Inspeção de qualidade na indústria transformadora: métodos tradicionais vs. deep learning

A inspeção de qualidade é uma tarefa crítica durante a fabricação, garantindo que os produtos cumpram os padrões de qualidade exigidos. No entanto, avaliar a qualidade usando métodos de inspeção tradicionais pode ser dispendioso à medida que a complexidade dos produtos aumenta.

Os fabricantes estão a adotar técnicas de inspeção baseadas em deep learning, como deteção de objetos e segmentação semântica, para reduzir os custos de inspeção. O deep learning é um subcampo da inteligência artificial (AI) que utiliza algoritmos computacionais chamados redes neuronais para identificar padrões complexos nos dados. Estas técnicas ajudam a automatizar o fluxo de trabalho de inspeção e a reduzir a dependência de inspetores humanos através da análise de extensos conjuntos de dados, incluindo imagens e vídeos.

Graças à sua versatilidade e rentabilidade, a garantia de qualidade baseada em AI aumenta significativamente a rentabilidade das empresas. Relatórios sugerem que a indústria transformadora pode obter mais de 3 biliões de USD com a AI até 2035.

Este artigo explica como os métodos de deep learning podem melhorar a inspeção de qualidade e como o Ultralytics YOLO11 pode otimizar a inspeção em vários setores.

O que é a inspeção de qualidade na fabricação?#

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, enquanto o produto percorre uma linha de montagem, ou após a produção, mas antes de os artigos seguirem para a linha de distribuição.

Frequentemente, envolve especialistas humanos que realizam avaliações visuais para verificar se o produto se desvia dos padrões de design pretendidos ou não os cumpre.

No entanto, à medida que as exigências de qualidade aumentam, os fabricantes estão a adotar abordagens automatizadas baseadas em deep learning para obter maior agilidade e escalabilidade nas suas operações.

O que são as abordagens de deep learning?#

As abordagens de deep learning utilizam redes neuronais artificiais que funcionam segundo princípios do cérebro humano. As redes são constituídas por camadas interligadas de neurónios. Cada neurónio executa um cálculo matemático para analisar dados, identificar padrões e gerar uma previsão.

Fig. 1. Rede neuronal artificial.

Na inspeção de qualidade, os modelos de deep learning incluem estruturas de visão computacional que aprendem e extraem automaticamente características de imagens de produtos.

O desenvolvimento de modelos de visão computacional exige que especialistas treinem uma rede neuronal com conjuntos de dados relevantes e executem validações num novo conjunto de dados para verificar o desempenho.

Depois de validados, os especialistas podem implementar estes modelos em câmaras e sensores utilizando várias ferramentas de implementação, como PyTorch, ONNX e OpenVINO.

Abordagens de deep learning para inspeção de qualidade#

A inspeção de qualidade baseada em visão utiliza vários métodos para detetar e localizar danos, fissuras e itens em falta. A lista abaixo apresenta quatro abordagens modernas de deep learning.

Classificação binária#

A classificação binária refere-se à tarefa de categorizar imagens em uma de duas classes, como determinar se um objeto apresenta ou não um defeito.

Com base em dados visuais, um modelo de classificação produz uma decisão binária de sim/não. Estes modelos ajudam a detetar itens em falta. Por exemplo, um modelo de classificação pode detetar se falta ou não um item num produto.

Fig. 2. Classificação binária de uma peça automóvel.

Classificação multiclasse#

A classificação multiclasse é a tarefa de categorizar imagens em mais de duas classes. Atribui cada imagem a uma de várias categorias predefinidas.

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

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

Isto é útil na fabricação, onde vários defeitos, como riscos, amolgadelas ou fissuras, podem exigir procedimentos de tratamento diferentes.

Localização#

A localização refere-se à identificação da posição específica de um objeto ou característica numa imagem. Utiliza modelos de deteção de objetos para prever caixas delimitadoras ou coordenadas que realçam a região específica do dano.

Isto é útil para tarefas como a deteção de fissuras em edifícios ou peças industriais, nas quais a localização precisa de um defeito é necessária para reparações direcionadas.

Fig. 4. Modelo que localiza um furo perfurado.

Por exemplo, na manutenção de infraestruturas, os modelos de localização podem analisar imagens de uma estrutura de betão e assinalar a área exata onde se encontra uma fissura.

Localização multiclasse#

A localização multiclasse identifica e localiza vários defeitos numa imagem, classificando também cada defeito numa de várias categorias predefinidas.

Utiliza modelos de deteção de objetos mais avançados para determinar o tipo e a localização de um defeito, fornecendo 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 risco ou uma fissura, bem como as coordenadas exatas do defeito no objeto.

Abordagens tradicionais vs. deep learning#

Os métodos de inspeção tradicionais são mais rígidos, seguindo regras e padrões definidos pelo utilizador, como limiares, listas de verificação predefinidas e critérios de aprovação/reprovação.

Por exemplo, nas técnicas de visão baseadas em regras, os especialistas definem a cor, a forma e o tamanho ideais de um determinado produto. O sistema notifica os especialistas se uma câmara ou outro dispositivo de captura de imagens detetar desvios em relação a estes padrões.

As abordagens baseadas em deep learning oferecem maior flexibilidade para criar sistemas de deteção mais complexos. Estas abordagens envolvem a recolha e anotação de extensos conjuntos de dados com imagens de objetos defeituosos. Os especialistas utilizam os dados anotados para treinar modelos de deteção de objetos, como o Ultralytics YOLO11. Depois de treinado, o modelo pode ser implementado em câmaras ou sensores para capturar imagens e identificar defeitos em tempo real.

Na secção seguinte, veremos como o Ultralytics YOLO11 pode ser utilizado na inspeção de qualidade.

Utilizar visão computacional na inspeção de qualidade#

You-Only-Look-Once (YOLO) é um modelo de deteção de objetos em tempo real de tecnologia de ponta (SOTA), conhecido pela sua elevada precisão, adaptabilidade e velocidade. A sua iteração mais recente é o Ultralytics YOLO11, que melhora as versões anteriores em termos de extração de características, velocidade, precisão e adaptabilidade.

Apresenta uma arquitetura melhorada para uma extração de características mais precisa e inclui pipelines de treino otimizados para velocidades de processamento superiores. É mais eficiente do ponto de vista computacional, com menos 22% de parâmetros e pontuações de precisão superiores às dos seus antecessores.

Graças à sua versatilidade, o Ultralytics YOLO11 pode ajudar a melhorar os fluxos de trabalho de inspeção de qualidade em vários setores. Pode ajudar a detetar anomalias, danos, fissuras, itens em falta e erros de embalagem em produtos através da execução de tarefas como deteção de objetos e segmentação.

Vejamos algumas formas de utilizar modelos de visão computacional na indústria transformadora.

Deteção de itens em falta e peças mal posicionadas em componentes eletrónicos#

Os modelos de visão computacional podem verificar se um produto contém todos os itens necessários. Podem detetar componentes em falta em produtos montados para garantir a sua integridade.

Na fabricação de componentes eletrónicos, identificar componentes em falta, peças desalinhadas ou problemas de soldadura é crucial para garantir que o produto final é fiável e possui a funcionalidade correta.

Os modelos de deteção de objetos, como o YOLO11, podem ser treinados para detetar componentes em falta ou mal posicionados em placas de circuito. Podem analisar imagens das placas em tempo real e identificar defeitos, como resistências ou condensadores em falta. Isto garante que a montagem de cada unidade está correta antes do envio.

Deteção de fissuras em peças automóveis#

A deteção de fissuras é outra tarefa de deteção que analisa imagens ou dados de sensores para determinar a localização, o tamanho e a gravidade de uma fissura.

A indústria automóvel é um exemplo em que a deteção de fissuras em vários componentes, como engrenagens e sistemas de travagem, é necessária para garantir o cumprimento dos padrões de segurança.

Modelos como o Ultralytics YOLO11 podem ser treinados para detetar rapidamente defeitos, como riscos superficiais ou fissuras, em componentes automóveis complexos.

Deteção de danos em têxteis#

A visão computacional pode ajudar a detetar vários tipos de danos na superfície de um produto, como riscos, amolgadelas e deformações, utilizando tarefas de visão computacional.

A indústria têxtil pode beneficiar significativamente da deteção de danos baseada em AI através da utilização de modelos de deteção de objetos e segmentação, como o Ultralytics YOLO11. Estes modelos podem identificar defeitos como rasgões, furos, manchas ou inconsistências no tecido durante o processo de produção.

Deteção de anomalias na fabricação farmacêutica#

A deteção de anomalias refere-se à tarefa de analisar o design, a estrutura, a aparência e o tamanho de um produto para avaliar se estas propriedades se desviam dos padrões pretendidos.

Na fabricação farmacêutica, a deteção de anomalias é fundamental para garantir a qualidade e a segurança dos produtos farmacêuticos. Os fabricantes podem utilizar o Ultralytics YOLO11 para detetar irregularidades, como inconsistências na forma e no tamanho dos comprimidos, descoloração ou partículas estranhas.

Precisão da embalagem e da rotulagem#

Outro exemplo da utilização de modelos de visão computacional na fabricação é a embalagem e a rotulagem nos vários setores. Por exemplo, a indústria alimentar e de bebidas tem de cumprir padrões rigorosos de segurança e conformidade para os consumidores.

Modelos como o Ultralytics YOLO11 podem ajudar a detetar erros de embalagem, como rotulagem incorreta, embalagens danificadas ou selos de segurança em falta. Também podem verificar se as etiquetas estão corretamente posicionadas e apresentam códigos de barras ou datas de validade legíveis.

Isto garante que os produtos cumprem os regulamentos do setor e estão prontos para distribuição aos consumidores.

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

As estruturas de inspeção de qualidade baseada em AI ainda estão a evoluir e enfrentam inúmeros desafios. Eis algumas limitações e direções de investigação futura a considerar para estas tecnologias.

• Aprendizagem em mundo aberto e visão ativa: Criar modelos de deteção de objetos para detetar novos objetos é desafiante devido à disponibilidade limitada de dados anotados. Os modelos de treino não supervisionado e de aprendizagem por transferência podem ajudar os especialistas a adaptar rapidamente as estruturas de deteção a novos conjuntos de dados.
• Deteção ao nível dos píxeis: A segmentação de imagens permite que os modelos compreendam a diferença entre o fundo e o objeto principal numa imagem. A integração da deteção de objetos e da segmentação é uma área de investigação em constante desenvolvimento para garantir uma inspeção de alta qualidade.
• Aprendizagem multimodal: Os modelos multimodais podem integrar e analisar simultaneamente vários tipos de dados. Na deteção de objetos, a aprendizagem 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 vídeos curtos.

Principais conclusões#

A inspeção de qualidade baseada em deep learning está a registar um progresso exponencial devido ao desenvolvimento contínuo de diferentes modelos de deteção de objetos. Com a inspeção de qualidade baseada em AI, os fabricantes podem alcançar maior escalabilidade e flexibilidade do que com as abordagens tradicionais.

As empresas podem utilizar modelos como o Ultralytics YOLO11 para automatizar o processo de inspeção, tirando partido da sua arquitetura melhorada e das capacidades de extração de características, que resultam numa maior precisão e velocidade.

Podes saber mais sobre o YOLO11 e outros modelos de deteção de objetos consultando o nosso repositório do GitHub e participando na nossa vibrante comunidade. Explora como a Ultralytics está a redefinir a fabricação através de estruturas de deep learning de tecnologia de ponta.