01
Ingesta y filtrado de imágenes de producción
La plataforma captura automáticamente las imágenes o mapas de relieve 3D de las piezas catalogadas como dudosas o no conformes durante el turno de fabricación.
¿Qué reto soluciona VRAiA en el mantenimiento y actualización de modelos de visión artificial?
En las factorías de neumáticos y manufactura avanzada, la introducción de nuevas medidas de cubiertas, cambios de molde o variaciones en las mezclas de caucho genera inevitablemente nuevas tipologías de defectos o falsos positivos. Tradicionalmente, adaptar un sistema de visión artificial implica depender de ingenieros externos de software y esperar semanas de consultoría para reentrenar y compilar los algoritmos.
El reto
- Dependencia externa y sobrecostes recurrentes: Cada ajuste en las tolerancias de inspección o adición de una referencia requiere contratar horas de soporte técnico especializado al fabricante de la visión artificial.
- Tiempos muertos y paradas de línea prolongadas: La lentitud burocrática y técnica en actualizar los modelos neuronales obliga a inspeccionar manualmente durante días los lotes de nuevos lanzamientos.
- Brecha cognitiva entre el inspector y el programador: Los operarios y técnicos de calidad son quienes mejor conocen las especificaciones de defecto de la fábrica, pero carecen de herramientas para transferir ese criterio directamente a la IA sin escribir código.
La solución
- Plataforma no-code 100 % visual e intuitiva: Entorno gráfico diseñado para que el perfil de Superinspector de Calidad de planta etiquete y clasifique imágenes arrastrando y soltando elementos en pantalla.
- Reentrenamiento y despliegue local en cuestión de minutos: Capacidad de reentrenar las redes neuronales de las cabinas de inspección directamente en el servidor de planta, sin intermediarios ni conexión externa obligatoria.
- Anotación acelerada por IA (Auto-Labeling): Algoritmos base pre-entrenados que realizan el 80 % del trabajo de perfilado y segmentación, permitiendo al especialista limitarse a validar o corregir el resultado.
Autonomía operativa, aceleración de lanzamientos y cero costes de mantenimiento externo
Solicita más información
0
€
Coste de soporte externo para nuevas recetas
Eliminación total de gastos de consultoría y tickets de servicio cada vez que se introduce una nueva referencia de neumático en fábrica.
<
0
min
Tiempo de reentrenamiento y validación local
Actualización y compilación de la red neuronal lista para operar en cabinas de inspección en el mismo turno de producción.
0
%
Autonomía para el equipo de calidad de planta
Empoderamiento del personal técnico de inspección para adaptar el catálogo de defectos sin necesidad de conocimientos de programación.
+
0
%
Reducción del tiempo de anotación con Auto-Labeling
Asistencia inteligente que sugiere delimitaciones poligonales y máscaras de segmentación de forma inmediata sobre imágenes reales.
Del defecto en línea al modelo actualizado en producción en 4 pasos
02
Etiquetado visual asistido (Auto-Labeling)
El técnico de calidad abre la pieza en el entorno visual; la herramienta propone la segmentación de la anomalía y el usuario asigna o ajusta la categoría de defecto con herramientas de dibujo guiado.
03
Reentrenamiento del modelo en servidor local
Con un solo clic, Tagger App ejecuta el reentrenamiento incremental de la red neuronal convolucional (CNN), evaluando la matriz de confusión y verificando que no existan regresiones en defectos antiguos.
04
Despliegue seguro a cabinas de inspección
El nuevo paquete de pesos neuronales se distribuye de forma transparente a las cabinas de visión de la línea de transporte sin interrumpir el flujo productivo.
Tagger App se integra de forma directa con la suite METAMORPH y las estaciones de inspección de la planta (QTC Inspector, AI X-Ray Plug-In y sistemas 2D/3D):
Entorno de anotación industrial integrado en la suite METAMORPH
La herramienta está desarrollada para ejecutarse tanto en estaciones de trabajo locales (Edge Workstations) como en servidores industriales on-premise, cumpliendo con los estándares de ciberseguridad industrial.
Parámetros técnicos del software
Rol de usuario objetivo
Superinspector de Calidad, Ingeniero de Procesos y Responsable de Planta.
Modalidades de anotación soportadas
- Delimitación rectangular rápida (Bounding Box).
- Segmentación poligonal de alta precisión (Polygonal Segmentation).
- Segmentación semántica píxel a píxel (Pixel-level Masking).
- Anotación sobre nubes de puntos y mapas de profundidad 3D (Heightmaps).
- Etiquetado de secuencias de texto para verificación OCR/OCV (códigos DOT, moldes).
Asistencia algorítmica
Módulo de pre-anotación automática (Active Learning / Auto-Labeling) basado en modelos de visión fundacionales.
Compatibilidad de modelos y exportación
Integración nativa con arquitecturas neuronales optimizadas para GPU (TensorRT, ONNX, PyTorch) integradas en la suite METAMORPH de VRAIA.
Trazabilidad y gobernanza de datos
Registro de auditoría por usuario, historial de cambios de etiquetado y versionado automático de modelos de calidad (Model Registry).
¿Cómo se comunica con el entorno de la planta?
Estaciones de inspección VRAiA
Conexión nativa bidireccional con QTC Inspector, AI X-Ray Plug-In, GTC y cabinas de visión industrial.
Sistemas de almacenamiento industrial
Enlace con repositorios NAS/SAN de planta y bases de datos SQL para la gestión de históricos masivos de imágenes.
Infraestructura de hardware
Aceleración por hardware sobre tarjetas gráficas industriales NVIDIA (RTX / Ampere) integradas en la propia estación de control.
Gestión de planta (MES)
Registro de la versión de modelo neuronal activa vinculada a la receta de fabricación del lote en curso.
Flexibilidad inmediata ante cualquier variación en la línea de fabricación
Lanzamiento de nuevas dimensiones o gamas (PCR / UHP / TBR)
- El problema: Las geometrías y tipografías de costado de una nueva cubierta difieren del catálogo base, provocando falsos rechazos en la lectura DOT y líneas de rodadura.
- Solución VRAiA: Anotación rápida de 20 muestras iniciales en Tagger App para expandir la base de conocimiento de la estación QTC Inspector.
- Resultado: Calibración completa del nuevo modelo en menos de media jornada de trabajo sin detener la producción de la planta.
Variaciones de textura y acabado por desmoldeante o cambio de proveedor
- El problema: Pequeñas variaciones visuales en el color o brillo del caucho vulcanizado desorientan a los algoritmos convencionales de visión artificial.
- Solución VRAiA: El superinspector etiqueta visualmente las zonas brillantes como variaciones cosméticas aceptables (OK) directamente en el panel.
- Resultado: Reducción inmediata del 90 % de los falsos rechazos por fluctuaciones estéticas no estructurales.
Identificación de nuevos defectos por desgaste de molde
- El problema: La aparición progresiva de micro-rebabas o grietas por fatiga en moldes antiguos no está tipificada en el clasificador inicial.
- Solución VRAiA: Creación de una nueva etiqueta taxonómica («Rebaba_Molde_Sector_4») y reentrenamiento local instantáneo.
- Resultado: Detección precoz del molde dañado antes de fabricar cientos de unidades defectuosas.
Confianza basada en experiencia y resultados contrastados
En VRAiA aportamos soluciones de software industrial creadas específicamente para resolver la realidad operativa de las plantas de fabricación:
Solicita más información+10 años de experiencia
(desde 2015) desarrollando redes neuronales y visión artificial para los principales grupos fabricantes de neumáticos del mundo.
Patente tecnológica validada en 26 países
en metodologías ópticas y análisis algorítmico industrial.
Suite METAMORPH operando 24/7
en fábricas de alta exigencia técnica bajo las normativas más estrictas de disponibilidad y ciberseguridad.
Soporte especializado
Transferencia directa de conocimiento a los equipos de calidad de tu planta para garantizar la total independencia técnica del cliente.
FAQS
Preguntas frecuentes sobre Tagger App
¿Es necesario tener conocimientos de programación o Python para utilizar Tagger App?
No. Tagger App ha sido diseñada con un enfoque 100 % no-code y visual para que los propios inspectores y técnicos de calidad puedan interactuar con la plataforma de la misma manera que utilizarían un software de diseño o gestión cotidiana, sin escribir una sola línea de código.
¿El reentrenamiento de una red neuronal detiene la inspección en las cabinas de la fábrica?
No. El reentrenamiento se lleva a cabo en segundo plano en la estación de trabajo o servidor local. La cabina de inspección sigue procesando neumáticos en tiempo real con la versión actual del modelo y únicamente sustituye los pesos algorítmicos en milisegundos cuando el nuevo modelo ha sido validado y aprobado por el supervisor.
¿Cómo se garantiza que al enseñar un defecto nuevo la IA no olvide los defectos anteriores?
Tagger App implementa técnicas avanzadas de reentrenamiento continuo que conservan el conjunto de datos de validación histórico (golden dataset). Antes de publicar un nuevo modelo, el sistema genera automáticamente una matriz de pruebas cruzadas asegurando que la precisión en las tipologías de defecto ya consolidadas se mantenga inalterada.
¿Se pueden exportar los conjuntos de datos anotados para otros usos internos?
Sí. Aunque Tagger App está perfectamente sincronizada con la suite METAMORPH de VRAiA, la plataforma permite exportar las anotaciones y máscaras en formatos abiertos y estándares del sector (COCO, YOLO, Pascal VOC o formato JSON/CSV) para su integración con cualquier otra herramienta corporativa de Data Science.
Solicita una demostración en vivo de Tagger App
Descubre cómo tu propio equipo de calidad puede reentrenar y actualizar los modelos de Inteligencia Artificial de tu planta con total independencia:
Teléfono
Dónde estamos
C. Sillería, 13
03680 – Aspe (Alicante)