Usar IA para deteção e segmentação de fissuras

Quando olhas para uma rachadura numa superfície, pode parecer um pequeno problema, mas é um bom indicador precoce de danos estruturais graves. Por exemplo, as pontes são inspecionadas regularmente quanto a rachaduras, e estas representam 90% de todos os danos em pontes anualmente. Tradicionalmente, a inspeção de rachaduras é feita manualmente e pode ser demorada. A inteligência artificial (IA) pode intervir para tornar a deteção de rachaduras mais simples.

Além das pontes, a deteção de rachaduras utilizando aprendizagem profunda é útil em muitos ambientes industriais. Ajuda a garantir a integridade de edifícios na construção, evita tempos de inatividade dispendiosos no fabrico e torna as inspeções de estradas e pavimentos mais seguras e eficazes. Neste artigo, vamos analisar mais de perto como podes usar IA e modelos de visão computacional como o Ultralytics YOLOv8 para detetar e segmentar rachaduras muito mais rápida e facilmente do que com os métodos tradicionais.

O que é segmentação de rachaduras?#

Antes de mergulharmos na segmentação de rachaduras, vamos compreender o que é a segmentação. A segmentação é uma tarefa de visão computacional que consiste em dividir uma imagem em diferentes regiões ou segmentos. O objetivo é simplificar a imagem e torná-la mais fácil de analisar. A segmentação oferece uma compreensão ao nível do píxel, enquanto tarefas como a deteção de objetos utilizam caixas delimitadoras para identificar e localizar objetos.

Existem diferentes tipos de técnicas de segmentação:

• Segmentação Semântica: Isso significa rotular cada pixel em uma imagem com uma classe específica, como 'estrada', 'edifício' ou 'árvore'. Todos os pixels da mesma classe são tratados como uma única entidade.
• Segmentação de Instância: Ao contrário da segmentação semântica, ela diferencia instâncias separadas da mesma classe, como carros diferentes em uma imagem.
• Segmentação Panóptica: Esta combina abordagens de segmentação semântica e de instância para fornecer uma compreensão detalhada da categorização em nível de pixel e instâncias de objetos distintos em uma imagem.

Fig 1. Diferenças entre as técnicas de segmentação: imagem original (G), segmentação semântica (H), segmentação de instâncias (I) e segmentação panóptica (J).

Com relação à detecção de rachaduras, a segmentação de instância é uma ótima escolha. Ao segmentar cada rachadura de forma única, podemos identificá-las e analisá-las individualmente. Por exemplo, podemos calcular a área de uma rachadura contando o número de pixels que ela ocupa na imagem.

Entendendo como a segmentação de rachaduras funciona#

O primeiro passo para implementar a segmentação de rachaduras é considerar a configuração de câmara adequada, que pode diferir consoante a aplicação. Se estiveres a inspecionar uma estrutura maior, como um edifício, a utilização de drones pode ser a melhor abordagem para capturar imagens de alta resolução a partir de vários ângulos. Por outro lado, se estiveres a inspecionar chapas de metal após o fabrico, pode ser melhor utilizar câmaras estacionárias de alta resolução posicionadas estrategicamente para capturar imagens detalhadas das superfícies.

Assim que tiveres concluído a configuração da câmara, podes treinar um modelo de visão computacional que suporte a segmentação de instâncias, como o YOLOv8. O Roboflow Universe Crack Segmentation Dataset contém imagens anotadas de rachaduras e pode ser usado para treinar o teu modelo. Também podes criar o teu próprio conjunto de dados capturando e anotando imagens de rachaduras específicas para a tua aplicação.

O modelo aprende a segmentar rachaduras por meio de aprendizado supervisionado. Durante o treinamento, ele recebe imagens e rótulos mostrando onde as rachaduras estão. O modelo ajusta seus parâmetros internos para minimizar a diferença entre suas previsões e os rótulos reais. Após o treinamento, ele pode ser usado para analisar novas imagens e segmentar unicamente cada rachadura.

Fig 2. Usando Ultralytics YOLOv8 para segmentação de rachaduras.

Aplicações industriais da segmentação de rachaduras#

A detecção e segmentação de rachaduras são incrivelmente úteis em várias aplicações industriais, desde a manutenção de infraestrutura até o controle de qualidade na manufatura. Ao identificar e analisar rachaduras com precisão, essas técnicas ajudam a promover segurança, longevidade e qualidade em muitos campos. Vamos dar uma olhada em alguns exemplos.

Manutenção da qualidade de estradas e pavimentos#

Rachaduras em estradas são um problema comum causado por condições climáticas, tráfego intenso e desgaste natural. Mudanças na temperatura podem fazer com que o pavimento se expanda e contraia, levando a rachaduras. Veículos pesados aumentam o estresse na superfície da estrada, e a água que se infiltra em pequenas rachaduras pode aumentá-las e aprofundá-las com o tempo. Essas rachaduras podem levar a desgaste prematuro, falhas estruturais e aumento do perigo para as pessoas que dirigem na estrada. A detecção precoce usando segmentação de rachaduras pode ajudar a otimizar a manutenção das estradas.

Fig 3. Uma rachadura em uma estrada. Fonte da imagem: Envato Elements.

Rachaduras detectadas e segmentadas usando visão computacional podem ser classificadas em níveis de gravidade baixo, médio e alto com base em seu tamanho. Classificar as rachaduras ajuda as equipes de manutenção a priorizar. Por exemplo, rachaduras de alta gravidade podem ser tratadas primeiro para evitar falhas críticas e melhorar a segurança viária, enquanto rachaduras de gravidade média e baixa podem ser agendadas para reparos subsequentes e verificações de rotina. Ao fazer isso, a equipe de manutenção pode otimizar o uso de recursos, reduzir custos de manutenção e minimizar interrupções para os usuários das estradas.

Inspeção e monitoramento estrutural#

A detecção de rachaduras também pode ser usada para manter a qualidade e a segurança de edifícios e outras estruturas. Assim como estradas, edifícios podem desenvolver rachaduras devido a mudanças climáticas, fadiga do material e desgaste regular. O maquinário pesado usado durante a construção também pode colocar estresse extra nas estruturas, causando mais rachaduras.

Fig 4. Utilizar um telemóvel para tirar fotografias para a segmentação de rachaduras.

Ao identificar e tratar rachaduras com precisão, a vida útil de edifícios e estruturas pode ser significativamente estendida. Os dados coletados de sistemas de detecção de rachaduras também podem ser usados para melhorar padrões e regulamentações de construção. Ao analisar padrões e causas de rachaduras em diferentes projetos, especialistas da indústria podem desenvolver melhores práticas e materiais de construção.

Detecção de rachaduras em óleo e gás#

Na indústria de petróleo e gás, a deteção de rachaduras é essencial para manter a segurança e a fiabilidade de gasodutos, tanques de armazenamento e outras infraestruturas vitais. Os gasodutos cobrem frequentemente longas distâncias e enfrentam condições ambientais adversas que podem causar alterações de pressão e fadiga do material, levando a rachaduras. Tradicionalmente, a deteção de rachaduras é feita utilizando medidores de inspeção de gasodutos (pigs), testes ultrassónicos e radiografia. Se estas rachaduras não forem detetadas e corrigidas precocemente, podem originar problemas graves, como fugas e explosões. As rachaduras nesta indústria representam um enorme risco para o ambiente e para os seres humanos.

Fig 5. Trabalhadores inspecionando tanques de gás em um trem. Fonte da imagem: Envato Elements

A segmentação de rachaduras usando visão computacional permite o monitoramento contínuo das condições dos dutos. As equipes de manutenção podem fazer reparos oportunos e prevenir possíveis desastres identificando rachaduras precocemente.

Inspeção automatizada de peças de manufatura#

A inspeção automatizada através da segmentação de rachaduras está a transformar o controlo de qualidade no fabrico. Anteriormente, a deteção de rachaduras era feita através de controlos visuais, inspeção por líquidos penetrantes e inspeção por partículas magnéticas. Ao integrar sistemas avançados de imagem e visão computacional na linha de produção, os fabricantes conseguem detetar até as rachaduras e defeitos mais pequenos em peças imediatamente após o seu fabrico. Cada componente pode ser verificado e fabricado para cumprir elevados padrões de qualidade antes de chegar aos clientes.

A inspeção automatizada melhora a precisão e a eficiência, fornecendo feedback em tempo real para que as equipes de produção possam corrigir rapidamente quaisquer problemas. Isso economiza custos ao reduzir a necessidade de inspeções manuais e prevenir recalls dispendiosos. Além disso, esses sistemas coletam dados valiosos sobre defeitos, ajudando a identificar padrões e melhorar processos de fabricação, resultando em produtos mais seguros e confiáveis.

Fig 6. Detetar Rachaduras em Peças de Metal.

Prós e contras da segmentação de rachaduras#

A detecção de rachaduras usando deep learning oferece muitos benefícios, incluindo maior segurança e decisões baseadas em dados. Vamos explorar algumas das outras vantagens de usar a detecção de rachaduras em ambientes industriais:

• Práticas sustentáveis: Apoia práticas de construção e manutenção sustentáveis ao reduzir a necessidade de reparações e substituições extensas, poupando materiais e recursos.
• Interrupções minimizadas: Agendar reparos para rachaduras menos graves durante a manutenção de rotina ajuda a evitar grandes interrupções nas operações e no uso.
• Conformidade com regulamentos: Ajuda a atender aos padrões da indústria e requisitos regulatórios, garantindo inspeção e manutenção regulares da infraestrutura.

Apesar das suas vantagens, a segmentação de rachaduras também apresenta alguns inconvenientes. Os elevados custos de infraestrutura iniciais podem ser preocupantes para organizações mais pequenas, e a complexidade do sistema exige formação e manutenção contínuas. Eis algumas das outras desvantagens de usar a segmentação de rachaduras em aplicações industriais:

• Falsos positivos e negativos: Pode identificar incorretamente ou falhar ao detectar rachaduras, levando a reparos desnecessários ou perdidos.
• Desafios de gerenciamento de dados: Gera grandes quantidades de dados que precisam de ferramentas robustas de armazenamento e análise.
• Fatores ambientais: Condições externas, como clima extremo ou alta umidade, podem afetar a precisão e a confiabilidade dos sistemas de segmentação de rachaduras.
• Integração com sistemas existentes: Integrar a tecnologia de detecção de rachaduras com infraestrutura e sistemas existentes pode ser desafiador e pode exigir modificações ou atualizações adicionais.

Principais pontos#

A segmentação e detecção de rachaduras podem desempenhar um papel vital em manter nossa infraestrutura industrial segura e durável. Usando tecnologias avançadas como deep learning e visão computacional, podemos detectar problemas estruturais precocemente e corrigi-los antes que se tornem problemas significativos. Essa abordagem proativa economiza tempo e dinheiro enquanto atende aos padrões de segurança e regulatórios. Além disso, apoia práticas sustentáveis ao minimizar a necessidade de reparos extensivos. Apesar de alguns desafios como altos custos iniciais e complexidade, os benefícios da segmentação de rachaduras em várias indústrias tornam-na uma ferramenta valiosa para manter e melhorar a qualidade da infraestrutura.

Para saber mais sobre IA, visite nosso repositório no GitHub e participe da nossa comunidade. Explore aplicações de IA em manufatura e agricultura em nossas páginas de soluções. 🚀