Inspeção de qualidade na fabricação: métodos tradicionais vs. métodos de deep learning

A inspeção de qualidade é uma tarefa crítica durante a fabricação que garante que os produtos atendam aos padrões de qualidade exigidos. No entanto, avaliar a qualidade usando métodos de inspeção tradicionais pode ser caro à medida que a complexidade do produto aumenta. 

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

Devido à sua versatilidade e relação custo-benefício, a garantia de qualidade baseada em IA aumenta significativamente a lucratividade dos negócios. Relatórios sugerem que a indústria de manufatura pode ganhar mais de USD 3 trilhões com IA até 2035.

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

O que é inspeção de qualidade na manufatura?

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

O processo pode ocorrer durante a produção, onde o produto se move através de uma linha de montagem, ou após a produção, mas antes que os itens se movam para a linha de distribuição.  

Frequentemente, envolve especialistas humanos realizando avaliações visuais para verificar se o produto se desvia ou não atende aos padrões de design desejados. 

No entanto, à medida que as demandas de qualidade aumentam, os fabricantes estão migrando para abordagens automatizadas de aprendizado profundo para alcançar maior agilidade e escalabilidade em suas operações.

O que são abordagens de deep learning?

As abordagens de deep learning usam redes neurais artificiais que funcionam com base nos princípios do cérebro humano. As redes são camadas interconectadas de neurónios. Cada neurónio realiza um cálculo matemático para analisar dados, identificar padrões e gerar uma previsão. 

‍

Na inspeção de qualidade, os modelos de aprendizado profundo incluem estruturas de visão computacional que aprendem e extraem automaticamente características das imagens do produto. 

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

Uma vez validados, os especialistas podem implementar esses modelos em câmeras e sensores usando várias ferramentas de implantação, como PyTorch, ONNX e OpenVINO.

Abordagens de deep learning 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 menciona quatro abordagens modernas de aprendizado profundo.

Classificação binária

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

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

‍

Classificação multiclasse

A classificação multiclasse é a tarefa de 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 é o mais provável de estar presente. 

‍

Isso é útil na fabricação, onde vários defeitos, como arranhões, amassados ou rachaduras, podem exigir diferentes procedimentos de manuseio. 

Localização

A localização refere-se à identificação da localização específica de um objeto ou característica dentro de uma imagem. Utiliza modelos de deteção de objetos para prever bounding boxes ou coordenadas que destacam a região específica de dano. 

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

‍

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

Localização multiclasse

A localização multiclasse identifica e localiza múltiplos defeitos dentro de uma imagem, ao mesmo tempo que classifica cada defeito em uma de várias categorias predefinidas. 

Usa modelos de deteção de objetos mais avançados para determinar o tipo e a localização de um defeito, a fim de oferecer informações mais detalhadas.

‍

Por exemplo, um modelo de localização multiclasse pode analisar uma imagem de um item danificado e indicar o tipo de defeito, como um arranhão ou rachadura, e as coordenadas exatas do defeito dentro do objeto. 

Abordagens tradicionais vs. deep learning 

Os métodos de inspeção tradicionais são mais rígidos, seguindo regras e padrões definidos pelo usuário, como limites, 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 câmera ou outro dispositivo de captura de imagem detectar desvios desses padrões.

As abordagens de deep learning oferecem maior flexibilidade para construir sistemas de deteção mais complexos. Estas abordagens envolvem a recolha e anotação de extensos conjuntos de dados de imagens de objetos defeituosos. Os especialistas usam os dados anotados para treinar modelos de deteção de objetos, como o Ultralytics YOLO11. Uma vez treinados, podem implementar o modelo em câmaras ou sensores para capturar imagens e identificar defeitos em tempo real.

Na seção a seguir, veremos como o YOLO11 pode ser usado para inspeção de qualidade.

Usando visão computacional para inspeção de qualidade

You-Only-Look-Once (YOLO) é um modelo de detecção de objetos em tempo real de última geração (SOTA) famoso por sua alta precisão, adaptabilidade e velocidade. Sua iteração mais recente é o Ultralytics YOLO11, que melhora as versões anteriores em termos de extração de recursos, velocidade, precisão e adaptabilidade. 

Apresenta uma arquitetura melhor para uma extração de recursos mais precisa e inclui pipelines de treino otimizados para velocidades de processamento mais rápidas. É mais eficiente em termos computacionais, com 22% menos parâmetros e pontuações de precisão mais altas do que os seus antecessores.

Devido à sua versatilidade, o YOLO11 pode ajudar a melhorar 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, executando tarefas como detecção e segmentação de objetos.

Vamos analisar algumas maneiras pelas quais os modelos de visão computacional podem ser usados na indústria de manufatura. 

Detecção de itens em falta e peças mal colocadas em eletrônicos

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

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

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

Detecção de rachaduras em peças automotivas

A detecção de fissuras é outra tarefa de detecção que analisa imagens ou dados de sensores para identificar 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 que cumprem as normas de segurança.

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

Detecção de danos em têxteis

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.

A indústria têxtil pode se beneficiar significativamente da detecção de danos baseada em IA, usando modelos de detecção e segmentação de objetos como o YOLO11. Ele pode identificar defeitos como rasgos, furos, manchas ou inconsistências no tecido durante o processo de produção. 

Deteção de anomalias no fabrico farmacêutico

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 desejados.

Na fabricação farmacêutica, a detecção de anomalias é vital para garantir a qualidade e a segurança dos produtos farmacêuticos. Os fabricantes podem usar o YOLO11 para detectar irregularidades, como inconsistências nas formas, tamanhos, descoloração ou partículas estranhas dos comprimidos.

Precisão da embalagem e rotulagem

Outro exemplo de como os modelos de visão computacional podem ser usados na fabricação é na embalagem e rotulagem nas indústrias. Por exemplo, a indústria de alimentos e bebidas deve atender a padrões rigorosos de segurança e conformidade do consumidor.

Modelos como o YOLO11 podem ajudar a detectar erros de embalagem, como rotulagem incorreta, embalagens danificadas ou selos de segurança ausentes. Ele também pode verificar se os rótulos têm as colocações corretas com códigos de barras ou datas de validade claras. 

Isso garante que os produtos estejam em conformidade com os regulamentos do setor e prontos para distribuição ao consumidor.

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 inúmeros desafios. Aqui estão algumas limitações e direções futuras de pesquisa a serem consideradas para essas tecnologias.

• Aprendizado de mundo aberto e visão ativa: Construir modelos de detecção de objetos para detectar novos objetos é desafiador 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 no nível do pixel: A segmentação de imagem permite que os modelos entendam a diferença entre o fundo e o objeto primário em uma imagem. A integração da detecção de objetos e segmentação é uma área de pesquisa que está em constante desenvolvimento para garantir uma inspeção de alta qualidade.
  ‍
• Aprendizado multimodal: Modelos multimodais podem integrar e analisar múltiplos tipos de dados simultaneamente. Na detecção de objetos, o aprendizado multimodal pode ajudar a melhorar a precisão da inspeção, aprendendo com diferentes tipos de dados, como dados térmicos para entender a profundidade, imagens bidimensionais e filmagens de vídeo curtas.

Principais conclusões 

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

As empresas podem usar modelos como o YOLO11 para automatizar o processo de inspeção, aproveitando sua arquitetura aprimorada e capacidades de extração de recursos, resultando em melhor precisão e maior velocidade.

Você pode aprender mais sobre o YOLO11 e outros modelos de detecção de objetos verificando nosso Repositório GitHub e interagindo com nossa vibrante comunidade. Explore como a Ultralytics está redefinindo a manufatura através de estruturas de deep learning de última geração.