Cosmética y cuidado personal
Detecta errores de nivel de llenado, defectos de etiqueta y bomba dispensadora, deriva de decoración, legibilidad de lote y contaminación antes de que el producto salga de la línea de envasado.
Inspección de calidad automatizada para producción de cosmética y cuidado personal, sobre un iPhone reacondicionado, junto a tu llenadora, tapadora, célula de decoración, etiquetadora y embaladora.
Una bomba dispensadora torcida que falla la prueba de dispensación en un tocador, una etiqueta que entró desplazada un milímetro y se nota en el lineal de prestige, un foil de hot-stamp con un texto plumado que un consumidor encuentra al desempaquetar el regalo. En una línea de cosmética y cuidado personal cualquiera de esos errores se convierte semanas más tarde en un chargeback de retailer o en una devolución de consumidor. Los inspectores manuales detectan los casos extremos en la mesa de inspección, pero se cansan tras la tercera hora y no pueden vigilar todas las unidades a velocidad de línea. La inspección de calidad automatizada para cosmética cierra esa brecha, y no necesita una plataforma de visión de seis cifras para hacerlo.
¿Qué es la inspección de calidad automatizada para producción de cosmética y cuidado personal?
La detección de defectos por IA para cosmética y cuidado personal usa una cámara y un modelo de visión para vigilar cada frasco, tarro y tubo según sale de la llenadora, de la tapadora, de la etiquetadora y de la estación de envase secundario, y para señalar las unidades no conformes antes de que lleguen al depósito. En lugar de un operario en la mesa de inspección o de una visión rígida basada en reglas, el modelo aprende la silueta del frasco, la artwork de etiqueta, el acabado de decoración y el área de código de lote de tu cartera de SKU, y aplica un punto de control visual coherente entre turnos, velocidades de línea y cambios de SKU.
Los productos de cosmética y cuidado personal son particularmente difíciles de inspeccionar a velocidad de línea porque el color del bulk se lee distinto en fórmulas opacas, translúcidas y transparentes, la artwork de decoración en un frasco prestige es intencionadamente sutil, y el tarro infrallenado que arruina un gift-set parece idéntico a una variación normal de espacio de cabeza bajo iluminación de sala blanca. La visión basada en reglas construida en torno a un único SKU se rompe en cuanto cambias a un frasco distinto, una decoración distinta o una fórmula distinta. La inspección guiada por IA gestiona esas variaciones porque el modelo aprende de imágenes reales de producción y no de un umbral fijo.
El resultado es un punto de control visual automatizado que complementa tu muestra de fin de línea y te da un registro de imagen unidad por unidad. Cuando una consulta del retailer vuelve seis semanas después, puedes recuperar las imágenes de la ventana exacta de producción y o bien confirmar el defecto o bien responder con evidencia.
Defectos que detectamos en líneas de cosmética y cuidado personal
Errores de nivel de llenado y deriva de espacio de cabeza
Los errores de nivel de llenado son los frascos infrallenados y sobrellenados causados por desgaste del pistón de llenado, cambios de viscosidad del bulk durante la tirada o deriva de temperatura en el tanque de retención. Los infrallenados rompen la especificación de volumen etiquetado en el depósito del retailer, y los sobrellenados causan contaminación de la rosca en la tapadora. Los operarios revisan el llenado a ojo pero no pueden vigilar cada unidad, así que los casos marginales pasan la mesa de inspección. El modelo de IA aprende el espacio de cabeza en especificación para cada SKU y señala la deriva en cuanto la altura local de llenado cruza tu tolerancia, con las imágenes disponibles para que puedas ajustar la llenadora antes de que un palé entero salga fuera de especificación.
Asentamiento de tapón y bomba dispensadora
Los defectos de cierre incluyen bombas torcidas, tubos de aspiración ausentes, tapones de rosca descentrados y tapones dispensadores mal asentados causados por deriva del par de la tapadora, desalineamiento de la alimentación de tapón o problemas de tolerancia de rosca. Las bombas torcidas fallan la prueba de dispensación en un tocador, y los tapones mal asentados gotean en tránsito. Los operarios muestrean tapones al descanso pero pierden las ventanas intermedias. El modelo de IA aprende la firma de tapón en especificación y señala bombas torcidas, tubos de aspiración ausentes y tapones mal asentados a la salida de la tapadora, con las imágenes disponibles para que puedas ajustar el par antes de que salga un lote entero.
Desalineamiento de etiqueta y deriva de decoración
Los defectos de etiqueta y decoración incluyen aplicación torcida, esquinas levantadas, foil de hot-stamp desalineado y errores de rotación causados por desgaste del rodillo de cola, errores de alimentación del rollo de etiqueta, deriva del tambor de decoración o desalineamiento del rodillo de presión. Los peores ofensores se sitúan en la parte trasera de un frasco prestige y pasan la mesa de inspección de cara delantera para fallar en el depósito. El modelo de IA mantiene la firma visual de una etiqueta y decoración en especificación para cada SKU y señala desplazamiento, levantamiento y rotación en cuanto el patrón local se desvía de la especificación.
Defectos de hot-stamp, serigrafía y foil
Los defectos de impresión de decoración incluyen foil roto, píxeles de serigrafía ausentes y texto de hot-stamp plumado causados por desgaste del rodillo de foil, contaminación de la malla de serigrafía o deriva de temperatura del sello. Los defectos fallan la inspección de listing prestige y disparan reclamaciones de consumidor por devoluciones de gift-set. El modelo de IA aprende la firma de decoración en especificación para cada SKU y señala foil roto, píxeles ausentes y texto plumado en la célula de decoración para que la línea pueda ajustar antes de que salga una tirada entera.
Legibilidad de código de lote y sellos de fórmula
Los defectos de código de lote incluyen tinta desvanecida, dígitos emborronados, caracteres ausentes y códigos de fórmula incorrectos causados por mantenimiento del inkjet, desgaste de la cinta o errores de cambio de receta. Los defectos fallan la inspección de goods-in del retailer y disparan rechazos de palé en el depósito. El modelo de IA lee el área de código de lote en cada imagen y señala códigos ilegibles, ausentes o de formato incorrecto a la salida de la etiquetadora para que la línea pueda corregir la impresora antes de que salga un palé entero.
Daños cosméticos en frascos y tubos
Los defectos cosméticos incluyen arañazos de superficie en vidrio, marcas de abolladura en tubos, errores de embossment y líneas de flujo en hombro causados por desgaste de la cinta de transferencia, impacto de la tapadora o problemas de lote del proveedor. Los peores casos sobreviven a la mesa de inspección y fallan en el goods-in del retailer prestige. El modelo de IA aprende la firma cosmética en especificación y señala arañazos, abolladuras y errores de embossment a la entrada de la embaladora para que la línea pueda desviar antes de que el embalaje lo envuelva.
La iluminación que hace que esto funcione en una línea de cosmética es una luz cenital difusa sobre la llenadora y la etiquetadora para leer nivel de llenado, etiqueta y decoración, más una luz en anillo de bajo ángulo en la tapadora para leer el asentamiento de cierre y un backlight en la embaladora para leer la composición del pack. 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 las unidades señaladas disparen una decisión de desvío o retención aguas abajo. Especificamos la óptica contigo durante el onboarding.
Cómo corre Enao en una línea de cosmética y cuidado personal
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 inspección de tapadora y un backlight para composición de pack, un cable USB-C y un soporte que se sujeta sobre la llenadora, la tapadora, la célula de decoración, la etiquetadora o la embaladora. 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 planta monta el rig, abre la app Enao y empieza a recoger imágenes de referencia en el siguiente cambio. El día 1 devuelve un 80 % de precisión sin 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 unidad señalada que la línea confirma o rechaza.
Cada línea entrena su propio modelo para reconocer sus formas de frasco, su artwork de decoración y sus geometrías de tapón. Cuando cambias a un SKU o fórmula distinta 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.
Las unidades fuera de especificación dejan de llegar a la embaladora, el desperdicio se registra en el punto de inspección y no 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 llenadora, el ajuste de fórmula y el análisis de devoluciones de consumidor.
Cómo se compara Enao con la inspección manual y la visión tradicional
Para los productores de cosmética y cuidado personal la comparación se afina en cinco dimensiones.
Tiempo de puesta en marcha en una línea de cosmética. — Inspección visual manual: horas de formación por operario, mano de obra recurrente. Visión tradicional basada en reglas (softwebsolutions, scortex, Cognex, Overview.ai, intelgic): de tres a nueve meses de integración con un integrador de sistemas, más un conjunto de reglas por SKU. Enao: desplegado 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 reglas: 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 SKU, decoraciones y fórmulas de bulk. — Inspección visual manual: reformar a los operarios para cada nuevo SKU. Visión tradicional basada en reglas: reescribir el conjunto de reglas por receta, a menudo subcontratado al integrador. Enao: re-entrenar el modelo con frascos, decoraciones y fórmulas nuevas en un solo turno, sin tocar código.
Precisión de detección en deriva sutil de decoración y daño cosmético. — Inspección visual manual: alta al inicio del turno, cae de forma medible tras tres horas. Visión tradicional basada en reglas: fuerte en chequeos dimensionales, débil en deriva sutil de decoración y detección de daño cosmético. Enao: aprende firmas de llenado, etiqueta, decoración y tapón a partir de imágenes de referencia y mantiene la precisión a lo largo de turnos y tiradas.
Quién lo opera. — Inspección visual manual: operario formado en la mesa de inspección. Visión tradicional basada en reglas: integrador de sistemas o ingeniero de visión especializado. Enao: tu equipo de planta, sin especialista externo.
Los retailers de belleza y los category managers de distribución prestige cambian de proveedor por el coste de un palé rechazado, y el coste de un chargeback o de un swap discreto de listing se sitúa muy por encima del coste de un rig de inspección sobre iPhone. Enao está construido para ese hueco.
