Detección de defectos por visión AI — escape reducido de 0.6% a 0.04%
Reemplazamos análisis basado en reglas por un modelo de deep learning para defectos de etiqueta, bajo nivel y tapa inclinada en botellas PET.
- Cliente
- Confidential — Beverage Co-Packer
- Ubicación
- Georgia, USA
- Capacidades
- Visión Artificial · Ingeniería de Procesos
El reto
Las devoluciones generaban un 0.6% de escapes equivalentes a ~$480k anuales en notas de crédito. El sistema de visión anterior detectaba bajo nivel pero no las arrugas de etiqueta ni inclinaciones sutiles de tapa.
Lo que construimos
Entrenamos un modelo Keyence VS-L con 12,000 imágenes etiquetadas en tres clases, montamos un arreglo de seis cámaras a 300 bpm e integramos un eyector. Tiempo de ciclo < 200 ms por botella.
Equipo clave
- Keyence VS-L Deep Learning
- Cámaras Basler ace 2 ×6
- Eyector neumático
- Lector Cognex DataMan
Desde el piso
Imagen ilustrativa — representativa del alcance del proyecto; se removieron datos que identifiquen al cliente.
Resultados
El escape ahora es 0.04%; los créditos cayeron en consecuencia y la línea ganó 9 puntos de OEE por menos paros falsos.
Ver los 20 proyectos
Alimentos y Bebidas•2025Retrofit de línea de embotellado lácteo — 18% más producción, 62% menos rechazos
Reemplazamos un sistema de control de 1998 con PLC moderno + visión, conservando llenadora y tapadora existentes.
+18%Producción-62%Tasa de rechazo11 wkLead time del proyecto
Alimentos y Bebidas•2025ASRS de congelados — 9,200 posiciones a −25 °C
ASRS de shuttle en cámara a −25 °C, con drives, lubricantes y control de condensación adaptados al frío.
−25 °CTemperatura operación9,200Posiciones de pallet−40%Energía/pallet-día
Alimentos y Bebidas•2025Celda de paletizado robótico — 2 turnos de estiba manual eliminados
Celda nueva de paletizado al final de línea, dimensionada para 60 cajas por minuto en 12 SKU con cambio rápido.
2Turnos de estiba manual reemplazados60 cpmCajas por minuto16 moRetorno estimado