Galletas y bizcochos
Detecta centros poco horneados, piezas rotas, defectos de decoración y deriva de tono de horneado antes de que las bandejas salgan del túnel de enfriamiento.
Inspección de calidad automatizada para producción de galletas y bizcochos, sobre un iPhone reacondicionado, junto a tu horno túnel, dosificador y línea de envasado.
Un centro poco horneado que no pasa la prueba de mordida, una franja de galletas que ha derivado dos puntos de tono entre la primera y la última bandeja del turno, una fila de cookies con la chip de chocolate ausente, una pieza enrobada con el chocolate caído fuera de centro. En una línea de galletas y bizcochos cualquiera de esos errores se convierte dos semanas más tarde en una llamada del category manager o en una devolución de marca propia. Los inspectores manuales detectan los casos extremos en el túnel de enfriamiento, pero se cansan tras la tercera hora y no pueden vigilar todas las piezas a velocidad de línea. La inspección de calidad automatizada para galletas y bizcochos cierra esa brecha, y no necesita una plataforma de visión de seis cifras para hacerlo.
¿Qué es la inspección de calidad automatizada para galletas y bizcochos?
La detección de defectos por IA para galletas y bizcochos usa una cámara y un modelo de visión para vigilar cada pieza según sale del dosificador, del horno, de la celda de topping y de la envasadora, y para señalar las unidades no conformes antes de que lleguen al depósito. En lugar de un operario en el banco de inspección o de una visión rígida basada en reglas, el modelo aprende el tono de horneado, la firma de superficie, el patrón de topping y la forma de tu cartera de SKU, y aplica un punto de control visual coherente entre turnos, velocidades de línea y cambios de receta.
Las galletas y los bizcochos son particularmente difíciles de inspeccionar a velocidad de línea porque la banda de tono de horneado se sitúa entre lo crudo y lo quemado, la geometría de una galleta de estilo artesano varía dentro del mismo paquete por diseño, y el topping debe parecer generosamente repartido en cada pieza al tiempo que cumple un conteo y un peso medio. La visión basada en reglas construida en torno a una sola receta se rompe en cuanto cambias a una masa distinta, a un topping distinto o a un perfil de horneado distinto. 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 QC al final del turno y te da un registro de imagen bandeja a bandeja. 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 galletas y bizcochos
Cocción insuficiente y sobrecocción
Los defectos de horneado se sitúan en una banda estrecha entre un centro poco horneado que no pasa la prueba de mordida y un canto sobrehorneado que chamusca el borde de la galleta. Las causas incluyen deriva de temperatura por zona de horno, desbalance del quemador, inestabilidad de velocidad de la cinta y variabilidad en el porcionado de masa que cambia la carga térmica a lo largo de la banda. Los operarios detectan los casos extremos en el túnel de enfriamiento pero pierden el centro blando marginal que aún pasa una mirada rápida bajo la luz de almacén. El modelo de IA aprende la envolvente aceptable de tono de horneado y de textura de superficie para cada SKU desde la primera media hora de la tirada y detecta el cambio local de contraste mucho antes de que el clúster se haga obvio. Las bandejas se señalan, el operario ajusta el perfil del horno y los lotes rechazados se desvían antes del envasado.
Deriva de tono de horneado
La deriva de tono de horneado es un cambio gradual de matiz a lo largo de la tirada, causado por envejecimiento de la zona de horno, deriva de calibración del quemador, variabilidad de mezcla de masa o cambios estacionales en la composición de la harina. La primera y la última bandeja de la tirada pueden situarse en valores LAB distintos sin que ningún operario lo note, y el retailer mezcla en el mismo set de estantería paquetes de ambas ventanas. El modelo de IA mantiene un tono de referencia aprendido para cada SKU y señala la deriva en cuanto el delta local de color supera tu especificación, dándole a la línea la oportunidad de corregir el horno o lanzar una revisión de receta antes de que una bandeja de producto fuera de tono llegue a la envasadora.
Fisuras y rotura
Las fisuras son fracturas lineales de superficie y la rotura es la fractura completa de la pieza, que ocurre durante el enfriamiento, las transferencias de cinta o el apilado en la línea de envasado. Las galletas duras y los productos moldeados rotativos son los más vulnerables, especialmente cuando la humedad en el túnel de enfriamiento cae por debajo de la especificación o cuando una transición de túnel introduce vibración. El muestreo manual al descanso capta la tendencia pero pierde las ventanas intermedias. El modelo de IA capta el patrón de fractura de superficie en la cinta de enfriamiento y señala la banda en cuanto la proporción de piezas fisuradas o rotas cruza tu umbral de aceptación, para que la línea pueda desviar antes de que un objetivo de envasado se vea comprometido solo por conteo de rotos.
Defectos de topping y decoración
Los defectos de topping cubren la chip de chocolate ausente en una galleta con chips, el drizzle de chocolate poco depositado en una pieza enrobada, la galleta sándwich con la crema descentrada y el glaseado que rebasa la línea de diseño en una pieza decorada. Las causas incluyen variabilidad de dosificación del depositor, carga inconsistente de la tolva de topping, problemas de sincronización de cinta y cambios en el flujo del glaseado por humedad. El modelo de IA aprende la firma visual de una pieza decorada en especificación a partir de imágenes de referencia y señala el déficit local de cobertura en cuanto cruza tu tolerancia, con las imágenes disponibles para que el operario pueda corregir el dosificador antes de que medio palé salga subdecorado.
Desviación de forma y tamaño
Los defectos de forma cubren las galletas que se extienden fuera de la tolerancia de diseño durante el horneado, los bizcochos que salen del moldeador rotativo subdimensionados tras un desgaste de rodillo y las piezas sándwich que aterrizan descentradas sobre la base inferior. Los operarios buscan los casos obvios en el túnel de enfriamiento pero no pueden vigilar cada pieza a velocidad de línea. El modelo de IA aprende la envolvente de geometría en especificación para cada SKU y señala las piezas que caen fuera, para que la línea pueda desviar antes de que el paquete se llene de galletas que el consumidor verá como fuera de marca en la estantería.
Contaminación por material extraño
El material extraño es cualquier cosa en el flujo de producto que no sea la galleta o el bizcocho: plástico de una rasqueta de masa rota, una astilla de madera de un palé de harina, una pieza de metal demasiado pequeña para el detector o un fragmento de papel de una bolsa de ingrediente. Los detectores de metales y los rayos X capturan 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 textura contra el fondo de horneado, y el modelo de IA aprende la firma visual de los materiales que tu histórico de reclamaciones realmente señala. Las piezas se desvían en el túnel de enfriamiento antes del envasado, y el operario recibe una señal temprana de que el proceso aguas arriba necesita atención.
La iluminación que hace que esto funcione en una línea de galletas y bizcochos es una luz cenital difusa sobre el túnel de enfriamiento para leer tono de horneado y textura de superficie, más una luz en anillo de bajo ángulo en el dosificador de topping o decoración para leer cobertura y registro. 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 retención aguas abajo. Especificamos la óptica contigo durante el onboarding.
Cómo corre Enao en una línea de galletas y bizcochos
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 topping, un cable USB-C y un soporte que se sujeta sobre el túnel de enfriamiento o el dosificador de decoración. 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 de receta. El día 1 devuelve un 80 % de precisión sin etiquetado previo, y al día 14 el modelo corre por encima del operario 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 sus recetas de masa, sus paletas de tono de horneado y sus patrones de topping. 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 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 del horno, la resolución de problemas de receta y las reclamaciones de cliente.
Cómo se compara Enao con la inspección manual y la visión tradicional
Para los productores de galletas y bizcochos la comparación se afina en cinco dimensiones.
Tiempo de puesta en marcha en una línea de galletas y bizcochos. — Inspección visual manual: horas de formación por operario, mano de obra recurrente. Visión tradicional basada en reglas (switchon.io, imagevision, datamonsters, jidoka-tech): de tres a nueve meses de integración con un integrador de sistemas, más un conjunto de reglas por receta. 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 nuevas masas, recetas y toppings. — 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 masas y toppings nuevos en un solo turno, sin tocar código.
Precisión de detección en deriva sutil de tono y cobertura de topping. — Inspección visual manual: alta al inicio del turno, cae de forma medible tras tres horas. Visión tradicional basada en reglas: fuerte en clasificación por tamaño, débil en deriva sutil de color y cobertura de decoración. Enao: aprende firmas de tono de horneado y de topping 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 el túnel de enfriamiento. Visión tradicional basada en reglas: integrador de sistemas o ingeniero de visión especializado. Enao: tu equipo de planta, sin especialista externo.
Las carteras de SKU cambian con cada promoción de retailer y cada gama de temporada, y el coste de un rechazo de marca propia o de una llamada discreta del category manager se sitúa muy por encima del coste de un rig de inspección sobre iPhone. Enao está construido para ese hueco.
