Visión Artificial para Control de Calidad en Línea de Envasado
Una planta envasa 60.000 tarros por hora. Hoy 4 operarios inspeccionan a ojo una muestra y se escapan defectos (tapa mal cerrada, etiqueta torcida, fisura en el vidrio) que generan devoluciones de grandes cadenas y penalizaciones contractuales. Se han instalado cámaras en la línea que hacen una foto de cada tarro.
De dónde sale el dinero
Qué hacer ahora
- 1Cuantificar el coste de un defecto que llega al cliente.
- 2Instalar cámara y recoger 12.000 imágenes etiquetadas.
- 3Piloto en una línea con inspección humana en paralelo.
Para llevar al comité
Una página con la decisión, el impacto, los riesgos, los pasos y el KPI de seguimiento.
Se abre la ventana de impresión: elige "Guardar como PDF".
Ojo: más volumen no siempre es más beneficio
Un sistema demasiado estricto desecha producto bueno y frena la línea; demasiado laxo deja pasar fisuras. El umbral se fija con el coste de una retirada frente al de un tarro.
KPI para el comité
Defectos que llegan al cliente por millón y producto desechado.
Detalle para tu equipo de datos
Técnica propuesta: Redes Neuronales (Deep Learning / CNN)
Por qué: La información está en píxeles: una fisura es un patrón visual que ningún humano puede describir como variables de una tabla. Las redes convolucionales (CNN) aprenden esos patrones directamente de las imágenes. Con transfer learning, 12.000 imágenes son suficientes.
Coste de equivocarse: Un falso negativo (fisura no detectada) puede provocar una retirada de producto y daño de marca; un falso positivo solo cuesta un tarro.
Datos necesarios: Imágenes de cámara de alta velocidad de cada unidad.; 12.000 imágenes etiquetadas por calidad: OK, tapa, etiqueta, fisura, nivel de llenado.; Registro de devoluciones y penalizaciones por lote.