Visión artificial con IA o visión clásica: elegir según el tipo de fallo

En resumen: Use visión basada en reglas cuando una característica estable y medible separa las piezas buenas de las malas. Plantéese la visión aprendida (IA) cuando la variación real supera a una regla bien diseñada y dispone de imágenes etiquetadas representativas. Decida según cómo falla cada enfoque, no según cuál es más nuevo.

Empiece por la imagen, no por el algoritmo

El ángulo de iluminación, la exposición, la distorsión de la lente, la profundidad de campo, el desenfoque por movimiento y la repetibilidad del utillaje determinan lo que pueden mostrar los píxeles. Ningún algoritmo, clásico o neuronal, recupera un detalle que el sensor nunca captó. Por eso conviene fijar primero el montaje óptico y lograr que los ingenieros de calidad acuerden qué cuenta como defecto, con muestras límite, antes de comparar ningún software. Si dos inspectores discrepan sobre una pieza, un modelo entrenado con sus etiquetas hereda esa discrepancia.

Dónde son fuertes las reglas y cómo fallan

Una herramienta basada en reglas mide algo explícito: la posición de un borde, el área de una región, una distancia bajo geometría calibrada, un código que se lee o no se lee. Por eso las comprobaciones de presencia, la medición dimensional, la alineación sobre características de alto contraste y la lectura de códigos son deterministas y explicables. Cuando se rechaza una pieza, el valor medido y el límite indican por qué. Las reglas fallan cuando la característica deja de ser estable: un acabado superficial distinto, un reflejo o la textura de un proveedor nuevo desplazan el umbral, y alguien tiene que reajustarlo a mano.

Dónde ayudan los modelos aprendidos y qué cuestan

Un modelo entrenado de clasificación o de segmentación aprende a partir de ejemplos qué aspecto tienen lo bueno y lo malo. Eso ayuda con los defectos de textura o cosméticos y con los fondos variables, que son difíciles de expresar como regla. El coste es otro tipo de trabajo: recopilar y etiquetar imágenes, gestionar versiones del modelo y vigilar la deriva cuando cambia la producción. Un modelo aprendido también falla de otra manera. Puede devolver una respuesta con un nivel de confianza alto ante una imagen distinta de todo lo que había en sus datos de entrenamiento, y el motivo de una decisión concreta es más difícil de interpretar.

Mida por separado los dos tipos de error

Una falsa aceptación deja salir un defecto; un falso rechazo desecha o reprocesa una pieza buena. Sus costes son distintos, así que conviene informar de ellos por separado y por clase de defecto, no como una única cifra de exactitud. Reserve como datos de prueba familias de piezas, lotes o periodos de producción completos, para que el modelo no se evalúe con imágenes casi idénticas a aquellas con las que aprendió. El marco de gestión de riesgos de IA del NIST plantea la misma idea general para cualquier sistema de IA: el rendimiento debe demostrarse en condiciones similares a las del entorno de despliegue, y los sistemas deben probarse antes del despliegue y periódicamente durante su funcionamiento. Mida también el tiempo de inferencia con la línea en carga, porque el peor caso determina el tiempo de ciclo.

Planifique la alternativa y el proceso de cambio

Decida quién es responsable del umbral, quién aprueba una nueva versión del modelo y durante cuánto tiempo se conservan las imágenes. Defina qué hace la estación cuando la cámara se desconecta, la óptica se ensucia o la confianza es baja; lo habitual es desviar la pieza a inspección manual. Los dos enfoques también pueden combinarse, con reglas para la presencia y las dimensiones y un modelo aprendido para el aspecto superficial. La salida de un clasificador no es una función de seguridad validada y no debe usarse como tal.

Lista de comprobación antes de comprometer presupuesto o alcance

• Imágenes representativas de piezas buenas y de cada clase de defecto, con muestras límite acordadas con calidad.
• Evidencia de que la iluminación y el utillaje se mantienen estables entre turnos y lotes.
• Tasas de falsa aceptación y de falso rechazo por clase de defecto, medidas con datos reservados.
• Tiempo de inferencia en el peor caso, medido en condiciones de línea.
• Una alternativa definida para confianza baja, lente sucia o pérdida de la cámara.
• Un responsable designado para los umbrales, las versiones del modelo y la vigilancia de la deriva.

Lo que esta guía no establece

Esta guía es una ayuda para la planificación. No presenta ensayos, no compara productos ni predice la tasa de detección de ningún sistema con sus piezas; eso solo puede medirse en su línea con sus imágenes. La inspección que alimenta una decisión de seguridad o reglamentaria necesita su propia validación por partes debidamente cualificadas.

Fuentes y verificación adicional

• NIST — AI Risk Management Framework (AI RMF 1.0), Core: Govern, Map, Measure, Manage (marco de 2023; el NIST indica que hay una revisión en curso; consultado el 2026-10-12).
• Association for Advancing Automation (A3) — What Every Machine Vision User Should Know About Lighting (fecha indicada: 2002-02-12; lectura de referencia sobre iluminación; consultado el 2026-10-11).

Siguiente paso útil

Lleve imágenes de muestra de piezas buenas y defectuosas, sus definiciones de defecto, la velocidad de la línea y los resultados de inspección que ya tenga a la página de Robótica y Automatización. El portafolio de AYXWORKS muestra el enfoque de ingeniería que hay detrás de estas guías. Cualquier proyecto posterior se define y se ejecuta a través de Eurobots/ReBots, y empieza por la viabilidad y los límites de responsabilidad, no por una supuesta instalación llave en mano.