Construa um sistema de inspeção visual baseado em câmera sem especialização em IA

Cada produto que usamos, seja um telemóvel, um artigo embalado ou uma peça de automóvel, passa por alguma forma de inspeção de qualidade antes de chegar a nós, o consumidor final. Tradicionalmente, isto tem sido 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 vídeos. Por exemplo, modelos de visão 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 problemas como riscos, peças em falta ou desalinhamento. Isto torna a deteção de defeitos mais rápida e consistente, ao mesmo tempo que suporta uma inspeção de alto rendimento.

No passado, a construção destes sistemas exigia múltiplas ferramentas e uma forte experiência técnica, o que tornava o processo complexo e moroso. A Ultralytics Platform, a nossa nova solução completa 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 uma 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 torna a construção de sistemas de inspeção mais fácil, vamos recuar um passo 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 isentos 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 a 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 IA são usadas para fluxos de trabalho de inspeção automatizados:

• 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 píxel 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 fotogramas, segue os itens à medida que se movem pela linha de produção. Isto mantém a consistência e garante que os defeitos não sejam ignorados.
• Deteção de caixa delimitadora orientada (OBB): Esta tarefa deteta objetos usando caixas delimitadoras rodadas em vez das alinhadas com o eixo. É particularmente útil quando os 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 todas as indústrias#

A visão computacional é amplamente utilizada em todas as indústrias para manter a qualidade do produto, cumprir padrões e reduzir a necessidade de inspeção manual. Desempenha 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 reais onde é aplicada:

• Fabrico: A deteção de defeitos superficiais é usada para identificar problemas como riscos, mossas, 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 em conjunto com 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, microfendas e circuitos danificados. Com análise de imagem de alta resolução, até defeitos muito subtis podem ser detetados, os quais são frequentemente ignorados durante a inspeção manual.
• 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 são devidamente embalados, selados e prontos para envio, reduzindo erros.
• Alimentos e bebidas: Os 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, etiquetagem 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, etiquetagem incorreta ou inconsistências no nível de enchimento, garantindo a conformidade com padrões regulamentares rigorosos e mantendo a segurança do produto.

Link to this sectionSimplificando 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 defeitos como riscos, peças em falta ou desalinhamento.

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

De facto, na Ultralytics, temos visto um feedback consistente da comunidade de visão IA 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. Dados brutos podem ser carregados e anotados para criar conjuntos de dados de treino, que são depois usados para treinar modelos a 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 trazer todo o fluxo de trabalho para um lugar, a Ultralytics Platform foi concebida para ser fácil de usar. Mesmo utilizadores com experiência limitada em aprendizagem automática podem passar da idealização 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 visão IA, começando com o 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 ficheiros ZIP, TAR ou GZ. Formatos de conjunto de dados comuns como YOLO e COCO são suportados, pelo que 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 estendidos 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 fotogramas para que possam ser usados para treino, e as imagens são otimizadas para uma navegação e análise mais fáceis.

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 integrado 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 as coisas, a plataforma também oferece anotação assistida por IA.

Por exemplo, a anotação inteligente baseada em SAM permite-te rotular objetos usando simples cliques. Ao selecionar regiões a 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 dentro da 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 através de grandes conjuntos de dados sem rotular tudo manualmente.

O editor de anotação também inclui funcionalidades como gestão de classes, edição de anotação, atalhos de teclado e opções para 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 dados, a plataforma fornece insights como distribuição de classes e contagem de anotações. Isto ajuda a identificar lacunas, corrigir inconsistências e melhorar a qualidade do conjunto de dados antes de passar para o treino.

Link to this sectionTreino do YOLO26 para deteção de defeitos na Ultralytics Platform#

O passo seguinte é treinar um modelo para detetar defeitos automaticamente usando os dados rotulados. A Ultralytics Platform suporta o 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 painel unificado onde podes configurar, executar e monitorizar trabalhos de treino num só lugar. Para começar, podes selecionar um conjunto de dados, incluindo um que carregaste, anotaste 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 sectionExecução e monitorização do 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 browser através de ambientes como o Google Colab.

Ao usar treino na nuvem, podes escolher entre uma gama de opções de GPU como 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 A100 ou H100 para treino em larga escala.

Quando o treino começa, o progresso pode ser monitorizado diretamente dentro da plataforma. O painel 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 simples 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 múltiplas experiências, a plataforma mantém um registo de configurações, conjuntos de dados e resultados num só lugar. Isto torna direto 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 sectionImplementação de um modelo de visão através da Ultralytics Platform#

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

Podes carregar imagens, usar dados de exemplo 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 reais.

Uma vez validado o modelo, ele pode ser implementado usando diferentes opções dependendo do teu caso de uso. Aqui tens um olhar mais atento sobre as opções de implementação de modelo 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. Executa num sistema multi-inquilino através de algumas regiões principais, onde os pedidos são automaticamente encaminhados para o serviço disponível mais próximo. Isto torna-a uma boa opção para desenvolvimento, testes e uso 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 de computação. Estes executam como serviços de inquilino único em 43 regiões globais, ajudando a reduzir a latência ao implementar mais perto dos utilizadores finais. Também suportam escalonamento automático e redução 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 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 sectionMonitorização de 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 executar 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 painel de monitorização integrado 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 painel 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 uso como sobre a fiabilidade do sistema.

Um mapa mundial integrado mostra onde os pedidos e implementações estão distribuídos pelas regiões. Com suporte para implementações em múltiplas localizações globais, esta visão ajuda a rastrear o uso geograficamente e a compreender como os modelos funcionam em diferentes ambientes.

Fig 5. Monitorização de modelos implementados na Ultralytics Platform (Fonte)

Para uma análise mais profunda, cada implementação inclui registos detalhados com carimbos de data/hora, 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 executar conforme esperado ou se precisa de atenção.

A monitorização também desempenha um papel importante na otimização. À medida que os dados de entrada, o tráfego ou os padrões de uso mudam, o desempenho pode variar. Ao rastrear métricas e registos, podes identificar problemas como alta latência, aumento das taxas de erro ou limitações de escalonamento 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:

• Otimizada para uso no mundo real: Funcionalidades como endpoints de escalonamento automático, implementação edge e exportação de modelo garantem que o sistema pode executar de forma fiável em ambientes de produção.
• Ciclos de desenvolvimento mais rápidos: Ferramentas integradas 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 de configuração mínimos tornam a plataforma acessível tanto para principiantes como para utilizadores experientes.
• Menos trabalho manual: Funcionalidades como anotação assistida por IA e processamento automatizado 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 pontos#

Construir um sistema de inspeção visual baseado em câmara não tem de ser complexo nem exigir uma experiência profunda em IA. Com a Ultralytics Platform, podes passar de dados brutos para 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 reais.

Junta-te à nossa comunidade e explora o nosso repositório no GitHub para saberes mais sobre visão computacional com IA. Consulta as nossas opções de licenciamento para dares início aos teus projetos de visão computacional. Tens interesse em inovações como IA na indústria transformadora ou visão computacional na indústria automóvel? Visita as nossas páginas de soluções para descobrires mais.