Aperitivos salados
Detecta marcas de quemado, piezas rotas, deriva de color y fallos de condimento antes de que las bolsas salgan de la envasadora.
Inspección de calidad automatizada para producción de aperitivos salados, corriendo sobre un iPhone reacondicionado junto a la freidora, el túnel de enfriamiento y la envasadora.
¿Qué es la inspección de calidad automatizada para producción de aperitivos salados?
La detección de defectos por IA para aperitivos salados usa una cámara y un modelo de IA para vigilar cada kilogramo según sale de la freidora, del túnel de enfriamiento y del tambor de condimento, y para señalar el producto no conforme antes de que llegue a la envasadora. En lugar de depender de un operario de freidora en el panel o de visión rígida basada en reglas, la IA aprende la forma de corte específica, la textura de superficie, el color de fritura y la cobertura de condimento de tu cartera de SKU, y aplica un punto de control visual coherente entre turnos, velocidades de línea y cambios de receta.
Los aperitivos salados son particularmente difíciles de inspeccionar a velocidad de línea porque el color de fritura se sitúa en una banda estrecha entre crudo y quemado, la geometría de una patata estilo artesano varía dentro de una misma bolsa por diseño, y el condimento está pensado para verse desigual de cerca aunque sigue debiendo cumplir una cobertura media por pieza. La visión basada en reglas construida en torno a una sola receta se rompe en cuanto cambias a otro corte, a otra edad de aceite o a otra mezcla de condimento. La inspección guiada por IA gestiona esas variaciones porque el modelo aprende a partir de fotogramas reales de producción y no de un umbral fijo.
El resultado es un punto de control visual automatizado que complementa tu muestra de QC de fin de tirada y te da un registro de imagen kilogramo a kilogramo. Cuando una consulta de un retailer vuelve seis semanas después, puedes recuperar los fotogramas de la ventana exacta de producción y o bien confirmar el defecto o bien responder con evidencia.
Defectos que detectamos en líneas de producción de aperitivos salados
Marcas de quemado y carbonización
Las marcas de quemado son zonas oscuras, a menudo carbonizadas, en la superficie de una patata frita o de un snack extruido, causadas por picos de temperatura del aceite, puntos calientes en la freidora o piezas que se atascan contra una paleta y se sobrecocen. Son más comunes tras una perturbación de flujo, una acumulación de sal o de almidón sobre la resistencia, o una deriva lenta de la calidad del aceite a lo largo del día. Los operarios en el túnel de enfriamiento captan las piezas negras obvias pero pierden la patata más oscura de lo permitido que aún pasa un vistazo rápido bajo la iluminación de almacén. El modelo de IA aprende la banda de color de fritura aceptable para cada SKU desde la primera media hora de la tirada y detecta el cambio de contraste local mucho antes de que el racimo se vuelva obvio. Las piezas se señalan, el operario revisa el perfil de la freidora y los kilos rechazados se desvían antes de embolsar.
Deriva de color
La deriva de color es un cambio gradual de tonalidad a lo largo de una tirada, causado por la edad del aceite, la carga acumulada de almidón, el arrastre de condimento de un SKU anterior o la inconsistencia de carga de tolva en productos extruidos. El primer kilogramo y el último kilogramo de la tirada pueden situarse en valores LAB distintos sin que ningún operario lo note, y el retailer mezcla bolsas de ambas ventanas en el mismo lineal. El modelo de IA mantiene una tonalidad de referencia aprendida para cada SKU y señala la deriva en cuanto el delta de color local supera tu especificación, dando a la línea la oportunidad de corregir la freidora o iniciar una recarga de aceite antes de que un kilogramo de producto fuera de tono llegue a la envasadora.
Piezas rotas y de tamaño insuficiente
Las piezas rotas son patatas y snacks extruidos que no cumplen el tamaño mínimo, causados por la agitación de la freidora, las alturas de caída entre transportadores, la manipulación mecánica en el tambor de condimento o lotes frágiles por una deriva de composición. El exceso de finos tira hacia abajo el peso medio de bolsa, baja el perfil de producto visible por debajo de las expectativas de lineal y concentra el condimento sobre el área de superficie equivocada. El muestreo manual en pausa capta la tendencia pero pierde las ventanas intermedias. El modelo de IA capta la distribución de tamaños en el túnel de enfriamiento y señala la banda en cuanto la proporción de finos o de piezas rotas cruza tu umbral de aceptación.
Contaminación por material extraño
El material extraño es cualquier cosa en el flujo de snacks que no es snack: plástico de un guante roto, una astilla de palé, un fragmento de metal demasiado pequeño para el detector o un trozo de papel de una bolsa de condimento. Los detectores de metal y los rayos X captan los casos obvios, pero pierden el plástico de bajo contraste y el material extraño orgánico. Una cámara de superficie capta la diferencia de color y de textura contra el fondo del snack, y el modelo de IA aprende la firma visual de los materiales que tu histórico real de reclamaciones señala. Las piezas se desvían en el túnel de enfriamiento antes de embolsar, y el operario recibe una señal temprana de que el proceso aguas arriba necesita atención.
Malformación de forma
La malformación de forma cubre las láminas sin freír que pasan por una línea estilo artesano apiladas, los snacks extruidos que se estiran o se curvan fuera de la tolerancia de diseño y las patatas que se pliegan sobre sí mismas en la freidora. Los operarios buscan los casos obvios en el panel pero no pueden vigilar cada pieza a velocidad de línea. El modelo de IA aprende la geometría en especificación para cada SKU y señala las piezas que caen fuera, para que la línea desvíe antes de que la bolsa se llene de patatas que el consumidor verá como fuera de marca en el lineal.
Fallos de distribución de condimento
Los fallos de distribución de condimento son bolsas en las que la cobertura media de condimento por pieza queda por debajo de tu especificación, en las que una cara de la patata queda desnuda, o en las que el condimento se ha apelmazado en una pequeña fracción de piezas mientras el resto se queda sin cobertura. Las causas incluyen variabilidad de dosificación del tambor, adherencia influida por la humedad sobre la superficie del snack y residuo desigual de aceite tras la freidora. El muestreo manual no resuelve la cobertura a nivel de pieza individual. El modelo de IA aprende la firma visual de una patata bien condimentada a partir de fotogramas de referencia y señala el déficit local de cobertura en cuanto cruza tu tolerancia, con los fotogramas disponibles para que el operario pueda replicar cuando el proveedor de condimento culpa a la línea.
La iluminación que hace que esto funcione en una línea de snacks es una luz cenital difusa sobre el túnel de enfriamiento para leer color de fritura y textura de superficie, más una luz en anillo de bajo ángulo a la salida del condimento para leer cobertura y distribución de partícula. Un iPhone Pro con lentes macro y gran angular gestiona las siete familias de defectos desde una única estación de inspección por punto de control crítico. Sincronizamos el rig con el encoder del transportador para que los lotes señalados disparen una decisión de desvío o de retención aguas abajo. Especificamos la óptica contigo durante el onboarding.
Cómo corre Enao en una línea de aperitivos salados
El equipo de hardware completo cuesta menos de 1.000 € y se compone de un iPhone Pro reacondicionado, una luz cenital difusa con una luz en anillo de bajo ángulo opcional para cobertura de condimento, un cable USB-C y un soporte que se sujeta sobre el túnel de enfriamiento o sobre la salida del condimento. No hace falta integración PLC para el primer despliegue, el rig cabe en una maleta de transporte y la línea sigue corriendo mientras lo montas.
El onboarding es en autoservicio. Tu equipo de línea monta el rig, abre la app Enao y empieza a recoger fotogramas de referencia en el siguiente cambio. El día 1 devuelve un 80 % de precisión sin ningún etiquetado previo, y al día 14 el modelo corre por encima del inspector manual en las familias de defectos que ha visto, mejorando con cada lote señalado que la línea confirma o rechaza.
Cada línea entrena su propio modelo para reconocer cómo se ven sus formas de corte, sus paletas de color de fritura y sus mezclas de condimento. Cuando cambias a un SKU distinto en la misma línea, el modelo se adapta en un solo turno. Cuando pones en marcha una línea hermana con una familia de producto similar, el segundo modelo parte de la experiencia del primero y el esfuerzo marginal cae a plomo.
Los lotes fuera de especificación dejan de llegar a la envasadora, el scrap se registra en el punto de inspección en lugar de en la oficina de QC, y tus operarios recuperan las horas de atención que necesitan para las partes del trabajo que aún piden a un humano, incluida la puesta a punto de la freidora, la calibración de condimento y las reclamaciones de cliente.
Cómo se compara Enao con la inspección manual y la visión tradicional
Para los productores de aperitivos salados la comparación se afina en cinco dimensiones.
Tiempo de puesta en marcha en una línea de aperitivos salados. — Las comprobaciones manuales en la envasadora pierden la deriva de color en turnos largos. La visión tradicional basada en máquina (KPM Analytics, Robovision, Mekitec, aqrose, engilico) requiere de tres a nueve meses de integración y un presupuesto de seis cifras. Enao se despliega en una semana por tu propio equipo sobre un iPhone reacondicionado, día 1 al 80 % de precisión.
Coste de hardware por línea. — Inspección visual manual: ninguno al inicio, coste de mano de obra recurrente. Visión tradicional basada en máquina: de 40.000 € a 200.000 € por línea para cámaras industriales, iluminación estructurada e integración. Enao: por debajo de 1.000 € por línea con un iPhone Pro reacondicionado, lámpara y soporte.
Gestión de nuevos cortes, recetas y condimentos. — Inspección visual manual: re-formar a los operarios para cada nuevo SKU. Visión tradicional basada en máquina: reescribir el conjunto de reglas por receta, a menudo subcontratada al integrador. Enao: re-entrenar al modelo con cortes y condimentos nuevos en un solo turno, sin código que tocar.
Precisión de detección en deriva sutil de color y de condimento. — Inspección visual manual: alta al inicio del turno, cae de forma medible tras tres horas. Visión tradicional basada en máquina: fuerte en clasificación por tamaño, débil en deriva sutil de color y en cobertura de condimento. Enao: aprende el color de fritura y las firmas de condimento a partir de fotogramas de referencia y mantiene la precisión a lo largo de turnos y tiradas.
Quién lo opera. — Inspección visual manual: operario formado en el túnel de enfriamiento. Visión tradicional basada en máquina: integrador de sistemas o ingeniero de visión especializado. Enao: tu equipo de línea, sin especialista externo.
Las carteras de SKU cambian con cada promoción de retailer y con cada edición limitada, y el coste de una retirada o de una llamada silenciosa del category manager se sitúa muy por encima del coste de un rig de inspección sobre iPhone. Enao está construido para ese hueco.
