Inspeção da qualidade no fabrico: Métodos tradicionais vs. métodos de aprendizagem profunda

A inspeção da qualidade é uma tarefa crítica durante o fabrico que garante que os produtos cumprem as normas de qualidade exigidas. No entanto, a avaliação da qualidade utilizando métodos de inspeção tradicionais pode ser dispendiosa à medida que a complexidade do produto aumenta. 

Os fabricantes estão a avançar para técnicas de inspeção baseadas na aprendizagem profunda, como a deteção de objectos e a segmentação semântica, para diminuir os custos de inspeção. A aprendizagem profunda é um subcampo da inteligência artificial (IA) que utiliza algoritmos informáticos 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 inspectores humanos, analisando conjuntos de dados extensos, incluindo imagens e vídeos. 

Devido à sua versatilidade e rentabilidade, a garantia de qualidade baseada na IA aumenta significativamente a rentabilidade das empresas. Os relatórios sugerem que a indústria transformadora pode ganhar mais de 3 biliões de dólares com a IA até 2035.

Este artigo abordará a forma como os métodos de aprendizagem profunda podem melhorar a inspeção da qualidade e como o Ultralytics YOLO11 pode melhorar a inspeção em várias indústrias.

O que é a inspeção da qualidade no fabrico?

A inspeção da qualidade avalia se um produto apresenta defeitos, anomalias ou incoerências 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 artigos passarem para a linha de distribuição.  

Frequentemente, envolve peritos humanos que efectuam avaliações visuais para verificar se o produto se desvia ou não cumpre as normas de conceção pretendidas. 

No entanto, à medida que as exigências de qualidade aumentam, os fabricantes estão a avançar para abordagens automatizadas de aprendizagem profunda para obter maior agilidade e escalabilidade nas suas operações.

O que são abordagens de aprendizagem profunda?

As abordagens de aprendizagem profunda utilizam redes neuronais artific iais que funcionam com base nos princípios do cérebro humano. As redes são camadas interligadas de neurónios. Cada neurónio efectua um cálculo matemático para analisar dados, identificar padrões e gerar uma previsão. 

‍

Na inspeção de qualidade, os modelos de aprendizagem profunda incluem estruturas de visão computacional que aprendem e extraem automaticamente caraterísticas de imagens de produtos. 

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

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

Abordagens de aprendizagem profunda para a inspeção da qualidade

A inspeção de qualidade baseada na visão utiliza vários métodos para detetar e localizar danos, fissuras e itens em falta. A lista abaixo menciona quatro abordagens modernas de aprendizagem profunda.

Classificação binária

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

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

‍

Classificação multi-classe

A classificação multi-classe 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 multi-classe pode analisar a imagem de um produto e devolver probabilidades para vários tipos de danos ou fissuras, indicando qual deles está mais provavelmente presente. 

‍

Isto é útil no fabrico, onde vários defeitos, tais como riscos, amolgadelas ou fissuras, podem exigir diferentes procedimentos de manuseamento. 

Localização

A localização refere-se à identificação da localização específica de um objeto ou caraterística numa imagem. Utiliza modelos de deteção de objectos para prever caixas delimitadoras ou coordenadas que realçam a região específica de danos. 

Isto é útil para tarefas como a deteção de fissuras em edifícios ou peças industriais, em que a localização exacta de um defeito é necessária para reparações específicas. 

‍

Por exemplo, na manutenção de infra-estruturas, os modelos de localização podem analisar imagens de uma estrutura de betão e marcar a área exacta onde se encontra uma fissura.

Localização multi-classe

A localização multi-classe identifica e localiza vários defeitos numa imagem, ao mesmo tempo que classifica cada defeito numa das várias categorias predefinidas. 

Utiliza modelos de deteção de objectos mais avançados para determinar o tipo e a localização de um defeito, para oferecer informações mais detalhadas.

‍

Por exemplo, um modelo de localização multi-classe pode analisar uma imagem de um objeto danificado e indicar o tipo de defeito, como um arranhão ou uma fenda, e as coordenadas exactas do defeito no objeto. 

Abordagens tradicionais vs. aprendizagem profunda 

Os métodos de inspeção tradicionais são mais rígidos, seguindo regras e normas definidas pelo utilizador, tais 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 peritos se uma câmara ou outro dispositivo de captação de imagem detetar desvios em relação a estas normas.

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

Na secção seguinte, veremos como o YOLO11 pode ser utilizado para a inspeção da qualidade.

Utilização da visão computacional para a inspeção da qualidade

O You-Only-Look-Once (YOLO) é um modelo de deteção de objectos em tempo real (SOTA) topo de gama, famoso pela sua elevada precisão, adaptabilidade e velocidade. A sua última iteração é o Ultralytics YOLO11, que melhora as versões anteriores em termos de extração de caraterísticas, velocidade, precisão e adaptabilidade. 

Apresenta uma melhor arquitetura para uma extração de caraterísticas mais precisa e inclui pipelines de formação optimizados para velocidades de processamento mais rápidas. É mais eficiente do ponto de vista computacional, com menos 22% de parâmetros e pontuações de precisão mais elevadas 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. Pode ajudar a detetar anomalias, danos, fissuras, itens em falta e erros de embalagem em produtos através da execução de tarefas como a deteção e segmentação de objectos.

Vejamos algumas formas de utilização dos modelos de visão por computador na indústria transformadora. 

Deteção de itens em falta e peças mal colocadas em eletrónica

Os modelos de visão por computador podem verificar se um produto tem todos os elementos necessários. Podem detetar componentes em falta em produtos montados para garantir a sua integridade.

No fabrico de produtos electrónicos, a identificação de componentes em falta, peças desalinhadas ou problemas de soldadura é crucial para garantir que o produto final é fiável e tem a funcionalidade correta.

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

Deteção de fissuras em peças de automóveis

A deteção de fissuras é outra tarefa de deteção 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 múltiplos 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 detetar rapidamente defeitos como riscos superficiais ou fissuras em componentes automóveis complexos.

Deteção de danos em têxteis

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

A indústria têxtil pode beneficiar significativamente da deteção de danos baseada em IA, utilizando modelos de deteção e segmentação de objectos como o YOLO11. Este pode identificar defeitos como rasgões, buracos, nódoas ou inconsistências no tecido durante o processo de produção. 

Deteção de anomalias no fabrico de produtos farmacêuticos

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

No fabrico de produtos farmacêuticos, a deteção de anomalias é vital para garantir a qualidade e a segurança dos medicamentos. Os fabricantes podem utilizar o YOLO11 para detetar irregularidades, tais como inconsistências nas formas e tamanhos dos comprimidos, descoloração ou partículas estranhas.

Precisão na embalagem e rotulagem

Outro exemplo de como os modelos de visão por computador podem ser utilizados no fabrico 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 detetar erros de embalagem, como rotulagem incorrecta, embalagens danificadas ou selos de segurança em falta. Também pode verificar se as etiquetas estão corretamente colocadas com códigos de barras claros ou datas de validade. 

Isto garante que os produtos cumprem os regulamentos da indústria e estão prontos para a distribuição ao consumidor.

Desafios e orientações futuras da inspeção da qualidade baseada na IA

Os quadros de inspeção da qualidade baseados na IA estão ainda em evolução e enfrentam numerosos desafios. Seguem-se algumas limitações e futuras direcções de investigação a ter em conta para estas tecnologias.

• Aprendizagem em mundo aberto e visão ativa: A construção de modelos de deteção de objectos para detetar novos objectos é um desafio devido à disponibilidade limitada de dados rotulados. Os modelos de formação não supervisionada e de aprendizagem por transferência podem ajudar os especialistas a adaptar rapidamente as estruturas de deteção a novos conjuntos de dados.
  ‍
• Deteção ao nível do pixel: A segmentação de imagens permite que os modelos compreendam a diferença entre o fundo e o objeto principal de uma imagem. A integração da deteção e segmentação de objectos é uma área de investigação que está constantemente a ser desenvolvida para garantir uma inspeção de alta qualidade.
  ‍
• Aprendizagem multimodal: Os modelos multimodais podem integrar e analisar vários tipos de dados em simultâneo. Na deteção de objectos, a aprendizagem multimodal pode ajudar a melhorar a precisão da inspeção, aprendendo com diferentes tipos de dados, tais como dados térmicos para compreender a profundidade, imagens bidimensionais e pequenos vídeos.

Principais conclusões 

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

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

Pode saber mais sobre o YOLO11 e outros modelos de deteção de objectos consultando o nosso Repositório GitHub e interagindo com a nossa vibrante comunidade. Explore como a Ultralytics está a redefinir o fabrico através de estruturas de aprendizagem profunda de última geração.