BCNVISION
Cortex AutoVision: programación asistida de sistemas de visión artificial mediante IA
Visión artificial industrial / Automatización / IA aplicada a ingeniería de visión
01/12/2027
En desarrollo
La puesta en marcha de un sistema de visión artificial industrial sigue dependiendo en gran medida de perfiles técnicos especializados. Configurar una inspección requiere seleccionar cámaras e iluminación, definir regiones de interés, ajustar herramientas de visión, preparar recetas, entrenar modelos, validar resultados, documentar criterios de rechazo e integrar la solución con PLC, HMI o sistemas de planta.
Este proceso consume muchas horas de ingeniería y se vuelve especialmente complejo cuando hay cambios frecuentes de formato, productos con alta variabilidad o inspecciones que combinan visión tradicional, Deep Learning, OCR, lectura de códigos y lógica de rechazo. Además, gran parte del conocimiento generado en cada proyecto queda en manos del técnico que lo ha desarrollado, lo que dificulta su reutilización en nuevas instalaciones.
Cortex Vision Copilot plantea una evolución de la plataforma Cortex hacia un entorno de programación asistida por IA. El objetivo es que un ingeniero pueda describir la inspección que quiere realizar usando lenguaje natural, aportar imágenes reales del producto y recibir una propuesta inicial de configuración: zonas de inspección, herramientas recomendadas, parámetros, modelos IA, reglas de decisión, validaciones necesarias y documentación técnica.
No se plantea como un sistema que sustituya al técnico, sino como un copiloto de ingeniería. La IA propone, acelera y documenta; el usuario revisa, corrige, valida y aprueba antes de llevar la solución a producción.
Descripción del Proyecto
EMPRESA
BCNVISION
IMPACTO EN NEGOCIO / KPIS
Menor dependencia de perfiles expertos para tareas repetitivas.
Aceleración de puestas en marcha.
Mayor reutilización de conocimiento interno.
Estandarización de criterios de validación.
Mejora de la trazabilidad técnica de cada receta.
Reducción de errores derivados de configuraciones manuales.
Mayor capacidad para escalar soluciones estándar.
Formación más rápida de nuevos técnicos.
Diferenciación tecnológica de Cortex frente a soluciones de visión tradicionales.
FECHA
VARIAS SESIONES DURANTE EL AÑO
ACTIVIDAD
TALLER Y VISITA A INSTALACIÓN
OBJETIVOS ESPERADOS
Reducir el tiempo de configuración de nuevas inspecciones de visión artificial.
Facilitar la creación de recetas mediante lenguaje natural e imágenes de ejemplo.
Proponer automáticamente ROIs, herramientas, parámetros y flujos de inspección.
Reutilizar conocimiento técnico de proyectos anteriores dentro de Cortex.
Ayudar a técnicos menos expertos en tareas repetitivas de configuración.
Estandarizar la validación de recetas antes de producción.
Reducir errores de configuración y mejorar la trazabilidad de cambios.
Acelerar cambios de formato y adaptación a nuevos productos.
Documentar automáticamente la lógica de inspección, criterios de rechazo y resultados de validación.
TIPO DE TECNOLOGÍA DE IA USADA
Modelos multimodales visión-lenguaje, capaces de interpretar imágenes junto con instrucciones en texto.
IA generativa, para transformar una descripción funcional en una propuesta técnica de inspección.
Segmentación automática o asistida, para proponer regiones de interés sobre producto, etiqueta, código, borde, zona de sellado u otras áreas críticas.
Detección de anomalías, útil cuando hay pocos ejemplos de defecto y muchos ejemplos de producto correcto.
OCR inteligente, para apoyar la lectura y validación de textos, lotes, fechas, códigos o caracteres impresos.
Sistemas de recomendación, para sugerir herramientas, parámetros, modelos o configuraciones usadas en proyectos similares.
Validación asistida por IA, para detectar datasets incompletos, imágenes mal clasificadas, zonas dudosas o casos límite.
ROLES Y RESPONSABILIDADES
REQUERIMIENTOS TÉCNICOS
MÉTRICAS DE ÉXITO
Al tratarse de un proyecto en desarrollo, las métricas deberían plantearse como objetivos de validación del piloto:
Reducción del tiempo de configuración de una nueva receta de inspección.
Reducción del número de ajustes manuales necesarios antes de la validación.
Reducción del tiempo dedicado a documentar la inspección.
Porcentaje de ROIs correctamente propuestas por el sistema.
Porcentaje de herramientas recomendadas aceptadas por el técnico.
Número de imágenes necesarias para generar una primera versión funcional.
Comparación de rendimiento entre receta generada con asistencia IA y receta configurada manualmente.
Reducción de errores de configuración detectados durante la puesta en marcha.
Tiempo necesario para adaptar una receta existente a un nuevo formato.
Nivel de aceptación por parte de técnicos de visión y personal de puesta en marcha.
Como objetivo inicial de proyecto, podría plantearse una reducción del 30-50% en tiempo de configuración y documentación en inspecciones recurrentes o de complejidad media, siempre pendiente de validación en piloto.
DESAFÍOS ENCONTRADOS
El principal reto será trasladar el lenguaje natural del usuario a una configuración técnica fiable. En visión artificial industrial, una misma petición puede tener distintas interpretaciones según el producto, la óptica, la iluminación, la velocidad de línea, la tolerancia al defecto o el criterio de calidad del cliente.
También será necesario evitar que la IA genere configuraciones aparentemente válidas pero poco robustas en producción. La herramienta puede proponer una solución inicial, pero el sistema debe incluir controles de validación, advertencias y límites claros antes del despliegue.
Otro desafío importante será construir una base de conocimiento útil. Para que el sistema recomiende bien, necesita aprender de proyectos previos, recetas reales, defectos, parámetros y resultados de validación. Esto implica ordenar y estructurar el conocimiento técnico de BCNVISION.
Además, habrá que trabajar aspectos como:
Calidad y representatividad de las imágenes usadas para configurar la inspección.
Gestión de casos límite y producto dudoso.
Explicabilidad de las recomendaciones de la IA.
Protección del conocimiento interno y de los datos de cliente.
Integración natural en el flujo de trabajo de los técnicos.
Evitar que el sistema sea percibido como una caja negra.
PLAN DE MITIGACIÓN
QUÉ MEJORAR EN FUTURAS IMPLEMENTACIONES
DATOS UTILIZADOS
HERRAMIENTAS / PLATAFORMAS
Modelos multimodales visión-lenguaje, capaces de interpretar imágenes junto con instrucciones en texto.
IA generativa, para transformar una descripción funcional en una propuesta técnica de inspección.
Segmentación automática o asistida, para proponer regiones de interés sobre producto, etiqueta, código, borde, zona de sellado u otras áreas críticas.
Detección de anomalías, útil cuando hay pocos ejemplos de defecto y muchos ejemplos de producto correcto.
OCR inteligente, para apoyar la lectura y validación de textos, lotes, fechas, códigos o caracteres impresos.
Sistemas de recomendación, para sugerir herramientas, parámetros, modelos o configuraciones usadas en proyectos similares.
Validación asistida por IA, para detectar datasets incompletos, imágenes mal clasificadas, zonas dudosas o casos límite.
PROCESO / SISTEMA AL QUE SE INTEGRA
El usuario inicia la creación de una nueva inspección dentro de Cortex. En lugar de configurar todo manualmente desde cero, describe el objetivo de la inspección:
“Quiero verificar que la etiqueta está presente, bien posicionada, que el OCR del lote es legible y que no hay defectos visibles en la zona de sellado.”
A partir de esa descripción, el sistema guía al usuario durante el proceso de configuración:
Carga de imágenes reales del producto.
Identificación automática de zonas relevantes.
Propuesta de flujo de inspección.
Selección de herramientas y modelos recomendados.
Configuración inicial de parámetros.
Validación con imágenes buenas, defectuosas y casos límite.
Generación de informe técnico.
Aprobación final por parte del técnico.
Despliegue controlado de la receta en producción.
El proceso mantiene al técnico como responsable final.
La IA acelera la configuración y ayuda a reducir errores, pero la decisión de validar y desplegar la receta sigue estando en manos del usuario.
RESULTADOS OBTENIDOS O ESPERADOS
Permitiría reducir de forma significativa el esfuerzo necesario para crear y validar sistemas de visión artificial industrial. El principal impacto estaría en transformar la configuración de inspecciones en un proceso más guiado, rápido y reutilizable.
El sistema ayudaría a capturar conocimiento técnico que actualmente queda disperso entre proyectos, técnicos y documentación interna. Esto permitiría que nuevas inspecciones partan de configuraciones ya probadas, recomendaciones basadas en experiencia previa y criterios de validación más homogéneos.
También tendría impacto en la escalabilidad del negocio. Si BCNVISION consigue reducir el tiempo medio de configuración de una inspección, podrá abordar más proyectos con el mismo equipo técnico, acelerar puestas en marcha y mejorar la calidad de las soluciones entregadas.
ASPECTOS ÉTICOS O DE GOBERNANZA
El sistema estaría orientado a ingeniería de visión industrial y no al tratamiento de datos personales. Aun así, deberá gestionar datos sensibles de clientes, imágenes de producto, configuraciones de línea, defectología, recetas y conocimiento técnico interno.
La gobernanza debería basarse en varios principios:
El técnico mantiene siempre la decisión final.
Toda receta generada con apoyo de IA debe quedar identificada y versionada.
Las propuestas del sistema deben poder revisarse, modificarse o descartarse.
Los datos de cliente no deben mezclarse sin autorización.
El sistema debe registrar qué imágenes, modelos y parámetros se han usado en cada validación.
Las decisiones críticas de aceptación/rechazo no se despliegan sin validación humana.
El conocimiento interno de BCNVISION debe protegerse como activo estratégico.