Visió computacional per al control de qualitat en embalatge sostenible.

Què és la visió computacional aplicada al packaging

La visió computacional és una branca de la intel·ligència artificial que permet a les màquines “veure” i interpretar imatges o vídeo. En una línia d’embalatge, això es tradueix en una cosa molt pràctica: convertir càmeres en un “sensor” que decideix si un envàs compleix (o no) els criteris de qualitat.

A diferència d’un control manual (fatiga, subjectivitat, cadència), la visió artificial pot inspeccionar de manera constant i repetible. I, quan s’hi afegeix aprenentatge profund (deep learning), el sistema és capaç de gestionar millor la variabilitat típica dels materials sostenibles: textures del paper, microarrugues, acabats mats, canvis de lots, diferències d’impressió o reflexos.

Defectes típics que la visió artificial pot detectar en embalatge sostenible

L’embalatge sostenible sovint té una aparenca més “orgànica” i això és perfecte per a la marca, però pot complicar la inspecció: fibres visibles, microvariacions de color, toleràncies diferents, acabats menys uniformes o materials amb més sensibilitat a humitat/temperatura. Amb una bona configuració de càmeres + IA, es poden cobrir (entre d’altres) aquests blocs:

• 1) Impressió i qualitat gràfica Variacions de color fora de tolerància, desalineació (registre), text incomplet, taques, “banding”, degradats irregulars, errors de tipografia o elements de marca que no quadren.
• 2) Etiquetes, codis i traçabilitat (1D/2D + OCR) Presència/posició d’etiquetes, codis de barres, QR o DataMatrix; verificació de llegibilitat; i OCR per validar lot, data, ingredients o camps obligatoris (segons sector).
• 3) Segellat, tancaments i inviolabilitat Control de soldadura o termosellat, arrugues a la zona de segell, falta d’adhesiu, precintes mal col·locats, taps/càpsules absents o incorrectes.
• 4) Integritat física de l’envàs Trencaments, forats, deformacions, plecs defectuosos, cantonades aixafades, delaminació o falta de material en embalatge flexible.
• 5) Completesa i coherència del paquet Comprovació de presència d’elements (accessoris, fulletons, taps), orientació correcta i detecció d’unitats faltants en caixes o blísters.
• 6) Marcatge i elements de sostenibilitat Validació visual de símbols i claims de packaging (per exemple, iconografia de reciclatge o marques de certificació) i coherència amb la versió/lot del disseny.

Bon criteri pràctic: abans de modelar, classifica defectes com a crítics, majors i menors. Això facilita configurar alertes, rebuig automàtic i prioritats d’anàlisi (no tot defecte té el mateix cost).

Com funciona un sistema d’inspecció visual automatitzada

Per fer-ho simple: la visió artificial és un “circuit” que comença amb una imatge i acaba amb una decisió operativa (OK / NOK, classificació, grau, alerta…). Un disseny típic inclou:

1. Captura estable (càmera + lent + llum + dispar)
   Es defineix on es mira, com s’il·lumina i com es dispara per evitar desenfocament per moviment i reflexos. La consistència aquí és clau.
2. Preprocessat i calibratge
   Correccions de perspectiva, normalització de llum/color, i definició de zones d’interès (ROI) perquè el model es fixi on toca.
3. Model d’IA (o combinació: regles + deep learning)
   Detecció d’anomalies, classificació de defectes, segmentació de zones, lectura OCR i verificació de codis.
4. Decisió i acció a línia
   Senyal al PLC/SCADA, rebuig automàtic, alarma a l’operari o desviament a una via de revisió.
5. Registre i analítica
   Guardar evidències (imatge + metadades), traçar per lot/torn i construir mètriques per millora contínua.

Dades, càmeres i requisits: què marca l’èxit

Si haguéssim de resumir-ho en una frase: la qualitat de la captura i la definició de criteris expliquen la major part del resultat. Abans d’entrenar models, assegura’t que el “món físic” està ben resolt:

Checklist ràpida per començar sense perdre setmanes

• ✓
  Criteri de defecte
  Exemples reals (bons i dolents) i llindars acceptables per qualitat, marca i traçabilitat.
• ✓
  Il·luminació controlada
  Evitar ombres i reflexos; la llum és “part del sensor”.
• ✓
  Angles i zones d’interès
  Captura on passa el defecte: segell, etiqueta, codi, aresta, tancament…
• ✓
  Variabilitat representada
  Lots, torns, proveïdors, humitat, canvis de disseny, materials i cadència.
• ✓
  Flux de decisió
  Què passa amb un NOK? rebuig, revisió, aturada, alerta… i registre d’evidència.

Edge, cloud o híbrid?

En entorns industrials, el més habitual és una arquitectura híbrida: la inferència (decidir OK/NOK) es fa a prop de la línia per latència i robustesa, mentre que l’emmagatzematge, dashboards i retraining poden viure en un entorn centralitzat. El criteri és simple:

• Si necessites resposta immediata (rebuig/aturada): prioritza processament a prop de la línia.
• Si necessites govern, analítica i millora contínua: assegura un bon registre d’imatges + metadades i un canal de dades fiable.

Implementació pas a pas: de la idea a producció

L’objectiu és arribar a un sistema que funcioni en condicions reals (cadència, llum, vibracions, canvis de format) i que sigui mantenible. Un recorregut habitual és:

1. Diagnòstic i definició del cas d’ús
   Què inspeccionem, per què i amb quin criteri d’èxit (cost de no qualitat, merma, reclamacions, temps d’inspecció, traçabilitat).
2. Captura i preparació de dades
   Disseny de captura, selecció de punts d’inspecció, recollida d’exemples representatius i etiquetatge/validació amb QA.
3. Prototip i prova de concepte
   Primer model amb mètriques clares (precisió, falsos rebuigs, cobertura de defectes) i revisió d’errors per ajustar captura i criteris.
4. Pilot a línia
   Integració amb el flux real (dispar, senyal, rebuig, registre) i validació amb operacions: “funciona quan el món real s’hi posa pel mig?”
5. Desplegament i governança
   Monitoratge, manteniment, reentrenament quan canvien materials/dissenys i protocol de gestió de casos dubtosos.

KPIs i resultats: com demostrar impacte real

El control de qualitat amb visió computacional no és un “projecte tecnològic”; és un projecte d’impacte. Per això convé definir mètriques abans de començar. Alguns indicadors típics:

• Merma i rebuig (abans/després): quanta producció es perd i en quin punt del procés.
• Retraball: hores i cost de reprocessar producte (i l’impacte en capacitat).
• Falsos rebuigs vs fuites: equilibri entre ser estricte i ser operatiu.
• Incidències i reclamacions: devolucions, no conformitats, errors de traçabilitat o d’etiquetatge.
• OEE / Disponibilitat: que la inspecció no es converteixi en un coll d’ampolla, i que ajudi a reduir parades per qualitat.
• Traçabilitat: percentatge de lots amb evidència completa i temps d’investigació quan hi ha una incidència.

Una bona pràctica és convertir cada defecte recurrent en una pregunta operativa: quina variable el dispara? (material, màquina, paràmetre, proveïdor, torn…). És aquí on la combinació d’imatges + dades dona un retorn enorme.

Costos i decisions: comprar una solució o fer-la a mida

No hi ha un únic “preu” perquè depèn del nivell d’exigència, la variabilitat del producte i la integració amb la planta. El que sí que és útil és entendre què mou el pressupost i el risc:

• Maquinari (càmeres, òptica, il·luminació, computació)
  La qualitat de captura defineix el sostre del projecte. De vegades, millorar llum/òptica és més rendible que “forçar” un model.
• Dades (captura, etiquetatge, validació)
  Si els defectes són rars, cal dissenyar estratègies per capturar-los (i això requereix mètode).
• Integració amb línia
  Triggers, PLC, rebuig automàtic, MES/ERP, i com es registra evidència sense frenar l’operació.
• Manteniment i evolució
  Packaging canvia: materials, dissenys, formats. Cal un procés per revalidar i reentrenar quan toca.

Si el teu objectiu és començar ràpid i reduir risc, el millor és una primera fase d’avaluació enfocada a viabilitat + dades + criteris d’èxit. I si el que busques és posar-ho en marxa de forma end-to-end, necessitaràs una integració pensada per producció (no només un prototip).