Envasado de alimentos
Detecta fallos de sellado, errores de etiqueta, problemas de llenado y contaminación antes de que los packs salgan de la línea.
Inspección de calidad automatizada para envasado de alimentos, sobre un iPhone reacondicionado, junto a la línea de formado-llenado-sellado, la etiquetadora y la encajonadora.
Un sellado con un pliegue diminuto que pasa la prueba de fugas pero deja entrar aire y acorta la vida útil, una etiqueta descentrada un par de milímetros que el comprador del retailer marca como motivo de penalización, un nivel de llenado bajo que pasa la pesadora de control pero salta a la vista del consumidor en la balda, un fragmento de plástico que el detector de metales no ve. En una línea de envasado de alimentos cualquiera de esos errores se convierte dos semanas más tarde en una llamada del category manager o, peor, en una retirada. Los inspectores manuales detectan los casos extremos, pero se cansan tras la tercera hora y no pueden vigilar cada pack a velocidad de línea. La inspección de calidad automatizada para envasado de alimentos cierra esa brecha, y no necesita una plataforma de visión de seis cifras para hacerlo.
¿Qué es la inspección de calidad automatizada para envasado de alimentos?
La detección de defectos por IA para envasado de alimentos usa una cámara y un modelo de IA para vigilar cada pack según sale de la llenadora, de la selladora, de la etiquetadora y de la codificadora de fecha, y para señalar las unidades no conformes antes de que lleguen a la encajonadora. En lugar de depender de un operario de línea o de una visión rígida basada en reglas, la IA aprende la geometría específica de bandeja, el arte gráfico del film, el diseño de etiqueta y el formato de código de fecha de tu cartera de SKU, y aplica un punto de control visual coherente entre turnos, velocidades de línea y cambios de SKU.
El envasado de alimentos es especialmente difícil de inspeccionar a velocidad de línea porque el pack es variable por diseño: una bolsa de patatas flexa de forma distinta a un yogur, un blíster se asienta en otro ángulo que un envase al vacío, y un laminado impreso se ve distinto contra la cinta del transportador que contra el plástico de la encajonadora. La visión basada en reglas construida en torno a un único SKU se rompe en cuanto cambias a un film distinto, a una etiqueta distinta o a un formato distinto. La inspección guiada por IA gestiona esas variaciones porque el modelo aprende a partir de imágenes reales de producción y no de un umbral fijo.
El resultado es un punto de control visual automatizado que complementa tu pesadora de control y tu detector de metales de fin de línea y te da un registro de imagen pack a pack. 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 envasado de alimentos
Fallos de sellado y sellados con pliegues
Los fallos de sellado son fugas o sellados débiles en bolsas formado-llenado-sellado, envases al vacío, blísters o bandejas selladas, causados por deriva de temperatura de la mordaza, problemas de tensión de film, contaminación en la zona de sellado o desgaste de las mordazas. Los sellados con pliegues son la causa principal: un pliegue o arruga en la zona de sellado que deja pasar aire, acelera el envejecimiento y acorta la vida útil. Los operarios manuales detectan los huecos obvios pero pierden el pliegue marginal que sobrevive a la prueba de fugas en muestra. El modelo de IA aprende la firma de sellado en especificación para cada formato de pack y señala pliegues, manchas de contaminación y deriva de temperatura de mordaza en cuanto el patrón local se desvía.
Errores y desalineación de etiqueta
Los defectos de etiqueta incluyen impresiones manchadas, colores ausentes, colocación descentrada, bordes levantados, etiquetas dobles y etiquetas ausentes por completo, causados por desajuste de la etiquetadora, variación del soporte de etiqueta o desgaste del aplicador. Los compradores del retailer rechazan palés por logos descentrados. Los operarios manuales detectan los peores casos pero pierden la deriva de colocación gradual que se desarrolla cuando se calienta el cabezal de la etiquetadora. El modelo de IA mantiene la posición y el arte de etiqueta en especificación para cada SKU y señala impresiones erróneas y desalineación en cuanto el patrón local se desvía.
Errores de nivel de llenado y bajo peso
Los errores de nivel de llenado son desviaciones visuales respecto a la altura estándar del producto en packs transparentes o con ventana, a menudo correlacionados con bajo peso o sobrellenado, causados por deriva del alimentador, desgaste del sinfín o variación del producto aguas arriba. Las pesadoras de control detectan las desviaciones gruesas pero pierden los casos marginales que pasan el control de peso pero decepcionan al consumidor a la vista. El modelo de IA mantiene el perfil de llenado en especificación para cada SKU y señala los packs con bajo llenado en la línea de inspección, para que el operario los pueda retirar antes de que lleguen a la encajonadora.
Contaminación por cuerpos extraños
La contaminación por cuerpos extraños incluye fragmentos de film plástico, virutas metálicas, trozos de guante o restos de producto aguas arriba que se cuelan en el pack en la fase de formado-llenado-sellado. Los detectores de metales y los rayos X cazan los contaminantes densos pero pierden los trozos de plástico y de goma que parecen producto bajo la iluminación de la línea. El modelo de IA aprende la apariencia del producto en especificación para cada SKU y señala las anomalías visuales que merecen una decisión de retención y revisión.
Legibilidad y precisión del código de fecha
Los defectos de código de fecha incluyen impresiones desvanecidas por un cabezal inkjet desgastado, códigos mal posicionados que caen fuera de la zona de impresión, códigos ilegibles por variaciones de sustrato y la fecha equivocada por completo cuando el inkjet se desvía del calendario maestro. Los compradores del retailer rechazan palés por códigos de fecha ilegibles, y los consumidores publican fotos cuando el código falta. El modelo de IA verifica por OCR cada código en la línea de inspección y señala tanto errores de legibilidad como de contenido antes de la encajonadora.
Daños en bandeja y pack
Los daños en pack incluyen films perforados, bandejas abolladas, esquinas aplastadas en bolsas verticales y daños de tira de apertura en packs reciclables, causados por atascos del transportador aguas arriba, mal manejo en la encajonadora o desgaste del rodillo de la case packer. Los operarios manuales detectan los peores casos pero pierden los daños marginales que pasan la línea y fallan en el centro de distribución del cliente. El modelo de IA mantiene el perfil de pack en especificación para cada SKU y señala los daños en cuanto la silueta se desvía de la especificación.
La iluminación que hace que esto funcione en una línea de envasado de alimentos es una luz cenital difusa sobre la salida del formado-llenado-sellado para leer sellados y etiquetas, más una luz en anillo de bajo ángulo en la etiquetadora para leer la calidad de impresión y una cámara de montaje lateral en la entrada de la encajonadora para orientación y formato. 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 packs señalados disparen una decisión de desvío aguas abajo antes de la encajonadora. Especificamos la óptica contigo durante el onboarding.
Cómo corre Enao en una línea de envasado de alimentos
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 sellado y etiqueta, un cable USB-C y un soporte que se sujeta sobre la salida de la bolsadora, la salida de la etiquetadora o la entrada de la encajonadora. 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 pack señalado que la línea confirma o rechaza.
Cada línea entrena su propio modelo para reconocer su film, su arte de etiqueta y su formato de pack. Cuando cambias a un nuevo SKU 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 packs fuera de especificación dejan de llegar a la encajonadora, 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 línea, la validación de cambios de alérgenos y las reclamaciones de cliente.
Cómo se compara Enao con la inspección manual y la visión tradicional
Para las operaciones de envasado de alimentos la comparación se afina en cinco dimensiones.
Tiempo de puesta en marcha en una línea de envasado. — Las comprobaciones manuales de fin de línea pierden defectos intermitentes de sellado y de código. La visión tradicional basada en máquina (foodready, oalgroup, toptier, flovision, xis.ai) 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 de envasado: de 50.000 € a 250.000 € por línea para cámaras industriales, varios cabezales de inspección e integración. Enao: por debajo de 1.000 € por línea con un iPhone Pro reacondicionado, lámpara y soporte.
Gestión de nuevos SKU, films y etiquetas. — Inspección visual manual: reformar a los operarios para cada nuevo SKU. Visión tradicional de envasado: reescribir la receta por SKU, a menudo subcontratado al integrador. Enao: re-entrenar el modelo con nuevos SKU en un solo turno, sin tocar código.
Precisión de detección en deriva sutil de sellado y de llenado. — Inspección visual manual: alta al inicio del turno, cae de forma medible tras tres horas. Visión tradicional de envasado: fuerte en comprobación de posición de etiqueta, débil en deriva sutil de temperatura de sellado y en progresión de nivel de llenado. Enao: aprende firmas de sellado y de llenado a partir de imágenes de referencia y mantiene la precisión a lo largo de turnos y tiradas.
Quién lo opera. — Inspección visual manual: operario de línea formado. Visión tradicional de envasado: integrador de sistemas o ingeniero de visión especializado. Enao: tu equipo de planta, sin especialista externo.
Los compradores del retailer cambian de proveedor por el coste de una penalización, y el coste de una retirada de producto se sitúa muy por encima del coste de un rig de inspección sobre iPhone. Enao está construido para ese hueco.
