Calidad
Visión 2D o 3D: decisión técnica con impacto directo en costes
La inspección visual automática es una de las puertas de entrada más efectivas a la IA industrial. Sin embargo, muchas empresas empiezan por la pregunta incorrecta: “¿compramos 2D o 3D?”. La pregunta útil es otra: “¿qué defecto me cuesta más dinero y qué precisión necesito para detectarlo a tiempo?”.
Elegir bien la arquitectura de visión impacta en scrap, retrabajo, devoluciones y estabilidad del proceso. Elegir mal dispara coste, complejidad y mantenimiento del sistema.
Cuándo 2D es la opción ganadora
La visión 2D destaca en defectos superficiales, clasificación de presencia/ausencia, marcas de impresión y control de patrones repetitivos. Si la variabilidad de iluminación está controlada y la cadencia es alta, 2D puede ofrecer una relación coste-rendimiento excelente.
Además, el despliegue y la operación suelen ser más simples: menor peso de datos, menor necesidad de calibración geométrica avanzada y menor barrera para mantenimiento en planta.
Cuándo merece la pena ir a 3D
La inspección 3D es especialmente útil cuando el valor está en la geometría: altura, volumen, deformaciones, tolerancias críticas o ensamblajes con profundidad relevante. Aquí la 2D se queda corta porque no “ve” información fuera del plano.
Eso sí, 3D exige una ingeniería más fina de adquisición, calibración y mantenimiento. No es solo cambiar cámara: implica rediseñar parte del entorno de captura y del flujo de validación.
El 70% del éxito está en el entorno, no en el modelo
En proyectos de calidad con IA, la narrativa suele centrarse en el algoritmo. En realidad, la robustez depende más de iluminación, óptica, posicionamiento de pieza, control de vibraciones y limpieza del sistema. Si eso falla, ningún modelo compensará la deriva.
Una buena práctica es ejecutar un “pre-piloto óptico” antes de entrenar: validar estabilidad de imagen durante turnos completos, cambios de referencia y condiciones reales de operación.
Recomendación operativa
Empieza por un defecto de alto coste, establece baseline manual, compara 2D y 3D en la misma ventana de prueba y mide impacto económico por turno. Ese enfoque evita decisiones por moda y acelera el escalado con evidencia.
Escenarios reales y criterios de priorizacion
En calidad, lo dificil no es clasificar imagenes, sino sostener consistencia cuando cambian lotes, operadores, iluminacion y ritmo de linea. Por eso, la inspeccion visual de alto valor incorpora rutinas de recalibracion, validacion por muestreo y gobierno de cambios de receta.
Otro punto clave es conectar hallazgos visuales con causa de proceso. Cuando la deteccion de defecto se relaciona con parametros upstream, la organizacion deja de reaccionar al fallo y empieza a prevenirlo.
Aplicacion final en planta y cierre operativo
En todos estos escenarios, la diferencia entre una demo y una capacidad industrial estable esta en la implantacion: integracion con sistemas existentes, ownership claro entre operaciones e IT, y metrica de impacto revisada en cadencia ejecutiva.
La tecnologia por si sola no transforma una fabrica. Lo hace una secuencia disciplinada de decisiones bien instrumentadas, con evidencia, trazabilidad y mejora continua.
Checklist de despliegue recomendado
- Definir KPI base y objetivo antes del piloto.
- Establecer flujo de accion por cada salida del sistema.
- Acordar ownership funcional, tecnico y de negocio.
- Incluir monitorizacion de calidad de datos y modelo.
- Revisar impacto economico en periodos comparables.
Guion de implementacion por fases
Un error comun en proyectos industriales es mezclar discovery, piloto y escalado en una sola fase. El enfoque que mejor funciona separa claramente cada etapa, con entregables y criterios de paso definidos. En discovery se valida problema, datos y objetivo economico. En piloto se demuestra repetibilidad tecnica en condiciones reales de operacion. En escalado se estandariza despliegue, monitoreo y gobierno para sostener resultado en el tiempo.
Esta secuencia reduce riesgo de inversion y evita el patron de piloto perpetuo. Tambien ordena expectativas entre direccion, operaciones e IT, porque cada fase tiene una promesa concreta y medible. Sin esta disciplina, es facil confundir actividad con impacto.
Fase 1: discovery orientado a negocio
La fase inicial debe terminar con un caso de negocio defendible. No basta con decir que hay potencial. Hay que cuantificar baseline, ventana de mejora, coste de implantacion y restricciones de proceso. Cuando esta base se documenta bien, la organizacion gana velocidad de decision y evita debates repetitivos.
Fase 2: piloto en entorno real
El piloto no se valida por demo visual, sino por comportamiento estable en turno real. Eso implica variabilidad de carga, cambios de referencia y contingencias de planta. Si la solucion mantiene rendimiento y utilidad operativa en ese contexto, existe base para escalar.
Fase 3: escalado con gobierno
Escalar significa estandarizar. Se definen plantillas de integracion, reglas de versionado, metricas de salud y responsabilidades de soporte. En esta etapa, la calidad del proceso de despliegue importa tanto como la calidad del modelo.
Preguntas que conviene responder antes de aprobar presupuesto
- Que KPI de negocio mejorara y en que horizonte temporal.
- Que datos son imprescindibles y quien garantiza su calidad.
- Que decision operativa cambiara con la nueva capacidad.
- Que equipo sera responsable de operacion y mejora continua.
- Que riesgos existen y como se mitigan en cada fase.
Con este marco, la organizacion evita improvisacion y convierte iniciativas aisladas en una cartera con sentido estrategico. Ese es el punto donde la IA deja de ser novedad y pasa a ser una capacidad industrial repetible.