La agudeza visual tras la inspección de defectos de impresión: todo empieza en el seguimiento de contornos

Un escenario muy habitual: salta la alarma del sistema de inspección, el operario corre a revisar el pliego y no hay absolutamente nada en el papel. Tras repetirse varias veces, el maquinista baja la sensibilidad un par de puntos; la alarma se silencia y, a partir de ahí, empiezan a colarse arañazos y rayas reales sin detectar

No se trata de una avería del equipo, sino de una falta de alineación entre el usuario y el sistema sobre qué constituye exactamente un defecto. Para alinearse, primero hay que saber qué busca el algoritmo detrás de esa cámara. Lo que busca son contornos: límites cerrados donde la escala de grises o el color cambian de forma lo bastante drástica en la imagen. Comprender cómo se extraen y rastrean esos contornos a través de fotogramas sucesivos te permitirá saber qué parámetros ajustar en tu línea de producción y dónde conviene invertir el presupuesto

Porque el contorno es la única característica que una máquina puede cuantificar de forma estable y que, al mismo tiempo, coincide casi por completo con el criterio del ojo humano

El campo de la visión computacional lleva tiempo desarrollando un marco algorítmico funcional para identificar y rastrear múltiples objetos en tiempo real basándose en contornos, utilizando estas características para capturar y posicionar continuamente varios objetivos a la vez [1]. Aunque esta investigación no se redactó pensando en la industria gráfica, la estructura del problema que aborda es prácticamente idéntica a la inspección en bobina continua: la imagen está en constante movimiento, hay varios objetivos simultáneos y todo debe procesarse en tiempo real

Si lo traducimos al lenguaje de la imprenta:

・ Motas de suciedad o cascarillas: un contorno cerrado, de área reducida y alto contraste, ubicado en una zona blanca o limpia donde no debería haber nada

・ Arañazos y rayas: contornos finos y alargados con una relación de aspecto extrema, que suelen extenderse en la dirección de paso del papel

・ Fallos de registro: no es un contorno nuevo, sino el desplazamiento del contorno del mismo motivo entre diferentes planchas de color. Esta es la diferencia clave: se trata de un «error de alineación de contornos», no de «un elemento extraño añadido»

Para el sistema, estos tres tipos de defectos representan problemas matemáticos completamente distintos. Esto explica algo que he visto repetidamente a pie de máquina: un sistema que detecta motas con gran precisión suele fallar al juzgar el registro. La razón es que cazar motas consiste en «encontrar contornos sobrantes», mientras que evaluar el registro exige «comparar el desplazamiento relativo de contornos ya existentes», y los parámetros de umbral para cada tarea no se comparten en absoluto. El fabricante te vende un único equipo, pero lo que sueles estar ajustando es solo uno de esos conjuntos de variables

La diferencia radica en que el seguimiento gestiona la «identidad del mismo defecto a lo largo de fotogramas continuos», y no solo si «esta imagen concreta presenta alguna anomalía»

El valor fundamental del seguimiento de múltiples objetos basado en contornos reside en mantener simultáneamente la identificación y posición de varios objetivos en imágenes en movimiento [1]. En una línea de producción gráfica, el impacto práctico de esto es directo: determina si el sistema va a contabilizar el mismo defecto diez veces distintas

Las cuentas son claras. Supongamos una velocidad de impresión de 300 m/min, lo que equivale a 5 metros por segundo. Si la cámara captura a 30 fotogramas por segundo, una suciedad fija en el cilindro (como una mota de tinta seca adherida a la mantilla o al cilindro de contrapresión) aparecerá una y otra vez en decenas de capturas consecutivas. (Esto es una estimación de cálculo; el valor real variará según la máquina y los ajustes de captura). Un sistema sin capacidad de seguimiento registrará decenas de defectos independientes, tapando por completo los fallos esporádicos reales. En cambio, un sistema con seguimiento identificará que «se trata del mismo contorno con reaparición periódica» y deducirá que el defecto proviene del cilindro y no del papel

Diferenciar los defectos esporádicos de los periódicos es el mayor beneficio práctico que aporta el seguimiento de contornos. Los primeros bastan con apartarse en el control de calidad; los segundos exigen parar la máquina para limpiar los cilindros. Si el sistema solo sabe clasificar en «hay defecto / no hay defecto», tendrás que depender siempre de la intuición del maquinista veterano para tomar esa decisión

Porque la mayoría de las falsas alarmas se originan cuando «el contorno existe, pero no es un defecto»: la trama de semitonos, las texturas, el grano del papel o un texto de cuerpo diminuto son, para el algoritmo, contornos perfectamente legítimos

Esta es la gran diferencia entre la impresión y la inspección industrial convencional. Al revisar un tornillo metálico, el fondo está limpio; al inspeccionar un impreso, el propio fondo es una maraña densa de contornos. En un pliego a cuatro colores de 175 lpi, hay decenas de miles de puntos de trama por pulgada cuadrada, y cada punto es un borde. Detectar una mota de 0.3 mm sobre semejante fondo equivale, en esencia, a buscar una señal débil en medio de un ruido ensordecedor

En la práctica, para reducir las falsas alarmas hay que seguir tres pasos en estricto orden:

・ 1. Comprobar primero si la resolución óptica es suficiente. Es el límite físico del hardware y el software no puede compensarlo. Un cálculo rápido: si una cámara de 4096 píxeles cubre un ancho de banda de 1000 mm, cada píxel representa unos 0.24 mm; pretender detectar con fiabilidad un defecto de 0.3 mm contando solo con uno o dos píxeles de respaldo es tentar a la suerte. Para captar 0.3 mm de forma estable, el defecto debe abarcar en la práctica entre tres y cinco píxeles. Si la resolución es insuficiente, tocar cualquier parámetro será perder el tiempo

2. Calibrar después la muestra maestra (golden sample). Si la referencia de comparación del sistema proviene de un pliego que ya arrastra suciedad leve o una ligera desviación cromática, cualquier ejemplar correcto posterior se catalogará como defectuoso

3. Tocar los umbrales de tolerancia solo al final. Y además, deben configurarse por zonas: las masas de color liso, los textos diminutos y las áreas de reserva o blanco admiten densidades de contorno totalmente distintas. Aplicar un único umbral global a todo el pliego está condenado al fracaso

El error más habitual en los talleres es saltarse los dos primeros pasos e ir directo al tercero. Eso equivale a intentar compensar fallos de hardware y de calibración base mediante parámetros de software. El resultado es exactamente la escena descrita al inicio: la alarma calla, pero los defectos se cuelan

Pregunta por las capacidades de seguimiento y clasificación, no te limites al típico «¿lo detecta o no?». Esa es la línea que realmente separa un sistema mediocre de uno valioso

En concreto, conviene dejar muy claros cuatro puntos antes de firmar el contrato:

・ ¿Puede distinguir entre defectos esporádicos y periódicos? Esto refleja directamente si el sistema cuenta con seguimiento de contornos entre fotogramas o si se limita a comparar imagen por imagen

・ ¿A qué ancho de banda y a qué velocidad de impresión se midió el tamaño mínimo de defecto detectable? Estas tres cifras deben ir siempre de la mano; dar un «0.2 mm» aislado no significa nada

・ ¿Qué mecanismo utiliza para juzgar los fallos de registro? Si la respuesta se basa en el mismo umbral que las motas de suciedad, lo más probable es que el control de registro sea solo un parche secundario

・ ¿Se pueden retroalimentar los datos de falsas alarmas para reentrenar el sistema? Un software que no aprende cuando el operario pulsa «falsa alarma» terminará con la sensibilidad totalmente desvirtuada por ajustes manuales en menos de tres meses

El siguiente paso práctico es muy simple: antes de apresurarte a cambiar de sistema, extrae el registro de alarmas del último mes, marca manualmente cuáles fueron defectos reales y cuáles falsos positivos, y clasifícalos por tipología. Esa tabla suele revelar de inmediato si el problema está en la resolución, en la muestra de referencia o en los umbrales. Cuesta apenas unas horas de trabajo y puede ahorrarte una inversión equivocada en maquinaria

Conviene dejar claros los límites de aplicación: los criterios anteriores parten de la base de que el impreso cuenta con una estructura gráfica estable y repetitiva. En tiradas cortas, impresión de datos variables (VDP) o productos personalizados donde cada pliego es distinto, no existe una muestra maestra con la que comparar; hay que recurrir a una «detección de anomalías basada en reglas» en vez de una «inspección por comparación», por lo que el segundo paso anterior deja de ser aplicable. Del mismo modo, en soportes transparentes, estampaciones metalizadas tipo espejo o acabados de alto brillo, las condiciones ópticas varían de forma extrema, la fiabilidad de la extracción de contornos cae notablemente y la solución pasa por el diseño de iluminación y no por tocar los algoritmos

El lenguaje de fondo de la inspección de impresión por IA es el «contorno»: las motas son contornos sobrantes, los arañazos son contornos con una relación de aspecto extrema y los fallos de registro son desplazamientos relativos de contornos existentes; los tres utilizan criterios matemáticos diferentes y no comparten parámetros de umbral

El seguimiento de múltiples contornos en tiempo real permite mantener la identificación y localización de varios objetivos en imágenes en movimiento [1]; su valor en planta reside en diferenciar los fallos esporádicos de los periódicos, indicando estos últimos la necesidad de parar para limpiar cilindros

El orden correcto para reducir falsas alarmas es «resolución óptica → calibración de muestra maestra → umbrales por zonas»; saltarse los dos primeros pasos para ajustar solo los umbrales equivale a enmascarar limitaciones de hardware con software, silenciando alarmas pero dejando escapar defectos reales

Para identificar de forma estable un defecto de cierto tamaño, este debe cubrir en la práctica al menos entre tres y cinco píxeles; cuando solo cuenta con uno o dos píxeles de soporte, la resolución óptica se convierte en el cuello de botella insalvable

Antes de implantar un sistema, debe verificarse si distingue entre defectos esporádicos y periódicos, y bajo qué ancho de paso y velocidad de impresión se certificó el tamaño mínimo de defecto detectable

Para los talleres gráficos, el seguimiento de contornos transforma el control de calidad: pasa de limitarse a «descartar pliegos defectuosos» a «diagnosticar el estado de la máquina». Cuando el sistema detecta la reaparición periódica de un contorno, los datos de inspección se convierten en un indicador de salud para cilindros, mantillas de caucho y baterías de entintado, transformando los costes de control de calidad en información clave de mantenimiento predictivo. Para el equipo de diseño, esto implica que la propia maquetación condiciona la inspeccionabilidad: fondos tramados de alta densidad o líneas finas caladas reducen la relación señal/ruido del sistema, por lo que el diseño para fabricación (DFM) del futuro debería incorporar la «facilidad de inspección». Para quienes implementan IA, el recordatorio más pragmático es no apostarlo todo al modelo: la mayoría de cuellos de botella en taller están en la óptica y en la muestra de referencia, no en la sofisticación del algoritmo. Para los desarrolladores de SaaS, la verdadera oportunidad radica en cerrar el ciclo de retroalimentación de falsos positivos: una capa en la nube capaz de recopilar las decisiones del operario, crear una biblioteca de defectos entre múltiples plantas y reajustar parámetros tiene mucho más valor comercial que un modelo ligeramente más avanzado. Quedan tres retos por resolver: primero, métodos de inspección sin referencia previa para impresión de datos variables donde no hay pliego maestro; segundo, la estandarización de la iluminación y extracción de contornos en acabados especiales (estampaciones en caliente, barnices UVI selectivos, soportes transparentes); y tercero, la valoración de la gravedad del defecto: el sistema puede indicar «aquí hay un contorno», pero determinar «si este nivel de defecto motivará una devolución del cliente» sigue dependiendo por completo del criterio humano, un vacío de cuantificación sobre el que el sector todavía no ha alcanzado un consenso

[1] MS (2016). Contour Based Real Time Multiple Object Tracking. International journal of Emerging Trends in Science and Technology. DOI: 10.18535/ijetst/v3i08.10