Oferta · Cámaras e IA en el borde en su línea: menos defectos llegan a su cliente
KaizoVision Quality Control
Inspección visual de calidad en la línea de producción o en el almacén. Cámaras industriales y un ordenador local con GPU junto a la línea detectan defectos y daños, envían OK/NOK al PLC y registran cada resultado por número de serie. Las imágenes nunca salen de la planta.
Para quién
Primero proveedores de automoción (Tier 1/2), después producción en serie (electrodomésticos, muebles, electrónica), logística y almacenes (paquetes y cargas dañados), y alimentación y farmacia (etiquetas y envases). Nuestro equipo aporta 15 años en automoción, ISO 26262 y ASPICE, y experiencia práctica en visión e IA en el borde.
Funciona en
Un AI Edge Box Camera o Line en cada línea, más un AI Office Box Pro o Pro+ que reúne los resultados y calcula los KPI. Comparar paquetes AI Box →
Diagrama del sistema
Entradas, salidas e interfaces
Qué entra en el AI Edge Box de la línea, qué sale y a través de qué interfaz. Todo funciona dentro de su planta: las imágenes nunca salen de ella.
Su red: sus datos se quedan aquí
Entradas
Cámaras e iluminación industriales
Una imagen de cada pieza, configurada para el defecto: arañazos, elementos que faltan, dimensiones, montaje.
GigE Vision o USB3 VisionDisparo de pieza y número de serie
Una señal cuando la pieza está en posición, y su número de serie para la trazabilidad.
PLC: E/S digitales u OPC UA
AI Edge Box Camera / Line en la línea
- 1Captura y preprocesamiento de imágenes
- 2Modelo de detección y segmentación de defectos
- 3Modelo de visión y lenguaje que describe y clasifica los casos inusuales
- 4Decisión OK/NOK, con la imagen guardada como prueba
- 5Resultados de todas las líneas reunidos en un AI Office Box Pro / Pro+, que calcula los KPI
Salidas
OK/NOK al PLC
El PLC rechaza la pieza defectuosa dentro del takt de la línea. Sin conectar durante el piloto en modo sombra.
E/S digitales, OPC UA o PROFINETResultados en el MES
Resultado, tipo de defecto e imagen por número de serie, para la trazabilidad.
Interfaz MES, según su MESPantalla del operario
Piezas dudosas con la imagen; el operario confirma OK o NOK.
Pantalla táctil en el puestoPanel de KPI
PPM, tasa de fugas, tasa de falsos rechazos y tendencias de defectos en directo, por turno y por máquina.
Panel web en su LAN
Ciclo de aprendizaje: cada pieza que confirma el operario se convierte en una nueva muestra de entrenamiento, y el modelo se reentrena dentro de la suscripción.
Interfaces
| Interfaz | Dirección | Protocolo / formato | Qué se transmite |
|---|---|---|---|
| Cámaras | Línea → Edge Box | GigE Vision o USB3 Vision, con iluminación industrial | Una imagen de cada pieza |
| PLC | PLC ↔ Edge Box | E/S digitales, OPC UA o PROFINET, acordado con su equipo de automatización | Entran el disparo de pieza y el número de serie; sale la señal de rechazo OK/NOK |
| MES | Edge Box → MES | API REST, base de datos o exportación de archivos, según su MES | Resultado, tipo de defecto y enlace a la imagen por número de serie |
| Pantalla del operario | Operario ↔ Edge Box | Pantalla táctil en el puesto | Piezas dudosas y las decisiones del operario |
| Panel de KPI | Office Box → equipo de calidad | HTTPS en su LAN, cualquier navegador | PPM, tasa de fugas, tasa de falsos rechazos, tendencias |
| Servicio remoto | Nuestro equipo ↔ AI Boxes | VPN, según el SLA | Actualizaciones de modelos, reentrenamiento, soporte |
Qué medimos
KPI que medimos antes del piloto y demostramos después
Los medimos con usted antes del piloto (la línea base), para poder demostrar después el retorno en zlotys.
| KPI | Definición | Cómo se traduce en dinero |
|---|---|---|
| PPM | Piezas defectuosas por millón entregadas al OEM | Coste de reclamaciones y clasificación × incidentes; riesgo de penalizaciones y de perder el estatus de proveedor |
| Tasa de fugas | % de defectos que pasaron la inspección y siguieron adelante | Cada fuga es una posible reclamación; el KPI que más vigila el OEM |
| Tasa de chatarra | % de la producción rechazada como chatarra | Material y mano de obra en las piezas rechazadas |
| Tasa de falsos rechazos | % de piezas buenas rechazadas por error | Chatarra y reinspección innecesarias; decide si producción acepta el sistema |
| FTE de inspección | Inspectores visuales en todos los turnos | Coste empresa por FTE × FTE; las personas pasan a tareas de más valor |
| Tiempo de inspección / takt | Tiempo para inspeccionar una pieza frente al takt de la línea | Si la inspección ralentiza la línea |
| OEE | Disponibilidad × rendimiento × calidad | El efecto global, para el director de planta |
Arquitectura
De la cámara al PLC y al panel
Adquisición de imágenes
Cámaras e iluminación industriales elegidas para el defecto: arañazos, elementos que faltan, dimensiones, montaje.
IA en el borde
Un ordenador local con GPU junto a la línea: un modelo de detección y segmentación de defectos, más un modelo de visión y lenguaje que describe y clasifica los casos inusuales. Los datos no salen de la planta.
Integración
Señal OK/NOK al PLC (rechazo de pieza), resultados escritos en el MES, trazabilidad por número de serie.
Panel
KPI en directo: PPM, tasa de fugas, tasa de falsos rechazos, tendencias de defectos por turno y por máquina.
Ciclo de aprendizaje
El operario confirma los casos dudosos y las nuevas muestras se usan para reentrenar el modelo.
Implantación
Cinco etapas, cada una con un resultado comprobable
- 11–2 semanas
Diagnóstico
Entrevista con el equipo de calidad, elección de una línea y de 1–3 tipos de defecto, KPI de partida. Resultado: KPI y criterios de éxito acordados.
- 22–3 semanas
Datos
Instalación de cámaras, recogida y etiquetado de imágenes OK/NOK. Resultado: un conjunto de datos de entrenamiento.
- 33–4 semanas
Prueba de concepto offline
Entrenamiento del modelo y prueba con datos históricos. Resultado: un informe de precisión frente a la inspección manual.
- 44–6 semanas
Piloto en modo sombra
El sistema funciona junto a los inspectores, sin efecto sobre la producción. Resultado: datos reales sobre las tasas de fugas y de falsos rechazos.
- 54–8 semanas
Implantación
Integración con el PLC y el MES, formación, documentación y traspaso. Resultado: un sistema en producción y una suscripción.
Retorno de la inversión
Cálculo de ejemplo
Supuestos ilustrativos; en la llamada de diagnóstico los sustituimos por sus cifras de partida.
| Concepto | Supuesto | Ahorro anual |
|---|---|---|
| Menos reclamaciones del OEM | 6 incidentes al año × 50.000 PLN, reducidos a la mitad | 150.000 PLN |
| Menos chatarra | Chatarra de 200.000 PLN al año, reducida un 25 % | 50.000 PLN |
| Inspección manual más ligera | 2 FTE × 90.000 PLN reasignados a otras tareas | 180.000 PLN |
| Beneficio total | 380.000 PLN | |
| Coste de la solución (año 1) | Implantación + suscripción | aprox. 200.000–300.000 PLN |
ROI = (menor coste de reclamaciones + menos chatarra + coste de los FTE liberados − coste de la solución) / coste de la solución. Nuestro objetivo: amortización en menos de 12 meses.
Todas nuestras ofertas funcionan sobre la misma plataforma en sus propias instalaciones: un AI Box en su red local con sus propios modelos. Sus datos no salen de la empresa, algo clave para el RGPD, los secretos comerciales y los datos médicos. Nos ocupamos del hardware, las actualizaciones y el servicio remoto seguro (VPN, SLA).
Empiece con KaizoVision Quality Control
Reserve una breve llamada de diagnóstico. Primero medimos sus KPI de partida, para que el resultado se pueda demostrar con cifras.
Solicitar MVP