Madurez en visión artificial y control de calidad automatizado

La visión artificial agrupa los dispositivos que inspeccionan un producto o un proceso a partir de imágenes: cámaras matriciales o lineales, iluminaciones estructuradas, sensores 3D, termografía, rayos X. El control de calidad automatizado añade la cadena de decisión: criterios de aceptación, umbrales, clasificación automática, expulsión, trazabilidad del veredicto, retroalimentación hacia el ajuste de la máquina. El marco de referencia evalúa toda esta cadena, desde la elección de la óptica hasta la explotación estadística de los resultados de control por parte de calidad y producción.

En la práctica, son proyectos que avanzan bien en fase piloto y luego se estancan. Las preguntas que bloquean son siempre las mismas. ¿Cómo se miden las tasas de falsos rechazos y de defectos no detectados, y sobre qué base de imágenes de referencia? ¿Quién decide modificar un umbral, y esa modificación queda registrada? ¿Qué ocurre cuando cambia la referencia del producto, cuando la iluminación deriva, cuando un operario elude la expulsión porque bloquea la línea? Un sistema de visión que no está gobernado se convierte en un equipo que ya nadie cuestiona ni pilota.

Conviene despejar una confusión: el aprendizaje profundo no ha sustituido el procesamiento de imagen clásico, lo ha complementado. Las medidas dimensionales, la lectura de códigos, la verificación de presencia siguen siendo dominio de los algoritmos deterministas, robustos y explicables. El aprendizaje aporta una respuesta ante defectos de aspecto variables, texturas, rayaduras, manchas, allí donde ninguna regla puede formularse. Dos paradigmas, dos modos de validación, dos maneras de gestionar las evoluciones. Las organizaciones que los tratan con el mismo proceso encuentran dificultades en uno u otro.

El diagnóstico de madurez no pregunta si existe un dispositivo. Sitúa el nivel de dominio e indica la acción que permite subir un escalón. Una planta puede disponer de cámaras en todas sus líneas y permanecer en el nivel dos, por falta de una base de imágenes gestionada, de un protocolo de cualificación o de un bucle de retroalimentación hacia el proceso. Otra planta con dos puestos de control puede alcanzar el nivel cuatro. Es esta información la que permite decidir entre comprar equipos y estructurar las prácticas existentes.

En Datamensio, el marco de referencia está listo para usar. Puede adaptarlo a su contexto industrial: la IA ajusta los ámbitos, las preguntas y los niveles según su tipología de producción, discreta o continua, o construye una variante a partir de sus propios documentos, pliegos de inspección, planes de vigilancia, actas de cualificación.