Detección del Efecto Diésel (Manchas Carbonizadas) en Carcasas de Pared Delgada: Guía Completa de Visión de Máquina

El Problema: Por Qué los Defectos de Efecto Diésel Escapan a la Inspección Manual

Las carcasas de pared delgada son componentes críticos en la fabricación automotriz, electrónica y de bienes de consumo, donde incluso los defectos menores pueden comprometer la integridad estructural y el rendimiento del producto. El efecto diésel, un fenómeno de combustión durante el moldeo por inyección que crea manchas carbonizadas, representa uno de los problemas de calidad más desafiantes de detectar consistentemente.

Defectos Comunes en Carcasas de Pared Delgada con Efecto Diésel:

• Marcas de quemado localizadas — decoloración marrón oscura o negra causada por aire atrapado que se enciende bajo compresión
• Carbonización superficial — depósitos de material carbonizado a lo largo de las rutas de flujo y líneas de soldadura
• Micro-picaduras — pequeños cráteres donde el material combustionado ha degradado la superficie
• Rayas decoloradas — patrones de carbonización lineales siguiendo las rutas de escape de gas
• Zonas de degradación del material — áreas debilitadas con propiedades mecánicas comprometidas
• Carbonización en bordes — quemado concentrado en transiciones de pared delgada y esquinas

Los inspectores humanos tienen dificultades para mantener la precisión al examinar estos defectos a velocidades de producción. La fatiga del inspector aparece rápidamente, especialmente al distinguir marcas de carbonización sutiles de variaciones de color aceptables, lo que lleva a decisiones de pasa/falla inconsistentes entre turnos.

La Solución: Inspección Visual con IA

Los sistemas de visión de máquina impulsados por aprendizaje profundo eliminan la subjetividad y la fatiga que plagan la inspección manual. A diferencia de los sistemas basados en reglas que requieren programación explícita para cada variación de defecto, los modelos de IA aprenden a reconocer el espectro completo de presentaciones de efecto diésel, desde marcas de quemado obvias hasta decoloración sutil.

El enfoque de Overview.ai ofrece inspección consistente y objetiva a plena velocidad de línea. El sistema OV80i inspecciona el 100% de las piezas sin crear cuellos de botella en la producción, detectando defectos que de otro modo llegarían a los clientes o causarían fallas de ensamblaje aguas abajo.

Paso 1: Configuración de Imagen

Posicione la carcasa de pared delgada bajo la cámara OV80i, asegurando que la superficie de inspección quede hacia arriba con orientación consistente. La iluminación adecuada es crítica para detectar marcas de carbonización sutiles; la iluminación en ángulo a menudo revela defectos superficiales que la iluminación directa no detecta.

Haga clic en "Configurar Imagen" para acceder al panel de Configuración de Cámara. Ajuste la exposición para capturar detalles completos tanto en áreas iluminadas como oscurecidas (carbonizadas), y ajuste la ganancia para optimizar el contraste sin introducir ruido.

Haga clic en "Guardar" para fijar su configuración de imagen.

Paso 2: Alineación de Imagen

Navegue a la sección "Imagen de Plantilla" y capture una imagen de referencia de una carcasa correctamente posicionada. Esta plantilla asegura que cada pieza posterior sea evaluada desde la misma orientación.

Haga clic en "+ Rectángulo" para agregar una región de alineación alrededor del cuerpo principal de la carcasa. Establezca el "Rango de Rotación" en 20 grados para adaptarse a variaciones menores en la colocación de piezas en el transportador o útil.

Paso 3: Selección de Región de Inspección

Navegue a "Configuración de Inspección" para definir dónde debe buscar defectos el sistema. Renombre sus "Tipos de Inspección" para reflejar preocupaciones específicas, por ejemplo, "Superficie_Efecto_Diésel" o "Marcas_Carbonización_Borde".

Haga clic en "+ Agregar Región de Inspección" para crear una nueva zona de detección. Redimensione el cuadro delimitador amarillo para cubrir las áreas críticas de defectos, típicamente transiciones de pared delgada, esquinas, líneas de soldadura y extremos de rutas de flujo donde el efecto diésel ocurre más comúnmente.

Haga clic en "Guardar" para confirmar sus regiones de inspección.

Paso 4: Etiquetado de Datos

El proceso de etiquetado con intervención humana entrena a la IA para distinguir piezas aceptables de rechazos. Revise las imágenes capturadas y etiquete cada una como Buena (sin efecto diésel) o Mala (manchas carbonizadas presentes).

Incluya muestras representativas en todo el rango de variación aceptable y modos de falla conocidos. Etiquetar casos límite, piezas con marcas de carbonización muy sutiles, enseña al modelo dónde se encuentra su umbral de calidad.

Paso 5: Creación de Reglas

Defina su lógica de pasa/falla basada en los Tipos de Inspección que creó. Por ejemplo, establezca la regla: "Si Superficie_Efecto_Diésel = Mala, entonces RECHAZAR."

Estas reglas controlan la aceptación automatizada en la línea, activando mecanismos de rechazo o alertas al operador cuando se detectan piezas carbonizadas.

Resultados Clave y ROI

Implementar inspección con IA para la detección del efecto diésel genera un impacto empresarial medible:

• Reducción de tasas de desperdicio — detecte piezas defectuosas antes de que las operaciones secundarias agreguen costo
• Mayor rendimiento — inspeccione el 100% de las piezas sin desacelerar la producción ni agregar personal
• Cumplimiento y trazabilidad — mantenga registros detallados de inspección con imágenes con marca de tiempo para auditorías y requisitos del cliente
• Información para mejora de procesos — identifique patrones que vinculen la ocurrencia del efecto diésel con moldes, materiales o parámetros de proceso específicos

Conclusión

Los defectos de efecto diésel en carcasas de pared delgada exigen capacidades de inspección que superan las limitaciones humanas. La plataforma de visión de máquina de Overview.ai proporciona la consistencia, velocidad y precisión que los fabricantes necesitan para eliminar las piezas carbonizadas de su flujo de producción, protegiendo tanto la reputación de calidad como la rentabilidad del negocio.