Visión artificial y control de calidad: cómo aprende la cámara

La visión artificial en control de calidad consiste en enseñarle a una cámara cómo se ve lo correcto para que rechace todo lo demás. Lo curioso es que la mayoría de estos sistemas nunca ve un defecto durante el entrenamiento. Se les muestran miles de piezas buenas bajo una luz fija y aprenden la forma de lo normal. Lo que queda fuera de esa forma se marca. Esa decisión de diseño explica por qué la tecnología funciona a mil piezas por minuto y también por qué un proveedor que cambia a un plástico un poco más azul puede parar una línea a las 3 de la mañana. El BLS de Estados Unidos todavía contaba 602,000 inspectores de calidad en 2025, y entender por qué es lo más útil que un papá puede sacar de este tema.

Puntos clave

• Casi todos los sistemas industriales se entrenan solo con imágenes de piezas buenas, porque los defectos reales son raros, variados y caros de juntar. El banco de pruebas estándar, MVTec AD, tiene poco más de 5,000 imágenes en 15 categorías.
• La iluminación es la ingeniería, no el algoritmo. Luz de fondo, campo oscuro e iluminación coaxial revelan defectos distintos, y elegir mal deja el defecto invisible para cualquier software.
• Todo sistema de inspección cambia rechazos falsos por escapes. No puedes minimizar los dos, y cuál priorizas depende de si una pieza mala causa un retiro del mercado o un rayón.
• El BLS reportó una mediana de 48,570 dólares anuales para inspectores de calidad en mayo de 2025, con 602,000 empleos y unas 66,700 vacantes al año.
• La versión más valiosa de esta carrera es la persona que diseña el dispositivo de sujeción y la luz, no la que ajusta la red neuronal.

Qué ve la cámara: visión artificial para control de calidad

Una estación de visión artificial son cuatro cosas atornilladas: una cámara, un lente, una luz y un disparador. Casi todos se fijan en la cámara. Quienes viven de esto se fijan en la luz.

Empieza por la resolución, porque define el piso de lo detectable. Si una pieza mide 50 milímetros de ancho y el sensor cubre ese campo con 2,000 píxeles, tienes 40 píxeles por milímetro, o sea que un píxel abarca 25 micrómetros. Un defecto menor a unos tres píxeles no se detecta de forma confiable con ningún software, porque el ruido se lo come. Así que la primera pregunta de un ingeniero de visión no es “qué modelo uso”, sino “¿qué tan chico es el defecto más chico que debo atrapar y me alcanzan los píxeles?”.

Luego el disparador. En una línea a mil piezas por minuto, cada pieza ocupa 60 milisegundos. Ese es todo el presupuesto para que la pieza llegue, el flash dispare, el sensor exponga, la imagen se transfiera y la decisión alcance la compuerta de rechazo. Los tiempos de exposición suelen quedar debajo del milisegundo, y por eso estas estaciones usan LED pulsados en lugar de luz continua: una exposición larga sobre una pieza en movimiento deja la imagen barrida.

Después la geometría. Un lente común hace que lo más cercano parezca más grande, así que un barreno medido junto al borde del cuadro da un número distinto que el mismo barreno al centro. Un lente telecéntrico resuelve eso aceptando solo los rayos paralelos al eje óptico, lo que da una magnificación constante en todo el campo. Cuesta más, y por eso las estaciones de medición dimensional se ven exageradas.

Y luego la luz, que decide todo. Pon la luz detrás de la pieza y obtienes una silueta, perfecta para medir contornos y encontrar barrenos faltantes. Ilumínala en ángulo rasante desde el costado, lo que se llama campo oscuro, y las superficies lisas quedan negras mientras los rayones y el polvo dispersan luz hacia la cámara y brillan. Pon la luz en el mismo eje del lente, coaxial, y una superficie plana pulida regresa brillante mientras todo lo inclinado se va a negro: así se leen los caracteres grabados en metal. Elige mal y el defecto real simplemente no aparece en la imagen.

Cómo aprende “lo normal” en lugar de aprender “lo malo”

Aquí está el mecanismo, sin rodeos. Clasificar exige ejemplos de cada clase. Si quieres que un modelo reconozca una grieta, necesitas fotos de grietas, y en una planta bien manejada las grietas son raras por definición. Una planta con 99.9% de rendimiento genera un defecto por cada mil piezas, y ese defecto puede ser una grieta este mes y contaminación el siguiente.

Entonces los sistemas industriales invierten el problema. Se llama detección de anomalías: entrenas solo con piezas buenas, construyes un modelo estadístico de cómo se ve lo bueno y luego calificas cada imagen nueva según qué tan lejos queda de ese modelo. Calificación alta, rechazo. La ventaja es obvia: la producción normal te da datos gratis y atrapas tipos de defecto que nunca habías visto.

El banco de pruebas público de referencia es MVTec AD, publicado por MVTec Software y descrito por Bergmann y colegas en CVPR en 2019, con una versión ampliada en el International Journal of Computer Vision. Tiene más de 5,000 imágenes de alta resolución en quince categorías de objetos y texturas, con conjuntos de entrenamiento libres de defectos y conjuntos de prueba anotados píxel por píxel. Cinco mil imágenes es un conjunto chiquito para los estándares de la visión por computadora de consumo, y justo ahí está el punto: así se ven los datos industriales reales cuando alguien se toma la molestia de recolectarlos bien.

La debilidad viene directo del diseño. Un modelo que aprendió “lo normal” con la producción de enero va a marcar la producción de febrero como anómala si algo cambió aguas arriba, aunque las piezas estén bien. Lote nuevo de resina, color ligeramente distinto. LED reemplazado, espectro ligeramente distinto. Limpiaron la ventana del gabinete y ahora entra 8% más luz. Todo eso produce una ola de rechazos falsos que se ve idéntica a una crisis de calidad. Eso se llama deriva, y manejarla es la mayor parte del trabajo.

Cómo enseñarle esto a tu hijo

De 5 a 8 años: la lámpara y la tapa rayada

Toma una tapa de plástico y ráyala apenas con una fibra de lavar trastes. Pon la lámpara directamente arriba: los rayones casi no se ven. Ahora pon la lámpara casi pegada a la superficie, iluminando de lado. Los rayones se prenden. Pregúntale por qué el mismo rayón es invisible de una forma y obvio de la otra. Eso es iluminación de campo oscuro, y acaba de construirla.

De 9 a 12 años: clasifiquen el cereal y rompan su propia regla

Sirve un puño de cereal y pídele que escriba tres reglas que separen las piezas buenas de las rotas. Luego dale una pieza que escogiste a propósito para romper las reglas: entera, pero rarísimamente pálida. Observa cómo discute con su propia definición. Eso es escribir una especificación, y la discusión es la lección.

De 13 en adelante: un detector de anomalías real con el celular

Que fotografíe 30 objetos idénticos, digamos 30 monedas, en el mismo lugar con la misma luz. Luego cinco monedas dañadas, dobladas o corroídas. Que cargue las imágenes en una herramienta gratuita y calcule el brillo promedio y la diferencia promedio de píxeles contra la imagen media. Que ponga un umbral. Va a descubrir que el detector funciona hasta que mueve la lámpara, momento en el que toda moneda se vuelve defecto. Ese experimento vale más que un semestre de teoría.

La pregunta que debes hacer: “Si tu detector marca 40 piezas por hora y 38 resultan buenas, ¿el detector está roto o está haciendo exactamente lo que le pediste?”

Las dos formas de equivocarse, y por qué hay que elegir

Toda decisión de inspección tiene dos modos de falla y se intercambian directamente. Aprietas el umbral y atrapas más defectos reales, pero tiras más piezas buenas. Lo sueltas y conservas las buenas, pero dejas pasar defectos al cliente.

Ajuste	Rechazos falsos (buenas tiradas)	Escapes (malas enviadas)	Cuándo se elige
Umbral muy apretado	Alto	Muy bajo	Dispositivos médicos, sujetadores aeroespaciales, cualquier cosa donde una falla en campo sea un asunto de seguridad
Balanceado	Medio	Bajo	Bienes de consumo donde el costo de desperdicio y el de garantía son comparables
Umbral suelto	Bajo	Medio	Detalles solo cosméticos en piezas de bajo margen, con inspección humana aguas abajo
Marcar para revisión	Poco desperdicio, mucha mano de obra	Bajo	Volumen bajo y valor alto, donde alguien puede ver cada imagen marcada

La fila que sorprende es la última. Una buena parte de los despliegues reales no rechaza automáticamente nada: ordenan imágenes en una cola de revisión que un inspector humano va despachando. Por eso siguen existiendo 602,000 puestos de inspector junto a las cámaras. El BLS describe a esos inspectores usando calibradores, galgas, micrómetros, máquinas de medición por coordenadas y escáneres 3D, que es un resumen justo de un trabajo mitad criterio y mitad metrología.

¿Y en América Latina?

En la región la visión artificial no entró por la electrónica, entró por la comida.

Las plantas empacadoras de fruta en Chile y Perú son hoy de las usuarias más intensas de inspección por cámara del continente. Las cerezas chilenas que se exportan a China pasan por clasificadoras ópticas que miden calibre, color, firmeza aparente y defectos superficiales a varias piezas por segundo, porque el precio por kilo cambia muchísimo entre categorías y el comprador rechaza lotes enteros por un porcentaje de defecto. Lo mismo en los arándanos y las paltas peruanas. Ahí la cámara no está ahorrando mano de obra: está defendiendo un contrato de exportación.

El segundo frente es la manufactura del norte de México. Ciudad Juárez y Tijuana concentran electrónica y dispositivos médicos, y un dispositivo médico se inspecciona al cien por ciento porque el regulador lo exige. Eso significa que en esas ciudades hay una demanda real de ingenieros de calidad que sepan validar una estación de visión, no solo operarla. Y en Brasil, las plantas automotrices de São Paulo y Minas Gerais usan visión para verificar ensambles completos antes de la pintura.

¿Y la pregunta local para los papás? No es si existe la tecnología, sino quién sabe sostenerla. En muchas plantas de la región el sistema de visión lo instaló un integrador externo y nadie adentro sabe recalibrarlo. Cuando llega la deriva, la estación se apaga y vuelven a inspeccionar a ojo. Un técnico que sepa iluminación, calibración y metrología básica es escaso y se nota en el sueldo. El SENA en Colombia, los institutos tecnológicos en México y los CFT en Chile tienen programas de metrología y mecatrónica que son la puerta de entrada más directa.

Qué hacer en casa si a tu hijo le interesa

Que mida diez veces la misma cosa

Dale un calibrador, o una regla si es lo que hay, y un solo tornillo. Que mida el diámetro diez veces anotando cada número. La dispersión que obtenga es la incertidumbre de medición, y en la industria cuantificarla es un procedimiento formal: el estudio de repetibilidad y reproducibilidad. Nadie confía en un sistema de medición hasta saber cuánto se contradice a sí mismo.

Separa las dos carreras desde temprano

Aquí hay dos caminos distintos y confundirlos cuesta años. Uno es el lado de visión y metrología: óptica, sujeción, iluminación, calibración, cadenas de tolerancia. El otro es el lado de software: modelos de detección de anomalías, flujos de datos, monitoreo de deriva. El primero es carrera técnica o ingeniería en tecnología. El segundo es computación o estadística. Nuestro panorama de la carrera de visión computacional cubre el segundo con detalle.

Enséñale bien la palabra “tolerancia”

Una tolerancia no es un objetivo, es la desviación permitida respecto a uno. Un eje especificado en 10.00 milímetros más menos 0.02 es aceptable en cualquier punto entre 9.98 y 10.02. El BLS señala que los maquinistas y los fabricantes de herramentales trabajan a veces con exactitudes de una diezmilésima de pulgada, unos 2.5 micrómetros, cerca de una treintava parte del grosor de un cabello. Un chavo que entiende que un número sin tolerancia no significa nada ya absorbió la idea central de la manufactura.

Lean una especificación real

Toma cualquier producto con hoja técnica publicada, un motor o un sensor, y lean juntos la columna de tolerancias. Si quieres el contexto de planta completo, nuestro texto sobre la IA en las fábricas explica dónde encaja la inspección en la línea. Pregúntale cuáles de esos números serían difíciles de verificar con una cámara y cuáles fáciles. Lo dimensional es fácil, el acabado superficial es intermedio, los huecos internos son imposibles sin rayos X.

Lo que no hay que hacer

No dejes pasar “la IA lo inspecciona” como explicación. Si tu hijo dice que una cámara usa IA para encontrar defectos, haz la pregunta siguiente: qué está haciendo la luz, cuántos píxeles cubren el defecto más chico y qué pasa cuando el proveedor cambia de material. Cualquiera de las tres sin respuesta significa que nadie diseñó el sistema, y esa es la diferencia entre una demostración que deslumbra en una sala de juntas y una estación que sobrevive el turno de noche.

Qué observar en los próximos 3 meses

• Semana 4: Si alguien que venda un sistema de inspección a tu escuela o taller está dispuesto a decir los píxeles por milímetro. Si no puede, la demostración depende de la luz y no se va a reproducir.
• Señales de alerta en el mes 2: Un detector cuya tasa de rechazos falsos sube durante semanas sin que nadie haya tocado el modelo. Eso es deriva, y la causa casi siempre está aguas arriba: lote nuevo de material, ventana sucia, lámpara cambiada.
• Autoevaluación del mes 3: ¿Tu hijo puede explicar en una frase por qué una fábrica entrenaría a propósito un detector solo con piezas buenas? Si sí, entiende la detección de anomalías mejor que la mayoría de las notas que se publican del tema.

Preguntas frecuentes

¿La visión artificial reemplaza a los inspectores humanos?

Cambia lo que hacen más de lo que los elimina. El BLS contó 602,000 inspectores de calidad en 2025, con 3% de crecimiento proyectado a 2035 y unas 66,700 vacantes anuales. El patrón real es que las cámaras revisan el 100% y las personas resuelven el subconjunto marcado, escriben las especificaciones e investigan causas raíz.

¿Qué matemáticas necesita mi hijo para esto?

Estadística primero: distribuciones, umbrales y la diferencia entre un falso positivo y un falso negativo. Después geometría y trigonometría para óptica y cadenas de tolerancia. El álgebra lineal pesa en el lado de modelos. Nada de esto exige cálculo para empezar, lo que sorprende a muchos.

¿Por qué importa más la luz que la cámara?

Porque un defecto que no produce contraste en la imagen no se recupera con software. Un rayón en una superficie pulida refleja la luz en una dirección distinta al metal que lo rodea, así que si la luz y la cámara están colocadas para captar esa diferencia, el rayón aparece. Mal colocadas, el rayón y la superficie se ven idénticos.

¿Sigue siendo buena carrera si la IA mejora?

La capa de software va a seguir mejorando y va a seguir volviéndose genérica. La capa física no: alguien tiene que decidir dónde se monta la cámara, cómo se sujeta la pieza, qué longitud de onda usar y cómo demostrar que la estación mide lo que dice medir. Eso es criterio de ingeniería amarrado a un objeto físico, y ha aguantado bien.

¿Cómo demuestra una empresa que su sistema de inspección funciona?

Con un estudio de validación: se corre muchas veces un conjunto conocido de piezas buenas y defectuosas y se cuentan los errores en ambas direcciones. La estación queda calificada contra una tasa de error declarada, y los sistemas de calidad exigen recalificación periódica. No es una instalación de una sola vez, y eso es parte de por qué estos trabajos son estables.

---

Sobre el autor

Ricky Flores es el fundador de HiWave Makers e ingeniero eléctrico con más de 15 años de experiencia desarrollando tecnología de consumo en Apple, Samsung y Texas Instruments. Escribe sobre cómo los niños aprenden a construir, pensar y crear en un mundo saturado de tecnología. Lee más en hiwavemakers.com.

---

Fuentes

1. U.S. Bureau of Labor Statistics. (2025). “Quality Control Inspectors.” Occupational Outlook Handbook. https://www.bls.gov/ooh/production/quality-control-inspectors.htm
2. U.S. Bureau of Labor Statistics. (2025). “Machinists and Tool and Die Makers.” Occupational Outlook Handbook. https://www.bls.gov/ooh/production/machinists-and-tool-and-die-makers.htm
3. Bergmann, P., Fauser, M., Sattlegger, D., Steger, C. (2019/2021). “MVTec AD: A Comprehensive Real-World Dataset for Unsupervised Anomaly Detection.” CVPR e International Journal of Computer Vision. https://www.mvtec.com/company/research/datasets/mvtec-ad
4. National Institute of Standards and Technology. “CHIPS for America: programas de metrología.” U.S. Department of Commerce. https://www.nist.gov/chips
5. National Institute of Standards and Technology. “Manufacturing Extension Partnership.” U.S. Department of Commerce. https://www.nist.gov/mep
6. U.S. Bureau of Labor Statistics. (2025). “Industrial Engineers.” Occupational Outlook Handbook. https://www.bls.gov/ooh/architecture-and-engineering/industrial-engineers.htm