El problema
En una línea de envasado o ensamble, verificar visualmente que cada producto esté correctamente cerrado es una tarea repetitiva, propensa al error humano y difícil de sostener en turnos largos. Un operador puede revisar cientos de unidades por hora durante las primeras horas del turno, pero la concentración cae, los errores aumentan y los productos defectuosos llegan al cliente.
El desafío técnico era reemplazar esa inspección visual humana con un sistema automático capaz de evaluar cada producto en la línea, en tiempo real, y generar una señal de OK o No OK para rechazar las unidades defectuosas antes del empaque.
La solución implementada
Implementamos un sistema de visión artificial basado en tres componentes:
- IPC BX-35A como unidad de procesamiento central
- Cámara industrial Balluff para la captura de imagen
- Modelo de IA para la clasificación del estado de cierre
El sistema evalúa cada unidad que pasa frente a la cámara, analiza la imagen con el modelo entrenado y devuelve una clasificación binaria: OK si el cierre es correcto, No OK si detecta una anomalía.
Hardware utilizado
IPC BX-35A
La IPC (Industrial PC) BX-35A es una computadora industrial de formato compacto diseñada para entornos de producción. Tiene procesador Intel de última generación, memoria RAM suficiente para correr modelos de inferencia en tiempo real, y un diseño sin ventilador que la hace adecuada para ambientes con polvo o vibraciones.
A diferencia de una PC de escritorio, está certificada para operar en rangos de temperatura extendidos y soportar las condiciones de una línea de producción industrial. Se monta en riel DIN o directamente en el tablero.
Cámara Balluff
La cámara utilizada es una cámara industrial de la línea Balluff Vision, con sensor CMOS de alta resolución y conexión GigE (Gigabit Ethernet). Las cámaras Balluff industriales están diseñadas para sincronizarse con el movimiento de la línea mediante triggers externos, lo que permite capturar la imagen exactamente cuando el producto está en posición, independientemente de la velocidad de la cinta.
La iluminación es un factor crítico en visión artificial. Usamos un aro de luz LED de iluminación coaxial para eliminar reflejos y garantizar imágenes consistentes en todas las condiciones de luz ambiente de la planta.
El modelo de IA
El modelo de clasificación fue entrenado con imágenes capturadas en la propia línea de producción: cientos de fotos de productos con cierre correcto y cientos de fotos de productos con distintos tipos de falla (tapa no cerrada, tapa girada, tapa ausente, tapa deformada).
Utilizamos una arquitectura de red neuronal convolucional (CNN) liviana, optimizada para inferencia rápida en hardware de borde. El modelo corre directamente en la IPC BX-35A sin necesidad de conexión a internet ni servidor externo: toda la inferencia es local, lo que garantiza latencia mínima y operación continua incluso si la red de planta falla.
El pipeline de inferencia es:
- Trigger: La línea envía una señal digital a la IPC cuando el producto llega a la posición de inspección
- Captura: La cámara Balluff toma la foto en sincronía con el trigger
- Preprocesamiento: La imagen se redimensiona y normaliza antes de pasarla al modelo
- Inferencia: El modelo clasifica la imagen en menos de 50 ms
- Salida: La IPC envía una señal digital OK o No OK al PLC de la línea
Integración con el PLC
La comunicación entre la IPC y el PLC de la línea se realiza via señales digitales discretas: una salida digital de la IPC conectada a una entrada del PLC. Cuando el modelo determina que el producto es defectuoso, la IPC activa la salida, el PLC lee esa señal y acciona el rechazador neumático para desviar la unidad fuera de la línea.
También implementamos comunicación Modbus TCP entre la IPC y el PLC para enviar estadísticas en tiempo real: cantidad de unidades inspeccionadas, cantidad de rechazos, porcentaje de defectos por turno. Esos datos alimentan el dashboard de producción y se usan para calcular el indicador de Calidad del OEE.
Resultados
Tras la implementación, el sistema inspeccionó más de 50.000 unidades en las primeras semanas de operación con una precisión de clasificación superior al 98,5%. Los falsos positivos (productos buenos rechazados) se mantuvieron por debajo del 0,3%, lo que es aceptable para la operación.
El tiempo de respuesta del sistema, desde el trigger hasta la señal de salida al PLC, es menor a 80 ms en el 99% de los casos, suficiente para actuar sobre el rechazador a las velocidades de línea del cliente.
Lo que aprendimos
Algunos puntos clave para quien quiera implementar algo similar:
La iluminación define el 50% del éxito. Un modelo entrenado con imágenes mal iluminadas va a fallar en producción. Antes de empezar a entrenar, invertí tiempo en lograr una iluminación consistente y reproducible.
Entrenás con datos reales, no con imágenes de catálogo. Las fotos del producto que te manda el cliente de marketing no sirven para entrenar el modelo. Necesitás imágenes tomadas con la misma cámara, en las mismas condiciones de luz, en la misma posición que tendrá en producción.
El trigger es crítico. Si la imagen se captura cuando el producto no está exactamente en posición, el modelo va a ver imágenes parciales o movidas y la precisión cae. Dedicale tiempo a la mecánica del sistema de posicionamiento.
Empezá con una clasificación binaria. OK / No OK. No intentes clasificar el tipo de defecto desde el principio. Una vez que el sistema binario funciona bien, podés agregar categorías de falla para análisis estadístico.
Conclusión
La visión artificial dejó de ser tecnología de laboratorio. Con hardware industrial accesible como la IPC BX-35A y las cámaras Balluff, y con modelos de IA que corren directamente en el borde sin depender de la nube, es posible implementar inspección visual automatizada en líneas de producción reales del NOA con presupuestos razonables.
El retorno de inversión es directo: menos reclamos de clientes por producto defectuoso, menos tiempo de operador dedicado a inspección visual, y datos de calidad en tiempo real para el sistema de gestión de producción.
¿Tenés una línea de producción donde la inspección visual es un cuello de botella? Contanos tu caso.