Mermeladas y confituras
Detecta errores de nivel de llenado, desalineación de etiqueta, problemas de asiento de tapa y contaminación antes de que los tarros salgan de la línea de envasado.
Inspección de calidad automatizada para líneas de envasado de mermelada, marmalade y confitura, sobre un iPhone reacondicionado, junto a tu llenadora, capsuladora, etiquetadora y encajonadora.
Un tarro mal llenado que rompe la especificación de peso de caja en el almacén del retailer, una etiqueta torcida que pasa la inspección frontal y falla en el depósito, una tapa mal asentada que pierde vacío y dispara el deterioro antes del consumo preferente, una banda de garantía rota que arruina la promesa de inviolabilidad en la estantería del supermercado. En una línea de mermelada cualquiera de esos errores se convierte dos semanas más tarde en una llamada del category manager o en una penalización del retailer. Los inspectores manuales detectan los casos extremos en la mesa de inspección, pero se cansan tras la tercera hora y no pueden vigilar cada tarro a velocidad de línea. La inspección de calidad automatizada para mermeladas y confituras 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 mermeladas y confituras?
La detección de defectos por IA para mermeladas y confituras usa una cámara y un modelo de visión para vigilar cada tarro según sale de la llenadora, de la capsuladora, de la etiquetadora y de la encajonadora, y para señalar las unidades no conformes antes de que lleguen al almacén. En lugar de un operario en la mesa de inspección o de una visión rígida basada en reglas, el modelo aprende la forma del tarro, el arte de etiqueta, el contenido de fruta y la geometría de la tapa de tu cartera de SKU, y aplica un punto de control visual coherente entre turnos, velocidades de línea y cambios de receta.
Las mermeladas y las confituras son particularmente difíciles de inspeccionar a velocidad de línea porque el contenido de fruta varía dentro del mismo lote por diseño, la opacidad de la gelatina se lee de forma distinta entre fresa, frambuesa y albaricoque, y el tarro mal llenado que arruina un multipack parece idéntico a una variación normal de cámara de cabeza bajo la luz de la línea de envasado. La visión basada en reglas construida en torno a una única forma de tarro se rompe en cuanto cambias a un SKU distinto, a una etiqueta distinta o a una receta de fruta distinta. 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 muestra de fin de línea y te da un registro de imagen tarro a tarro. 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 producción de mermeladas y confituras
Errores de llenado y deriva de cámara de cabeza
Los errores de nivel de llenado son los tarros con bajo y alto llenado causados por desgaste del pistón de la llenadora, cambios de viscosidad de lote durante la tirada de producción o deriva de temperatura en la cocedora. Los bajos llenados rompen la especificación de peso de caja en el almacén del retailer, y los altos llenados causan contaminación de tapa en la capsuladora. Los operarios revisan la línea de llenado a ojo pero no pueden vigilar cada tarro, así que los casos límite pasan la mesa de inspección. El modelo de IA aprende la cámara de cabeza en especificación para cada SKU y señala la deriva en cuanto la altura local de llenado supera tu tolerancia, con las imágenes disponibles para que puedas ajustar la llenadora antes de que se expida un palé entero fuera de especificación.
Desalineación y rozaduras de etiqueta
Los defectos de etiqueta incluyen aplicación torcida, esquinas levantadas, rozaduras de cola y paneles arrugados causados por desgaste del rodillo de cola, errores de alimentación de la pila de etiquetas o rodillos de presión desalineados. Los peores casos se sientan en el panel trasero y pasan la mesa de inspección frontal para fallar en el depósito. Los operarios manuales detectan los desplazamientos obvios pero pierden las esquinas levantadas que pasan la etiquetadora y fallan cuando el film toca la encajonadora. El modelo de IA mantiene la firma visual de una etiqueta en especificación para cada SKU y señala desplazamientos, levantamientos y rozaduras en cuanto el patrón local se desvía de la especificación.
Asiento de tapa y problemas de cierre twist-off
Los problemas de tapa incluyen tapas inclinadas, botones de seguridad ausentes y tapones twist-off mal asentados causados por deriva del par de la capsuladora, desalineación de alimentación de tapa o desgaste del rodillo de roscado. Las tapas mal asentadas fallan el ensayo de vacío y llevan al deterioro antes del consumo preferente. Los operarios muestrean tapas en pausa pero pierden las ventanas intermedias. El modelo de IA aprende la firma de tapa en especificación y señala tapas inclinadas, sin botón y mal asentadas a la salida de la capsuladora, con las imágenes disponibles para que puedas ajustar el par antes de que se expida un lote entero.
Par de cierre y defectos de banda de garantía
Los defectos de cierre son problemas hermanos del asiento, incluyen bandas de garantía rotas, anillos de inviolabilidad incompletos y tapas que giran libres en la rosca. Las causas incluyen desgaste del rodillo de roscado, tolerancia de lote de tapa y alineación de la capsuladora. Los defectos arruinan la promesa de inviolabilidad en la etiqueta y disparan rechazos del retailer en la inspección de almacén. El modelo de IA capta la firma visual de una banda rota o de una tapa que gira libre en un solo fotograma y señala cualquier tarro que falle la especificación, antes de que la encajonadora lo envuelva.
Distribución de fruta y de gelatina
Los problemas de distribución incluyen fruta asentada en el fondo del tarro, separación de gelatina en la cámara de cabeza y proporción desigual de fruta a gelatina causados por deriva de la agitación de la tolva, variación de temperatura de receta o disparidad de boquilla de llenadora. Los defectos arruinan la apariencia en la estantería de consumo y disparan reclamaciones en redes sociales. Los operarios manuales revisan la salida de la llenadora pero pierden los casos de fruta asentada que pasan la mesa de inspección y se ven mal en la estantería del supermercado dos semanas después. El modelo de IA aprende la distribución en especificación para cada SKU y señala la deriva a la salida de la llenadora para que la línea pueda ajustar la agitación de la tolva o la temperatura de receta.
Daños de vidrio y desconchones
Los defectos de vidrio incluyen grietas en el cuello roscado, desconchones en el borde e inclusiones en el cuerpo causados por desgaste del manipulador de vidrio, impacto de la capsuladora o problemas de lote de proveedor. Los peores casos se sientan en el lado interior de la caja y solo afloran cuando el consumidor abre el tarro en casa. El modelo de IA aprende la firma de vidrio en especificación y señala grietas, desconchones e inclusiones en la entrada de la encajonadora para que la línea pueda desviar el tarro antes de que llegue a la caja.
La iluminación que hace que esto funcione en una línea de mermelada es una luz cenital difusa sobre la llenadora y la etiquetadora para leer nivel de llenado y etiqueta, más una luz en anillo de bajo ángulo en la capsuladora para leer el asiento de la tapa. 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 tarros señalados disparen una decisión de desvío o retención aguas abajo. Especificamos la óptica contigo durante el onboarding.
Cómo corre Enao en una línea de mermeladas y confituras
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 tapa, un cable USB-C y un soporte que se sujeta sobre la llenadora, la capsuladora, la etiquetadora o 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 tarro señalado que la línea confirma o rechaza.
Cada línea entrena su propio modelo para reconocer sus formas de tarro, sus artes de etiqueta y sus recetas de fruta. Cuando cambias a una receta o a una etiqueta distintas 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 tarros 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 la llenadora, el ajuste de receta y la gestión de reclamaciones de cliente.
Cómo se compara Enao con la inspección manual y la visión tradicional
Para los productores de mermeladas y confituras la comparación se afina en cinco dimensiones.
Tiempo de puesta en marcha en una línea de mermelada. — Inspección visual manual: horas de formación por operario, mano de obra recurrente. Visión tradicional basada en máquina: de tres a nueve meses de integración con un integrador de sistemas, más un conjunto de reglas por tarro y etiqueta. Enao: desplegado en una semana por tu propio equipo, 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 SKU, etiquetas y recetas. — Inspección visual manual: reformar a los operarios para cada nuevo SKU. Visión tradicional basada en máquina: reescribir el conjunto de reglas por receta, a menudo subcontratado al integrador. Enao: re-entrenar el modelo con tarros, etiquetas y recetas de fruta nuevos en un solo turno, sin tocar código.
Precisión de detección en deriva sutil de llenado y rozaduras de etiqueta. — Inspección visual manual: alta al inicio del turno, cae de forma medible tras tres horas. Visión tradicional basada en máquina: fuerte en comprobaciones dimensionales, débil en deriva sutil de nivel de llenado y en detección de rozaduras de etiqueta. Enao: aprende firmas de llenado, etiqueta y tapa 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 máquina: integrador de sistemas o ingeniero de visión especializado. Enao: tu equipo de planta, sin especialista externo.
Los retailers y los category manager cambian de proveedor por el coste de un palé rechazado, y el coste de una penalización o de un cambio silencioso de listing se sitúa muy por encima del coste de un rig de inspección sobre iPhone. Enao está construido para ese hueco.
