Resumen inicial: los proyectos complejos de vision artificial industrial no fallan normalmente por elegir una CNN, un transformer o una camara concreta. Fallan cuando la imagen no es estable, la iluminacion no controla el defecto, el hardware no soporta el entorno, la decision no esta integrada en planta o el modelo no se gobierna despues del arranque.
Esta guia explica como abordar un proyecto de vision artificial complejo desde el sistema completo: camaras, opticas, iluminacion, proteccion IP, edge computing, modelos, datos, validacion, integracion OT/IT y mantenimiento operativo.
Guia inicial: por donde empezar antes de comprar camaras
La pregunta inicial no deberia ser “que modelo de vision usamos”, sino que decision de planta queremos automatizar o mejorar. Una inspeccion visual puede servir para rechazar una pieza, avisar a un operario, medir una desviacion, ajustar un proceso, activar una trazabilidad o alimentar un modelo de calidad predictiva. Cada decision exige un nivel diferente de precision, latencia, explicabilidad y tolerancia al error.
En vision artificial industrial, el sistema final es una cadena. Si un eslabon es debil, el resultado se degrada: pieza mal posicionada, reflejo no controlado, lente sucia, vibracion, variacion de lote, cambio de proveedor, firmware actualizado, iluminacion envejecida, dato mal etiquetado o integracion incompleta con el PLC.
Regla practica: antes de entrenar modelos, conviene hacer un pre-piloto optico. Captura imagenes durante turnos reales, con piezas buenas y malas, cambios de referencia, limpieza, arranques, paradas y condiciones ambientales normales. Si la imagen no es estable, el modelo aprendera ruido.
Que hace complejo un proyecto de vision artificial industrial
Un proyecto sencillo inspecciona una pieza estable, bien posicionada, con defectos visibles, iluminacion controlada y una decision binaria clara. Un proyecto complejo aparece cuando alguna de esas condiciones se rompe: piezas brillantes, defectos sutiles, alta cadencia, entornos humedos, lavado a presion, referencias muy variables, tolerancias dimensionales estrechas, necesidad de 3D, datos escasos, defectos raros o integracion critica con automatismos.
La complejidad tambien aumenta cuando el coste de un falso negativo o un falso positivo no es simetrico. Dejar pasar una pieza defectuosa puede provocar reclamaciones, seguridad comprometida o paradas en cliente. Rechazar demasiadas piezas buenas genera scrap, retrabajo y perdida de confianza en el sistema.
Complejidad optica
Reflejos, transparencias, color variable, textura irregular, defectos de bajo contraste, profundidad o geometria.
Complejidad industrial
Polvo, humedad, vibracion, temperatura, limpieza agresiva, accesibilidad limitada y mantenimiento por turnos.
Complejidad de IA
Pocos defectos reales, clases ambiguas, drift de proceso, explicabilidad, versionado y aprendizaje continuo.
Tipos de hardware en vision artificial: no todo es una camara
El hardware debe elegirse por la informacion que necesita la decision. No es lo mismo detectar una mancha superficial que medir una altura, leer un codigo deformado, encontrar una grieta interna o inspeccionar una pieza mojada despues de lavado.
| Componente | Opciones habituales | Cuando aporta valor | Riesgo si se elige mal |
|---|---|---|---|
| Camara 2D area scan | Monocromo, color, alta resolucion, global shutter | Defectos superficiales, presencia/ausencia, OCR, patrones, color controlado | Puede quedarse corta en volumen, profundidad o deformaciones geometricas |
| Camara line scan | Lineal, alta velocidad, sincronizada con encoder | Bandas continuas, bobinas, papel, textil, metal laminado, inspeccion 100% en movimiento | Exige sincronizacion, iluminacion homogenea y mecanica muy estable |
| Vision 3D | Laser triangulation, structured light, ToF, stereo | Altura, volumen, deformacion, ensamblaje, gaps, posicion robotica | Mas calibracion, mas datos, mas coste y sensibilidad a materiales complejos |
| Optica | Lentes C-mount, telecentricas, macro, filtros | Control de perspectiva, precision dimensional, contraste espectral y repetibilidad | Distorsion, profundidad de campo insuficiente o variacion por distancia |
| Iluminacion | Anillo, barra, domo, backlight, coaxial, estroboscopica, NIR/UV | Separar defecto de fondo, congelar movimiento y estabilizar contraste | El modelo aprende cambios de luz en vez de defectos reales |
| Computacion | Smart camera, IPC, GPU edge, servidor local, cloud hibrido | Inferencia en tiempo real, trazabilidad, reentreno y escalabilidad | Latencia, dependencia de red, coste operativo o dificultad de mantenimiento |
Para una vision mas aplicada de la decision entre 2D y 3D, Datision ya desarrolla el criterio operativo en inspeccion visual 2D y 3D.
Iluminacion: el componente que mas se subestima
La iluminacion no es decorativa; es una forma de convertir un problema industrial en una imagen interpretable. Una misma pieza puede ser facil o imposible segun angulo, longitud de onda, polarizacion, difusion, exposicion y sincronizacion con movimiento.
En superficies metalicas o plasticas brillantes, el reto suele ser evitar que el reflejo oculte el defecto. En piezas oscuras, interesa aumentar contraste sin saturar. En geometria, puede ser mas util una luz de fondo o un laser que una imagen RGB convencional. En alta cadencia, el estrobo y el trigger pueden marcar la diferencia entre una imagen congelada y una pieza borrosa.
Cuando la luz manda
- Defectos superficiales de bajo contraste.
- Piezas reflectantes, transparentes o negras.
- Variacion entre proveedores o acabados.
- Velocidad alta con riesgo de motion blur.
Buenas practicas
- Bloquear luz ambiente cuando sea posible.
- Documentar distancia, angulo, exposicion y ganancia.
- Controlar envejecimiento de LEDs y suciedad.
- Validar con piezas reales, no solo con muestras perfectas.
Proteccion IP68, IP69 e IP69K: que mirar en entornos duros
En alimentacion, farma, automocion, quimica, packaging humedo o lineas con lavado intensivo, el grado de proteccion del hardware no es un detalle de compra. Define si camaras, conectores, carcasas, iluminadores, sensores y cajas de computacion sobreviviran a polvo, agua, vapor, detergentes, presion, temperatura y ciclos de limpieza.
La IEC explica que los grados IP clasifican la resistencia de envolventes frente a entrada de polvo y liquidos, con un primer digito para solidos y un segundo para agua. La pagina oficial de IEC sobre IP ratings recuerda tambien que la informacion completa esta en la norma IEC 60529 y que el segundo digito llega hasta 9 para agua caliente a alta presion desde distintos angulos.
| Grado | Lectura practica | Uso tipico en vision artificial | Precaucion |
|---|---|---|---|
| IP65 | Estanco al polvo y resistente a chorros de agua. | Lineas con polvo, salpicaduras o limpieza moderada. | No implica inmersion ni lavado agresivo. |
| IP67 | Polvo y proteccion frente a inmersion temporal. | Equipos cerca de agua, condensacion o limpiezas puntuales. | Revisar conectores, prensaestopas y cables, no solo la camara. |
| IP68 | Inmersion continua bajo condiciones definidas por fabricante. | Aplicaciones con exposicion prolongada a agua o liquidos no agresivos. | Las condiciones exactas importan: profundidad, tiempo, temperatura y fluido. |
| IP69 | Proteccion frente a chorros de alta presion y alta temperatura segun IEC. | Zonas con lavado frecuente y requisitos higienicos altos. | No garantiza resistencia quimica ni limpieza CIP/SIP completa. |
| IP69K | Uso habitual para lavado severo en entornos industriales, asociado a ISO 20653. | Alimentacion, automocion, entornos con agua caliente a presion. | Validar norma concreta, ficha del proveedor y compatibilidad de materiales. |
En la practica, un proyecto robusto no se resuelve comprando “lo mas protegido”. Una carcasa IP69K mal orientada, con ventana optica que se ensucia, con condensacion interna o con cableado vulnerable puede fallar antes que una solucion IP67 bien diseñada, protegida y mantenible.
Modelos de vision artificial: reglas, deep learning y modelos multimodales
No todos los casos complejos necesitan deep learning, y no todo deep learning resuelve un problema industrial. La eleccion del modelo depende de variabilidad, disponibilidad de datos, coste del error, explicabilidad y mantenimiento esperado.
Vision clasica
Filtros, umbrales, metrologia, matching, blob analysis y reglas geometricas. Funciona muy bien cuando el entorno esta controlado y el defecto es explicable por forma, posicion o intensidad.
Deep learning
CNN, vision transformers, segmentacion, deteccion de objetos, OCR avanzado y aprendizaje por representacion. Aporta valor cuando hay variabilidad visual real.
Anomalia y pocos datos
Modelos one-class, autoencoders, embeddings, comparacion contra patron y aprendizaje con muestras buenas. Util cuando los defectos son raros o caros de obtener.
En proyectos industriales complejos suele ganar una arquitectura hibrida: reglas para condiciones deterministas, deep learning para variabilidad visual, umbrales de confianza para gestionar incertidumbre y una logica de decision que traduzca probabilidad en accion operativa.
Datision recoge diferentes escenarios de aplicacion en vision artificial industrial con casos reales, desde defectos de superficie hasta inspecciones multimodales.
Datos y etiquetado: el modelo aprende el criterio que le das
Un dataset de vision industrial no es una carpeta de imagenes. Es una representacion documentada del proceso: pieza, lote, referencia, maquina, turno, proveedor, iluminacion, decision humana, defecto, gravedad, destino de la pieza y resultado posterior si existe.
Definir taxonomia de defectos
Distingue defecto critico, defecto cosmetico, variacion aceptable, suciedad, sombra, reflejo y pieza fuera de posicion. Si los expertos no lo separan igual, el modelo tampoco lo hara.
Capturar frontera de decision
Las piezas faciles sirven para arrancar; las piezas dudosas son las que definen robustez. Conviene guardar muestras cerca del limite OK/KO.
Separar validacion por lote, turno y referencia
No basta con dividir imagenes al azar. Hay que comprobar que el sistema generaliza a condiciones que no ha visto.
Crear un bucle de aprendizaje
El despliegue debe guardar errores, dudas, cambios de referencia y muestras representativas para reentrenar sin perder trazabilidad.
Integracion en planta: del OK/KO al impacto operativo
Una demo de vision muestra una prediccion. Un sistema industrial toma una decision dentro de una linea. Por eso hay que diseñar desde el principio la comunicacion con PLC, MES, SCADA, ERP, historizador, sistema de calidad, trazabilidad por pieza y dashboard de seguimiento.
La arquitectura puede ir desde una smart camera hasta un IPC industrial con GPU edge. La decision depende de latencia, volumen de imagenes, necesidad de almacenar evidencias, numero de camaras, coste de parada, ciberseguridad, mantenimiento y escalabilidad a otras lineas.
Integracion minima recomendable: ID de pieza o lote, timestamp, referencia, receta, resultado OK/KO, score de confianza, imagen o recorte de evidencia, causa probable, accion tomada y version del modelo.
Cuando el objetivo esta ligado a scrap, retrabajo o reclamaciones, la pagina de calidad industrial con IA ayuda a conectar vision, metrologia digital y calidad predictiva dentro de una estrategia mas amplia.
Roadmap para implantar un proyecto complejo de vision artificial
Descubrimiento tecnico y economico
Definir defecto, coste, frecuencia, decision, baseline manual, restricciones de linea, entorno y KPI esperado. Sin caso de negocio, la tecnologia queda flotando.
Pre-piloto optico
Probar camaras, opticas, iluminacion, montaje y proteccion durante condiciones reales. La salida es una configuracion de captura estable, no un modelo final.
Dataset inicial y criterio experto
Crear taxonomia, protocolo de etiquetado, set de validacion y criterios de aceptacion. Revisar desacuerdos entre expertos antes de entrenar.
Modelo y logica de decision
Entrenar, comparar enfoques, calibrar umbrales, medir falsos positivos y falsos negativos, y diseñar gestion de incertidumbre.
Piloto en sombra
Ejecutar el sistema sin gobernar todavia el rechazo automatico. Comparar contra inspeccion actual y recoger discrepancias.
Despliegue controlado y escalado
Activar decision progresiva, documentar mantenimiento, monitorizar drift, gestionar versiones y preparar reutilizacion en otras referencias o lineas.
KPIs que separan una demo de un sistema rentable
| KPI | Que mide | Por que importa |
|---|---|---|
| Tasa de falsos negativos | Defectos que el sistema deja pasar. | Impacta directamente en reclamaciones, seguridad y coste de no calidad. |
| Tasa de falsos positivos | Piezas buenas rechazadas. | Define scrap, retrabajo y confianza del equipo de planta. |
| Precision por referencia | Rendimiento por SKU, lote, proveedor o formato. | Evita medias globales que ocultan fallos en familias concretas. |
| Latencia de decision | Tiempo desde captura hasta accion. | Determina si se puede rechazar en linea sin frenar produccion. |
| Disponibilidad del sistema | Tiempo operativo real de camaras, luz, edge y comunicaciones. | Un modelo preciso no aporta si la celda no esta disponible. |
| Coste por defecto evitado | Relacion entre inversion, operacion y ahorro. | Convierte vision artificial en una decision de negocio, no solo tecnica. |
Errores habituales en proyectos complejos
Comprar hardware antes de entender el defecto
La ficha tecnica de la camara no dice si el defecto sera visible. Hay que probar con piezas reales y condiciones reales.
Confundir IP alto con sistema robusto
La proteccion ambiental debe incluir cables, conectores, ventana optica, limpieza, condensacion y accesibilidad de mantenimiento.
Entrenar con datos demasiado limpios
Si el dataset no contiene variacion de turno, lote, luz, suciedad y frontera de decision, el despliegue sufrira.
No diseñar la accion posterior
Detectar un defecto no basta. Hay que definir rechazo, alerta, bloqueo, retrabajo, trazabilidad y responsable operativo.
La vision artificial industrial funciona cuando la planta puede confiar en la imagen, en la decision y en el mantenimiento del sistema. El modelo es importante, pero la disciplina de ingenieria alrededor es lo que lo convierte en capacidad productiva.
Preguntas frecuentes sobre proyectos complejos de vision artificial
¿Es mejor empezar con 2D o con 3D?
Depende del defecto. Si la informacion relevante esta en textura, color, presencia, ausencia o patron superficial, 2D puede ser suficiente. Si la decision depende de altura, volumen, deformacion, gap o posicion en profundidad, 3D suele aportar mas valor.
¿Hace falta deep learning para todos los proyectos?
No. La vision clasica sigue siendo muy potente cuando el entorno esta controlado. Deep learning aporta valor cuando hay variabilidad visual, defectos dificiles de parametrizar o necesidad de generalizar entre condiciones.
¿Que grado IP deberia pedir para una camara industrial?
No hay un grado universal. IP65 puede bastar para salpicaduras y polvo; IP67 o IP68 tienen sentido con inmersion o humedad relevante; IP69/IP69K se consideran en lavados agresivos. La decision debe incluir conectores, cables, carcasa, ventana optica, quimicos y mantenimiento.
¿Cuantas imagenes hacen falta para entrenar?
Depende de variabilidad y rareza del defecto. A veces bastan pocas muestras para un sistema basado en reglas o anomalias; otras veces hacen falta miles. Lo critico no es solo cantidad, sino representatividad por lote, turno, referencia y frontera OK/KO.
¿Se puede desplegar en tiempo real?
Si, pero hay que diseñar captura, inferencia y comunicacion para la latencia requerida. En altas cadencias se necesita trigger preciso, exposicion corta, computacion edge y una accion compatible con la mecanica de rechazo.
¿Como se mantiene un sistema de vision con IA?
Con limpieza optica, verificacion de iluminacion, control de calibracion, monitorizacion de drift, revision de falsos positivos y negativos, versionado de modelos y protocolo de reentreno cuando cambian referencias o condiciones de proceso.
Cierre estrategico
Los proyectos de vision artificial complejos no son simplemente “poner una camara y entrenar una IA”. Son proyectos de ingenieria industrial, datos y operacion. Requieren entender el defecto, controlar la adquisicion, proteger el hardware, elegir el modelo adecuado, integrar la decision y mantener el sistema vivo.
Cuando ese enfoque se respeta, la vision artificial deja de ser una prueba aislada y se convierte en una capacidad estable para reducir scrap, sostener calidad, aumentar trazabilidad y tomar mejores decisiones en planta.
¿Quieres aterrizar un caso de vision artificial complejo?
El siguiente paso razonable es identificar el defecto de mayor impacto, revisar condiciones reales de captura y estimar si el caso merece piloto optico, PoC o despliegue progresivo.