Visión artificial para líneas de producción: ¿desarrollar o comprar? Guía honesta para decidir

Sus ingenieros han visto las demos. Un modelo YOLO preentrenado dibuja recuadros alrededor de los productos en un portátil en una tarde. Así que la pregunta surge en todas las plantas que quieren conteos por cámara para el OEE: ¿por qué pagar a un proveedor si los modelos son gratis?

Es una pregunta legítima, y a veces desarrollar es la respuesta correcta. Esta guía muestra qué implica un desarrollo propio, adónde se van las horas y cómo decidir estación por estación. Trata solo la capa de cámaras; para el software OEE en general, consulte desarrollar o comprar software OEE.

Qué está decidiendo realmente

El trabajo aquí es contar la producción e integrarla en el OEE, a menudo en estaciones sin una señal de máquina aprovechable: envasado manual, máquinas antiguas, una encajadora sin salida libre en el PLC. La inspección de calidad (defectos, etiquetas, códigos, niveles de llenado) es otro trabajo con su propia decisión. Si no está seguro de que una estación necesite una cámara, consulte cámara o sensor para el OEE según la máquina.

Así que la elección real es entre tres vías:

• Desarrollar: su propio equipo elige cámaras y equipos edge, entrena modelos de código abierto, escribe la lógica de conteo y la conecta con sus datos de OEE.
• Comprar un complemento de cámaras: un proveedor aporta el conteo y su enlace con el OEE, y usted monta, alimenta y conecta a la red las cámaras junto con él.
• Comprar una plataforma de visión y desarrollar el modelo: su equipo etiqueta y entrena dentro de las herramientas de un proveedor. Nuestras páginas sobre alternativas a Landing AI y alternativas a Elementary comparan proveedores de ese ámbito, tal como cada uno se describe.

Qué implica un desarrollo propio

Las herramientas de código abierto facilitan el primer paso. OpenCV, la Open Source Computer Vision Library, se publica con licencia Apache-2.0. Ultralytics YOLO ofrece modelos de detección preentrenados que puede ajustar con sus productos. Un prototipo con una cámara es un objetivo realista para un ingeniero competente. Pero un sistema de conteo en el que una planta pueda confiar en cada turno necesita todas estas piezas:

• Cámaras, ópticas, iluminación y soportes que resistan el lavado, las vibraciones y las carretillas. La ubicación y la iluminación determinan la precisión más que el modelo; consulte ubicación de cámaras e iluminación en una línea de producción.
• Un equipo edge por línea o por cada pocas cámaras, con GPU, sistema operativo, controladores y parches de seguridad, además de la red que transporte los resultados.
• Datos de entrenamiento etiquetados. La guía de Ultralytics sobre recogida de datos y anotación (EN) dice que unos cientos de objetos anotados por clase bastan para empezar a experimentar con aprendizaje por transferencia, y recomienda al menos 1.500 imágenes y 10.000 instancias etiquetadas por clase para un rendimiento fiable en condiciones reales.
• Lógica de conteo por encima de la detección: seguir cada unidad a través de una zona, para que un paquete que se detiene o toca al de al lado cuente una vez, no dos.
• El enlace con el OEE: estados de máquina, turnos, productos y velocidades ideales, para que un conteo se convierta en rendimiento y calidad, no solo en un número en una pantalla.
• Operación de modelos: control de versiones de modelos y datos, seguimiento de la precisión del conteo y una forma de revertir un modelo defectuoso.

Los investigadores que llevan el aprendizaje automático a producción advierten de esta brecha desde hace años. En «Hidden Technical Debt in Machine Learning Systems» (EN), ingenieros de Google sostienen que «es peligroso pensar que estos logros rápidos salen gratis». El logro rápido es la demo. La deuda es todo lo que la rodea.

Los cambios de envase son la carga de trabajo oculta

En una línea de gran consumo el producto cambia sin parar: un diseño gráfico nuevo, una manga promocional, un tamaño de envase nuevo, otro film. Para la cámara, cada uno es un objeto de aspecto nuevo.

El aprendizaje automático tiene un nombre para esto: deriva (drift). Una revisión publicada en IEEE Transactions on Knowledge and Data Engineering, «Learning under Concept Drift: A Review» (EN), define la deriva de concepto como «cambios imprevisibles en la distribución subyacente de los datos en flujo a lo largo del tiempo». En una línea de envasado los cambios suelen ser previsibles, porque están planificados, pero el efecto es el mismo. Un modelo entrenado con los envases del año pasado puede dejar de contar o contar dos veces los de este año.

La deriva es silenciosa. Nada falla; el conteo simplemente queda un poco bajo y el OEE parece peor de lo que es. El ejemplo práctico de más abajo muestra cuánto. La guía sobre la precisión del OEE con cámaras explica cómo comprobar los conteos frente a una referencia.

¿Quién lo arregla a las 3 de la madrugada?

Las líneas trabajan de noche y los fines de semana. Cuando un equipo edge se cuelga o una cámara recibe un golpe a las 3 de la madrugada, los datos de OEE de esa línea se detienen o salen mal hasta que alguien lo arregla. Con un desarrollo propio, ese alguien está en su nómina.

Una sola persona no puede estar de guardia todas las noches del año. Un turno de guardias real necesita al menos dos personas que conozcan el sistema, además de procedimientos escritos para el equipo de turno. Si su equipo de datos es un solo ingeniero que además se ocupa del historiador de datos de la planta, eso es un riesgo, no un detalle, y empeora el día que ese ingeniero se va.

Licencias: la factura del código abierto

Gratis para descargar no siempre significa gratis para usar en una planta. La página de licencias (EN) de Ultralytics dice: «Se requiere una Enterprise License si quiere usar Ultralytics YOLO sin publicar todo su proyecto como código abierto». La misma página incluye, entre los casos que cubre, las herramientas internas de negocio y los despliegues embebidos en dispositivos edge y cámaras. OpenCV, por su parte, es Apache-2.0, una licencia permisiva. Esto no es asesoramiento jurídico: presente a su equipo legal las bibliotecas y los modelos exactos antes de poner nada en producción, y presupueste cualquier licencia comercial junto con las horas.

Desarrollar o comprar: la tabla de decisión

Desarrollar le da control. Comprar traslada el trabajo recurrente (etiquetado, reentrenamiento, parches, guardias nocturnas) a alguien cuyo trabajo es precisamente ese. Qué vale más depende de su equipo y de sus estaciones.

¿Quiere ver cómo un complemento de cámaras alimenta el OEE antes de decidir? Reserve una demo y traiga su lista de estaciones.

Modelo de esfuerzo de ejemplo: el primer año de un desarrollo propio

Ilustrativo, datos de ejemplo. Una planta instala cámaras en 4 líneas que trabajan con 4 formatos de envase. El equipo etiqueta según la recomendación de Ultralytics de 1.500 imágenes por clase y dedica 1 minuto por imagen. Marketing cambia el envase 8 veces al año. Son datos de entrada de ejemplo, no referencias: sustitúyalos por los suyos.

• Etiquetado inicial: 4 formatos × 1.500 imágenes × 1 minuto = 6.000 minutos = 100 horas.
• Entrenamiento del modelo y pruebas de aceptación: 80 horas (ejemplo).
• Lógica de conteo, seguimiento y enlace con los estados, turnos y velocidades ideales del OEE: 320 horas (ejemplo).
• Mantenimiento de equipos edge y cámaras: 4 líneas × 2 horas × 12 al año = 96 horas.
• Reentrenamiento tras cambios de envase: 8 cambios × 1.500 imágenes × 1 minuto = 200 horas, más 8 pruebas × 6 horas = 48 horas, es decir, 248 horas.

Total del primer año: 100 + 80 + 320 + 96 + 248 = 844 horas. Con un año laboral de ejemplo de 1.700 horas, equivale aproximadamente a media dedicación de un ingeniero. En el segundo año el etiquetado y la lógica ya están hechos, pero el mantenimiento y el reentrenamiento siguen: 96 + 248 + 80 horas de correcciones y mejoras (ejemplo) = 424 horas, aproximadamente un cuarto de la dedicación de un ingeniero, todos los años. Estas horas no incluyen las intervenciones nocturnas.

Qué le hace la deriva silenciosa al OEE

Ilustrativo, datos de ejemplo. Una línea, un turno: 450 minutos de tiempo de producción planificado, 400 minutos de tiempo en marcha y una velocidad ideal de 100 unidades por minuto. La línea fabrica realmente 34.000 unidades, de las que 680 son rechazos.

• Disponibilidad = 400 ÷ 450 = 88,9 %.
• Rendimiento = 34.000 ÷ (400 × 100) = 85,0 %.
• Calidad = 33.320 ÷ 34.000 = 98,0 %.
• OEE = 88,9 % × 85,0 % × 98,0 % = 74,0 %. Comprobación: 33.320 unidades buenas ÷ (450 × 100) = 74,0 %.

Ahora llega una manga nueva y el modelo deja de contar el 3 % de las unidades sin que nadie lo note. Cuenta 32.980. El rendimiento baja al 82,5 %, la calidad (con los mismos 680 rechazos) al 97,9 % y el OEE al 71,8 %. La línea no ha empeorado. El conteo, sí. Un equipo que persiguiera esos 2 puntos de OEE perdidos estaría persiguiendo un problema del modelo. Por eso las auditorías del conteo y un plan de reentrenamiento deben formar parte del caso de negocio, lo desarrolle quien lo desarrolle.

Cuándo desarrollar es la decisión correcta

Desarrollar no es la respuesta equivocada. Encaja bien en un grupo reducido de plantas.

Elija desarrollar si:

• La estación es única: un producto poco habitual, un proceso que ningún proveedor ha visto o un conteo que necesita lógica a medida.
• Ya tiene un equipo de datos que opera modelos en producción, con guardias y documentación.
• El trabajo de visión forma parte de su ventaja frente a la competencia, de modo que ser dueño del modelo importa más que las horas.
• Su equipo legal ha validado las licencias y está dispuesto a financiar el trabajo cada año, no una sola vez.

Elija comprar si:

• Sus líneas trabajan con envases, cajas y bandejas estándar, y el objetivo son conteos para el OEE, no un proyecto de investigación.
• Sus ingenieros aportan más trabajando en cambios de formato y pérdidas que en el mantenimiento de modelos.
• Nadie puede garantizar guardias nocturnas para el sistema de cámaras durante años.

Haga ambas cosas si: la mayoría de las estaciones son estándar pero una no lo es. Compre el conteo para las líneas estándar y dedique su equipo a la única estación donde ningún proveedor encaja. Si elige desarrollar en algún punto, hágalo como piloto con criterios de salida claros; la guía del piloto de OEE con visión artificial explica cómo definirlos.

Preguntas para cualquier proveedor, o para su propio equipo

Las mismas preguntas sirven en ambas direcciones. Si su propio equipo no sabe responderlas, ya tiene su respuesta sobre el desarrollo propio.

1. ¿Quién etiqueta los datos de entrenamiento y cuántas imágenes por producto necesita el primer modelo?
2. Cuando cambia el envase, ¿quién reentrena el modelo, con qué rapidez y cómo se comprueba el conteo antes de la nueva producción?
3. ¿Cómo se comprueba la precisión del conteo frente a un conteo de referencia, y con qué frecuencia tras la puesta en marcha?
4. ¿Quién aplica los parches al equipo edge y a las cámaras, y quién se da cuenta cuando uno se desconecta?
5. ¿Quién responde a las 3 de la madrugada de un domingo, y qué hay por escrito para el equipo de turno?
6. ¿Qué bibliotecas y modelos de código abierto lleva dentro, y con qué licencias?
7. ¿Cómo se combinan los conteos con los estados de máquina, los turnos y las velocidades ideales para convertirse en OEE?
8. ¿Se almacena el vídeo, dónde y quién puede verlo? Consulte almacenamiento de vídeo de línea y cámaras sin vigilancia.

Dónde encaja Fabrico

Fabrico es una plataforma en la nube de software OEE y MES ligero. Las paradas y los conteos proceden de la señal de máquina (PLC, sensor o contador), y el operario añade el motivo de parada en la línea desde una tableta o un móvil. El OEE, las paradas y las pérdidas se muestran por línea y turno, con las pérdidas en dinero.

Para estaciones sin una señal aprovechable, Fabrico ofrece bajo pedido un complemento de cámaras con visión artificial. El complemento de cámaras cuenta la producción en la línea, también en los pasos manuales, y esos conteos alimentan el mismo OEE que los datos de máquina. Con el complemento de cámaras puede abrir el vídeo de cualquier momento en la línea de tiempo del turno; en la configuración estándar el vídeo se transmite bajo petición, no se almacena. Cómo funciona el conteo se explica en conteo visual con IA en fabricación.

Hoja de ruta, indicada con claridad: la detección de paradas por cámara y las sugerencias de motivo de parada que confirma el operario están en la hoja de ruta y todavía no están disponibles. Fabrico no vende inspección de calidad. Los módulos de IA a medida están disponibles como trabajo personalizado bajo pedido, para la estación excepcional que lo necesite.

Los datos salen de Fabrico a través de una API REST, webhooks y exportación a Excel o CSV. Cómo se gestionan los cambios de envase, y si pueden entrar conteos de su propio modelo, son preguntas para la demo. Ponga a prueba estas afirmaciones como las de cualquier proveedor. Para ver dónde se ganan su sitio las cámaras en gran consumo, consulte visión artificial para la fabricación de gran consumo.

Lo que se suele preguntar a continuación

¿Es más barato desarrollar la visión artificial internamente?

El código y los modelos pueden costar poco o nada. Las horas, no. En el modelo de ejemplo de esta página, un equipo dedica 844 horas el primer año y 424 horas cada año siguiente, sobre todo a integración y reentrenamiento. Ponga sus propias horas junto a la oferta de cada proveedor y pida a todos que coticen la misma lista de estaciones para que las cifras sean comparables.

¿Podemos empezar con YOLO de código abierto y pasar a un proveedor más adelante?

Sí, y una prueba corta es una forma barata de saber lo difícil que es contar sus productos. Revise la licencia antes de poner nada en producción: Ultralytics indica que se requiere una Enterprise License si quiere usar sus modelos YOLO sin publicar todo su proyecto como código abierto. Conserve los conteos y las definiciones de la prueba para poder compararlos con los conteos de un proveedor en los mismos turnos.

¿Cuántas imágenes tenemos que etiquetar?

Ultralytics indica que unos cientos de objetos anotados por clase bastan para empezar a experimentar con aprendizaje por transferencia, y recomienda al menos 1.500 imágenes y 10.000 instancias etiquetadas por clase para un rendimiento fiable en condiciones reales. Cada formato de envase con un aspecto distinto es candidato a tener su propia clase o más datos de entrenamiento.

¿Qué le pasa a un modelo de conteo cuando cambia el envase?

El producto se ve distinto para la cámara, así que el modelo puede dejar de contar unidades o contar una dos veces. Planifique nuevas imágenes, etiquetas y una prueba antes de que el nuevo diseño llegue a la línea. Si compra, pregunte a cada proveedor quién gestiona un cambio de envase, con qué rapidez y cómo demuestra después que el conteo es correcto.

¿Podemos usar nuestro propio modelo y seguir usando el software OEE de un proveedor?

A menudo sí, si el software OEE acepta conteos de fuentes externas. Pregunte a cada proveedor cómo entran los conteos externos y cómo se combinan con los estados de máquina y los turnos. En el caso de Fabrico, si los conteos de su propio modelo pueden entrar en una línea concreta es una pregunta para la demo.

¿Un complemento de cámaras para OEE sustituye a nuestras cámaras de inspección?

No. Los sistemas de inspección comprueban defectos, etiquetas, códigos y niveles de llenado. Un complemento de cámaras para OEE cuenta la producción. Ambos conviven, y los rechazos de un sistema de inspección pueden alimentar la parte de calidad del OEE a través del conteo o la señal de rechazos de la línea.

¿Quiere comparar la vía de compra con su plan de desarrollo propio? Reserve una demo y véalo en una línea como la suya.