% Precisión aparente sin detectar defectos reales |
La solución: aprender la normalidad en lugar del defecto
Las técnicas de detección de anomalías basadas en Autoencoders dan la vuelta al problema. En lugar de aprender ‘qué es un defecto’, el modelo aprende ‘qué es una pieza normal’. Cualquier imagen que se desvíe significativamente de esa normalidad aprendida se marca como anomalía, sin necesidad de haber visto ese defecto específico durante el entrenamiento.
Este enfoque es especialmente valioso en industrias con muy baja tasa de defectos y alta variabilidad de tipos de fallo. No elimina todos los problemas de etiquetado, pero reduce drásticamente la necesidad de datos de defecto.
«Si tenemos 2 millones de datos de algo que está bien y solo 50 de algo que está mal, no hay equilibrio de clases. Para bien, porque no hay casi defectos. Pero a la hora de implementar deep learning es muy complicado porque esa variabilidad echa bastante para atrás. Gracias a técnicas como los Autoencoders, puedes aprender de la normalidad y detectar aquello que se va fuera de esa estandarización.» — Sergio Sellers, Jefe de Producto de Visión Artificial
Casos de uso: los que ya están en producción en cientos de plantas
La visión artificial lleva décadas estandarizando casos de uso. Estos son los más maduros y replicables hoy:
Inspección de defectos superficiales
Rayaduras, grietas, burbujas, manchas, porosidades. Es el caso de uso más clásico y el que mayor volumen de implantaciones acumula. Funciona especialmente bien con iluminación rasante o estructurada que realza las imperfecciones superficiales.
Verificación de ensamblaje y presencia de componentes
Comprobar que todos los componentes de un conjunto están presentes, correctamente orientados y en la posición esperada. Muy habitual en automoción y electrónica, donde un componente ausente o mal posicionado puede pasar desapercibido hasta el cliente final.
Medición dimensional y control de tolerancias
Verificar que una pieza mecanizada está dentro de sus tolerancias dimensionales sin contacto físico y en tiempo real. Los sistemas de visión 3D permiten alcanzar precisiones de centésimas de milímetro a velocidades de línea.
Lectura y verificación de códigos
QR, DataMatrix, códigos de barras, OCR de lotes y fechas de caducidad. La trazabilidad completa de producto pasa por garantizar que cada código es legible y correcto antes de que la pieza abandone la línea.
Casos cloud-ready: estandarizados y replicables
Con la llegada de plataformas cloud especializadas, hay un conjunto de aplicaciones que ya no requieren desarrollo a medida:
- Auditoría de expediciones: prueba audiovisual de todo el contenido de un palé antes de la salida. Queda registrado qué se expidió, cuándo y en qué estado.
- Monitorización de playas de entrada y salida: grado de ocupación en tiempo real sin contadores físicos.
- Detección de atascos en cintas transportadoras: alerta automática antes de que se convierta en parada de línea.
- Control de EPIs y seguridad: verificar que los operarios llevan los equipos de protección obligatorios, o detectar una caída al suelo.
«Al llevarlo a una plataforma cloud nos quitamos los costes de entrada del despliegue de infraestructura. Puedes probar con una primera cámara y, una vez que has verificado que funciona bien, hacer un despliegue mucho mayor en distintos puntos de inspección.» — Natalia Mira, Venta Especialista de Industria
Arquitectura cloud y edge: del piloto a la escala sin sobredimensionar la inversión
Uno de los frenos históricos para la adopción de la visión artificial ha sido el coste de infraestructura: GPUs, servidores industriales, integración de red. Las arquitecturas cloud y edge han cambiado ese punto de partida.
| Cloud | Edge | |
| Dónde procesa | Servidores remotos del proveedor | Nodo local cercano a la planta del cliente |
| Latencia | Media-alta (depende de la conexión) | Mínima (procesamiento local) |
| Coste de arranque | Muy bajo, no requiere infraestructura local | Inversión inicial en el nodo edge |
| Soberanía del dato | Los datos viajan a la nube | Los datos no salen de las instalaciones del cliente |
| Mejor para… | Pilotos, casos con tolerancia a latencia, escalado rápido | Producción en tiempo real crítico, requisitos de privacidad o normativa |
Visión artificial integrada, ¿cómo funciona? Ejemplo:
Un sistema de visión artificial aislado detecta defectos. Un sistema de visión artificial integrado los gestiona, los traza y los elimina del proceso.
El flujo completo en una planta bien integrada funciona así:
- El sistema de visión detecta una pieza NOK y genera el resultado en milisegundos.
- El resultado se envía al QMS en tiempo real, que registra el defecto, actualiza el lote y clasifica la no conformidad.
- El MES recibe la alerta y puede ajustar la producción, activar la cuarentena del lote o generar una orden de revisión.
- El ERP actualiza automáticamente el inventario y la trazabilidad sin que nadie tenga que introducir el dato manualmente.
Este cierre del ciclo de calidad es lo que marca la diferencia entre una solución de visión artificial aislada y una estrategia de digitalización industrial realmente conectada. En Geprom, part of Telefónica Tech, no solo implantamos sistemas de visión artificial capaces de detectar defectos, sino que los integramos de forma nativa con el ecosistema industrial de la planta (MES, QMS, ERP y otros sistemas), garantizando la trazabilidad completa de la información, la automatización de la toma de decisiones y una gestión más eficiente de la calidad en tiempo real.
Conclusión: 50 años de tecnología con la inteligencia de hoy
La visión artificial no es una apuesta de futuro. Es una tecnología probada durante décadas que hoy tiene, por primera vez, la inteligencia suficiente para aprender la normalidad sin necesitar catálogos de defectos, la infraestructura suficientemente accesible para empezar con una sola cámara, y la conectividad necesaria para integrarse con el resto de sistemas de planta de extremo a extremo.
La barrera de entrada ya no es tecnológica. Es saber por dónde empezar, qué tecnología encaja con cada aplicación y cómo integrarlo con lo que ya existe en planta. Ahí es donde Geprom, part of Telefónica Tech, aporta el valor real.
