Visión computacional para control de calidad en línea

Contexto

Componentes Industriales del Bajío es un proveedor Tier 1 de autopartes (piezas troqueladas e inyectadas) para armadoras automotrices instaladas en México. Con tres líneas de producción operando 24/7, la inspección de calidad dependía de personal humano al final de línea, revisando piezas a simple vista o con calibradores manuales.

El reto

• Tasa de detección de defectos (rebabas, fisuras superficiales, desalineación de piezas) inconsistente entre turnos — dependiente de la fatiga del inspector.
• Reclamos de calidad (PPM) de clientes armadores por encima del objetivo contractual.
• Velocidad de línea limitada por el tiempo de inspección manual (cuello de botella).
• Requisito del cliente automotriz: trazabilidad completa por pieza (IATF 16949) y evidencia de inspección auditable.

La solución: visión computacional en el borde (Edge AI)

En lugar de depender de inspección manual o de enviar imágenes a servidores externos, la planta implementó un sistema de visión artificial con modelos propios corriendo en el borde (edge), dentro de la misma línea de producción.

ARQUITECTURA

• Captura: cámaras industriales de alta resolución con iluminación estructurada en 3 puntos críticos de la línea.
• Inferencia en el borde: el modelo de detección de defectos (red convolucional entrenada con imágenes históricas de piezas OK/NOK) corre en dispositivos edge junto a la línea, sin depender de conectividad a la nube — el procesamiento se realiza directamente en el dispositivo, lo que reduce la latencia, mejora la privacidad de los datos y permite reacciones más rápidas.
• Decisión en tiempo real: pieza clasificada como NOK se rechaza automáticamente vía actuador antes de pasar a empaque; no requiere intervención humana en el flujo normal.
• Trazabilidad: cada inspección queda registrada con imagen, timestamp y resultado, vinculada al número de lote — evidencia lista para auditorías IATF.
• Reentrenamiento continuo: los casos límite (baja confianza del modelo) se enrutan a un inspector humano; esas decisiones retroalimentan el reentrenamiento mensual del modelo.
• Modelo propio, no dependiente de terceros: al no enviar imágenes de producto ni especificaciones de diseño a servicios externos, la planta protege propiedad intelectual del cliente automotriz.

Resultados a 6 meses

Métrica	Antes	Después
Velocidad de inspección	~4 seg/pieza (manual)	<0.8 seg/pieza
Defectos detectados antes de empaque	~82%	99.2%
Reclamos de calidad (PPM) del cliente	Base 100%	-71%
Piezas retrabajadas por falso rechazo	Base 100%	-45%
Horas de inspección manual por turno	8	2 (solo baja confianza)

El personal de inspección se reconvirtió a un rol de validación de excepciones y mejora continua del modelo, en lugar de inspección repetitiva pieza por pieza.

Factores clave de éxito

• Modelo propio corriendo en el borde, no una cámara "inteligente" cerrada de un proveedor — permite ajustar el modelo a las piezas específicas de cada cliente.
• Iluminación y captura bien diseñadas desde el inicio — la mayoría de fallas de visión artificial en planta vienen de mala captura, no del modelo.
• Humano en el circuito para casos de baja confianza, evitando que el sistema tome decisiones ciegas en piezas ambiguas.
• Trazabilidad como subproducto, no como proyecto aparte — cada inspección generó evidencia auditable sin esfuerzo adicional.

Lección para replicar

El diferenciador no fue solo "poner una cámara con IA", sino diseñar el sistema para decidir en la línea, sin depender de la nube, con captura de datos propia y un proceso claro de reentrenamiento — algo especialmente relevante en manufactura, donde la latencia y la protección de diseños de cliente son críticas.