Visión artificial en aserraderos: cómo evaluar la calidad

Qué puede aportar la visión artificial a la clasificación de madera

La visión artificial analiza imágenes para reconocer características o señalar posibles defectos. En un aserradero, la pregunta empresarial es qué decisión de calidad puede apoyar y bajo qué condiciones. Un piloto útil necesita relacionar cada imagen con una pieza, un criterio de aceptación y una acción que el equipo pueda revisar.

El 13 de mayo de 2026, la Universidad de Concepción informó avances de su programa PATI de Visión Computacional, impulsado por Corfo. En Patagonia Painting Company, en Mulchén, especialistas de Lumber Quality capacitaron al equipo para reconocer características y defectos del pino radiata. Un arco de cámaras instalado en una cinta ya había capturado imágenes de tablas; el trabajo siguiente era etiquetarlas para entrenar el modelo. UdeC, proyecto de clasificación de madera.

El anuncio describe una etapa de desarrollo. La clasificación en tiempo real y la reducción de errores son objetivos del proyecto, sin resultados operacionales cuantificados en esa publicación. A partir de ese contexto, proponemos los siguientes criterios para evaluar un piloto propio.

Definir el defecto y resolver los casos dudosos

Antes de reunir miles de imágenes, recomendamos acordar una ficha de inspección con el responsable de calidad. Debe indicar qué característica se busca, cuándo cambia la categoría de la pieza y qué evidencia necesita el inspector para decidir. El criterio puede depender del producto y su destino; por eso conviene registrar también la especificación aplicable.

Preparar ejemplos aceptables, rechazados y dudosos permite comprobar si distintas personas interpretan igual la regla. Si dos inspectores discrepan, el desacuerdo merece revisión y una explicación conservada junto a la etiqueta. Forzar una clasificación sin resolver el criterio traslada la ambigüedad al entrenamiento.

También proponemos comprobar qué caras y zonas de la tabla aparecen en la imagen. Una decisión que exige observar una superficie oculta requiere ajustar la captura o mantener otra inspección. La ficha del piloto debe señalar expresamente qué puede evaluar el sistema y qué queda fuera de su alcance.

Probar la captura cuando cambia la iluminación

La investigación internacional ofrece una referencia metodológica: MVTec AD 2 reúne escenarios de inspección industrial y evalúa imágenes normales y anómalas bajo condiciones de iluminación que no necesariamente aparecen en el entrenamiento. Es una prueba comparativa de investigación, cuyos resultados no acreditan el desempeño de una instalación maderera. MVTec, descripción de AD 2.

Nuestra recomendación para la planta es registrar cámara, iluminación, posición de la pieza y condiciones de captura junto a las imágenes. Después, evaluar por separado situaciones habituales y variaciones previsibles: sombras, suciedad en la óptica o desplazamientos de la tabla. Cada cambio debe permitir identificar cuándo una imagen deja de ser apta para decidir.

Conviene reservar lotes completos para la evaluación final y mantener juntas las distintas fotografías de una misma pieza. Si imágenes casi idénticas terminan repartidas entre entrenamiento y prueba, la medición puede sobreestimar la capacidad de reconocer piezas nuevas. El equipo debe documentar cómo separó los datos antes de comparar modelos.

Medir los dos errores que importan al negocio

Proponemos informar por separado los defectos que el sistema deja pasar y las piezas aceptables que marca para rechazo. Un porcentaje agregado de acierto puede ocultar ambos problemas, especialmente cuando un defecto relevante aparece pocas veces. La revisión necesita mostrar cuántas piezas de cada tipo se evaluaron y contra qué criterio humano.

Para decidir, calidad y operaciones pueden asignar a cada error su consecuencia concreta: revisión adicional, reclasificación, reproceso o devolución. También deben contabilizar las imágenes que el sistema declara insuficientes. Con esos datos se puede comparar el trabajo total del proceso actual con el del piloto, incluyendo captura y revisión de alertas.

Sugerimos comenzar en modo de observación: el sistema registra su propuesta mientras el equipo conserva la decisión. Revisar todas las alertas y una muestra de piezas aceptadas ayuda a encontrar tanto falsas alarmas como defectos omitidos. Esa muestra debe definirse antes de conocer los resultados para evitar seleccionar solo los ejemplos favorables.

Vincular la alerta con la pieza física

Imaginemos un aserradero que prueba un clasificador en una línea. Es un ejemplo hipotético, independiente del proyecto de Mulchén. La pantalla señala un posible defecto, pero la tabla ya avanzó por la cinta. Para que la alerta sea útil, el operario necesita reconocer la pieza y disponer de tiempo para revisarla dentro del procedimiento establecido.

Por eso recomendamos probar la cadena completa: captura, identificación, respuesta del modelo, presentación al inspector y registro de la decisión. Hay que comprobar qué ocurre con imágenes perdidas, respuestas tardías o piezas cuya identidad se pierde. El responsable de la línea debe definir la operación de respaldo antes de conectar una clasificación con un mecanismo de separación.

La relación entre una señal y una intervención también aparece en nuestra guía de mantenimiento predictivo y órdenes de trabajo. En ambos recorridos conviene conservar evidencia suficiente para entender qué detectó el sistema y qué hizo finalmente la operación.

Qué pedir antes de ampliar el piloto

El entregable debería reunir un alcance explícito, reglas de calidad acordadas, resultados por defecto y condición de captura, tiempos de respuesta y decisiones revisadas. Recomendamos fijar por adelantado quién acepta los resultados y qué cambios obligan a repetir la prueba, como una nueva cámara, otra especificación de madera o una versión distinta del modelo.

En un proyecto de inteligencia artificial aplicada a empresas, avanzar puede significar empezar apoyando al inspector, mejorar la captura o limitar el sistema a una categoría bien evaluada. La decisión de automatizar debe apoyarse en evidencia de la línea y en la capacidad del equipo para detectar y corregir sus errores.