La detección de defectos en pintura en polvo usa un modelo de visión entrenado para encontrar cráteres, piel de naranja, burbujas y rayas en piezas recubiertas de manera automática, antes de que lleguen a retrabajo, repintado o rechazo. En este tutorial el sistema se construye en Roboflow Workflows: RF-DETR localiza y clasifica los defectos visibles, y Gemini 2.5 Pro revisa la imagen anotada y escribe un resumen breve de inspección.
La corrosión le cuesta a la economía global más de 2,5 billones de dólares al año, según la Association for Materials Protection and Performance, y la pintura en polvo es una de sus principales defensas: cura formando una capa uniforme que mantiene la humedad y los químicos lejos del metal. Un cráter, una burbuja o una raya son una interrupción de esa capa, y una zona con piel de naranja indica una aplicación despareja. Los defectos pueden aparecer durante la aplicación, el curado, la manipulación o el almacenamiento, y cada uno es un punto donde la protección puede fallar antes de tiempo.
Detectarlos en la inspección, y no después del despacho, significa menos procesamiento innecesario, calidad superficial más consistente y un registro claro de qué componentes necesitan revisión humana.
¿Qué defectos reconoce el sistema?
| Defecto | Cómo se ve en la pieza |
|---|---|
| Cráter | Depresión o picadura circular pequeña |
| Piel de naranja | Zona de superficie texturada y despareja |
| Burbuja | Área elevada, similar a una ampolla |
| Raya | Marca angosta donde el recubrimiento aparece dañado |
A eso se suman los resúmenes generados por el modelo de lenguaje sobre tipo, ubicación y severidad aparente del defecto. Los hallazgos inciertos quedan marcados para revisión humana. La salida final es una imagen anotada con cajas delimitadoras, etiquetas de clase y el resumen redactado por Gemini.
Preparación del conjunto de datos
El tutorial parte de este dataset de Roboflow Universe. El proyecto contiene 2.775 imágenes y 10 clases originales de detección de objetos. Para este flujo se conservan cuatro clases visualmente claras y relevantes para el control de calidad del recubrimiento, y se excluyen la clase nula y las categorías restantes para que el conjunto de entrenamiento quede enfocado.
Después de bifurcar el dataset al espacio de trabajo propio y revisar las anotaciones, se abre la pestaña de entrenamiento, se elige entrenamiento personalizado con RF-DETR y se fija el tamaño de modelo en Small.
La nueva versión del conjunto se genera con una división 70/15/15 entre entrenamiento, validación y prueba, más autoorientación y redimensionado a 384 × 384 píxeles.
Estos pasos corrigen la orientación inconsistente de las imágenes y estandarizan la resolución de entrada. Entradas consistentes hacen el entrenamiento más estable y preservan suficiente detalle de superficie para que el modelo aprenda cómo se ven los cráteres, la piel de naranja, las burbujas y las rayas.
Entrenamiento y evaluación
Durante el entrenamiento, RF-DETR aprende a localizar y clasificar cada defecto visible usando las anotaciones de caja. Por cada detección devuelve una etiqueta de clase, un puntaje de confianza y una caja que identifica la región afectada.
Esas detecciones a nivel de instancia son la evidencia visual que se usa en la etapa de resumen. El detector identifica dónde aparece un cráter, una textura de piel de naranja, una burbuja o una raya, pero no explica por sí solo las implicancias de calidad más amplias.
El modelo RF-DETR Small entrenado alcanzó 74,0% de mAP@50, 72,2% de precisión, 77,1% de exhaustividad y 74,6% de F1 sobre el conjunto de validación.
Vale la pena leer esos dos números juntos. Con 72,2% de precisión, cerca de 2,8 de cada 10 detecciones son falsos positivos, y con 77,1% de exhaustividad se le escapan algo más de 2 de cada 10 defectos anotados. La exhaustividad es levemente superior a la precisión, es decir el modelo se equivoca hacia el lado de marcar de más, que en control de calidad suele ser el error preferible: una pieza buena enviada a revisión cuesta menos que una pieza defectuosa despachada.
Antes de desplegar conviene probar el modelo con imágenes del entorno de inspección real. La iluminación, los reflejos, el ángulo de cámara, el color de la superficie, el brillo y el tamaño del defecto pueden diferir de los datos de entrenamiento. Además, estas métricas evalúan solamente la etapa de detección: no miden la exactitud del resumen ni de la estimación de severidad que entrega el modelo de lenguaje.
Despliegue del flujo de inspección
Tras la evaluación, el modelo se despliega en Roboflow Workflows para armar el pipeline completo de inspección. Acá está el flujo que se construye.
El flujo acepta una imagen de inspección, corre RF-DETR, dibuja cajas y etiquetas de clase, envía la imagen anotada a Gemini 2.5 Pro, superpone el resumen sobre la imagen y registra el resultado con Vision Events.
La estructura completa del flujo queda así:
La imagen de entrada pasa a RF-DETR, que devuelve predicciones para cráter, piel de naranja, burbuja de pintura y raya. Los bloques de visualización dibujan las detecciones sobre la imagen original y Gemini revisa el resultado anotado. El bloque de texto coloca el resumen sobre la imagen, y el flujo devuelve el resultado visual final como annotated_image y el texto generado por separado como inspection_summary.
Visualizaciones de detección
Después del modelo se agrega un bloque de visualización de cajas delimitadoras, con inputs.image como imagen y object_detection_model.predictions como predicciones.
Luego se suma un bloque de visualización de etiquetas, usando la imagen con cajas como entrada y conectando las mismas predicciones del modelo.
Estos bloques no determinan severidad ni explican la causa del defecto. Su función es hacer visibles las predicciones antes de que el modelo de lenguaje analice la imagen. La recomendación práctica es mantener cajas y etiquetas legibles sin tapar detalles importantes de la superficie, algo especialmente relevante en cráteres pequeños y rayas angostas.
¿Cómo se limita al modelo de lenguaje para que no invente?
El bloque de Gemini 2.5 Pro recibe la imagen con etiquetas y opera con un prompt de tarea abierta que le pide una sola oración en texto plano de menos de 14 palabras: debe declarar que se detectó un defecto, mencionar tipo, ubicación y severidad, e indicar si se recomienda revisión humana. Las instrucciones son explícitas en dos puntos, no inferir causas y no inventar defectos. Si no hay detecciones, la salida esperada es un texto fijo que aclara que igual puede requerirse revisión humana.
El prompt mantiene la salida lo bastante corta como para mostrarla directamente sobre la imagen, y obliga al modelo a apoyarse en las anotaciones visibles de RF-DETR en lugar de agregar defectos por su cuenta. No debe identificar la causa, inferir el proceso productivo ni tomar una decisión final de aprobación o rechazo.
La imagen final debe incluir las cajas de RF-DETR, las etiquetas de clase y el resumen breve de inspección.
Registro de cada inspección
El último bloque es Roboflow Vision Events, conectado a la imagen original, la imagen anotada final, las predicciones de RF-DETR y el resumen generado. Eso crea un registro por cada corrida del flujo.
Vision Events permite a los equipos revisar los resultados de inspección después del procesamiento. Cada evento puede contener la imagen original, el resultado anotado final, las clases detectadas y el resumen generado, sin alterar las salidas que devuelve el flujo.
¿Tiene sentido replicarlo en la industria local?
El termolacado, como se conoce comercialmente a la pintura en polvo en buena parte de la industria metalmecánica chilena, es proceso estándar en perfiles de aluminio, mobiliario metálico, tableros eléctricos y estructuras. La inspección sigue siendo mayoritariamente visual y manual, con criterios que varían entre turnos y entre operadores.
Ahí está el atractivo real de un flujo como este, y no en reemplazar al inspector: un modelo con entrada de 384 × 384 píxeles y tamaño Small es liviano, corre sobre aceleradores de borde modestos y no exige una cámara industrial cara. Lo que aporta es consistencia de criterio y trazabilidad, un registro por pieza que hoy simplemente no existe cuando la revisión es a ojo.
