Constrói um sistema de inspeção visual baseado em câmara sem experiência em IA

Todos os produtos que usamos, seja um telemóvel, um item embalado ou uma peça de automóvel, passam por alguma forma de inspeção de qualidade antes de chegarem até nós, o consumidor final. Tradicionalmente, isto é feito através de verificações manuais ou sistemas simples baseados em regras. Embora estes métodos funcionem, são frequentemente lentos, inconsistentes e difíceis de escalar à medida que a produção aumenta.

Para melhorar o processo de inspeção de qualidade, muitas indústrias estão a recorrer à visão computacional, um ramo da inteligência artificial que ajuda as máquinas a compreender imagens e vídeo. Por exemplo, modelos de visão por IA como o Ultralytics YOLO26 podem ajudar a detetar, classificar e localizar defeitos com um elevado nível de precisão.

Em ambientes de produção reais, estes modelos podem ser usados para analisar imagens capturadas diretamente de linhas de montagem de alta velocidade. À medida que os produtos avançam através de diferentes etapas, câmaras industriais rastreiam-nos e o sistema verifica a existência de problemas como riscos, peças em falta ou desalinhamento. Isto torna a deteção de defeitos mais rápida e consistente, ao mesmo tempo que suporta a inspeção de alto rendimento.

No passado, construir estes sistemas exigia várias ferramentas e forte experiência técnica, o que tornava o processo complexo e demorado. A Ultralytics Platform, a nossa nova solução de ponta a ponta para visão computacional, simplifica isto ao reunir a preparação de dados, anotação, treino de modelos e implementação num só lugar.

Neste artigo, vamos explorar como podes usar a Ultralytics Platform para construir sistemas práticos de inspeção visual baseados em câmara sem precisares de experiência profunda em IA. Vamos começar!

Link to this sectionO papel da visão computacional no controlo de qualidade#

Antes de mergulharmos em como a Ultralytics Platform facilita a construção de sistemas de inspeção, vamos recuar um pouco e compreender o papel da visão computacional na inspeção de qualidade.

A inspeção é uma parte fundamental do processo de fabrico que garante que os produtos cumprem os padrões de qualidade e estão livres de defeitos. No entanto, os resultados podem variar, especialmente durante turnos longos ou produção de alto volume.

Para tornar a inspeção mais fiável, muitas indústrias usam visão computacional, também conhecida como visão artificial, para analisar imagens da linha de produção e identificar defeitos. Estes sistemas usam aprendizagem profunda, onde modelos e algoritmos aprendem padrões a partir de grandes conjuntos de imagens rotuladas de alta qualidade.

Durante o treino do modelo, é mostrado ao modelo exemplos de produtos normais e de diferentes tipos de defeitos. Com o tempo, ele aprende a reconhecer estes padrões por si próprio. Uma vez treinado, um modelo pode inspecionar grandes volumes de produtos e aplicar os mesmos critérios de forma consistente, melhorando a precisão.

Link to this sectionTarefas comuns de visão computacional usadas na inspeção de qualidade#

As aplicações de visão artificial são permitidas por modelos de visão computacional como os modelos Ultralytics YOLO que podem suportar diferentes tipos de tarefas de visão. Aqui está uma visão geral de como estas tarefas de visão por IA são usadas para fluxos de trabalho de inspeção automatizada:

• Classificação de imagem: Esta tarefa é usada para atribuir uma única etiqueta a uma imagem inteira, tal como “bom” ou “defeituoso”. Fornece uma avaliação de alto nível da qualidade do produto sem indicar a localização dos defeitos.
• Deteção de objetos: Ajuda a identificar defeitos dentro de uma imagem e a localizá-los usando caixas delimitadoras. Isto torna possível detetar e localizar problemas como fendas, riscos ou componentes em falta.
• Segmentação de instâncias: Indo um passo além da deteção de objetos, prevê máscaras ao nível do pixel para cada defeito detetado. Isto suporta uma análise precisa da forma, tamanho e limites dos defeitos.
• Rastreio de objetos: Ao rastrear produtos ao longo de múltiplos frames, segue os itens à medida que se movem pela linha de produção. Isto mantém a consistência e garante que os defeitos não são ignorados.
• Deteção de caixa delimitadora orientada (OBB): Esta tarefa deteta objetos usando caixas delimitadoras rodadas em vez das alinhadas com os eixos. É particularmente útil quando defeitos ou componentes aparecem em ângulos diferentes, permitindo uma localização mais precisa.

Link to this sectionUm olhar sobre as aplicações de inspeção de qualidade em todos os setores#

A visão computacional é amplamente utilizada em todos os setores para manter a qualidade do produto, cumprir padrões e reduzir a necessidade de inspeção manual. Executa funções chave como deteção de defeitos, classificação, reconhecimento de objetos, medição e deteção de anomalias.

Fig 1. Um exemplo de deteção e rastreio de produtos usando sistemas de visão artificial (Fonte)

Aqui estão alguns exemplos de casos de uso do mundo real onde é aplicada:

• Fabrico: A deteção de defeitos de superfície é usada para identificar problemas como riscos, amolgadelas, fendas e descoloração através da análise de imagens de produtos na linha de produção para deteção de defeitos em linha. Também pode detetar peças em falta ou erros de montagem em tempo real, suportando a inspeção contínua.
• Automóvel: Os sistemas de visão computacional analisam peças de motor e painéis de carroçaria para verificar o alinhamento e detetar danos. São especialmente eficazes para inspecionar formas complexas e áreas de difícil acesso, trabalhando frequentemente ao lado de sistemas robóticos para posicionamento preciso e inspeção automatizada.
• Eletrónica e semicondutores: Estes sistemas detetam pequenos defeitos em componentes como placas de circuito impresso (PCBs), incluindo problemas de soldadura, microfissuras e circuitos danificados. Com a análise de imagem de alta resolução, até defeitos muito finos, que são frequentemente ignorados durante a inspeção manual, podem ser detetados.
• Embalagem e logística: Os sistemas visuais realizam a leitura de códigos de barras, leem etiquetas de produtos e verificam a qualidade da embalagem. Garantem que os produtos estão devidamente embalados, selados e prontos para envio, reduzindo erros.
• Alimentação e bebidas: Sistemas de inspeção alimentados por câmaras de visão ou sensores de visão analisam a aparência do produto para identificar problemas como vedação inadequada, riscos de contaminação, rotulagem incorreta ou inconsistências visuais, ajudando a manter a qualidade e segurança.
• Produtos farmacêuticos: A visão computacional é usada para inspecionar comprimidos, frascos e embalagens quanto a defeitos como fendas, contaminação, rotulagem incorreta ou inconsistências no nível de enchimento, garantindo o cumprimento de padrões regulamentares rigorosos e mantendo a segurança do produto.

Link to this sectionSimplificação dos fluxos de trabalho de inspeção visual com a Ultralytics Platform#

Considera uma linha de fabrico onde os produtos avançam através de diferentes etapas enquanto as câmaras capturam continuamente imagens para inspeção. Estas imagens são usadas para verificar a existência de defeitos como riscos, peças em falta ou desalinhamento.

Até agora, construir e gerir tais sistemas de inspeção exigia várias ferramentas e uma quantidade razoável de experiência técnica.

De facto, na Ultralytics, temos visto feedback consistente da comunidade de IA de visão sobre como este processo pode ser fragmentado e demorado, com estrangulamentos comuns incluindo ferramentas dispersas, configuração complexa de ambiente, fluxos de trabalho de rotulagem de dados ineficientes, atrasos no treino de modelos e desafios na implementação. Este feedback desempenhou um papel fundamental na formação da Ultralytics Platform.

Fig 2. Um vislumbre da Ultralytics Platform (Fonte)

Com a Ultralytics Platform, todo o processo de desenvolvimento e implementação pode ser gerido num só lugar. Os dados brutos podem ser carregados e anotados para criar conjuntos de dados de treino, que são então usados para treinar modelos para detetar defeitos. Uma vez treinados, estes modelos podem ser implementados para analisar novas imagens da linha de produção, com ferramentas integradas para monitorizar o desempenho ao longo do tempo.

Além de reunir todo o fluxo de trabalho num só lugar, a Ultralytics Platform foi concebida para ser fácil de usar. Mesmo os utilizadores com experiência limitada em aprendizagem automática podem ir da ideação à produção rapidamente.

Link to this sectionUsar a Ultralytics Platform para rotular defeitos em imagens#

Agora que vimos como a Ultralytics Platform reúne o fluxo de trabalho, vamos percorrer como usá-la em cada etapa do pipeline de IA de visão, começando pelo carregamento de dados e rotulagem de defeitos.

Link to this sectionGestão de conjuntos de dados de inspeção na Ultralytics Platform#

O primeiro passo é trazer dados para a plataforma. Podes carregar imagens, vídeos ou arquivos de conjuntos de dados como ZIP, TAR ou GZ. Formatos de conjuntos de dados comuns como YOLO e COCO são suportados, pelo que os conjuntos de dados existentes podem ser importados sem passos adicionais.

Também podes começar mais rapidamente usando conjuntos de dados partilhados pela comunidade. Estes conjuntos de dados podem ser explorados e clonados para o teu espaço de trabalho, permitindo-te construir sobre dados existentes em vez de começar do zero. Uma vez clonados, podem ser atualizados e expandidos para o teu caso de uso específico.

Se estás a trabalhar em várias experiências, os conjuntos de dados podem ser reutilizados importando-os como ficheiros NDJSON, tornando mais fácil recriá-los ou partilhá-los sem conversão adicional.

Após o carregamento dos dados, a plataforma prepara-os automaticamente. Verifica formatos de ficheiro, processa anotações, redimensiona imagens se necessário e gera estatísticas básicas do conjunto de dados. Os vídeos são divididos em frames para que possam ser usados para treino e as imagens são otimizadas para facilitar a navegação e análise.

Link to this sectionAnotação de dados alimentada pela Ultralytics Platform#

Uma vez que os dados estejam prontos, o passo seguinte é a anotação de dados. É aqui que os defeitos são rotulados para que o modelo possa aprender o que detetar. A Ultralytics Platform inclui um editor de anotação incorporado que suporta tarefas como deteção de objetos, segmentação de instâncias, classificação de imagem, estimativa de pose e deteção de caixa delimitadora orientada.

Podes rotular dados manualmente usando ferramentas como caixas delimitadoras, polígonos ou pontos-chave, dependendo do teu caso de uso. Para acelerar, a plataforma também oferece rotulagem assistida por IA.

Por exemplo, a anotação inteligente baseada em SAM permite-te rotular objetos usando cliques simples. Ao selecionar regiões para incluir ou excluir, o sistema gera uma máscara em tempo real, que pode depois ser ajustada se necessário.

Fig 3. Anotação inteligente orientada por SAM na Ultralytics Platform (Fonte)

Além disso, a anotação inteligente baseada em YOLO pode gerar etiquetas automaticamente usando previsões do modelo. Estas podem ser revistas e refinadas, tornando mais fácil trabalhar com grandes conjuntos de dados sem ter de rotular tudo manualmente.

O editor de anotação também inclui funcionalidades como gestão de classes, edição de anotações, atalhos de teclado e opções de desfazer ou refazer. Estas tornam mais fácil manter a consistência e rever anotações à medida que o teu conjunto de dados cresce.

À medida que rotulas os dados, a plataforma fornece insights como distribuição de classes e contagens de anotações. Isto ajuda a identificar lacunas, corrigir inconsistências e melhorar a qualidade do conjunto de dados antes de avançar para o treino.

Link to this sectionTreinar o YOLO26 para deteção de defeitos na Ultralytics Platform#

O passo seguinte é treinar um modelo para detetar automaticamente defeitos usando os dados rotulados. A Ultralytics Platform suporta treino com modelos Ultralytics YOLO, incluindo o YOLO26, que pode ser usado para tarefas como deteção de objetos, segmentação de instâncias e classificação de imagem.

O treino é gerido através de um dashboard unificado onde podes configurar, executar e monitorizar trabalhos de treino num só lugar. Para começar, podes selecionar um conjunto de dados, incluindo um que tenhas carregado, anotado na plataforma, obtido de conjuntos de dados públicos disponíveis na plataforma ou clonado da comunidade.

Uma vez selecionado, o conjunto de dados é automaticamente ligado à execução de treino, tornando mais fácil rastrear experiências e manter a consistência.

Em seguida, podes configurar parâmetros de treino como o número de épocas, tamanho do lote, tamanho da imagem e taxa de aprendizagem. Estas definições controlam como o modelo aprende e impactam diretamente tanto o tempo de treino como o desempenho.

Link to this sectionExecutar e monitorizar o treino#

Podes então escolher como executar o treino. A plataforma suporta treino na nuvem em GPUs geridos, treino local usando o teu próprio hardware e fluxos de trabalho baseados no navegador através de ambientes como o Google Colab.

Ao usar treino na nuvem, podes escolher entre uma gama de opções de GPU como a RTX 2000 Ada e RTX A4500 para experiências mais pequenas, RTX 4090 ou RTX A6000 para cargas de trabalho mais exigentes e opções de alto desempenho como a A100 ou H100 para treino em larga escala.

Quando o treino começa, o progresso pode ser monitorizado diretamente dentro da plataforma. O dashboard fornece visibilidade em tempo real sobre métricas chave como curvas de perda e métricas de desempenho, juntamente com o uso do sistema e registos de treino. Isto torna perfeito compreender como o modelo está a aprender e identificar potenciais problemas precocemente.

Fig 4. Podes monitorizar o progresso do treino facilmente usando a Ultralytics Platform (Fonte)

À medida que executas várias experiências, a plataforma mantém o rasto das configurações, conjuntos de dados e resultados num só lugar. Isto torna simples comparar diferentes execuções de treino, avaliar o desempenho usando métricas como precisão, recall e mAP, e selecionar o modelo com melhor desempenho para implementação.

Link to this sectionImplementar um modelo de visão através da Ultralytics Platform#

Após o treino, o passo seguinte é validar como o modelo treinado funciona em dados novos e nunca vistos antes de passar para a implementação. A Ultralytics Platform inclui um separador Predict (Prever) incorporado que te permite testar modelos diretamente no navegador sem qualquer configuração.

Podes carregar imagens, usar dados de amostra ou capturar entradas através de uma webcam, e os resultados aparecem instantaneamente com sobreposições visuais e pontuações de confiança. Isto significa que podes verificar rapidamente o desempenho do modelo e identificar quaisquer problemas antes de o integrar em sistemas do mundo real.

Uma vez validado o modelo, pode ser implementado usando diferentes opções, dependendo do teu caso de uso. Aqui está um olhar mais atento sobre as opções de implementação de modelos suportadas pela Ultralytics Platform:

• Inferência partilhada: Esta opção permite-te aceder ao modelo através de uma REST API, tornando fácil a integração em aplicações ou fluxos de trabalho. É executada num sistema multi-inquilino em algumas regiões centrais, onde os pedidos são automaticamente encaminhados para o serviço disponível mais próximo. Isto torna-a uma boa escolha para desenvolvimento, testes e utilização mais leve antes de passar para a produção.
• Endpoints dedicados: Para uso em produção, os modelos podem ser implementados como endpoints dedicados com os seus próprios recursos computacionais. Estes funcionam como serviços de inquilino único em 43 regiões globais, ajudando a reduzir a latência ao implementar mais perto dos utilizadores finais. Também suportam autoscaling e escala para zero, permitindo que os recursos se ajustem automaticamente com base no tráfego.
• Exportação de modelo: Os modelos podem ser exportados e executados fora da plataforma em sistemas locais ou dispositivos de ponta (edge). A plataforma suporta 17 formatos, incluindo ONNX, TensorRT, OpenVINO, CoreML e TensorFlow Lite. As opções de exportação também suportam otimizações como quantização FP16 e INT8 para reduzir o tamanho do modelo e melhorar a velocidade de inferência para diferentes ambientes de hardware.

Link to this sectionMonitorizar modelos implementados usando a Ultralytics Platform#

O ciclo de vida de uma solução de processamento de imagem ou visão computacional não termina com a implementação do modelo. Isto é verdade também para os sistemas de inspeção visual. Uma vez que um modelo está a funcionar em produção, precisa de ser monitorizado continuamente para garantir que funciona de forma fiável à medida que as condições mudam.

A Ultralytics Platform fornece um dashboard de monitorização incorporado que dá uma visão clara de como os modelos implementados estão a funcionar. A partir de uma única interface, podes rastrear a atividade de pedidos, ver registos e verificar o estado de saúde de cada implementação. Podes compreender como os modelos estão a ser usados e como se comportam ao longo do tempo.

O dashboard inclui métricas chave como pedidos totais, taxas de erro e latência, ajudando-te a avaliar o desempenho e a capacidade de resposta. Estas métricas são atualizadas regularmente e fornecem insights tanto sobre padrões de utilização como sobre a fiabilidade do sistema.

Um mapa mundial incorporado mostra onde os pedidos e implementações estão distribuídos pelas regiões. Com suporte para implementações em múltiplos locais globais, esta vista ajuda a rastrear a utilização geograficamente e a compreender como os modelos funcionam em diferentes ambientes.

Fig 5. Monitorizar modelos implementados na Ultralytics Platform (Fonte)

Para uma análise mais profunda, cada implementação inclui registos detalhados com timestamps, detalhes do pedido e mensagens de erro. Os registos podem ser filtrados por gravidade, tornando simples depurar problemas e identificar falhas rapidamente. Além disso, as verificações de saúde fornecem indicadores de estado em tempo real, mostrando se uma implementação está a funcionar como esperado ou se precisa de atenção.

A monitorização também desempenha um papel importante na otimização. À medida que os dados de entrada, tráfego ou padrões de utilização mudam, o desempenho pode variar. Ao rastrear métricas e registos, podes identificar problemas como alta latência, taxas de erro aumentadas ou limitações de escala e agir para manter um desempenho consistente.

Link to this sectionBenefícios de usar a Ultralytics Platform para construir soluções de visão#

Aqui estão algumas das principais vantagens de usar a Ultralytics Platform para construir e escalar sistemas de inspeção visual:

• Otimizado para uso no mundo real: Funcionalidades como endpoints de autoscaling, implementação na borda (edge) e exportação de modelos garantem que o sistema pode funcionar de forma fiável em ambientes de produção.
• Ciclos de desenvolvimento mais rápidos: Ferramentas incorporadas e configurações padrão ajudam a passar de dados brutos para um sistema funcional de forma mais eficiente.
• Facilidade de uso: Interfaces intuitivas, fluxos de trabalho simplificados e requisitos mínimos de configuração tornam a plataforma acessível tanto a principiantes como a utilizadores experientes.
• Menos trabalho manual: Funcionalidades como anotação assistida por IA e processamento automático de dados reduzem o tempo gasto em tarefas repetitivas.
• Escalável ao longo do tempo: À medida que os requisitos mudam, o sistema pode ser atualizado adicionando novos dados e retreinando modelos, permitindo a adaptação a novos tipos de defeitos, condições e configurações de múltiplas câmaras.

Link to this sectionPrincipais conclusões#

Construir um sistema de inspeção visual baseado em câmara não tem de ser complexo ou exigir experiência profunda em IA. Com a Ultralytics Platform, podes ir de dados brutos a um sistema funcional e monitorizar o seu desempenho, tudo num só lugar. Isto simplifica a forma como os sistemas de inspeção são construídos, melhorados e executados em ambientes do mundo real.

Junta-te à nossa comunidade e explora o nosso repositório GitHub para aprender mais sobre IA de visão. Consulta as nossas opções de licenciamento para dar o pontapé de saída nos teus projetos de visão computacional. Interessado em inovações como IA no fabrico ou visão computacional na indústria automóvel? Visita as nossas páginas de soluções para descobrir mais.