Inspeção de qualidade na indústria transformadora: métodos tradicionais vs. aprendizagem profunda

A inspeção de qualidade é uma tarefa essencial durante a manufatura, que garante que os produtos atendam aos padrões de qualidade exigidos. No entanto, avaliar a qualidade com métodos tradicionais de inspeção pode sair caro à medida que a complexidade dos produtos aumenta.

Os fabricantes estão adotando técnicas de inspeção baseadas em aprendizado profundo, como detecção de objetos e segmentação semântica, para reduzir os custos de inspeção. O aprendizado profundo é um subcampo da inteligência artificial (AI) que usa algoritmos computacionais chamados redes neurais para identificar padrões complexos nos dados. Essas técnicas ajudam a automatizar o fluxo de trabalho de inspeção e reduzem a dependência de inspetores humanos ao analisar conjuntos de dados extensos, incluindo imagens e vídeos.

Graças à sua versatilidade e custo-benefício, a garantia de qualidade baseada em IA aumenta significativamente a rentabilidade das empresas. Relatórios sugerem que, até 2035, o setor de manufatura poderá obter mais de US$ 3 trilhões com IA.

Este artigo discutirá como os métodos de aprendizado profundo podem aprimorar a inspeção de qualidade e como o Ultralytics YOLO11 pode melhorar a inspeção em vários setores.

O que é inspeção de qualidade na manufatura?#

A inspeção de qualidade avalia se um produto apresenta defeitos, anomalias ou inconsistências antes de chegar ao consumidor.

O processo pode ocorrer durante a produção, quando o produto passa por uma linha de montagem, ou após a produção, mas antes de os itens seguirem para a linha de distribuição.

Muitas vezes, o processo envolve especialistas humanos que fazem avaliações visuais para verificar se o produto se desvia dos padrões de projeto desejados ou não os atende.

No entanto, à medida que as exigências de qualidade aumentam, os fabricantes estão adotando abordagens automatizadas de aprendizado profundo para obter mais agilidade e escalabilidade em suas operações.

O que são abordagens de aprendizado profundo?#

As abordagens de aprendizado profundo usam redes neurais artificiais que seguem princípios semelhantes aos do cérebro humano. Essas redes são compostas por camadas interconectadas de neurônios. Cada neurônio realiza um cálculo matemático para analisar dados, identificar padrões e gerar uma previsão.

Fig. 1. Rede neural artificial.

Na inspeção de qualidade, os modelos de aprendizado profundo incluem estruturas de visão computacional que aprendem e extraem recursos automaticamente das imagens dos produtos.

O desenvolvimento de modelos de visão computacional exige que especialistas treinem uma rede neural com conjuntos de dados relevantes e realizem validações em um novo conjunto de dados para verificar o desempenho.

Após a validação, os especialistas podem implementar esses modelos em câmeras e sensores usando diversas ferramentas de implementação, como PyTorch, ONNX e OpenVINO.

Abordagens de aprendizado profundo para inspeção de qualidade#

A inspeção de qualidade baseada em visão usa vários métodos para detectar e localizar danos, rachaduras e itens ausentes. A lista abaixo apresenta quatro abordagens modernas de aprendizado profundo.

Classificação binária#

A classificação binária consiste em categorizar imagens em uma de duas classes, como determinar se há ou não um defeito em um objeto.

Com base nos dados visuais, um modelo de classificação gera uma decisão binária de sim ou não. Esses modelos ajudam a detectar itens ausentes. Por exemplo, um modelo de classificação pode detectar se um item está faltando em um produto.

Fig. 2. Classificação binária de uma peça automotiva.

Classificação multiclasse#

A classificação multiclasse consiste em categorizar imagens em mais de duas classes. Ela atribui cada imagem a uma de várias categorias predefinidas.

Por exemplo, um modelo de classificação multiclasse pode analisar a imagem de um produto e retornar probabilidades para vários tipos de danos ou rachaduras, indicando qual deles provavelmente está presente.

Fig. 3. Classificação multiclasse que detecta deformações e alterações de cor.

Isso é útil na manufatura, onde diferentes defeitos, como arranhões, amassados ou rachaduras, podem exigir procedimentos distintos.

Localização#

A localização consiste em identificar o local específico de um objeto ou característica em uma imagem. Ela usa modelos de detecção de objetos para prever caixas delimitadoras ou coordenadas que destacam a região específica do dano.

Isso é útil em tarefas como a detecção de rachaduras em edifícios ou peças industriais, nas quais a localização precisa de um defeito é necessária para realizar reparos direcionados.

Fig. 4. Modelo que localiza um furo de punção.

Por exemplo, na manutenção de infraestrutura, os modelos de localização podem analisar imagens de uma estrutura de concreto e marcar a área exata onde há uma rachadura.

Localização multiclasse#

A localização multiclasse identifica e localiza vários defeitos em uma imagem e também classifica cada defeito em uma de várias categorias predefinidas.

Ela usa modelos de detecção de objetos mais avançados para determinar o tipo e a localização de um defeito e fornecer informações mais detalhadas.

Fig. 5. Modelo que localiza vários tipos de defeitos.

Por exemplo, um modelo de localização multiclasse pode analisar a imagem de um item danificado e indicar o tipo de defeito, como um arranhão ou uma rachadura, além das coordenadas exatas do defeito no objeto.

Abordagens tradicionais versus aprendizado profundo#

Os métodos tradicionais de inspeção são mais rígidos e seguem regras e padrões definidos pelo usuário, como limites, listas de verificação predefinidas e critérios de aprovação ou reprovação.

Por exemplo, nas técnicas de visão baseadas em regras, os especialistas definem a cor, o formato e o tamanho ideais de um determinado produto. O sistema notifica os especialistas se uma câmera ou outro dispositivo de captura de imagens detectar desvios desses padrões.

As abordagens de aprendizado profundo oferecem mais flexibilidade para criar sistemas de detecção mais complexos. Essas abordagens envolvem a coleta e a anotação de conjuntos de dados extensos de imagens de objetos defeituosos. Os especialistas usam os dados anotados para treinar modelos de detecção de objetos, como o Ultralytics YOLO11. Após o treinamento, é possível implementar o modelo em câmeras ou sensores para capturar imagens e identificar defeitos em tempo real.

Na próxima seção, veremos como o Ultralytics YOLO11 pode ser usado na inspeção de qualidade.

Usando visão computacional na inspeção de qualidade#

Você Só Olha Uma Vez (YOLO) é um modelo de detecção de objetos de última geração (SOTA) em tempo real, conhecido pela alta precisão, adaptabilidade e velocidade. Sua versão mais recente é o Ultralytics YOLO11, que aprimora as versões anteriores em termos de extração de recursos, velocidade, precisão e adaptabilidade.

Ele apresenta uma arquitetura melhor para uma extração de recursos mais precisa e inclui pipelines de treinamento otimizados para acelerar o processamento. É mais eficiente do ponto de vista computacional, com 22% menos parâmetros e índices de precisão mais altos do que seus antecessores.

Graças à sua versatilidade, o Ultralytics YOLO11 pode ajudar a aprimorar os fluxos de trabalho de inspeção de qualidade em vários domínios. Ele pode ajudar a detectar anomalias, danos, rachaduras, itens ausentes e erros de embalagem em produtos, realizando tarefas como detecção de objetos e segmentação.

Vamos ver algumas maneiras de usar modelos de visão computacional no setor de manufatura.

Detecção de itens ausentes e peças mal posicionadas em eletrônicos#

Os modelos de visão computacional podem verificar se um produto contém todos os itens necessários. Eles podem detectar componentes ausentes em produtos montados para garantir que estejam completos.

Na fabricação de eletrônicos, identificar componentes ausentes, peças desalinhadas ou problemas de soldagem é essencial para garantir que o produto final seja confiável e tenha a funcionalidade correta.

Modelos de detecção de objetos como o YOLO11 podem ser treinados para detectar componentes ausentes ou mal posicionados em placas de circuito. Eles podem analisar imagens das placas em tempo real e identificar defeitos, como resistores ou capacitores ausentes. Isso garante que a montagem de cada unidade esteja correta antes do envio.

Detecção de rachaduras em peças automotivas#

A detecção de rachaduras é outra tarefa de detecção que analisa imagens ou dados de sensores para determinar a localização, o tamanho e a gravidade de uma rachadura.

O setor automotivo é um exemplo de área em que a detecção de rachaduras em vários componentes, como engrenagens e sistemas de freio, é necessária para garantir que eles atendam aos padrões de segurança.

Modelos como o Ultralytics YOLO11 podem ser treinados para detectar rapidamente defeitos como arranhões na superfície ou rachaduras em componentes automotivos complexos.

Detecção de danos em tecidos#

A visão computacional pode ajudar a detectar vários tipos de danos na superfície de um produto, como arranhões, amassados e deformações, usando tarefas de visão computacional.

O setor têxtil pode se beneficiar significativamente da detecção de danos baseada em IA, usando modelos de detecção de objetos e segmentação como o Ultralytics YOLO11. Esses modelos podem identificar defeitos como rasgos, furos, manchas ou irregularidades no tecido durante o processo de produção.

Detecção de anomalias na fabricação de produtos farmacêuticos#

A detecção de anomalias consiste em analisar o projeto, a estrutura, a aparência e o tamanho de um produto para avaliar se essas características se desviam dos padrões desejados.

Na fabricação de produtos farmacêuticos, a detecção de anomalias é essencial para garantir a qualidade e a segurança dos medicamentos. Os fabricantes podem usar o Ultralytics YOLO11 para detectar irregularidades, como inconsistências no formato e no tamanho dos comprimidos, descoloração ou partículas estranhas.

Precisão de embalagens e rótulos#

Outro exemplo de uso de modelos de visão computacional na manufatura é a embalagem e rotulagem em diferentes setores. Por exemplo, o setor de alimentos e bebidas precisa atender a padrões rigorosos de segurança do consumidor e conformidade.

Modelos como o Ultralytics YOLO11 podem ajudar a detectar erros de embalagem, como rotulagem incorreta, embalagens danificadas ou lacres de segurança ausentes. Eles também podem verificar se os rótulos estão posicionados corretamente e contêm códigos de barras legíveis ou datas de validade.

Isso garante que os produtos cumpram as regulamentações do setor e estejam prontos para distribuição aos consumidores.

Desafios e direções futuras da inspeção de qualidade baseada em IA#

As estruturas de inspeção de qualidade baseada em IA ainda estão evoluindo e enfrentam vários desafios. Veja algumas limitações e direções futuras de pesquisa a considerar para essas tecnologias.

• Aprendizado em ambientes abertos e visão ativa: Criar modelos de detecção de objetos capazes de detectar novos objetos é um desafio devido à disponibilidade limitada de dados rotulados. Modelos de treinamento não supervisionado e aprendizado por transferência podem ajudar os especialistas a adaptar rapidamente as estruturas de detecção a novos conjuntos de dados.
• Detecção em nível de pixel: A segmentação de imagens permite que os modelos compreendam a diferença entre o plano de fundo e o objeto principal de uma imagem. A integração entre detecção de objetos e segmentação é uma área de pesquisa em constante desenvolvimento para garantir inspeções de alta qualidade.
• Aprendizado multimodal: Os modelos multimodais podem integrar e analisar vários tipos de dados simultaneamente. Na detecção de objetos, o aprendizado multimodal pode ajudar a melhorar a precisão da inspeção ao aprender com diferentes tipos de dados, como dados térmicos para compreender a profundidade, imagens bidimensionais e clipes de vídeo curtos.

Principais conclusões#

A inspeção de qualidade baseada em aprendizado profundo está avançando exponencialmente devido ao desenvolvimento contínuo de diferentes modelos de detecção de objetos. Com a inspeção de qualidade baseada em IA, os fabricantes podem obter mais escalabilidade e flexibilidade do que com as abordagens tradicionais.

As empresas podem usar modelos como o Ultralytics YOLO11 para automatizar o processo de inspeção e aproveitar sua arquitetura aprimorada e seus recursos de extração de características, que resultam em maior precisão e mais velocidade.

Você pode saber mais sobre o YOLO11 e outros modelos de detecção de objetos consultando nosso repositório do GitHub e participando da nossa vibrante comunidade. Descubra como a Ultralytics está redefinindo a manufatura por meio de estruturas de aprendizado profundo de última geração.