Visión artificial en líneas no preparadas: cuando el proceso choca con la realidad técnica

En los últimos años, cada vez más empresas buscan integrar visión artificial en sus líneas de producción. La motivación es clara: mejorar la calidad, reducir errores humanos y obtener datos objetivos del proceso. Sin embargo, muchos de estos proyectos parten de una premisa problemática: implementar visión artificial sin modificar absolutamente nada del proceso actual.

Desde el punto de vista del cliente, esta solicitud es lógica. El proceso ha funcionado durante años, los operadores lo dominan y la producción fluye. El sistema de visión, entonces, debería “adaptarse” a esa realidad. El problema es que no todos los procesos industriales están preparados para ser observados por una cámara con criterios matemáticos estrictos.

Y ahí comienza el conflicto.

Procesos diseñados para humanos, no para sistemas de visión

Un operador humano no inspecciona piezas de forma binaria. No decide únicamente entre “bueno” o “malo”. Decide con contexto, con experiencia y, muchas veces, con costumbre.

Hay defectos que el operador ve todos los días y que ya no considera relevantes. Marcas superficiales históricas, pequeñas variaciones dimensionales, rayones que no afectan la función del producto. El ojo los detecta, pero el cerebro los ignora.

La visión artificial no funciona así.

Un sistema de visión no tiene memoria emocional ni tolerancia implícita. Todo lo que ve debe ser clasificado bajo reglas explícitas. Si una cámara puede ver un defecto, entonces ese defecto existe desde el punto de vista del sistema. Y si no se define correctamente qué hacer con él, el sistema hará exactamente lo que se le indicó: marcarlo.

Aquí aparece una de las frases más comunes en planta:

“Eso sí lo detecta, pero ese defecto no nos importa.”

Cuando el cliente quiere que el sistema vea… pero decida como humano

Uno de los mayores retos en proyectos de visión artificial no es la detección, es la discriminación. Los clientes suelen pedir que el sistema detecte todos los defectos posibles, pero que solo rechace algunos. El problema es que muchas veces esos criterios no están formalizados ni documentados; existen únicamente en la cabeza del operador.

El cliente está acostumbrado a dejar pasar ciertos defectos porque siempre han estado ahí, porque no afectan al ensamble o porque corregirlos implicaría cambiar el proceso upstream. Sin embargo, al mismo tiempo, espera que el sistema sea extremadamente estricto con otros defectos que sí considera críticos.

Desde fuera parece una simple configuración. En realidad, es una contradicción técnica: se le pide al sistema que sea objetivo, pero que actúe de forma subjetiva.

La variabilidad física que el proceso tolera, pero la visión no

En líneas no preparadas para visión artificial es común encontrar piezas montadas en pallets irregulares, con variaciones de posición, rotación o altura. Mecánicamente el proceso funciona. El operador ajusta su mirada, mueve ligeramente la pieza o simplemente “ya sabe” dónde mirar.

La cámara no sabe eso.

Cada variación introduce incertidumbre. Cada desalineación obliga al sistema a compensar con algoritmos más complejos, regiones de interés dinámicas y tolerancias amplias. Esto no solo incrementa la complejidad del sistema, también reduce su capacidad para ser estricto donde realmente importa.

Aquí es importante educar al cliente: no todo puede corregirse por software. Hay variabilidades que pertenecen al proceso físico y que, si no se controlan, limitarán inevitablemente el desempeño del sistema de visión.

Adaptar el sistema al proceso tiene límites reales

Sí, un sistema de visión puede adaptarse. Puede aprender rangos, ignorar patrones recurrentes y priorizar defectos críticos. Pero no puede hacerlo todo al mismo tiempo sin consecuencias.

Mientras más defectos se le pide ignorar, menos sensible se vuelve. Mientras más tolerancias se amplían para aceptar variabilidad, más difícil es detectar fallas sutiles. Cada decisión tiene un costo técnico.

Este es un punto clave que debe quedar claro desde el inicio del proyecto: la visión artificial no corrige procesos mal definidos, solo los evidencia.

Cuando el cliente pide que el sistema se adapte a todo lo que hoy se deja pasar, en realidad está pidiendo que el sistema herede las debilidades del proceso actual.

La educación del cliente es parte del proyecto

Un proyecto exitoso de visión artificial no comienza con la cámara, comienza con una conversación honesta. Es necesario explicar qué defectos pueden y deben ser detectados, cuáles son negociables y cuáles no, y qué impacto tiene cada decisión sobre la robustez del sistema.

No todo lo que el cliente ve puede ignorarse.

No todo lo que ignora puede automatizarse.

Y no todo lo que pide es técnicamente coherente.

Educar al cliente no es decirle que está equivocado, es mostrarle que la visión artificial obliga a formalizar criterios que antes eran informales. Ese proceso, aunque incómodo, suele revelar más sobre la calidad real de la línea que cualquier auditoría.