Caso de estudio: visión artificial perimetral para inspección de calidad en una planta de embalaje

Situación inicial

Embalajes LATAM S.A. (empresa hipotética) opera una planta de embalaje en la que se producen 120 cajas por minuto. La inspección de calidad era manual en puntos clave: verificación de daños, errores de impresión y presencia de sellos. Los operadores detectaban en promedio 70% de los defectos y las líneas sufrían paradas frecuentes por inspecciones adicionales. Los rechazos al cliente y retrabajos representaban cerca del 3% de la producción, con un coste anual estimado en USD 200.000.

El reto

Reducir el porcentaje de productos defectuosos enviados, aumentar la velocidad efectiva de línea y minimizar las paradas no planificadas sin sobredimensionar inversión tecnológica. Requerimientos concretos:

Inspección en tiempo real con latencia <50 ms por paquete.
Integración con PLCs existentes y robots de pick-and-place.
Operación en planta con polvo, vibración y variación de iluminación.
Solución escalable para replicar en otras líneas y plantas.
Presupuesto orientativo: mantener CAPEX por línea <USD 80.000 y alcanzar ROI en <12 meses.

Se evaluaron alternativas tecnológicas (soluciones integradas de visión vs plataforma modular; edge AI vs cloud; uso de APIs preentrenadas vs modelos personalizados).

La solución con IA

Arquitectura escogida: visión artificial perimetral basada en edge AI con nodos de inferencia en el borde por línea.

Decisiones clave:

Edge vs Cloud: Se eligió edge AI para garantizar latencia baja, resiliencia ante fallos de red y menor coste operativo en llamadas a la nube. La conectividad se usa solo para telemetría, actualizaciones y entrenamiento centralizado.
Hardware: Nodos modulares con NVIDIA Jetson Xavier NX por su equilibrio entre rendimiento y consumo, cámaras industriales con lentes C-mount y carcasas IP65. Se optó por módulos para facilitar mantenimiento y escalado. Se evaluaron cámaras «todo en uno» de fabricantes especializados (p. ej. soluciones integradas) pero se priorizó la modularidad para flexibilidad y costes.
Modelos y estrategia: transferencia de aprendizaje sobre un backbone CNN preentrenado exportado a ONNX y optimizado con TensorRT; cuantización a INT8 para mantener throughput. Se descartaron APIs comerciales por coste por operación y control de datos; sin embargo, se probaron modelos pre-entrenados para acelerar la fase de prototipo.
Integración con PLC/robots: comunicación basada en OPC-UA y Modbus/TCP para PLCs; se implementó un middleware ligero con MQTT para eventos (rechazo, alerta, telemetría). Los robots de pick-and-place reciben comandos de la capa de control cuando la IA marca un paquete como defectuoso.
Pipeline de datos: captura sincronizada con encoder de línea para trazabilidad; etiquetas iniciales (≈3.000 imágenes) generadas por combinación de inspección manual y muestreo automatizado; ciclo de retrain cada 2 semanas con nuevos ejemplos.

Implementación: prototipo funcional en 6 semanas, despliegue por línea en 4–6 semanas adicionales incluyendo integración PLC y pruebas de validación.

Resultados obtenidos

Reducción de rechazos enviados al cliente: de 3% a 0.9% (reducción relativa ~70%).
Mejora del throughput efectivo: de 120 a 141 cajas/min en horas pico gracias a menos paradas por inspección (+17.5%).
Precisión operativa del sistema: detección de defectos con precisión 96% y tasa de falsos positivos 3% tras la primera iteración de entrenamiento.
Tiempo de respuesta promedio por paquete: ~25 ms en el Jetson Xavier NX.
Costes y ROI: inversión por línea aprox. USD 65.000 (hardware, integración, datos y primer año de soporte). Payback estimado en 9–11 meses por ahorro en retrabajo y menores devoluciones.
Escalabilidad: la arquitectura modular permitió replicar la solución en otras 3 líneas en 5 meses con menor coste marginal por línea.

Lecciones aprendidas

Datos primero: calidad y variedad en el dataset inicial aceleran el rendimiento del modelo. Etiquetado correcto para condiciones de iluminación y suciedad fue crítico.
Edge para producción industrial: cuando la latencia y la privacidad son prioritarias, el edge compite favorablemente con la nube; la nube sigue siendo útil para benchmarking y actualización de modelos.
Modularidad vs soluciones integradas: sistemas modulares reducen el tiempo de mantenimiento y los costes de upgrade; soluciones integradas pueden ser más rápidas en PoC pero menos flexibles.
Integración temprana con control industrial: involucrar a ingeniería de planta y proveedores de PLC desde el inicio evita retrabajos y cuellos de botella.
Operación continua: plan de mantenimiento de modelos (reentrenamiento) y de hardware (limpieza de lentes, calibraciones) es esencial para mantener performance.

Checklist práctica para pymes que quieran replicar

Definir KPI claros: tasa de defectos objetivo, latencia máxima, ROI esperado.
Recopilar datos representativos (mín. 2–5k imágenes por tipo de defecto) antes de elegir modelo.
Decidir edge vs cloud según latencia, coste por operación y privacidad.
Elegir hardware modular (p. ej. módulos Jetson o similares) si se busca escalabilidad y flexibilidad.
Planificar integración con PLC/robots (OPC-UA, Modbus/TCP, MQTT) y validar I/O en prototipo.
Probar modelos preentrenados para prototipo rápido; usar transfer learning para producción.
Optimizar e inferir en formatos ONNX/TensorRT para edge y cuantizar modelos.
Definir pipeline de MLOps: captura, etiquetado, entrenamiento, despliegue y monitorización.
Establecer rutina de mantenimiento (limpieza óptica, recalibración, retención de datos).
Medir y validar resultados en producción 30/60/90 días; ajustar umbrales y reentrenar.

Conclusión: la visión artificial perimetral, bien diseñada e integrada con controles industriales, puede transformar la inspección de calidad en plantas de embalaje de LATAM, con mejoras rápidas en rendimiento y control de costos para pymes.