Visión artificial logística: control de calidad con reglas o deep learning y cómo validarlo

- La visión artificial para control de calidad sustituye una mirada humana por una cámara, una iluminación y un algoritmo que decide si una pieza, caja o palé pasa o se rechaza. Funciona bien cuando el defecto se ve con claridad en la imagen y el criterio de aceptación está escrito.
- La inspección humana no es una referencia perfecta: según una revisión de Sandia National Laboratories, la mayoría de tareas de inspección presentan tasas de error del 20 % al 30 %, y los defectos no vistos son mucho más frecuentes que las falsas alarmas.
- Reglas clásicas y deep learning no compiten: las reglas sirven para medir y verificar presencia con criterios fijos, el deep learning para defectos variables. En el mercado europeo, los productos basados en IA ya eran el 19 % de las ventas de visión artificial en 2023, según datos de VDMA.
- Un sistema se juzga por dos tasas: falsos rechazos (producto bueno que se aparta) y escapes (producto malo que pasa). Se validan con una matriz de confusión sobre un lote ciego y un estudio de repetibilidad, no con una demo.
La visión artificial aplicada al control de calidad es un sistema que capta imágenes de un producto, las analiza con un algoritmo y toma una decisión: aceptar, rechazar o desviar a revisión. En una línea de producción inspecciona piezas, envases, etiquetas o cierres. En un almacén verifica cajas dañadas, palés mal montados, etiquetas ilegibles o pedidos incompletos antes de expedir.
La tecnología está madura, pero la mayoría de proyectos que fallan no lo hacen por la cámara ni por el algoritmo. Fallan por una iluminación mal resuelta, por un criterio de defecto que nadie escribió, por imágenes de entrenamiento que no representan la producción real o por una validación que se limitó a ver una demo con piezas elegidas.
En este artículo explicamos cómo plantear un proyecto de visión artificial logística con criterio de ingeniería: cuándo usar reglas clásicas y cuándo deep learning, cómo elegir iluminación y cámara, cómo medir falsos rechazos y escapes, cómo validar el sistema con una matriz de confusión y un estudio de medición, y qué datos de entrenamiento hacen falta. Hay un ejemplo con supuestos y la fórmula a la vista.
Dónde aporta la visión artificial en líneas y almacenes
Las aplicaciones de control de calidad más habituales en una operación logística o de final de línea son:
- Detección de daños en cajas y embalajes: aplastamientos, roturas, cintas abiertas, humedad.
- Verificación de etiquetas: presencia, posición, legibilidad y coincidencia del texto con el pedido.
- Control de palés: carga desplazada, film roto, altura fuera de gálibo, tablas rotas en la base.
- Verificación de contenido: número de unidades en una caja o bandeja y referencia correcta.
- Inspección de producto en línea: defectos superficiales, piezas incompletas, cierres mal puestos, niveles de llenado.
La lectura de códigos de barras y matriciales es un caso particular con sus propias reglas de diseño, que tratamos en Túnel de lectura en transportadores: cómo diseñarlo para leer todas las cajas. Y cuando la cámara no inspecciona sino que guía a un robot para coger producto, el problema cambia por completo: lo explicamos en Robot de picking con visión artificial e IA: cómo coge lo que nunca ha visto y cuándo compensa.
El punto de partida no es la tecnología, sino una pregunta: qué defecto cuesta dinero hoy, con qué frecuencia aparece y qué pasa cuando se escapa. Si un error de preparación llega al cliente, el coste lo detalla Errores de picking: causas, coste real y cómo eliminarlos.
Por qué la inspección humana no basta como referencia
La alternativa a la cámara suele ser una persona mirando. Es flexible y no necesita programación, pero su fiabilidad es menor de lo que se cree. Un trabajo de Sandia National Laboratories sobre el papel de la inspección visual recoge que la tasa mínima de error de 1 entre 1.000 se aplica sobre todo a tareas muy simples de aceptar o rechazar, mientras que la mayoría de tareas, más complejas, presentan tasas de error del 20 % al 30 %. El mismo trabajo señala que los defectos no detectados son mucho más frecuentes que las falsas alarmas. La revisión de la literatura del laboratorio, resumida en esta presentación de Sandia, coincide: errores del 20 % al 30 % son comunes.
Dos consecuencias prácticas. Primera: al comparar una cámara con la inspección actual, hay que medir también la inspección actual, no suponer que acierta siempre. Segunda: el error humano que más pesa es el escape, el defecto que pasa. Es justo el que una cámara bien diseñada reduce más.
La adopción va en aumento. Según Eurostat, el 20,0 % de las empresas de la UE con 10 o más empleados usaba tecnologías de IA en 2025, frente al 13,5 % de 2024. Un año antes, la misma oficina estadística situaba ese dato en el 8,0 % en 2023.
Reglas clásicas o deep learning: cómo elegir
La visión clásica trabaja con reglas programadas: umbrales de intensidad, detección de bordes, medición de distancias, comparación con un patrón. Es determinista, rápida y fácil de explicar. Falla cuando el defecto o el producto varían mucho de forma, textura o color.
El deep learning aprende a partir de imágenes etiquetadas. Tolera variaciones naturales del producto y detecta defectos difíciles de describir con reglas, como arañazos irregulares o manchas. A cambio necesita imágenes, etiquetado cuidadoso y una validación más exigente, porque su decisión no se puede leer como una regla.
El mercado ya refleja esa mezcla. Según datos de VDMA, los productos dominados por IA alcanzaron el 19 % de las ventas de visión artificial en 2023, y la industria manufacturera sigue siendo el cliente principal, con el 71 % del mercado de sistemas. Para el sector europeo, la asociación prevé un crecimiento del 3 % en 2026.
Las cifras de laboratorio impresionan, pero hay que leerlas bien. Una revisión sistemática publicada en Frontiers in Robotics and AI recoge métodos de detección de anomalías con un AUROC de 0,996 sobre un conjunto de datos público de referencia. El AUROC mide lo bien que el modelo separa piezas buenas y malas en conjunto, no cuántos falsos rechazos tendrá tu línea con tu producto y tu luz.
| Criterio | Reglas clásicas | Deep learning supervisado | Detección de anomalías |
|---|---|---|---|
| Tipo de tarea | Medir, contar, verificar presencia | Clasificar defectos conocidos | Detectar lo que no es normal |
| Imágenes necesarias | Pocas, para ajustar | Muchas, buenas y defectuosas etiquetadas | Sobre todo buenas |
| Variabilidad del producto | Baja | Media o alta | Media o alta |
| Explicabilidad | Alta, regla legible | Media, requiere mapas de calor | Media |
| Cambio de referencia | Reprogramar | Reentrenar con imágenes nuevas | Reentrenar con piezas buenas |
| Riesgo principal | Rigidez ante variaciones | Defectos no vistos en entrenamiento | Falsos rechazos por variación normal |
Muchos sistemas combinan reglas para medir y un modelo entrenado para decidir sobre el defecto.
Iluminación y cámaras: el trabajo empieza antes del algoritmo
Si el defecto no se ve con contraste en la imagen, ningún algoritmo lo encontrará de forma fiable.
La iluminación se elige según lo que hay que resaltar:
- Luz difusa o de cúpula: superficies brillantes o curvas, para evitar reflejos.
- Luz rasante o de ángulo bajo: relieves, arañazos, abolladuras y texto grabado.
- Retroiluminación: contornos, dimensiones y presencia de huecos.
- Luz coaxial: superficies planas reflectantes.
- Iluminación estructurada o láser: medición de altura y volumen en 3D.
Hay que aislar la luz ambiente: una nave con lucernarios cambia de luz durante el día. Cerramientos, luz pulsada sincronizada con el disparo y filtros ópticos lo resuelven.
En la cámara, las decisiones clave son resolución (cuántos píxeles cubren el defecto más pequeño), tipo de sensor (matricial o lineal para objetos en movimiento continuo), obturador global para evitar deformaciones con el producto en marcha, tiempo de exposición compatible con la velocidad de la cinta y 2D o 3D según el defecto. Para comparar cámaras de forma objetiva existe la norma EMVA 1288, que define cómo medir y publicar sus parámetros de calidad de imagen. Pide la hoja de datos según esa norma en lugar de cifras comerciales.
Falsos rechazos y escapes: las dos tasas que importan
Todo sistema de inspección comete dos tipos de error, y conviene llamarlos por su nombre desde el pliego:
- Falso rechazo: producto bueno que el sistema aparta. Cuesta revisión manual, merma o reproceso, y si es alto la operación acaba desactivando el sistema.
- Escape: producto defectuoso que el sistema acepta. Cuesta reclamaciones, devoluciones y, en algunos sectores, riesgo de seguridad.
Las dos tasas están enfrentadas. Si se baja el umbral de decisión para no dejar pasar nada, suben los falsos rechazos. Si se sube para no molestar a la línea, suben los escapes. El punto de equilibrio no lo fija el proveedor, lo fija el coste de cada error en tu operación.
Hay un efecto que sorprende: cuando la tasa de defectos es baja, la mayoría de los rechazos son falsos aunque el sistema sea bueno. Por eso la cifra de acierto global no sirve: un sistema que acepta todo acierta el 99,5 % si solo el 0,5 % de las piezas son defectuosas. Hay que pedir siempre las dos tasas por separado.
¿Cuántos falsos rechazos y escapes tendría tu línea con visión artificial?
Con tus defectos, tu cadencia y el coste de cada error calculamos qué inspección necesitas y cómo validarla antes de invertir.
Habla con nuestra ingenieríaEjemplo con supuestos: qué dice la matriz de confusión
Ejemplo con supuestos. Todos los valores son hipotéticos, elegidos para ilustrar el cálculo. No son datos de ningún equipo, proveedor ni cliente.
Supuestos:
- Una línea de final de expedición inspecciona 1.200 cajas por hora durante 16 horas: 19.200 cajas al día.
- El 0,5 % de las cajas tiene un defecto real: 96 cajas al día.
- Tasa de escape del sistema = 2 % de las cajas defectuosas.
- Tasa de falso rechazo = 1 % de las cajas buenas.
- Revisar manualmente una caja rechazada cuesta 30 segundos.
Fórmulas: escapes = defectuosas × tasa de escape. Falsos rechazos = buenas × tasa de falso rechazo. Precisión del rechazo = rechazos verdaderos ÷ (rechazos verdaderos + falsos rechazos).
Paso 1. Escapes = 96 × 0,02 = 1,92 cajas al día que llegan al cliente.
Paso 2. Rechazos verdaderos = 96 − 1,92 = 94,08 cajas al día.
Paso 3. Cajas buenas = 19.200 − 96 = 19.104. Falsos rechazos = 19.104 × 0,01 = 191,04 cajas al día.
Paso 4. Precisión del rechazo = 94,08 ÷ (94,08 + 191,04) = 33 %. Dos de cada tres cajas apartadas están bien.
Paso 5. Tiempo de revisión = (94,08 + 191,04) × 30 s = 8.553,6 s, unas 2,4 horas de operario al día.
Paso 6. Si se ajusta el umbral y el falso rechazo baja al 0,3 % a cambio de subir el escape al 4 %: falsos rechazos = 57,3 al día, escapes = 3,84 al día. La revisión baja a menos de una hora, pero se duplican los defectos que llegan al cliente.
La decisión correcta depende de cuánto cuesta un escape frente a media hora de revisión. Ese es el número que hay que poner sobre la mesa antes de fijar el umbral. Si quieres hacer este cálculo con tus datos, pide tu estudio gratuito y lo revisamos contigo.
Validación: matriz de confusión, MSA y lote ciego
Un sistema de visión es un sistema de medición y se valida como tal. La demo del proveedor con diez piezas elegidas no es una validación. Lo mínimo es:
- Lote ciego de validación: piezas o cajas reales, buenas y defectuosas, clasificadas antes por un panel de expertos con el criterio escrito. El sistema no las ha visto nunca. Debe incluir casos frontera, los que generan discusión.
- Matriz de confusión: cuatro casillas, buenas aceptadas, buenas rechazadas, malas aceptadas y malas rechazadas. De ahí salen la tasa de falso rechazo y la de escape, cada una con su intervalo de confianza. Con pocas piezas defectuosas en el lote, el intervalo es tan ancho que la cifra no dice nada.
- Estudio de repetibilidad por atributos, dentro del análisis del sistema de medición (MSA): pasar el mismo lote varias veces, en distintos momentos y posiciones, y comprobar que el sistema da siempre la misma respuesta para la misma pieza y que coincide con la referencia del panel.
- Si el sistema mide (dimensiones, altura de palé, posición de etiqueta), estudio de repetibilidad y reproducibilidad de la medida frente a la tolerancia.
Después de la puesta en marcha, la validación sigue: guardar las imágenes de los rechazos y de una muestra de aceptados, revisarlas cada semana y vigilar la deriva. Un cambio de proveedor de cartón o de tinta de impresión puede mover las tasas sin que nadie toque el sistema. Los indicadores pueden publicarse en la misma supervisión que ya usa la planta, como explicamos en SCADA logística: qué supervisar, cómo gestionar alarmas e integrarlo con WCS y WMS.
Datos de entrenamiento: cuántos, cuáles y cómo etiquetarlos
En deep learning, la calidad de las imágenes de entrenamiento decide el resultado más que el modelo elegido. Una revisión sobre detección de defectos con pocos datos etiquetados recuerda los dos problemas de fondo: los defectos aparecen con baja probabilidad y su etiquetado exige mucho trabajo. Por eso se usan técnicas de aumento de datos: en uno de los trabajos que recoge, el volumen de imágenes de entrenamiento se multiplicó por 800 con transformaciones sintéticas.
Reglas prácticas para el conjunto de datos:
- Captarlo con la cámara, la óptica y la iluminación definitivas, en la línea real. Imágenes de móvil o de laboratorio no sirven.
- Cubrir la variabilidad normal: todas las referencias, colores, proveedores de embalaje, turnos y épocas del año.
- Recoger defectos reales siempre que se pueda. Los defectos provocados a propósito suelen ser más evidentes que los reales.
- Escribir un manual de etiquetado con ejemplos de cada clase y de los casos frontera, y medir el acuerdo entre etiquetadores. Si dos expertos no coinciden, el modelo tampoco podrá.
- Separar desde el principio entrenamiento, ajuste y validación final, sin mezclar imágenes de la misma pieza entre conjuntos.
- Prever un circuito de reentrenamiento: quién revisa los rechazos, quién etiqueta las imágenes nuevas y cómo se aprueba una nueva versión del modelo.
Cuando faltan defectos, la detección de anomalías entrenada solo con piezas buenas es una buena forma de empezar y de ir recopilando los defectos reales.
Cómo lo resolvemos en Shuttlia
En Shuttlia planteamos la visión artificial como una parte más de la instalación, no como una cámara añadida al final:
- Datos de la operación: qué defectos aparecen, con qué frecuencia, qué cuesta cada escape y cada falso rechazo, y a qué cadencia pasa el producto.
- Layout y simulación: dónde se coloca el punto de inspección, cómo se desvían los rechazos sin frenar el flujo y qué capacidad necesita el puesto de revisión.
- Propuesta cerrada con rango de inversión, con iluminación, cámaras, algoritmo, protocolo de validación con lote ciego y criterios de aceptación por escrito.
- Integración con el PLC, el transportador, el WMS o el ERP, para que cada rechazo quede registrado con su imagen y su motivo.
- Servicio posventa con seguimiento de tasas, revisión de deriva y reentrenamiento cuando cambia el producto.
Si quieres saber qué tasas de rechazo y escape puedes esperar en tu línea, pide tu estudio gratuito y lo vemos con tus datos.
Errores habituales
Los errores que más vemos en proyectos de visión artificial logística son repetitivos:
- Comprar la cámara antes de resolver la iluminación.
- No escribir el criterio de defecto, de modo que nadie sabe qué debe rechazar el sistema.
- Aceptar una cifra de acierto global en lugar de las tasas de falso rechazo y de escape por separado.
- Validar con piezas elegidas y no con un lote ciego que incluya casos frontera.
- Entrenar con pocas referencias y descubrir en producción las que faltaban.
- No prever quién revisa los rechazos ni cuánto tiempo cuesta.
- Olvidar el mantenimiento: lentes sucias, iluminación que pierde intensidad y modelos que nadie reentrena.
Un buen sistema de visión no es el que nunca falla, sino el que falla de forma medida y aceptada.
¿Lo aplicamos a tu almacén?
Cuéntanos tus palés, referencias y picos. Te devolvemos sin coste el cuello de botella, la solución que encaja y un rango de inversión.
Pide tu estudio gratuitoPreguntas frecuentes
¿Qué diferencia hay entre visión artificial clásica y deep learning?
La clásica aplica reglas programadas, como umbrales o mediciones, y es ideal para medir, contar y verificar presencia. El deep learning aprende de imágenes etiquetadas y tolera mejor la variabilidad del producto. Muchos sistemas combinan las dos.
¿Cuántas imágenes hacen falta para entrenar un modelo?
Depende de la variabilidad del producto y del defecto, por eso no hay una cifra única. Lo que sí es fijo es que deben captarse con el montaje definitivo y cubrir todas las referencias y condiciones reales. Si faltan defectos, se puede empezar con detección de anomalías entrenada con piezas buenas.
¿Qué es un falso rechazo y qué es un escape?
Un falso rechazo es un producto bueno que el sistema aparta. Un escape es un producto defectuoso que el sistema deja pasar. Las dos tasas se compensan entre sí y hay que pedirlas por separado, nunca como un porcentaje de acierto global.
¿Cómo se valida un sistema de visión antes de aceptarlo?
Con un lote ciego de piezas reales clasificadas por expertos, que incluya casos frontera, y una matriz de confusión con sus tasas. Se completa con un estudio de repetibilidad pasando el mismo lote varias veces. La demo con piezas elegidas no cuenta como validación.
¿Funciona la visión artificial con la luz de la nave?
No conviene depender de ella. La luz ambiente cambia a lo largo del día y altera las imágenes. Lo correcto es diseñar una iluminación propia, sincronizada con la cámara y protegida de la luz exterior.
¿Una cámara es más fiable que un inspector humano?
En tareas repetitivas y bien definidas, normalmente sí, porque no se cansa y repite el mismo criterio. Los estudios de Sandia sitúan el error humano típico en tareas complejas entre el 20 % y el 30 %. Pero la cámara solo es fiable dentro de lo que se ha validado, y los casos nuevos siguen necesitando a una persona.
Fuentes
- Sandia National Laboratories - See, Drury et al.: The Role of Visual Inspection in the 21st Century (SAND2017-6457C)
- Sandia National Laboratories - Visual inspection research, resumen de la revisión SAND2012-8590 (2014)
- Eurostat - 20% of EU enterprises use AI technologies (diciembre 2025)
- Eurostat - Usage of AI technologies increasing in EU enterprises (enero 2025)
- Automation.com - VDMA: Machine Vision Industry to Decline by 10% (octubre 2024)
- VDMA - Machine Vision Industry Shows Upward Trend
- Shukla et al. - A systematic survey: role of deep learning-based image anomaly detection in industrial inspection contexts, Frontiers in Robotics and AI (2025)
- Jin y Chen - A Survey of Surface Defect Detection of Industrial Products Based on A Small Number of Labeled Data (arXiv)
- EMVA - New Release 4.0 of EMVA 1288 Standard for Camera Characterization

