BCNVISION
Cortex Defect Intelligence: visión explicable orientada a causa raíz y mejora de proceso
Visión artificial industrial / IA explicable / Mejora continua / Control de calidad
01/12/2028
En desarrollo
Los sistemas de visión artificial industriales se utilizan principalmente para aceptar o rechazar piezas en línea. Esta función es esencial para evitar que producto no conforme llegue al cliente, pero deja sin resolver una pregunta clave para producción y calidad: por qué se están produciendo los rechazos.
En muchas líneas, los rechazos se acumulan como datos aislados: una imagen marcada como NOK, un contador de defectos, una alarma o una expulsión física. Sin embargo, el responsable de producción necesita ir más allá del resultado OK/NOK y entender si los defectos están relacionados con un desajuste de máquina, un problema de materia prima, un cambio de formato, una deriva de iluminación, un error de posicionamiento, un aplicador desalineado, una variación de temperatura, presión o velocidad, o una mala configuración de la receta.
Cortex Defect Intelligence plantea una evolución de los sistemas de visión de BCNVISION hacia una herramienta de diagnóstico y mejora de proceso. El sistema no solo detecta defectos, sino que analiza patrones de rechazo, explica visualmente los motivos, agrupa incidencias similares y propone posibles causas raíz y acciones correctivas.
La idea es convertir la inspección visual en una fuente activa de conocimiento para planta: no solo rechazar producto defectuoso, sino ayudar a reducir la aparición del defecto.
Descripción del Proyecto
EMPRESA
BCNVISION
IMPACTO EN NEGOCIO / KPIS
Mejora del control de calidad en línea.
Reducción de rechazos recurrentes.
Menor tiempo de reacción ante desviaciones.
Mejor comprensión de los defectos por parte de operarios y responsables de línea.
Mayor coordinación entre calidad, producción y mantenimiento.
Conversión de imágenes de rechazo en conocimiento de proceso.
Mejora continua basada en datos reales de planta.
Mayor valor añadido de las soluciones de visión de BCNVISION.
Evolución de Cortex desde plataforma de inspección hacia plataforma de inteligencia de proceso.
FECHA
VARIAS SESIONES DURANTE EL AÑO
ACTIVIDAD
TALLER Y VISITA A INSTALACIÓN
OBJETIVOS ESPERADOS
Explicar de forma visual y comprensible por qué se rechaza cada producto.
Agrupar rechazos similares para detectar patrones repetitivos.
Relacionar defectos visuales con posibles problemas de línea.
Proponer causas probables y acciones correctivas.
Pasar de una inspección reactiva a una inspección orientada a mejora de proceso.
Reducir tiempos de análisis de incidencias por parte de calidad y producción.
Detectar desviaciones antes de que generen una acumulación importante de rechazos.
Mejorar la trazabilidad de defectos, causas y correcciones aplicadas.
Facilitar la toma de decisiones en planta mediante dashboards y alertas inteligentes.
Integrar el conocimiento de técnicos expertos dentro del sistema.
TIPO DE TECNOLOGÍA DE IA USADA
El proyecto combinaría visión artificial, IA explicable y modelos de razonamiento sobre datos industriales.
La parte visual permitiría localizar y clasificar el defecto en la imagen: etiqueta desplazada, arruga, rotura, sellado incorrecto, producto mal colocado, falta de producto, cuerpo extraño, código ilegible, defecto de impresión o desviación dimensional.
La parte explicable mostraría al usuario qué zona de la imagen ha motivado el rechazo y con qué criterio se ha tomado la decisión. Esto puede incluir mapas de calor, segmentación del defecto, comparación con muestras correctas, visualización de desviaciones y generación automática de una explicación en lenguaje natural.
La parte de causa raíz analizaría la evolución temporal de los rechazos y los cruzaría con información de proceso: turno, lote, formato, receta, velocidad de línea, estación de rechazo, cámara, iluminación, temperatura, presión, aplicador, selladora, codificador, etiquetadora u otras variables disponibles.
El sistema podría utilizar:
IA explicable aplicada a visión artificial.
Modelos de detección y segmentación de defectos.
Modelos de clustering para agrupar rechazos similares.
Análisis de series temporales para detectar tendencias.
Modelos causales o probabilísticos para priorizar causas probables.
IA generativa para explicar incidencias y redactar recomendaciones.
Sistemas de recomendación basados en histórico de defectos y correcciones.
Integración con reglas expertas definidas por técnicos de visión, calidad y mantenimiento.
ROLES Y RESPONSABILIDADES
REQUERIMIENTOS TÉCNICOS
MÉTRICAS DE ÉXITO
Reducción del tiempo medio de análisis de una incidencia de calidad.
Reducción del tiempo entre aparición del defecto y detección de tendencia.
Porcentaje de rechazos explicados automáticamente.
Porcentaje de causas raíz sugeridas aceptadas por el usuario.
Reducción de rechazos repetitivos tras aplicar correcciones.
Reducción de falsas alarmas o paradas innecesarias.
Número de incidencias agrupadas automáticamente.
Tiempo medio de respuesta ante desviaciones de proceso.
Mejora en la trazabilidad de defecto, causa y acción correctiva.
Reducción de mermas asociadas a defectos recurrentes.
Número de recomendaciones reutilizadas en líneas o formatos similares.
DESAFÍOS ENCONTRADOS
El principal reto es que una misma apariencia visual puede tener varias causas posibles. Una etiqueta desplazada puede deberse al aplicador, a una guía, al posicionamiento del envase, a una variación de velocidad o al propio material de etiqueta. Por tanto, el sistema no debe presentar las causas como verdades absolutas, sino como hipótesis priorizadas.
También será necesario disponer de datos de contexto. La imagen por sí sola puede explicar el defecto, pero para acercarse a la causa raíz conviene cruzarla con variables de proceso, información de lote, receta, turno, máquina, eventos de PLC o histórico de incidencias.
Otro reto importante será conseguir que las explicaciones sean útiles para planta. No basta con mostrar un mapa de calor técnico.
PLAN DE MITIGACIÓN
QUÉ MEJORAR EN FUTURAS IMPLEMENTACIONES
DATOS UTILIZADOS
HERRAMIENTAS / PLATAFORMAS
El proyecto combinaría visión artificial, IA explicable y modelos de razonamiento sobre datos industriales.
La parte visual permitiría localizar y clasificar el defecto en la imagen: etiqueta desplazada, arruga, rotura, sellado incorrecto, producto mal colocado, falta de producto, cuerpo extraño, código ilegible, defecto de impresión o desviación dimensional.
La parte explicable mostraría al usuario qué zona de la imagen ha motivado el rechazo y con qué criterio se ha tomado la decisión. Esto puede incluir mapas de calor, segmentación del defecto, comparación con muestras correctas, visualización de desviaciones y generación automática de una explicación en lenguaje natural.
La parte de causa raíz analizaría la evolución temporal de los rechazos y los cruzaría con información de proceso: turno, lote, formato, receta, velocidad de línea, estación de rechazo, cámara, iluminación, temperatura, presión, aplicador, selladora, codificador, etiquetadora u otras variables disponibles.
El sistema podría utilizar:
IA explicable aplicada a visión artificial.
Modelos de detección y segmentación de defectos.
Modelos de clustering para agrupar rechazos similares.
Análisis de series temporales para detectar tendencias.
Modelos causales o probabilísticos para priorizar causas probables.
IA generativa para explicar incidencias y redactar recomendaciones.
Sistemas de recomendación basados en histórico de defectos y correcciones.
Integración con reglas expertas definidas por técnicos de visión, calidad y mantenimiento.
PROCESO / SISTEMA AL QUE SE INTEGRA
El sistema se integraría sobre las soluciones de visión existentes de BCNVISION, como CheckTray, CheckLabel, CheckCode u otros sistemas de inspección.
Durante la producción, cada rechazo se almacena con su imagen, tipo de defecto, receta activa, timestamp y variables disponibles de la línea. A partir de esta información, Cortex Defect Intelligence analiza los rechazos de forma continua.
Cuando detecta un patrón relevante, genera una alerta explicativa:
“Aumentan los rechazos por etiqueta desplazada hacia la derecha desde las 14:20. El defecto aparece de forma repetitiva en el mismo lateral del envase. Posible desajuste del aplicador o desplazamiento de guía. Revisar alineación mecánica antes de continuar producción.”
Otro ejemplo:
“Se incrementan los rechazos por OCR ilegible en los últimos 25 minutos. Las imágenes muestran pérdida de contraste y desplazamiento del marcaje. Posible variación en el codificador o degradación de impresión.”
El usuario puede confirmar, corregir o descartar la causa propuesta. Esa validación alimenta la base de conocimiento para mejorar recomendaciones futuras.
RESULTADOS OBTENIDOS O ESPERADOS
El principal resultado esperado es transformar los sistemas de visión en herramientas de diagnóstico. En lugar de limitarse a rechazar producto, el sistema ayudaría a producción, calidad y mantenimiento a entender qué está ocurriendo en la línea y cómo corregirlo.
Esto permitiría reducir el tiempo necesario para analizar incidencias, evitar acumulaciones de rechazos, mejorar la comunicación entre departamentos y generar conocimiento reutilizable a partir de cada problema resuelto.
El sistema también permitiría priorizar intervenciones. No todos los rechazos tienen el mismo origen ni el mismo impacto. Una acumulación repentina de defectos similares puede indicar un problema de línea, mientras que rechazos aislados pueden deberse a variabilidad normal del producto. Cortex Defect Intelligence ayudaría a distinguir ambos escenarios.
ASPECTOS ÉTICOS O DE GOBERNANZA
El sistema se orienta a inspección de producto y análisis de proceso, sin necesidad de trabajar con datos personales. Aun así, gestiona información sensible del cliente: imágenes de producto, defectología, parámetros de proceso, histórico de incidencias y conocimiento operativo de la línea.
La gobernanza debería basarse en:
Control de acceso por perfiles de usuario.
Registro de quién valida o modifica una causa sugerida.
Trazabilidad de cada recomendación y acción correctiva.
Separación de datos entre clientes y plantas.
Validación humana antes de aplicar cambios en proceso.
Registro histórico de modelos, reglas y versiones.
Capacidad de auditar por qué el sistema propuso una causa determinada.
La IA debe actuar como apoyo a la decisión, no como sistema autónomo que modifica la línea sin supervisión.