Controlo de qualidade na manufatura: Métodos tradicionais vs. métodos de deep learning

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

Os fabricantes estão migrando para técnicas de inspeção baseadas em deep learning, como detecção de objetos e segmentação semântica, para reduzir os custos de inspeção. Deep learning 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 a reduzir a dependência de inspetores humanos, analisando extensos datasets, incluindo imagens e vídeos.

Devido à sua versatilidade e 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 3 trilhões de USD com IA até 2035.

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

Link to this sectionO que é 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, quando o produto se move através de uma linha de montagem, ou após a produção, mas antes que os itens passem para a linha de distribuição.

Muitas vezes, 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 exigências de qualidade aumentam, os fabricantes estão migrando para abordagens automatizadas de deep learning para obter maior agilidade e escalabilidade em suas operações.

Link to this sectionO que são abordagens de deep learning?#

As abordagens de deep learning usam redes neurais artificiais que funcionam com base nos princípios de um cérebro humano. As redes são 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 deep learning incluem estruturas de computação visual que aprendem e extraem recursos automaticamente a partir de imagens de produtos.

Desenvolver modelos de computação visual exige que especialistas treinem uma rede neural em datasets relevantes e executem validações em um novo dataset para verificar o desempenho.

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

Link to this sectionAbordagens 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 deep learning.

Link to this sectionClassificação binária#

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 ausente ou não em um produto.

Fig 2. Classificação binária de uma peça de carro.

Link to this sectionClassificação multiclasse#

A classificação multiclasse é a tarefa de categorizar imagens em mais de duas classes. Ela atribui cada imagem a uma das 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 está mais provavelmente presente.

Fig 3. Classificação multiclasse detectando dobra e cor.

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

Link to this sectionLocalização#

A localização refere-se à identificação da localização específica de um objeto ou recurso dentro de uma imagem. Ela usa modelos de detecção de objetos para prever bounding boxes ou coordenadas que destacam a região específica do 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.

Fig 4. Modelo localizando um furo de perfuração.

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.

Link to this sectionLocalização multiclasse#

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

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

Fig 5. Modelo localizando 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 rachadura, e as coordenadas exatas do defeito dentro do objeto.

Link to this sectionAbordagens tradicionais vs. deep learning#

Os métodos de inspeção tradicionais são mais rígidos, seguindo regras e padrões definidos pelo usuário, como limites, listas de verificação pré-definidas e critérios de aprovação/reprovação.

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

Deep-learning approaches offer greater flexibility for building more complex detection systems. These approaches involve collecting and annotating extensive datasets of images of defective objects. Experts use the annotated data to train object detection models such as Ultralytics YOLO11. Once trained, they can deploy the model in cameras or sensors to capture images and identify defects in real time.

Na seção a seguir, daremos uma olhada em como o YOLO11 pode ser usado para inspeção de qualidade.

Link to this sectionUsando computação visual 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.

Ele apresenta uma arquitetura melhor para uma extração de recursos mais precisa e inclui pipelines de treinamento otimizados para velocidades de processamento mais rápidas. Ele é mais eficiente computacionalmente, com 22% menos parâmetros e pontuações de precisão mais altas do que seus predecessores.

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 através da realização de tarefas como detecção de objetos e segmentação.

Vamos dar uma olhada em algumas maneiras pelas quais os modelos de computação visual podem ser usados na indústria de manufatura.

Link to this sectionDetecção de itens ausentes e peças mal posicionadas em eletrônicos#

Os modelos de computação visual podem verificar se um produto possui todos os itens necessários. Eles podem detectar componentes ausentes em produtos montados para garantir a 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 detecção de objetos como o YOLO11 podem ser treinados para detectar componentes ausentes ou mal posicionados em placas de circuito. Ele pode analisar imagens das placas em tempo real e identificar defeitos, como resistores ou capacitores ausentes. Isso garantirá que a montagem de cada unidade esteja correta antes do envio.

Link to this sectionDetectando rachaduras em peças automotivas#

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

A indústria automotiva é um exemplo onde a detecção de rachaduras em vários componentes, como engrenagens e sistemas de freio, é necessária para garantir que eles cumpram os padrões de segurança.

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

Link to this sectionDetecção de danos em têxteis#

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

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

Link to this sectionDetecção de anomalias na fabricação farmacêutica#

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

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

Link to this sectionPrecisão de embalagem e rotulagem#

Outro exemplo de como os modelos de computação visual podem ser usados na fabricação é na embalagem e rotulagem nos setores. Por exemplo, a indústria de alimentos e bebidas deve cumprir padrões rígidos de segurança do consumidor e conformidade.

Modelos como o YOLO11 podem ajudar a detectar erros de embalagem, como rotulagem incorreta, embalagem danificada ou lacres de segurança ausentes. Ele também pode verificar se os rótulos possuem posicionamentos corretos com códigos de barras claros ou datas de validade.

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

Link to this sectionDesafios 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 futuras direções de pesquisa a serem levadas em consideração para essas tecnologias.

• Open-world learning e visão ativa: Construir modelos de detecção de objetos para detectar novos objetos é um desafio devido à disponibilidade limitada de dados rotulados. Modelos de treinamento não supervisionado e transfer learning podem ajudar os especialistas a adaptar rapidamente as estruturas de detecção a novos datasets.
• Detecção em nível de pixel: A segmentação de imagens permite que os modelos entendam a diferença entre o fundo e o objeto principal em uma imagem. Integrar a detecção de objetos e a segmentação é uma área de pesquisa que está sendo constantemente desenvolvida para garantir uma inspeção de alta qualidade.
• Aprendizado multimodal: 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 aprendendo com diferentes tipos de dados, como dados térmicos para entender a profundidade, imagens bidimensionais e vídeos curtos.

Link to this sectionPrincipais pontos#

A inspeção de qualidade baseada em deep learning está experimentando um progresso exponencial devido ao desenvolvimento constante de diferentes modelos de detecção 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 recursos 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 conferindo nosso GitHub repository e participando da nossa vibrante comunidade. Explore como a Ultralytics está redefinindo a fabricação por meio de estruturas de deep learning de última geração.