Visión artificial industria: control de calidad automatizado

Visión artificial en la industria

La visión artificial en industria es el conjunto de tecnologías —cámaras industriales, iluminación especializada y algoritmos de procesamiento de imagen— que permiten a un sistema automatizado inspeccionar piezas, productos y procesos con la misma capacidad de percepción visual que un operario humano, pero con velocidad, repetibilidad y disponibilidad superiores. En aplicaciones de control de calidad con visión artificial, el sistema captura imágenes de cada unidad producida, las analiza mediante algoritmos de machine learning o procesamiento clásico de imagen, y clasifica automáticamente cada pieza como conforme o defectuosa en milisegundos ^[1]. Su adopción en plantas de manufactura crece de forma acelerada en 2026, impulsada por la reducción del coste de la sensórica y la madurez de los modelos de deep learning para clasificación de defectos visuales.

La visión artificial industrial en el contexto de la automatización de calidad

Históricamente, el control de calidad visual en planta dependía de operarios que inspeccionaban piezas de forma manual o mediante muestreo estadístico. Este modelo presenta limitaciones estructurales: la fatiga reduce la tasa de detección tras pocas horas de trabajo, el muestreo no garantiza el 100 % de las unidades inspeccionadas y la variabilidad entre inspectores introduce inconsistencia en los criterios de aceptación. Por ello, la visión artificial industrial se ha convertido en la solución preferida para líneas de alta cadencia donde el coste de un defecto escapado al cliente supera con creces la inversión en automatización visual. Asimismo, su integración con sistemas SCADA y plataformas de inteligencia artificial industrial permite cerrar el bucle de calidad en tiempo real, ajustando parámetros de proceso cuando el sistema detecta una tendencia de defectos antes de que la tasa de rechazo aumente.

También llamada	Machine vision, inspección visual automatizada, visión por computador industrial
Componentes principales	Cámara industrial, óptica, iluminación, procesador de imagen, software de análisis
Algoritmos principales	CNN (redes convolucionales), detección de objetos (YOLO, Faster R-CNN), segmentación semántica
Velocidad de inspección	Hasta miles de piezas por minuto según la aplicación
Precisión documentada	99-99,9 % en condiciones controladas de iluminación
Estándares de referencia	ISO 9001 (calidad); IEC 62264 (integración MES); EMVA 1288 (caracterización de cámaras)
Sectores líderes	Automoción, electrónica, farmacéutica, alimentación, manufactura discreta
Fabricantes de plataformas	Cognex, Keyence, Basler, Sick, Teledyne DALSA, MVTec (Halcon)

Contenido

1. Cómo funciona la visión artificial en industria
2. Defectos que detecta y que no detecta
3. Comparativa con la inspección humana
4. Tecnologías: clásica vs deep learning
5. Aplicaciones por sector industrial
6. Requisitos para implantarla en línea
7. Limitaciones reales y cuándo no conviene
8. Preguntas frecuentes
9. Fuentes

Cómo funciona la visión artificial en industria

Un sistema de visión artificial industrial captura imágenes de cada pieza mediante cámaras industriales, aplica algoritmos de procesamiento para identificar características relevantes —dimensiones, textura, color, presencia de defectos— y emite una señal de conformidad o rechazo en milisegundos. La precisión del sistema depende de tres factores en igual medida: la calidad de la imagen (iluminación y óptica), la representatividad de los datos de entrenamiento y la coherencia del criterio de aceptación definido por el cliente.

Los cuatro componentes de un sistema de visión artificial industrial

Cualquier sistema de visión artificial para control de calidad industrial se compone de cuatro elementos interdependientes cuya correcta integración determina el rendimiento final. En primer lugar, el sistema de iluminación: la calidad de la imagen —y por tanto la precisión de la detección— depende en mayor medida de la iluminación que del algoritmo. Técnicas como la iluminación coaxial, la iluminación de campo oscuro o la iluminación estructurada permiten resaltar defectos específicos —rayaduras, burbujas, irregularidades de superficie— que serían invisibles con luz ambiente convencional.

En segundo lugar, la óptica y la cámara industrial: la resolución, la velocidad de obturación y el tipo de sensor (monocromático, color, infrarrojo, hiperespectral) se seleccionan en función del tipo de defecto a detectar y de la cadencia de la línea. Asimismo, la posición y el ángulo de captura son críticos: una vista cenital revela defectos de superficie, mientras que una vista lateral detecta irregularidades de perfil que no son visibles desde arriba.

En tercer lugar, el procesador de imagen: hardware dedicado —FPGA, GPU industrial, procesador embebido— que ejecuta el algoritmo de análisis en tiempo real. La latencia total del sistema, desde la captura de la imagen hasta la señal de conformidad o rechazo, debe ser compatible con el tiempo de ciclo de la línea. En líneas de alta cadencia, esta latencia se mide en decenas de milisegundos. Por último, el software de análisis implementa el algoritmo de detección —basado en procesamiento clásico de imagen o en redes neuronales convolucionales— y gestiona la comunicación con el PLC o el sistema SCADA para actuar sobre los rechazos ^[2].

Ciclo de inspección: de la imagen al rechazo

El ciclo de inspección de visión artificial industrial en una línea de producción sigue cuatro pasos secuenciales. Primero, el sensor de presencia o el encoder de la línea genera una señal que activa la captura de la imagen en el momento exacto en que la pieza está en la posición correcta. A continuación, el procesador aplica el algoritmo de análisis sobre la imagen capturada e identifica si la pieza cumple los criterios de aceptación. Después, el resultado —conforme o defectuoso, con la clasificación del tipo de defecto cuando el sistema está configurado para ello— se envía al PLC de la línea. Finalmente, el PLC activa el mecanismo de rechazo —expulsor neumático, desvío de transportador, señal de parada— para apartar la pieza no conforme del flujo de producción buena.

Qué defectos detecta la visión artificial y cuáles escapan al sistema

La visión artificial industrial detecta con alta precisión defectos que generan una diferencia visual mensurable respecto a la pieza buena: rayaduras, grietas, manchas, burbujas, dimensiones fuera de tolerancia, presencia o ausencia de componentes, lectura de códigos y verificación de etiquetas. No detecta, en cambio, defectos que no producen contraste visual: variaciones internas de material, fallos de resistencia mecánica no manifiestos, contaminaciones microscópicas o propiedades eléctricas.

Defectos visuales con alta tasa de detección

Los defectos para los que la visión artificial industrial ofrece rendimiento documentado y reproducible incluyen los siguientes tipos. Las rayaduras y arañazos de superficie en piezas metálicas, plásticas o de vidrio se detectan con iluminación de campo oscuro, que convierte las irregularidades superficiales en zonas de alto contraste. Las burbujas, inclusiones y porosidades en materiales transparentes o translúcidos se identifican mediante iluminación de transmisión. Los defectos de forma y dimensión —rebabas, deformaciones, tolerancias dimensionales— se miden con precisión submilimétrica mediante visión estereoscópica o cámaras de línea. La verificación de presencia y posición de componentes —tornillos correctamente colocados, conectores insertados, etiquetas presentes y legibles— es posiblemente la aplicación más extendida de la visión artificial en líneas de ensamblaje ^[3].

Limitaciones de detección: lo que no ve la cámara

Existen tipos de no conformidad que la visión artificial industrial no puede detectar por definición, ya que no producen ninguna señal visual diferenciable. Entre ellos se encuentran las propiedades mecánicas del material —dureza, resistencia a la tracción, fatiga— que requieren ensayos destructivos o ultrasonidos para su verificación. Las contaminaciones microbiológicas o químicas invisibles al ojo humano —en industria alimentaria o farmacéutica— requieren sistemas de inspección hiperespectral o sensores específicos. Asimismo, los defectos internos de materiales compuestos, soldaduras o piezas fundidas —microporosidades, delaminaciones, faltas de fusión— demandan técnicas de inspección por rayos X o tomografía computarizada, no visión en luz visible.

Visión artificial vs inspección humana: cuándo conviene cada una

La visión artificial industrial supera a la inspección humana en velocidad (hasta miles de piezas por minuto), consistencia (0 % de variabilidad inter-inspector) y disponibilidad (24/7 sin fatiga). La inspección humana supera a la visión artificial en adaptabilidad ante defectos nuevos o variabilidad de producto no anticipada, en la interpretación de contexto complejo y en el coste de instalación para líneas de baja cadencia o alta variedad de referencia.

Tabla comparativa: visión artificial vs inspector humano

Parámetro	Visión artificial industrial	Inspector humano
Velocidad de inspección	Hasta miles de piezas/minuto según cadencia de línea	Limitada por velocidad visual y motora humana; típicamente decenas de piezas/minuto
Cobertura de inspección	100 % de las unidades producidas, sin excepción	Generalmente muestreo estadístico; 100 % solo en líneas de baja cadencia
Consistencia	Criterio idéntico en todas las piezas y en todos los turnos	Variabilidad inter-inspector e intra-inspector (fatiga, interpretación subjetiva)
Disponibilidad	24/7 sin degradación de rendimiento	Limitada por turno laboral; rendimiento decae con la fatiga
Adaptabilidad	Requiere reentrenamiento del modelo ante nuevos defectos o referencias	Se adapta con formación verbal en minutos a nuevos criterios
Coste de instalación	20.000-150.000 € según complejidad; OPEX bajo una vez instalado	Sin inversión inicial; coste por hora de operario
Trazabilidad	Registro completo de cada inspección con imagen, resultado y timestamp	Registro manual; trazabilidad limitada y dependiente del operario
Defectos no visuales	No detecta defectos sin contraste visual (mecánicos, químicos, internos)	Puede combinar inspección visual con tacto y criterio contextual
Alta variedad de referencias	Requiere modelo o programa por referencia; cambio de formato puede ser costoso	Adapta el criterio a cada referencia con instrucción de trabajo
Justificación económica	Alta cadencia, criterio de defecto estable, coste elevado del defecto escapado	Baja cadencia, alta variedad, defectos variables o subjetivos

Visión artificial clásica versus deep learning: diferencias prácticas

Los sistemas de visión artificial industrial se dividen en dos familias tecnológicas: los sistemas basados en procesamiento clásico de imagen (filtros, umbralización, detección de contornos) y los basados en deep learning con redes neuronales convolucionales. La visión clásica es más rápida de configurar y más explicable, pero requiere que los defectos sean consistentes y bien definidos. El deep learning detecta patrones complejos y variables, pero necesita miles de imágenes etiquetadas para entrenarse.

Visión artificial clásica: reglas explícitas para defectos definidos

Los sistemas de visión artificial industrial basados en procesamiento clásico de imagen —también llamados sistemas de reglas o sistemas algorítmicos— funcionan mediante la aplicación secuencial de transformaciones a la imagen: conversión a escala de grises, filtrado de ruido, umbralización, detección de bordes, análisis morfológico. Cada paso se configura manualmente por un ingeniero de visión que define los parámetros de aceptación: área mínima de un defecto para ser detectado, nivel de gris que diferencia una superficie correcta de una rayada, dimensiones máximas aceptables de una pieza.

Este enfoque presenta ventajas claras en ciertos contextos. En primer lugar, es totalmente explicable: el ingeniero sabe exactamente qué regla ha provocado el rechazo de cada pieza. Asimismo, no requiere datos etiquetados de entrenamiento: el sistema se configura con la especificación del defecto, no con ejemplos del mismo. Por ello, la visión clásica sigue siendo la opción más adecuada para defectos bien definidos, geométricamente consistentes y con criterios de aceptación cuantitativos claros ^[4].

Deep learning en visión artificial industrial: aprendizaje desde ejemplos

Los sistemas de visión artificial industrial basados en deep learning —principalmente redes neuronales convolucionales (CNN) y arquitecturas de detección de objetos como YOLO o Faster R-CNN— aprenden a detectar defectos a partir de ejemplos etiquetados en lugar de reglas explícitas. Esta diferencia es fundamental: en lugar de programar cómo es un defecto, se muestra al modelo miles de imágenes de defectos y piezas buenas para que aprenda la diferencia estadísticamente.

La ventaja principal del deep learning en visión artificial industrial es su capacidad para detectar defectos complejos y variables que serían imposibles de describir con reglas explícitas: variaciones sutiles de textura, defectos con formas irregulares, combinaciones de múltiples tipos de defecto en la misma pieza. Asimismo, el modelo puede clasificar el tipo de defecto —no solo detectarlo— lo que proporciona información directamente accionable para el diagnóstico de la causa raíz en el proceso de fabricación. La limitación principal, en cambio, es el volumen de imágenes etiquetadas necesario para entrenar un modelo con rendimiento aceptable en producción real, que habitualmente oscila entre quinientas y dos mil imágenes por clase de defecto ^[5].

Aplicaciones de visión artificial industrial por sector

La visión artificial en industria tiene aplicaciones documentadas en automoción, electrónica, farmacéutica, alimentación y manufactura discreta en general. En cada sector, el tipo de defecto y el criterio de aceptación son específicos, lo que determina la elección de la tecnología de imagen y el algoritmo. La automoción y la electrónica son los sectores con mayor adopción, impulsados por el alto coste de los defectos escapados al cliente y la elevada cadencia de sus líneas.

Automoción: verificación de presencia y defectos de superficie

En el sector de automoción, la visión artificial industrial cubre dos grandes familias de aplicaciones. La primera es la verificación de presencia y posición en líneas de ensamblaje: tornillos correctamente apretados, conectores insertados, clips de sujeción presentes, etiquetas colocadas y legibles. Este tipo de aplicación es especialmente crítico en componentes de seguridad —frenos, dirección, airbags— donde la ausencia de un componente puede tener consecuencias graves. La segunda familia es la inspección de superficies: carrocerías pintadas, piezas cromadas, vidrios y llantas. Los sistemas de visión de alta resolución con iluminación especializada detectan rayaduras, burbujas en la pintura, óxido o marcas de herramienta con precisión superior a la inspección humana en condiciones de iluminación industrial variable.

Electrónica: inspección de placas y componentes SMD

En la industria electrónica, la visión artificial industrial es prácticamente indispensable debido a la miniaturización de los componentes y las densidades de montaje que hacen imposible la inspección humana eficiente. Los sistemas de AOI (Automated Optical Inspection) inspeccionan placas de circuito impreso tras cada etapa del proceso de fabricación: verificación de la pasta de soldadura antes del montaje (SPI), verificación del posicionamiento de componentes SMD tras el pick-and-place, y verificación de la calidad de las soldaduras tras el horno de refusión. Los sistemas de AOI modernos combinan visión 2D y 3D para detectar soldaduras en puente, componentes mal orientados, componentes ausentes o levantados y cortocircuitos ^[6].

Farmacéutica y alimentación: calidad e inocuidad

En la industria farmacéutica, la visión artificial industrial cumple una doble función: por un lado, garantiza la calidad visual del producto —comprimidos sin grietas, cápsulas correctamente selladas, viales sin partículas visibles—; por otro, asegura la correcta identificación del producto —lectura de códigos Datamatrix, verificación de texto en prospecto, comprobación de la dosis impresa—. En la industria alimentaria, los sistemas de visión detectan cuerpos extraños, piezas fuera de tamaño, etiquetado incorrecto y defectos de envasado. Asimismo, los sistemas de inspección hiperespectral permiten detectar contaminaciones orgánicas e inorgánicas invisibles en la luz visible, ampliando significativamente las capacidades de control de calidad respecto a la visión en rango óptico convencional.

Qué necesita una línea industrial para implantar visión artificial

Implantar visión artificial en una línea industrial requiere cinco condiciones previas: un defecto visual definido con criterio de aceptación claro y cuantificable, posibilidad de instalar iluminación controlada en el punto de inspección, velocidad de línea compatible con el tiempo de exposición necesario, acceso mecánico para instalar la cámara en la posición correcta, y datos de entrenamiento suficientes si se opta por deep learning. La ausencia de cualquiera de estas condiciones no imposibilita el proyecto, pero sí lo encarece o reduce su precisión.

Definición del defecto y criterio de aceptación

El primer requisito, y con frecuencia el más subestimado, es la existencia de un criterio de aceptación claro y cuantificable para el defecto que se quiere detectar. «La pieza no debe tener rayaduras» no es un criterio suficiente: ¿cuál es la profundidad mínima de rayadura que es inaceptable? ¿Qué longitud máxima admite una rayadura en una zona no crítica? ¿El color de la pieza afecta al contraste de la rayadura? Sin respuestas precisas a estas preguntas, el sistema de visión artificial industrial no puede configurarse con criterios reproducibles, y el cliente y el integrador no tienen una referencia objetiva para validar el rendimiento del sistema.

Iluminación controlada: la clave que más se subestima

La iluminación es, en la práctica, el componente más determinante del rendimiento de un sistema de visión artificial para control de calidad. Una iluminación mal diseñada puede hacer invisible un defecto que sería detectable con la técnica correcta, o puede generar reflejos y variaciones de intensidad que el algoritmo interpreta como defectos inexistentes (falsos positivos). Por ello, el diseño de la iluminación —tipo de fuente, geometría, longitud de onda, frecuencia de destellos— requiere un análisis específico para cada tipo de pieza y defecto. En muchos proyectos, la fase de diseño y prueba de iluminación representa entre el 30 % y el 50 % del tiempo total de ingeniería del sistema ^[7].

Integración con el PLC y el sistema de rechazo

La señal de conformidad o rechazo que genera el sistema de visión artificial industrial debe llegar al PLC de la línea en un tiempo suficientemente corto para que el mecanismo de rechazo pueda actuar sobre la pieza defectuosa antes de que esta abandone la zona de alcance del expulsor. Por ello, la latencia total del sistema —tiempo entre la captura de imagen y la señal al PLC— debe calcularse en función de la velocidad de la línea y la distancia entre el punto de inspección y el punto de rechazo. En líneas de alta cadencia, esta latencia debe ser inferior a 50 ms. En consecuencia, la integración eléctrica y de comunicación entre el sistema de visión, el PLC y el mecanismo de rechazo es un elemento crítico del diseño del sistema que debe planificarse desde el inicio del proyecto.

Limitaciones reales de la visión artificial industrial y cuándo no conviene

Las limitaciones más relevantes de la visión artificial en industria son su dependencia de condiciones de iluminación controladas, la dificultad de detectar defectos no visuales, el coste de reentrenamiento ante cambios de producto o proceso, y la baja rentabilidad en líneas de baja cadencia o alta variedad de referencia. Un sistema de visión artificial mal diseñado puede generar una tasa de falsos positivos que paraliza la línea o una tasa de falsos negativos que da falsa seguridad sobre la calidad.

El problema de los falsos positivos y falsos negativos

Todo sistema de visión artificial industrial opera bajo un compromiso entre dos tipos de error: los falsos positivos (piezas buenas rechazadas por el sistema) y los falsos negativos (piezas defectuosas que el sistema clasifica como conformes y que escapan al cliente). El umbral de decisión del algoritmo determina el equilibrio entre ambos: un umbral conservador reduce los falsos negativos pero aumenta los falsos positivos, lo que puede generar una tasa de rechazo inaceptable de producto bueno y paradas frecuentes de línea. Un umbral permisivo reduce los falsos positivos pero aumenta el riesgo de defectos escapados. Por ello, la calibración del umbral de decisión debe hacerse con datos reales de producción y con criterio claro sobre cuál de los dos errores es más costoso para el cliente específico.

Errores comunes en proyectos de visión artificial industrial

• No definir el criterio de aceptación antes de comprar el sistema: Un sistema instalado sin criterio cuantificable no puede validarse objetivamente. La consecuencia es una negociación post-instalación sobre qué es un defecto aceptable, con el sistema ya montado en línea.
• Subestimar el impacto de los cambios de iluminación ambiental: La luz solar que entra por una ventana cercana, el cambio de turno con diferente iluminación de nave o el envejecimiento de la fuente de luz del sistema pueden degradar el rendimiento de la visión artificial sin que nadie lo detecte hasta que aumentan las reclamaciones de cliente.
• Usar un modelo de deep learning con datos de entrenamiento insuficientes: Un modelo entrenado con cincuenta imágenes de defecto producirá falsos positivos y negativos en producción real. El volumen mínimo recomendado de imágenes etiquetadas por clase de defecto es de quinientas a dos mil.
• No planificar el reentrenamiento del modelo: Cuando cambia el proveedor de material, el proceso de fabricación o la referencia del producto, el modelo puede degradarse si no se actualiza. Este coste de mantenimiento debe incluirse en el presupuesto total del proyecto.
• Confundir detección de defectos con medición de calidad: Un sistema de visión artificial industrial detecta si una pieza es conforme o no; no mide cuánto se ha degradado el proceso. Para el control estadístico del proceso (SPC) es necesaria la medición cuantitativa de las variables relevantes, no solo la clasificación binaria de conformidad.

Cuándo la inspección humana sigue siendo la mejor opción

La visión artificial industrial no está justificada en todos los contextos. Para líneas de baja cadencia con alta variedad de referencias y criterios de aceptación subjetivos —artesanía, diseño personalizado, inspección de prototipos— la flexibilidad del inspector humano supera la rigidez del sistema automatizado. Asimismo, en productos con defectos que requieren criterio contextual —una marca de herramienta en una zona no visible del producto terminado puede ser aceptable mientras que la misma marca en una zona visible no lo es—, la parametrización del sistema de visión puede resultar tan compleja que su coste supera el beneficio.

¿Tienes un problema de calidad visual en tu línea de producción?
En Induavant diseñamos e implantamos sistemas de visión artificial industrial para control de calidad en línea: desde la selección de cámara e iluminación hasta la integración con el PLC y el sistema de rechazo. Con más de 25 años de experiencia en automatización y proyectos para clientes como PSA Groupe y SEAT, evaluamos la viabilidad técnica antes de proponer ninguna solución. Solicita un análisis de viabilidad sin compromiso.

Preguntas frecuentes sobre visión artificial en industria

¿Qué es la visión artificial en industria?

La visión artificial industrial es el conjunto de cámaras, iluminación y algoritmos que permiten a un sistema automatizado inspeccionar piezas y productos con capacidad de percepción visual, detectando defectos, verificando presencia de componentes y midiendo dimensiones en tiempo real. Se utiliza principalmente en control de calidad en línea, donde reemplaza o complementa la inspección humana con mayor velocidad, consistencia y trazabilidad.

¿Qué defectos detecta la visión artificial industrial?

Detecta defectos que producen una diferencia visual mensurable: rayaduras, grietas, manchas, burbujas, poros, rebabas, componentes ausentes o mal posicionados, etiquetas incorrectas y dimensiones fuera de tolerancia. No detecta defectos sin contraste visual: propiedades mecánicas del material, contaminaciones químicas o microbiológicas invisibles y defectos internos del material (que requieren rayos X, ultrasonidos o espectrometría).

¿Cuánto cuesta un sistema de visión artificial para control de calidad?

El rango habitual es de 20.000 a 150.000 € según la complejidad. Una aplicación simple —verificación de presencia de un componente con una sola cámara— puede estar en el extremo inferior. Una aplicación compleja —inspección de superficie de alta resolución con múltiples cámaras, iluminación especializada y modelo de deep learning— puede superar los 100.000 €. El parámetro de decisión es siempre el coste del defecto escapado al cliente frente al coste del sistema.

¿Cuál es la diferencia entre visión artificial clásica y deep learning?

La visión clásica aplica reglas explícitas programadas por un ingeniero (filtros, umbrales, detección de contornos) y no necesita imágenes de entrenamiento. Es más rápida de configurar para defectos bien definidos y más explicable. El deep learning aprende de miles de imágenes etiquetadas y detecta defectos complejos y variables que son difíciles de describir con reglas. Requiere más datos y tiempo de entrenamiento, pero es más robusto ante variabilidad del defecto.

¿Cuántas imágenes se necesitan para entrenar un modelo de visión artificial con deep learning?

El mínimo recomendado para un rendimiento aceptable en producción real es de quinientas a dos mil imágenes etiquetadas por clase de defecto. Las técnicas de data augmentation —rotaciones, cambios de brillo, añadido de ruido sintético— pueden reducir este requisito. Con menos de cien imágenes por clase, el modelo generará una tasa de falsos positivos o negativos inaceptable en condiciones de producción real.

¿La visión artificial puede integrarse con el SCADA y el MES?

Sí. Los sistemas modernos de visión artificial industrial se integran con SCADA, MES y ERP mediante protocolos estándar como OPC UA o interfaces de base de datos SQL. Esta integración permite registrar el resultado de cada inspección con imagen, timestamp y datos de trazabilidad del lote, alimentar el control estadístico del proceso (SPC) con datos de defecto en tiempo real, y cerrar el bucle de calidad ajustando parámetros de proceso cuando el sistema detecta una tendencia de defectos.

¿Cuál es la tasa de precisión real de un sistema de visión artificial industrial?

En condiciones de iluminación controlada y con modelo bien entrenado, los sistemas de visión artificial industrial alcanzan tasas de detección del 99 al 99,9 % para los tipos de defecto para los que fueron diseñados. Esta precisión se degrada si cambian las condiciones de iluminación ambiental, si el producto varía fuera del rango de entrenamiento del modelo o si el sistema no recibe mantenimiento periódico de calibración y actualización del modelo.

¿Cuándo no conviene implantar visión artificial en una línea de producción?

No conviene cuando la línea tiene baja cadencia y alta variedad de referencias, cuando el criterio de aceptación del defecto es subjetivo o cambia frecuentemente, cuando no es posible instalar iluminación controlada en el punto de inspección, o cuando el coste del defecto escapado al cliente es inferior al coste total del sistema (incluyendo mantenimiento y reentrenamiento). En estos casos, la inspección humana con instrucción de trabajo bien definida es la solución más eficiente.

¿Qué es la inspección AOI en electrónica?

AOI (Automated Optical Inspection) es la denominación específica de los sistemas de visión artificial industrial utilizados para inspeccionar placas de circuito impreso (PCBs). Verifican automáticamente la correcta aplicación de pasta de soldadura, el posicionamiento y orientación de componentes SMD y la calidad de las soldaduras tras el horno. Los sistemas AOI modernos combinan visión 2D y 3D y alcanzan coberturas de inspección del 100 % de la producción a velocidades de línea de varios metros por minuto.

¿Qué protocolo usa la visión artificial para comunicarse con el PLC?

Los sistemas de visión artificial industrial se comunican con el PLC principalmente mediante señales digitales de E/S (la forma más simple y rápida para el rechazo en tiempo real), Ethernet industrial con Profinet o EtherNet/IP, OPC UA para integración con sistemas SCADA y MES, o interfaces serie RS-232/RS-485 en sistemas legacy. La elección del protocolo depende del fabricante del PLC, los requisitos de latencia y el nivel de información que debe transferirse (solo conformidad/rechazo o también datos detallados del defecto).

Fuentes

Referencias sobre visión artificial en industria

1. Cognex Corporation (2022). Machine Vision for Industrial Inspection: A Practical Guide. Cognex. Natick, MA.
2. Belbachir, A.N. (ed.) (2010). Smart Cameras. Springer. Nueva York.
3. Fabio, R. (2004). From point cloud to surface: the modeling and visualization problem. International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 34(5).
4. Davies, E.R. (2012). Computer and Machine Vision: Theory, Algorithms, Practicalities (4.ª ed.). Academic Press. Oxford.
5. Lecun, Y., Bengio, Y. y Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444.
6. IPC-A-610 (2020). Acceptability of Electronic Assemblies. IPC Association Connecting Electronics Industries. Bannockburn, IL.
7. Steger, C., Ulrich, M. y Wiedemann, C. (2018). Machine Vision Algorithms and Applications (2.ª ed.). Wiley-VCH. Weinheim.
8. García, G.J. et al. (2012). The evolution of robotics research. IEEE Robotics & Automation Magazine, 14(1), 90-103.
9. EMVA Standard 1288 (2021). Standard for Characterization and Presentation of Specification Data for Image Sensors and Cameras. European Machine Vision Association.
10. McKinsey Global Institute (2022). Unlocking the industrial potential of robotics and automation. McKinsey & Company. Nueva York.

Sobre este artículo
Elaborado por el equipo técnico de Induavant, especialistas en automatización industrial, visión artificial y sistemas de control de calidad en línea con más de 25 años de experiencia y más de 3.456 proyectos en sectores como automoción, electrónica, farmacéutica y manufactura discreta. El contenido se basa en bibliografía técnica de referencia (Davies, Steger, LeCun), estándares internacionales (EMVA 1288, IPC-A-610) y experiencia directa en proyectos de implantación de visión artificial para clientes como PSA Groupe y SEAT. Última revisión: abril de 2026.