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

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

Os fabricantes estão a avançar em direção a técnicas de inspeção baseadas em aprendizagem profunda, como object detection e semantic segmentation, para diminuir os custos de inspeção. A aprendizagem profunda é um subcampo da artificial intelligence (AI) que utiliza computer algorithms chamados redes neuronais para identificar padrões complexos em 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 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 aprendizagem profunda podem melhorar a inspeção de qualidade e como o Ultralytics YOLO11 pode aprimorar a inspeção em vários setores industriais.

O 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.

O que são abordagens de deep learning?#

As abordagens de aprendizagem profunda utilizam artificial neural networks que funcionam segundo os princípios de um cérebro humano. As redes são camadas interconectadas 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 aprendizagem profunda incluem frameworks de computer vision que aprendem e extraem automaticamente características 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 validados, os especialistas podem implementar estes modelos em cameras e sensores utilizando várias deployment tools 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 deep learning.

Classificação binária#

Binary classification refere-se à tarefa de categorizar imagens numa de duas classes, tal como 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. 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 automóvel.

Classificação 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 a detetar empenos e cor.

Isto é útil na fabricação onde vários defeitos, tais como riscos, mossas ou cracks, podem exigir procedimentos de manuseamento diferentes.

Localização#

A localização refere-se à identificação da localização específica de um objeto ou caraterística dentro de uma imagem. Utiliza object detection models para prever bounding boxes ou coordenadas que destacam a região específica de danos.

Isto é útil para tarefas como a deteção de fendas em edifícios ou peças industriais, onde a precise location de um defeito é necessária para reparações direcionadas.

Fig 4. Modelo a localizar 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 uma rachadura está localizada.

Localização 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 a localizar 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.

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 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.

As abordagens de aprendizagem profunda oferecem maior flexibilidade para construir sistemas de deteção mais complexos. Estas abordagens envolvem a recolha e annotating de extensos conjuntos de dados de imagens de objetos defeituosos. Os especialistas utilizam os dados anotados para treinar object detection models 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 seguinte, vamos ver como o Ultralytics YOLO11 pode ser usado para inspeção de qualidade.

Usando computação visual para inspeção de qualidade#

You-Only-Look-Once (YOLO) é um modelo de deteção de objetos em tempo real topo de gama (SOTA) famoso pela sua alta precisão, adaptabilidade e velocidade. A sua versão mais recente é o Ultralytics YOLO11, que melhora as versões anteriores em termos de feature extraction, velocidade, precisão e adaptabilidade.

Apresenta uma arquitetura melhorada para uma extração de caraterísticas mais precise e inclui training pipelines otimizados para velocidades de processamento mais rápidas. É mais eficiente computacionalmente, com menos 22% de parâmetros e pontuações de precisão mais altas do que os seus antecessores.

Devido à sua versatilidade, o Ultralytics YOLO11 pode ajudar a melhorar os fluxos de trabalho de inspeção de qualidade em vários domínios. Ele pode ajudar a detectar anomalias, danos, trincas, itens ausentes e erros de embalagem em produtos por meio 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.

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

Detectando 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 automotive é um exemplo onde a deteção de fendas em múltiplos componentes, tais como engrenagens e sistemas de travagem, é necessária para garantir que cumprem os padrões de segurança.

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

Detecção 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 Ultralytics YOLO11. Ele pode identificar defeitos como rasgos, furos, manchas ou inconsistências no tecido durante o processo de produção.

Detecção 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 dos produtos farmacêuticos. Os fabricantes podem usar o Ultralytics YOLO11 para detectar irregularidades, como inconsistências nas formas e tamanhos dos comprimidos, descoloração ou partículas estranhas.

Precisão 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 Ultralytics 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 têm o posicionamento correto 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.

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

As estruturas de AI-based quality inspection ainda estão a evoluir e enfrentam inúmeros desafios. Eis algumas limitações e futuras direções de investigação a ter em conta para estas tecnologias.

• Aprendizagem no mundo aberto e visão ativa: Construir modelos de deteção de objetos para detetar novos objetos é desafiante devido à disponibilidade limitada de dados rotulados. Modelos de Unsupervised training e transfer learning podem ajudar os especialistas a adaptar rapidamente as estruturas de deteção a novos conjuntos de dados.
• Deteção ao nível do píxel: 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 segmentation 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 múltiplos tipos de dados em simultâneo. Na deteção de objetos, a aprendizagem multimodal pode ajudar a melhorar a accuracy da inspeção através da aprendizagem a partir de diferentes tipos de dados, tais como dados térmicos para compreender a profundidade, imagens bidimensionais e pequenos vídeos.

Principais 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 Ultralytics YOLO11 para automatizar o processo de inspeção, aproveitando sua arquitetura aprimorada e seus recursos de extração de características, o que resulta em melhor precisão e maior velocidade.

Pode saber mais sobre o YOLO11 e outros modelos de deteção de objetos consultando o nosso GitHub repository e interagindo com a nossa vibrante community. Explore como a Ultralytics está a redefinir o manufacturing através de estruturas de aprendizagem profunda de última geração.