Aprender de lo que vemos
En la primera parte de este recorrido vimos cómo la visión artificial fue evolucionando para medir, localizar e inspeccionar en situaciones cada vez más complejas. También vimos cómo, desde CARTIF, fuimos participando en una pequeña parte de esa evolución a través de sistemas de inspección industrial, superficies difíciles o productos fabricados en continuo.
Ahora damos un paso más. ¿Qué ocurre cuando ya no resulta práctico describir mediante reglas todo lo que puede aparecer en una imagen? Ahí es donde el aprendizaje automático, y especialmente el aprendizaje profundo, empieza a cambiar el enfoque: en lugar de indicar al sistema exactamente qué debe buscar, podemos enseñarle mediante ejemplos. Y, a partir de ahí, la visión deja de servir únicamente para inspeccionar y empieza también a ayudar a los robots a decidir cómo actuar.
Cuando resulta más fácil mostrar ejemplos que escribir reglas
Hay problemas que se resisten a una descripción exacta. Dos frutas pueden tener formas y colores distintos y estar ambas en buen estado. Una superficie puede cambiar de aspecto sin que exista un defecto. Escribir una regla para cada variación posible termina siendo poco práctico.
El aprendizaje automático, y especialmente el aprendizaje profundo, amplió las posibilidades: en lugar de describir por completo qué debe buscar el sistema, se le muestran ejemplos representativos. En este cambio han tenido un papel fundamental las redes neuronales convolucionales, conocidas como CNN. Su funcionamiento puede entenderse como un aprendizaje por etapas: identifican patrones sencillos, como bordes o trazos, y los combinan para reconocer formas y estructuras más complejas. La diferencia es que esas características se aprenden a partir de las imágenes, en vez de tener que definirlas todas de antemano.
La idea no surgió de repente, entre 1988 y 1998 se desarrollaron una serie de arquitecturas de redes neuronales convolucionales agrupadas con el nombre de LeNet. Su referencia más importante fue LeNet-5, descrita en 1998, diseñada para reconocer caracteres, incluidos números escritos a mano.
Un punto de inflexión llegó en 2012 con AlexNet, una red convolucional que consiguió resultados muy superiores a los métodos anteriores en una prueba de reconocimiento de imágenes de ImageNet. Ya no se trataba de distinguir diez cifras, sino de clasificar fotografías en mil categorías diferentes. La combinación de una red más profunda, más de un millón de imágenes de entrenamiento y el uso de tarjetas gráficas para acelerar los cálculos demostró las posibilidades de esta forma de aprender.
Los avances continuaron. En 2015, ResNet facilitó el entrenamiento de redes con muchas más capas, mejorando los resultados de reconocimiento. Ese mismo año se dio a conocer YOLO, que abordaba otra necesidad: identificar qué objetos aparecen en una imagen y localizar dónde están, con rapidez suficiente para procesar vídeo en tiempo real en las condiciones de sus pruebas.
Poco a poco, estos avances fueron introduciéndose en la industria, que exige tasas de aciertos muy elevadas. En 2017, Cognex adquirió ViDi, empresa especializada en aplicar aprendizaje profundo para visión artificial. El aprendizaje profundo encontraba así nuevas vías de aplicación en la inspección industrial, especialmente allí donde resultaba difícil anticipar todas las variaciones de apariencias que podía presentar una pieza.
Aplicaciones de la visión artificial con IA en la industria
Estos avances no eliminan el trabajo del especialista, pero cambian una parte importante de ese trabajo. Además de decidir qué se quiere comprobar, hay que seleccionar los ejemplos con los que aprenderá el sistema y verificar que responde adecuadamente ante nuevas imágenes. La pregunta ya no es solo “¿qué regla debemos programar?”, sino también “¿qué necesita ver el sistema para aprender a distinguir lo que nos interesa?”
El sector alimentario ilustra bien esta necesidad de adaptarse a productos diversos. En ese ámbito se sitúa AGROVIS, con el que CARTIF investigó entre 2020 y 2022 metodologías de visión artificial orientadas a productos y procesos agroalimentarios aplicando técnicas novedosas para combinar redes neuronales entrenadas con diferentes repartos de imágenes. La idea era que sus respuestas se complementasen para mejorar la clasificación: no inventar de nuevo toda la tecnología, sino investigar cómo utilizarla mejor ante un problema concreto.

Ahora bien, aprender con imágenes plantea otra pregunta: ¿cuántas necesitamos? En una empresa no siempre es sencillo reunir cientos de fotografías de cada producto, especialmente cuando aparecen nuevas referencias. Además, aparece una paradoja: cuanto mejor funciona la fabricación, menos ejemplos de defectos tenemos. En trabajos publicados en 2021 y 2023 investigamos el reconocimiento de productos alimentarios utilizando una sola imagen de referencia de una nueva categoría. La idea no era enseñar al sistema todo desde cero con una fotografía, sino aprovechar lo aprendido previamente para reconocer productos que no había visto durante su entrenamiento. Es una aportación acotada a un problema importante: reducir el esfuerzo necesario para incorporar novedades en una producción.
Visión artificial 3D y robótica: de observar una pieza a ayudar a recogerla
La información visual no tiene por qué terminar en una señal de aceptación o rechazo. También puede servir para actuar.
Pensemos en un contenedor lleno de piezas desordenadas. Para recoger una, el robot necesita saber dónde está, cómo está orientada y por dónde puede acercarse. Esta relación entre visión y robótica no es nueva, pero la percepción tridimensional ha ampliado sus posibilidades. El sistema InPicker es un ejemplo de cómo localizar y extraer componentes que no llegan siempre colocados en la misma posición.
En CARTIF, intensificamos nuestros esfuerzos en la conexión entre percepción y actuación a partir de 2021, participando en la red Cervera 5R, orientada al desarrollo de tecnologías robóticas para fabricación inteligente que incluye percepción 3D y manipulación de objetos, y en proyectos como BATERURGIA, desarrollado entre 2022 y 2025, que incluyó investigación sobre desmantelamiento robotizado de baterías y formas de colaboración entre operarios y robots. Aquí el objetivo ya no es únicamente comprobar un producto, sino facilitar una operación física sobre él.
A otra escala, desarrollos como Gemini Robotics 2, presentado en 2026, conectan imágenes, instrucciones en lenguaje cotidiano y acciones robóticas. La aspiración es que un robot pueda adaptarse a tareas y situaciones más variadas. Entre esa aspiración y una aplicación industrial sigue habiendo un trabajo imprescindible: comprobar su comportamiento, su seguridad y su fiabilidad en las condiciones concretas donde se va a utilizar.
La tecnología al servicio de las necesidades industriales
La evolución de la visión artificial no consiste en sustituir unas tecnologías por otras, sino en ampliar las herramientas disponibles. La mejor solución sigue siendo la que responde a la necesidad real del proceso. Por eso, la primera pregunta no debería ser “¿qué inteligencia artificial podemos instalar?”, sino “¿qué necesitamos observar y qué decisión queremos mejorar?”.
Los ojos de una máquina no se cansan, pero conseguir que miren donde importa y aporten información útil sigue requiriendo conocimiento humano. En CARTIF hemos participado en esta evolución acompañando a las empresas, investigando nuevas posibilidades y aprendiendo de un reto que se repite una y otra vez: convertir una imagen en una decisión que ayude a mejorar un proceso.

Quizá la próxima mejora no empiece con una cámara o una tarjeta gráfica más potente, sino con una pregunta sencilla: ¿qué información estamos dejando pasar porque todavía no sabemos observarla?
Más sobre fabricación…
- De la visión artificial a la robótica inteligente: cuando las máquinas aprenden a actuar - 30 octubre 2026
- Visión artificial industrial: cómo las máquinas aprendieron a detectar defectos - 17 octubre 2026
- Visión artificial para el control de calidad - 14 marzo 2017


