Inspección visual por IA en líneas de sacos tejidos: qué detecta y qué no
Un sistema de visión por IA en una línea de sacos tejidos detecta de forma fiable los defectos visibles y recurrentes — desviación de registro, falta de tinta y borrosidad en la impresión; filamentos rotos, agujeros del tramado y pelusa en el tejido; puntadas saltadas y desplazamiento del punto de corte en el proceso — a plena velocidad de línea, con un objetivo de detección de defectos superior al 95%. Lo que no hace es corregir esos fallos por sí mismo, juzgar la calidad subjetiva del color como lo hace el ojo de un cliente, ni ver defectos que la cámara físicamente no puede ver. Esta guía traza esa línea con precisión, porque el discurso del sector sobre la "inspección por IA" rara vez lo hace.
Por qué el PP tejido derrotó a la visión artificial durante tanto tiempo
La visión artificial clásica es un motor de reglas: definir un fondo uniforme y señalar cualquier desviación. Eso funciona en película porque la película es uniforme. Un sustrato tejido es lo contrario — miles de cruces de cinta por metro cuadrado, cada uno un borde con su propia sombra y contraste local. Apunte un sistema de umbrales a PP tejido y señalará el propio tramado, en todas partes, para siempre.
Por eso la inspección en líneas de sacos tejidos siguió siendo manual mucho después de que las impresoras de película ofrecieran la inspección 100% de banda como opción de catálogo. El cambio está en la clase de modelo: una red neuronal convolucional (CNN) no compara píxeles contra una referencia fija — aprende la textura del tramado como el estado normal, como lo hace el ojo de un inspector experimentado, y señala las desviaciones respecto a esa normalidad aprendida. La textura que rompía la visión basada en reglas se convierte en fondo.
La consecuencia práctica: los sistemas modernos se implementan con pocas muestras (few-shot), construyendo una base funcional a partir de unas 50 muestras de referencia de su tejido y su arte real, en lugar de las miles de imágenes de defectos etiquetadas que exigía el entrenamiento convencional. En un producto que cambia de referencia cada semana, esa diferencia decide si el sistema es utilizable o no.
Las tres familias de defectos que la visión maneja hoy
La Inteligencia de Máquina de Rey Long inspecciona tres familias de fallos, todas a plena velocidad de línea:
- Defectos de impresión — desviación de registro, falta de tinta, borrosidad, manchado. En una línea a 25–40 sacos/min, un fallo de impresión recurrente detectado en el segundo saco en lugar de al final del turno es la diferencia entre dos sacos de desperdicio y un palet desechado.
- Defectos de material — filamentos de urdimbre o trama rotos, agujeros del tramado, pelusa superficial. Llegan con la bobina de tejido; detectarlos en la máquina significa cargar el fallo al proceso correcto en lugar de que aflore como una reclamación del cliente.
- Defectos de proceso — puntadas saltadas, desplazamiento del punto de corte, dobladillos irregulares. Son los fallos propios de la máquina, y son aquellos en los que una alerta inmediata evita que un parámetro a la deriva produzca en silencio una hora de retrabajo.
Qué significan realmente las cifras de precisión
Importan dos números, y tiran en direcciones opuestas. La exhaustividad (recall) es la proporción de defectos reales que el sistema detecta; el objetivo de implementación de Rey Long es superar el 95%, y el matiz honesto es que la cifra alcanzada depende de la aplicación — varía con el tejido, el arte, la iluminación y las clases de defecto que le importen, y por eso se establece durante la puesta en marcha sobre su producto y no se cita de una ficha técnica. La precisión es la proporción de alertas que son reales; su inversa es la tasa de rechazos falsos. Las cifras publicadas en el sector de la visión artificial sitúan los rechazos falsos de la IA por debajo del 1%, frente a un 10–20% aproximado de la inspección manual — y los rechazos falsos importan más de lo que parece, porque un sistema de inspección que grita "lobo" entrena a los operarios a ignorarlo, y en ese punto su exhaustividad es irrelevante.
Como comparación: la investigación de Sandia National Laboratories halló que los inspectores humanos pasan por alto el 20–30% de los defectos incluso en buenas condiciones, con una atención que se degrada notablemente tras unas dos horas de trabajo visual continuo. La ventaja de la cámara no es una percepción sobrehumana en un saco concreto — es que el saco diez mil recibe la misma inspección que el saco uno. Comparamos ambos enfoques en detalle en la guía manual vs IA.
La parte sin glamur: cámaras y luz
Un sistema de visión es primero un instrumento óptico y después un modelo, y la guía del sector es tajante con el orden: la iluminación decide más proyectos de inspección que la resolución de la cámara. Tres realidades en una línea de sacos tejidos:
- Las bandas continuas piden cámaras line-scan sincronizadas con un encoder, construyendo una imagen continua de la banda en movimiento en lugar de coser instantáneas solapadas.
- El tejido laminado brilla. La laminación BOPP convierte la superficie en un espejo parcial; la geometría de la luz (y donde haga falta, la polarización) debe diseñarse para que la cámara vea la impresión y no el reflejo del techo de la nave.
- El tramado tiene profundidad. Una luz rasante que haga que un filamento roto proyecte una sombra visible es la diferencia entre detectarlo o no — ningún modelo recupera información que la óptica nunca capturó.
Lo que la inspección por IA no hace
Tres límites, dichos con claridad.
No corrige el fallo. El sistema de visión detecta y alerta; el lazo de corrección del registro de impresión — la visión accionando los servos para anular la desalineación de color sin operario — es una dirección hacia la que avanza el sector y que Rey Long está explorando, pero no es una capacidad desplegada, y no describiremos una intención como si fuera un producto. El lazo cerrado visión-servo que Rey Long sí opera hoy es la Compensación Dinámica de Errores, que lee la marca Eye-Mark y corrige la longitud de corte y costura hacia un objetivo de ±1 mm, frente a los aproximadamente ±5 mm de deriva práctica del corte de longitud fija. Es un lazo de longitud, no de color — la distinción se explica en la guía de registro.
No juzga el color como un cliente. El modelo señala desviaciones respecto a la referencia — un registro a la deriva, un color ausente. Si un rojo ligeramente más denso sigue siendo un rojo de marca aceptable es una cuestión de colorimetría (y en última instancia humana); un sistema de visión no es un espectrofotómetro.
No ve lo que la cámara no puede ver. Un pliegue que oculta una mancha, el interior de una banda tubular, un defecto en el dorso del tejido cuando solo el frente está instrumentado — la cobertura la define la colocación de las cámaras, decidida en el diseño del sistema. Por eso la fase de evaluación de una implementación parte de su historial de defectos, no del catálogo de hardware.
En resumen
La visión por IA se gana su lugar en una línea de sacos tejidos haciendo una cosa sin descanso: vigilar cada saco a velocidad de línea en busca de los fallos visibles y recurrentes que drenan el margen — y alertar a un humano cuando la cuenta aún va por dos, no por dos mil. Se implementa con pocas muestras (~50), se ejecuta en hardware edge sin dependencia de la nube y se instala sobre líneas existentes — la guía de retrofit explica lo que eso implica. Lo que no es: un corrector de color en lazo cerrado ni un sustituto del criterio humano — y un proveedor que afirme lo contrario está describiendo una ambición, no un sistema en producción.
Hable con el equipo de ingeniería de Rey Long sobre la inspección de su tejido, su arte y su historial de defectos.
Preguntas frecuentes
¿Qué defectos puede detectar la visión por IA en sacos tejidos?
Tres familias. Defectos de impresión: desviación de registro, falta de tinta, borrosidad y manchado. Defectos de material: filamentos de urdimbre o trama rotos, agujeros en el tramado y pelusa superficial. Defectos de proceso: puntadas saltadas, desplazamiento del punto de corte y dobladillos irregulares. El hilo común es que todos son fallos visibles y recurrentes — exactamente el tipo de fallo que una cámara que observa cada saco a velocidad de línea detecta bien, y exactamente el que un ojo humano cansado empieza a pasar por alto a las dos horas de turno.
¿Cuántas imágenes de muestra necesita el modelo de IA antes de funcionar?
Una base funcional puede construirse a partir de unas 50 muestras de referencia, porque el modelo se implementa con pocas muestras (few-shot): aprende cómo es un saco correcto a partir de un conjunto pequeño de ejemplos buenos más los ejemplos de defectos disponibles, en lugar de requerir las miles de imágenes etiquetadas de un modelo entrenado convencionalmente. El número exacto depende del tejido, del arte de impresión y de las clases de defecto que le importen — una impresión compleja de seis colores necesita más referencias que un saco liso con un logotipo de dos colores.
¿Puede la inspección por IA sustituir al control de calidad humano?
Lo reposiciona más que sustituirlo. La investigación de Sandia National Laboratories halló que los inspectores humanos pasan por alto el 20–30% de los defectos incluso en buenas condiciones, y la atención se degrada notablemente tras unas dos horas de trabajo visual continuo — así que la cámara asume la tarea en la que los humanos son demostrablemente malos: vigilar cada saco, todo el turno, sin fatiga. Lo que sigue siendo humano es el criterio: fijar el estándar de calidad, decidir qué hacer cuando el sistema alerta y los juicios subjetivos que una cámara no puede hacer. En la práctica esto redistribuye el personal en lugar de eliminarlo — un operario puede supervisar hasta cuatro máquinas en lugar de dos.
¿Por qué el tejido es más difícil de inspeccionar con cámaras que la película plástica?
Porque el propio tejido parece ruido. La visión clásica basada en reglas funciona señalando cualquier cosa que se desvíe de un fondo uniforme — y un sustrato tejido nunca es uniforme: cada cruce de cintas crea bordes, sombras y contraste local que un sistema de umbrales interpreta como miles de defectos falsos. Un modelo CNN lo maneja porque aprende la textura del tramado como fondo normal y señala las desviaciones respecto a ella; por eso la inspección por IA se volvió práctica en PP tejido años después de ser rutinaria en película.
¿El sistema de visión necesita internet o conectividad a la nube?
No. Toda la inferencia se ejecuta en hardware edge instalado en la máquina — un PC industrial o un acelerador de IA embebido — con latencia casi nula y plena resiliencia sin conexión. La integración con la máquina se realiza mediante protocolos industriales estándar (OPC-UA, Modbus, MQTT), de modo que el sistema funciona en fábricas con redes limitadas o con políticas estrictas de seguridad que mantienen los datos de producción en planta.