Visión computacional
Que una cámara vea lo que hoy revisa una persona: defectos, conteos, presencia.
+Qué es
Revisas el cien por ciento de las piezas en vez de una muestra, sin sumar gente a la línea, y de cada una queda registro con foto.
- Entrenado con tus propias piezas
- Marca lo que ve y qué tan seguro
- Cuenta y sigue cada objeto
- Corre en tu planta, sin nube
- Deja evidencia con foto
- Dispara la alarma o el paro
- Ultralytics
- PyTorch
- OpenCV
- ONNX
- Roboflow
- Python
- NVIDIA
- Jetson
- Cámara IP
- RTSP
- Docker
- En tu red
Cómo se entrega
6–15 semanas de punta a punta
Levantamiento
1 semana
Qué hay que ver, con qué cámara y qué se hace cuando el modelo lo ve.
Datos y etiquetado
2–4 semanas
Recolectar y etiquetar ejemplos reales, incluidos los casos raros.
Entrenamiento y prueba
2–6 semanas
Se afina contra tu operación y se mide con la vara del inspector humano.
Instalación
1–4 semanas
Despliegue en piso, integración con tu sistema y ajuste con el turno real.
Cuándo te sirve
- 01Inspeccionas calidad a ojo y el criterio cambia con el turno
- 02Cuentas piezas, personas o vehículos a mano
- 03Necesitas vigilar zonas de riesgo sin poner a alguien a mirar pantallas
- 04Quieres registro de lo que pasó frente a la cámara, no sólo video
Qué necesitas
- La precisión depende de iluminación, ángulo y calidad de cámara. Si las condiciones no son estables, estabilizarlas es parte del trabajo y a veces lo primero.
- Un modelo a la medida necesita ejemplos, sobre todo de lo que sale mal: sin defectos fotografiados no hay detector de defectos.
- El demo de Sonar usa modelos genéricos; tu caso se entrena con tus datos y por eso el rango de tiempo es amplio.
FAQ
¿Cuántas imágenes de defectos necesito para entrenar?
Depende del enfoque. Con fine-tuning de modelos pre-entrenados (transfer learning), 50–200 imágenes por clase pueden ser suficientes. Para detección de anomalías sin defectos etiquetados, solo se necesitan imágenes de piezas buenas. En producción con volumen alto, el modelo mejora continuamente con datos nuevos.
¿Puede funcionar con defectos que nunca hemos visto antes?
Los modelos de detección de anomalías (PatchCore, FastFlow) aprenden el aspecto "normal" y alertan sobre cualquier desviación, incluyendo defectos nuevos. Tienen mayor tasa de falsos positivos que los detectores supervisados, pero no requieren ejemplos de cada tipo de defecto.
¿Funciona en ambientes con polvo, vibraciones o iluminación variable?
Sí, con las precauciones correctas. La cámara industrial (IP65+) maneja polvo y vibración. La iluminación controlada (strobe sincronizado con el obturador) elimina la variación de luz ambiental. Es parte del diseño del sistema, no una limitación del algoritmo.
¿Cuál es la tasa de error típica?
Para sistemas bien diseñados: < 0.1% de falsos negativos (defectos que no se detectan) con < 2% de falsos positivos (piezas buenas rechazadas). La meta exacta depende del costo del defecto vs. el costo del scrap.
¿Cuánto hardware se necesita?
Para inspección simple (clasificación): plataformas de edge computing NVIDIA Jetson son suficientes. Para múltiples cámaras o video a alta velocidad: servidor con GPU enterprise (gama alta de consumo o clase A-series). El costo de hardware es típicamente 10–30% del costo total del proyecto.
También en Modelos y predicción