Cuando se plantea un proyecto de inspección por visión, aparece pronto la pregunta: ¿visión clásica o deep learning? Suena a decisión tecnológica, pero en realidad es una decisión sobre tu defecto. Y casi nunca hay un único ganador.
Dos enfoques, no uno mejor
La elección no es «lo nuevo contra lo viejo». Son dos herramientas con puntos fuertes distintos, y muchos sistemas reales combinan ambas.
Visión clásica: reglas, robusta y explicable
La visión clásica aplica reglas definidas por el ingeniero: medir una cota, contar elementos, leer un código, comparar con un patrón de referencia. Sus ventajas son tres: es rápida, es predecible y, sobre todo, es explicable —puedes saber por qué el sistema decidió que una pieza era no apta—. Para defectos y medidas bien definidos, suele ser la opción más robusta.
Cabe aquí casi todo lo que tiene una respuesta geométrica clara: la inspección dimensional, la lectura de códigos o la verificación de montaje.
Deep learning: para lo variable y lo estético
El deep learning no se programa con reglas: aprende de ejemplos. Se le muestran imágenes etiquetadas de piezas correctas y defectuosas, y aprende a distinguirlas. Brilla donde las reglas se quedan cortas: defectos de aspecto, texturas, vetas, manchas irregulares —la clase de defecto que un inspector reconoce «de un vistazo» pero cuesta describir con una fórmula—. Es el terreno natural de buena parte de la detección de defectos superficiales.
Su contrapartida: necesita datos. Sin imágenes representativas —incluidas piezas malas— no hay modelo fiable.
Cómo se decide
Un integrador no elige por moda, elige por el problema:
- ¿El defecto se puede describir con una regla geométrica? → visión clásica.
- ¿Es variable, estético o difícil de definir? → deep learning.
- ¿Tienes imágenes representativas de piezas defectuosas? → condiciona si el deep learning es viable hoy.
Y muchas veces la respuesta es ambas: reglas para lo medible, deep learning para lo estético, en el mismo sistema de visión.
Cuántos datos necesita el deep learning
Es la pregunta que decide si el deep learning es viable hoy en tu caso. No hay un número mágico, pero sí un principio: necesitas ejemplos representativos de todo lo que el sistema va a ver, y muy especialmente de las piezas defectuosas —que suelen ser las escasas—. Un modelo entrenado solo con piezas buenas no aprende a reconocer el defecto.
La calidad del dato pesa tanto como la cantidad: imágenes bien etiquetadas, con la iluminación definitiva y que cubran la variabilidad real de tu producción. Si aún no tienes defectos suficientes, hay caminos —generar muestras, empezar con visión clásica y migrar después—, pero eso lo valora el integrador en la prueba de concepto. Comprometer deep learning «a ciegas», sin datos, es la receta de un proyecto que no converge.
Cuándo brilla cada enfoque: ejemplos
Un par de ejemplos aclaran la elección. Visión clásica: medir el diámetro de un taladro, comprobar que un conector está presente, leer un Datamatrix nítido, verificar que una etiqueta está colocada. Son problemas definidos, con una respuesta geométrica clara, donde las reglas son rápidas, baratas y explicables. Deep learning: distinguir una veta aceptable de una grieta en madera, detectar manchas irregulares en una superficie texturizada, clasificar defectos estéticos que «se reconocen pero no se describen». Son problemas variables, donde escribir reglas sería interminable y frágil. La frontera no siempre es nítida, y por eso se prueba con tus piezas.
Híbrido: combinar reglas y deep learning
Muchos sistemas reales no eligen: combinan. La visión clásica se encarga de lo medible y repetible —cotas, presencia, códigos— y el deep learning, de lo estético y variable —el aspecto, el acabado—, dentro del mismo sistema. Es lo mejor de los dos mundos: la robustez y la explicabilidad de las reglas donde aplican, y la flexibilidad del aprendizaje donde hace falta. El integrador decide qué parte de tu inspección va con cada enfoque, buscando el sistema más fiable y mantenible, no el más vistoso.
El dato y la viabilidad mandan
Por eso el primer paso no es elegir el enfoque sobre el papel, sino una prueba de concepto con tus piezas: confirma qué se detecta, con qué enfoque y a qué tasa de falsos rechazos.
Cuéntanos qué necesitas inspeccionar y te ponemos en contacto con integradores verificados que estudian el enfoque adecuado a tu caso. Solicita un estudio de viabilidad, sin compromiso.