1
Specify the inspection task before considering any camera — and force the question of whether the inspection should be in-process or end-of-line. A defect detected at end-of-line is a part already made wrong; a defect detected in-process can be prevented. The case-design question is whether the upstream equipment can be controlled by the vision signal (close the loop) or only audited by it (open loop). Plants that default to end-of-line because it is easier to deploy capture roughly half the available value.
2
Engineer lighting before optics, optics before camera, camera before software — in that order. Most vision-system failures are lighting failures dressed up as algorithm failures. The image quality the camera captures depends on lighting (direction, intensity, wavelength, polarization), optics (lens focal length, depth of field, working distance), and camera (resolution, sensor type, shutter mode). A vision system that requires a sophisticated algorithm to compensate for poor lighting is a vision system that will fail when conditions change.
3
Choose between rules-based and deep-learning algorithms by the failure-mode signature — not by which technology sounds more modern. Rules-based vision (Cognex VisionPro classical, MVTec HALCON) is the right choice for well-defined inspections with clear geometric or photometric features (dimensional check, presence/absence, character recognition). Deep-learning vision (Cognex ViDi, Landing AI, Neurala) is the right choice for variable, naturally-occurring defects with high visual variability (surface defects, organic materials, complex assembly inspection). Plants that force deep learning on rules-based problems waste compute and training data; plants that force rules-based on deep-learning problems hit a ceiling at 80–85% detection.
4
Close the control loop where the case permits — feed vision output back to the equipment that caused the defect. A vision system measuring print quality at the end of a printing line tells you the print is bad; a vision system measuring print quality between print and cure that adjusts ink flow or temperature in real time prevents the bad print. Closing the loop requires (a) a controllable equipment parameter, (b) a defect signature predictive of the parameter drift, (c) integration between vision controller and equipment PLC. When all three exist, the in-process deployment is correct; when any is missing, the end-of-line deployment is the realistic option.
5
Run an MSA (measurement system analysis) on the vision system as if it were a gauge — because it is one. Vision systems drift like any measurement system: lens contamination, lighting degradation, software model drift on deep-learning systems, environmental temperature change. The MSA discipline (gauge R&R, linearity study, bias study) applies as much to vision as to micrometers. Plants that skip MSA on vision systems run on faith that the camera is right; plants that include vision in their MSA program catch drift before it becomes a quality escape.
6
Plan for the false-reject economics, not just the missed-defect economics. A vision system that rejects 0.3% of good parts as defective on a high-volume line generates a significant scrap stream of its own. The acceptable false-reject rate depends on the part cost, the inspection consequence, and downstream capacity to triage rejects. Plants that optimize only the miss rate produce vision systems that catch every defect and scrap healthy parts; plants that optimize the joint miss-rate / false-reject-rate operating point produce systems that pay back economically.
Worked example — illustrativeAn electronics contract manufacturer assembles surface-mount PCBs across 6 lines, with end-of-line AOI (automated optical inspection) detecting 8.2% defect rate ($6.1M annual rework cost; 14 operators dedicated to rework cells). The defects are dominated by three signatures: solder bridges (47% of defects), component misalignment (28%), and post-reflow tombstones (16%). Root-cause analysis shows all three signatures originate at specific upstream operations: solder bridges at paste deposition, misalignment at component placement, tombstones at reflow profile. The implementation: migrate from end-of-line AOI to 3 in-process vision stations with closed-loop feedback — (1) paste-deposition vision feeds height/volume back to the dispenser pressure controller, (2) placement vision verifies component orientation and triggers reject before reflow, (3) post-reflow thermal-vision feeds back to the reflow oven profile controller. End-of-line AOI is retained but as audit, not gate. Results at 12 months: end-of-line defect rate 8.2% → 1.4% (-83%), rework cost $6.1M → $1.5M (-75%), 14 rework operators redeployed to value-added stations, vision system payback 9 months on a $740K total investment. The same defects that were previously detected and reworked are now prevented at formation; the AOI camera that already existed contributed almost nothing to that result because it was looking after the fact.
1
Especifica la tarea de inspección antes de considerar cualquier cámara — y fuerza la pregunta de si la inspección debe ser en proceso o al final de línea. Un defecto detectado al final de línea es una parte ya producida mal; un defecto detectado en proceso puede prevenirse. La pregunta de diseño del caso es si el equipo aguas arriba puede ser controlado por la señal de visión (cerrar el loop) o solo auditado por ella (loop abierto). Las plantas que por default van a end-of-line porque es más fácil de desplegar capturan aproximadamente la mitad del valor disponible.
2
Ingenia iluminación antes que óptica, óptica antes que cámara, cámara antes que software — en ese orden. La mayoría de las fallas de sistema de visión son fallas de iluminación disfrazadas de fallas de algoritmo. La calidad de imagen que la cámara captura depende de la iluminación (dirección, intensidad, longitud de onda, polarización), la óptica (longitud focal del lente, profundidad de campo, distancia de trabajo) y la cámara (resolución, tipo de sensor, modo de obturador). Un sistema de visión que requiere un algoritmo sofisticado para compensar mala iluminación es un sistema de visión que va a fallar cuando las condiciones cambien.
3
Elige entre algoritmos basados en reglas y deep learning por la signatura del modo de falla — no por cuál tecnología suena más moderna. La visión basada en reglas (Cognex VisionPro clásica, MVTec HALCON) es la elección correcta para inspecciones bien definidas con características geométricas o fotométricas claras (verificación dimensional, presencia/ausencia, reconocimiento de caracteres). La visión por deep learning (Cognex ViDi, Landing AI, Neurala) es la elección correcta para defectos variables, naturalmente ocurrentes, con alta variabilidad visual (defectos de superficie, materiales orgánicos, inspección compleja de ensamble). Las plantas que fuerzan deep learning en problemas basados en reglas desperdician cómputo y datos de entrenamiento; las plantas que fuerzan basado en reglas en problemas de deep learning chocan con un techo del 80 al 85% de detección.
4
Cierra el loop de control donde el caso lo permita — alimenta el output de visión de regreso al equipo que causó el defecto. Un sistema de visión midiendo calidad de impresión al final de una línea de impresión te dice que la impresión está mala; un sistema de visión midiendo calidad de impresión entre impresión y curado que ajusta el flujo de tinta o la temperatura en tiempo real previene la impresión mala. Cerrar el loop requiere (a) un parámetro de equipo controlable, (b) una signatura de defecto predictiva de la deriva del parámetro, (c) integración entre el controlador de visión y el PLC del equipo. Cuando los tres existen, el despliegue en proceso es correcto; cuando falta alguno, el despliegue end-of-line es la opción realista.
5
Corre un MSA (análisis de sistema de medición) sobre el sistema de visión como si fuera una galga — porque lo es. Los sistemas de visión derivan como cualquier sistema de medición: contaminación del lente, degradación de iluminación, deriva del modelo de software en sistemas de deep learning, cambio de temperatura ambiental. La disciplina de MSA (gauge R&R, estudio de linealidad, estudio de sesgo) aplica tanto a la visión como a los micrómetros. Las plantas que se saltan MSA en sistemas de visión corren en fe de que la cámara está bien; las plantas que incluyen la visión en su programa MSA atrapan la deriva antes de que se vuelva escape de calidad.
6
Planea para la economía de falsos rechazos, no solo para la economía de defectos perdidos. Un sistema de visión que rechaza el 0.3% de partes buenas como defectuosas en una línea de alto volumen genera una corriente significativa de scrap propio. La tasa aceptable de falso rechazo depende del costo de la parte, la consecuencia de la inspección y la capacidad aguas abajo de triagiar rechazos. Las plantas que optimizan solo la tasa de pérdida producen sistemas de visión que atrapan cada defecto y desechan partes sanas; las plantas que optimizan el punto operativo conjunto de tasa-de-pérdida / tasa-de-falso-rechazo producen sistemas que pagan económicamente.
Ejemplo trabajado — ilustrativoUn contract manufacturer de electrónicos ensambla PCBs de montaje superficial a través de 6 líneas, con AOI (inspección óptica automatizada) end-of-line detectando tasa de defecto del 8.2% ($6.1M costo anual de retrabajo; 14 operadores dedicados a celdas de retrabajo). Los defectos son dominados por tres signaturas: puentes de soldadura (47% de defectos), desalineación de componente (28%) y tombstones post-reflow (16%). El análisis de causa raíz muestra que las tres signaturas se originan en operaciones específicas aguas arriba: puentes de soldadura en la deposición de pasta, desalineación en la colocación de componente, tombstones en el perfil de reflow. La implementación: migrar de AOI end-of-line a 3 estaciones de visión en proceso con retroalimentación de loop cerrado — (1) la visión de deposición de pasta alimenta altura/volumen de regreso al controlador de presión del dispensador, (2) la visión de colocación verifica la orientación del componente y dispara rechazo antes del reflow, (3) la visión térmica post-reflow alimenta de regreso al controlador del perfil del horno de reflow. AOI end-of-line se retiene pero como auditoría, no como compuerta. Resultados a 12 meses: tasa de defecto end-of-line 8.2% → 1.4% (-83%), costo de retrabajo $6.1M → $1.5M (-75%), 14 operadores de retrabajo redesplegados a estaciones de valor agregado, payback del sistema de visión 9 meses sobre una inversión total de $740K. Los mismos defectos que previamente se detectaban y retrabajaban ahora se previenen en su formación; la cámara AOI que ya existía contribuyó casi nada a ese resultado porque estaba mirando después del hecho.