Aplicaciones de inteligencia artificial para inspección de calidad y detección de defectos en manufactura: Una revisión de alcance (scoping review)
DOI:
https://doi.org/10.65415/qcw8ef11Palabras clave:
inteligencia artificial; detección de defectos; inspección de calidad; visión artificial; manufactura; revisión de alcance.Resumen
La inspección de calidad y la detección de defectos en manufactura han sido tradicionalmente intensivas en trabajo humano. Esta revisión de alcance, siguiendo PRISMA-ScR, mapea las tecnologías de inteligencia artificial (IA) aplicadas a la inspección de calidad y detección de defectos en manufactura, los sectores industriales de aplicación, y el grado en que estas se traducen en impacto operativo demostrado. Se realizó una búsqueda en Scopus y SciELO (2021-2026, incluyendo artículos en acceso anticipado/early access); tras el cribado de un subconjunto de 1,036 registros y 222 candidatos con evidencia de aplicación real, se incluyeron 120 estudios en el mapeo agregado. Dentro de este corpus, el 65.0% reporta evidencia de aplicación en datos o casos industriales reales, pero solo el 9.2% reporta una métrica de impacto financiero u operativo explícita (reducción de costos, OEE, reducción de desperdicio), evidenciando una brecha sustancial entre validación técnica e impacto de negocio demostrado. El aprendizaje automático clásico (40.8%) y las redes neuronales convolucionales (17.5%) dominan tecnológicamente; los sectores metal/acero (15.0%) y manufactura aditiva (10.8%) concentran mayor atención. Se seleccionó adicionalmente, mediante muestreo intencional de máxima variación, un subconjunto de 13 estudios (uno por categoría tecnológica) para ilustrar cualitativamente los patrones agregados. Se concluye que el campo está en expansión acelerada pero mantiene una brecha persistente entre precisión técnica e impacto operativo demostrado, además de vacíos sectoriales identificables para investigación futura.
Descargas
Referencias
Arksey, H., & O'Malley, L. (2005). Scoping studies: Towards a methodological framework. International Journal of Social Research Methodology, 8(1), 19-32. https://doi.org/10.1080/1364557032000119616
Carvalho, A., Miguéis, V., & Moura e Sá, M. (2026). Enhancing operational performance in textile manufacturing: Impact of deep learning-based defect detection. International Journal of Production Research, 64(16), 6744-6768. https://doi.org/10.1080/00207543.2026.2632695
Colaw, C. L., Madison, G., Tseng, B., Griser, G. M., Truelson, G., Gallo, A., & Hurmuzlu, Y. (2025). Methodology for enablement of human digital twins for quality assurance in the aerospace manufacturing domain. Sensors, 25(11). https://doi.org/10.3390/s25113362
Elkhouly, H. I., & Barakat, S. (2026). A hybrid framework for predictive quality control in manufacturing: A comparative study of machine learning and neural computing models. Neural Computing and Applications, 38(10). https://doi.org/10.1007/s00521-026-12109-9
Eslaminia, A., Meng, Y., Nahrstedt, K., & Shao, C. (2024). Federated domain generalization for condition monitoring in ultrasonic metal welding. Journal of Manufacturing Systems, 77, 1-12. https://doi.org/10.1016/j.jmsy.2024.09.023
Kır, H., Adar, N. G., & Yazar, M. (2025). A fault detection robotic cell application based on deep learning and image processing hybrid approach for quality control of automotive parts. Iranian Journal of Science and Technology, Transactions of Electrical Engineering, 49(1), 471-485. https://doi.org/10.1007/s40998-024-00768-0
Lei, R., Guo, Y. B., Yan, J., & Guo, W. G. (2024). Bridging data gaps: A federated learning approach to heat emission prediction in laser powder bed fusion. Journal of Manufacturing Science and Engineering, 146(10). https://doi.org/10.1115/1.4065888
Levac, D., Colquhoun, H., & O'Brien, K. K. (2010). Scoping studies: Advancing the methodology. Implementation Science, 5, 69. https://doi.org/10.1186/1748-5908-5-69
Ma, Y., Yin, J., Huang, F., & Li, Q. (2024). Surface defect inspection of industrial products with object detection deep networks: A systematic review. Artificial Intelligence Review, 57(12), article 333. https://doi.org/10.1007/s10462-024-10956-3
Mao, W., Si, W., Li, N., Song, J., Yuan, C., Duojie, C., Zheng, J., Zhang, B., & Yang, R. (2025). Laboratory-on-IoT for predicting construction temperature of asphalt pavement. Journal of Traffic and Transportation Engineering (English Edition), 12(5), 1254-1270. https://doi.org/10.1016/j.jtte.2023.05.011
Molina, M., Godoy, J., Castro, J. W., & Riffo, V. (2026). Apple damages classification: Using the best convolutional neural network to discard low surface quality fruit in packing plants. Computers and Electronics in Agriculture, 244, 111489. https://doi.org/10.1016/j.compag.2026.111489
Morales Matamoros, O., Takeo Nava, J. G., Moreno Escobar, J. J., & Ceballos Chávez, B. A. (2025). Artificial intelligence for quality defects in the automotive industry: A systemic review. Sensors, 25(5), 1288. https://doi.org/10.3390/s25051288
Oliveira, A. C. A., Pinho, A. F. de, & Brendon, M. F. (2026). Quality 4.0: A systematic literature review and future research agenda for the digital transformation of quality management. International Journal of Quality & Reliability Management, 43(6), 1650–1673. https://doi.org/10.1108/IJQRM-05-2025-0165
Ozcan, S., & Sengul, U. (2025). The use of supervised artificial intelligence methods in quality determination in continuous production lines: A case study of ceramic industry. International Journal on Interactive Design and Manufacturing, 19(12), 8687-8706. https://doi.org/10.1007/s12008-025-02310-w
Pan, Y., He, K., Yin, C., Zhang, Y., Luo, Y., & Wang, Y. (2026). MaskLenNet: A query-based instance segmentation and length prediction network for quantitative industrial tool wear and breakage assessment. Journal of Manufacturing and Materials Processing, 10(8), 286. https://doi.org/10.3390/jmmp10080286
Theodoropoulos, S., Dardanis, D., Makridis, G., Zajec, P., Rožanec, J. M., Kyriazis, D., & Tsanakas, P. (2025). Enhancing robustness to novel visual defects through StyleGAN latent space navigation: A manufacturing use case. Journal of Intelligent Manufacturing, 36(5), 3527-3541. https://doi.org/10.1007/s10845-024-02415-1
Topaloğlu, M. T., Macit, C. K., Uçar, U. U., & Tanyeri, B. (2026). Prediction of Blaine fineness of final product in cement production using industrial quality control data based on chemical and granulometric inputs using machine learning. Applied Sciences (Switzerland), 16(4), 2046. https://doi.org/10.3390/app16042046
Tricco, A. C., Lillie, E., Zarin, W., O'Brien, K. K., Colquhoun, H., Levac, D., Moher, D., Peters, M. D. J., Horsley, T., Weeks, L., Hempel, S., Akl, E. A., Chang, C., McGowan, J., Stewart, L., Hartling, L., Aldcroft, A., Wilson, M. G., Garritty, C., ... Straus, S. E. (2018). PRISMA extension for scoping reviews (PRISMA-ScR): Checklist and explanation. Annals of Internal Medicine, 169(7), 467-473. https://doi.org/10.7326/M18-0850
Xia, H., An, W., Zhang, Z., & Liu, G. (2022). Managing production systems with machine learning: A case analysis of Suzhou GCL photovoltaic technology. Production Planning and Control, 33(16), 1559-1572. https://doi.org/10.1080/09537287.2021.1882693
Zhou, H. A., Wolfschläger, D., Florides, C., Werheid, J., Behnen, H., Woltersmann, J.-H., Pinto, T. C., Kemmerling, M., Abdelrazeq, A., & Schmitt, R. H. (2026). Generative AI in industrial machine vision: A review. Journal of Intelligent Manufacturing, 37, 1447–1470. https://doi.org/10.1007/s10845-025-02604-6
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Johnny Roddy Lopez Briones, Kevin Acosta-Barreno, Luis Armando Chisaguano Chisaguano, Iván Leonardo Pincay Aguilar
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
