El costo de calidad es una situación con la que lidia toda empresa manufacturera, sin importar a qué sector industrial atiende, e incluye los costos de prevención, evaluación, remediación y aquellos derivados de las fallas internas (defectos en el proceso) y externas (cuando el cliente recibe un mal producto).
De acuerdo con la American Society for Quality, las grandes empresas fabricantes tienen costos reales relacionados con la calidad que van del 15 al 20% de los ingresos por ventas, “y algunas llegarán hasta el 40% de las operaciones totales”.
Dentro de todos los procesos que forman parte del control de calidad, las inspecciones visuales son, quizá, el más relevante. Típicamente suele ser un proceso manual, en el que las empresas instalan puntos de control y revisión para disminuir la posibilidad de cometer algún error.
Como complemento a la inspección manual, el mercado ofrece desde hace años sistemas de visión artificial que ayudan a automatizar esta tarea. Aunque han sido funcionales, estos sistemas —manual y automatizado— tienen ciertas áreas de oportunidad, pues se trata de tecnologías rígidas que operan bajo estrictas reglas de negocio y, además, los operarios suelen enfrentarse a sesgos de percepción —además de factores como el cansancio— al momento de tomar una decisión.
“La inspección manual está sujeta a la percepción y experiencia del operador, (además) la maquinaria para inspección tradicional necesita programarse, no es flexible y no puede adaptarse a los cambios de producto”, explica la firma Google Cloud respecto a este tipo de sistemas.
Las revisiones manuales y los sistemas automatizados han sido efectivos en la identificación de anomalías cuando el defecto suele ser muy similar o presentar cierto patrón, pero ¿qué sucede cuando es distinto, poco o nada homogéneo, o cuando aparece en diversas formas y aspectos?
En este ambiente, los sistemas tradicionales suelen fallar, pero no sucede lo mismo con la inspección mediante deep learning, que tiene la capacidad para aprender a identificar nuevos tipos de defectos y que se vuelve más eficiente en la medida en que sigue identificando imágenes. Entre más conocimiento gana, más preciso se vuelve.
En términos prácticos, ¿para qué sirve? En la fabricación de automóviles está mostrando su eficacia en diversas partes del proceso de ensamble, como es la correcta posición de las placas que indican el modelo del automóvil, imperfecciones en la pintura, en juntas de soldadura de la carrocería, la correcta posición en los bloques motor, entre otras.
Los fabricantes de láminas de metal lo han incorporado para detectar rayones y defectos; la industria de semiconductores lo emplea para detectar anomalías en las obleas de silicio (sí, puede alcanzar ese grado de precisión); también es muy útil para detectar defectos en empaques y productos terminados (por ejemplo, detalles de pintura y acabado en la industria de bebidas alcohólicas), automatizar el conteo de inventarios e, incluso, en retail está siendo clave para recabar datos (identificación, conteo, etc.) de las personas al interior de los establecimientos y generar nuevas experiencias de compra.
Quizá pienses que esas tareas pueden ejecutarlas personas y, hay que decirlo, hasta ahora lo han hecho muy bien. Pero esta tecnología puede ser una herramienta que potencie las habilidades humanas y, lo mejor de todo, te permita reducir ese costo de calidad que se vuelve todo un dolor de cabeza y puede ser la diferencia para mantenerte competitivo.
MÁS INFORMACIÓN:
Jair Pérez, CEO de Gesta Labs
Mail: jair@gestalabs.com
TEMAS RELACIONADOS:
Industria 4.0
