Inspeção visual com IA na linha de produção: as decisões de engenharia que vêm antes

Comece pelo defeito, não pela câmera

Antes de qualquer pergunta sobre hardware, feche o que conta como defeito nessa peça, e quem decide. Parece trivial até você testar.

Separe cem peças da linha, incluindo as complicadas, e peça a dois inspetores experientes que as classifiquem de forma independente entre aprovadas e reprovadas. Nos defeitos evidentes eles vão concordar. Na população de fronteira — o risco fraco, o preenchimento incompleto, a impressão legível mas sem nitidez — muitas vezes não.

Essa divergência é o teto real da acurácia. Se duas pessoas que fazem esse trabalho há anos não chegam a um acordo sobre a mesma peça, não existe uma resposta certa única para um modelo aprender, e nenhum fornecedor consegue entregá-la; por isso qualquer número de acurácia em uma proposta não significa nada enquanto a definição não estiver fechada.

A correção não passa por um algoritmo melhor. Passa por um catálogo de defeitos escrito — cada tipo nomeado, com imagens — e por um conjunto de peças físicas de fronteira para cada classe: a pior peça ainda aceitável, a melhor peça ainda reprovada. Essas peças viram a referência para a rotulagem e para o teste de aceitação.

Um problema que ninguém define de forma consistente não pode ser automatizado, apenas discutido mais rápido.

Escolha da câmera por critério, não por marca

A seleção de câmeras industriais para inspeção é aritmética, não preferência.

A resolução decorre do menor detalhe que você precisa enxergar. Divida o campo de visão — a peça mais a tolerância de como ela pode se apresentar — pelos pixels do sensor para chegar aos milímetros por pixel. Um defeito que caia sobre um único pixel não vai ser encontrado de forma confiável, então planeje vários pixels ao longo do menor detalhe, e mais ainda quando o contraste for baixo. Resolução acima disso custa banda e profundidade de campo, e de todo modo o contraste vale mais do que a contagem de pixels.

A exposição tem que vencer a linha. O borrão de movimento é a velocidade multiplicada pelo tempo de exposição: uma peça a um metro por segundo se arrasta um milímetro em uma exposição de um milissegundo. Se o arrasto for maior que o defeito, você já perdeu. Exposição mais curta significa mais luz, e é por isso que iluminação e câmera são uma decisão só. Para qualquer coisa em movimento, especifique obturador global; o obturador rolante lê linha a linha e distorce a peça em movimento.

Área ou linear. A câmera de área serve para peças discretas paradas ou indexadas em uma estação. A câmera linear monta a imagem uma linha por vez, para bobina, tira ou extrudado contínuos, ou para uma peça cilíndrica girada diante da câmera, e exige movimento constante ou sincronizado por encoder.

Monocromática, a menos que a cor seja o defeito. A monocromática gasta cada pixel em detalhe e é mais sensível com pouca luz. Escolha cor apenas quando a cor carrega a informação: um componente de cor errada, uma mancha, a cor de impressão frente a uma especificação.

Interface e cabeamento. A interface define comprimento de cabo, banda e custo — GigE para percursos longos, USB3 em bancada, interfaces industriais de alta banda para câmera linear rápida. Depois vem a parte sem glamour que causa a maioria das falhas em campo: cabo com classificação para esteira porta-cabos, conectores travados, alívio de tração, roteamento longe dos cabos de acionamento e de solda.

A iluminação decide mais desfechos do que a câmera

Um defeito que a luz torna óbvio é um problema simples; o mesmo defeito deixado para um modelo garimpar em uma imagem ruidosa é um problema caro. Poucas geometrias de iluminação para inspeção cobrem a maioria dos casos. Campo claro, luz no eixo de visão, entrega uma imagem uniforme e de uso geral para impressão, cor e presença. Campo escuro, em ângulo rasante, faz riscos e gravações brilharem contra um fundo escuro. A luz de fundo coloca a peça em silhueta, para dimensões de contorno, posição de furo e nível de enchimento. O domo envolve uma peça curva ou brilhante em luz uniforme, e é a resposta para impressão sobre superfícies refletivas. A luz coaxial chega pelo eixo óptico, para superfícies planas especulares e marcação a laser.

Um risco, um amassado e um erro de impressão são três problemas de iluminação diferentes: luz rasante para o risco; para o amassado, que muda a inclinação e não a cor, uma luz cuja reflexão se desloca junto com essa inclinação; luz plana e sem ofuscamento para a impressão. Cobrir os três com uma única luminária é o caminho para uma estação medíocre em tudo.

Depois vem a luz ambiente, que quebra silenciosamente sistemas que passaram na aceitação: o sol da tarde entrando por uma telha translúcida, um turno que acende outras luminárias. Trate isso fisicamente — enclausure a estação, use um filtro passa-banda casado com o comprimento de onda do LED e dispare o estrobo curto e forte a partir do trigger de captura, para que a sua luz domine a do salão.

Uma imagem estável sai mais barato do que um modelo maior.

2D ou 3D

A maior parte da inspeção é um problema 2D: presença, posição, dimensões no plano, impressão, cor, qualquer coisa que apareça como contraste em uma superfície.

Vá para 3D quando a característica for altura ou forma e não gerar contraste de forma confiável — altura do cordão em uma linha de adesivo, coplanaridade de pinos, perfil de cordão de solda, empenamento, um amassado em metal sem pintura, nível de enchimento em recipiente opaco. A triangulação a laser precisa de movimento relativo; a luz estruturada funciona com a peça parada; as duas sofrem com acabamentos espelhados e oclusão e produzem muito mais dados por peça.

Um teste prático: se um bom inspetor consegue julgar a peça por uma fotografia, é trabalho de 2D. Se ele precisa inclinar a peça na luz, é 3D ou uma geometria de iluminação especializada — e vale tentar a iluminação primeiro.

Verificação de rótulo e de impressão geralmente não é problema de IA

Boa parte do que chega como pedido de inspeção com IA é verificação de rótulo e de impressão, e boa parte disso é determinística: avaliar a qualidade de um código de barras ou data matrix, comparar o texto impresso com uma cadeia esperada, conferir se a revisão certa está no produto certo.

O difícil não é a leitura, e sim de onde vem o valor esperado. Se o operador digita o texto-alvo na estação, você automatizou um erro de digitação; código, lote, data e revisão têm que descer da ordem no MES ou no ERP. O aprendizado de máquina se justifica aqui pela qualidade de impressão — borrão, pontos faltando, distorção em superfícies curvas — e não pela comparação.

Dados de treinamento, sem ilusões

Sua linha produz peças boas em esmagadora maioria, e esse desequilíbrio define os dados de inspeção. Ele torna a acurácia global inútil: um modelo que chama tudo de bom pontua bem em um conjunto quase todo formado por peças boas. Julgue pelos defeitos — quantos foram pegos, quantas peças boas foram rejeitadas.

Ele também molda a abordagem. A detecção de anomalia aprende o normal a partir das peças boas e sinaliza o desvio; precisa de poucas imagens de defeito e reage a coisas que nunca viu, mas diz apenas que a peça está fora do usual, não o que está errado. Classificação e segmentação supervisionadas nomeiam e localizam o defeito, que é o que um catálogo de defeitos e o SPC exigem, mas precisam de exemplos reais de cada classe — mais do que qualquer um imagina. De um jeito ou de outro, um modelo conhece apenas os defeitos que lhe foram mostrados.

Depois, a deriva. O modelo é um retrato da linha no momento do treinamento, e a linha se move: um fornecedor novo, um lote de material diferente, desgaste de ferramenta, uma câmera esbarrada durante a limpeza, uma revisão de peça. Retreinar é atividade de manutenção, com dono e periodicidade, e não uma fase de projeto que termina.

A rotulagem merece uma decisão, porque quem rotula as imagens está definindo qualidade para a planta inteira. Ela pertence a quem é dono da definição de defeito, trabalhando a partir das amostras de fronteira; caso contrário, aquela divergência entre inspetores volta na forma de rótulos inconsistentes, e eles limitam tudo o que vem depois.

Dados sintéticos e aumentados ajudam em pontos específicos. O aumento de dados — pequenas variações de rotação, posição, brilho, foco — é barato desde que você fique dentro do que a estação consegue produzir fisicamente. Imagens renderizadas ajudam mais quando o defeito é geométrico e descritível: um componente faltando, uma orientação errada. Ajudam menos quando a própria aparência do defeito é a incógnita, que é justamente o que um renderizador não tem como inventar.

Seja o que for que você treine, guarde um conjunto de teste com imagens reais, peças de fronteira incluídas. É a única forma honesta de dizer se um modelo novo é melhor que o anterior.

Falsos positivos são decisão de negócio, não decisão técnica

Todo sistema de inspeção tem um limiar, e ele troca dois erros entre si: aperte o limiar e você pega mais defeitos e rejeita mais peças boas; afrouxe e acontece o inverso. Nenhum ajuste elimina os dois. Para que lado pender é economia específica da sua planta — o que custa uma peça que escapa frente ao que custa a rejeição excessiva em refugo, retrabalho e tempo de operador.

A assimetria merece planejamento. A rejeição excessiva destrói a confiança mais rápido do que os defeitos não detectados. Defeitos não detectados ficam invisíveis por semanas; uma estação que rejeita peças boas fica visível dentro de uma hora, e a reação é previsível: o operador começa a ignorar o veredicto, depois para de olhar, e a câmera vira uma lâmpada cara.

Então alguém precisa ser dono de onde o limiar fica: uma pessoa nomeada na qualidade, o ajuste registrado no plano de inspeção, um histórico de alterações. Três resultados em vez de dois — aprovado, reprovado e uma faixa de revisão encaminhada a uma pessoa — permitem rodar a detecção apertada sem jogar a população de fronteira no colo do operador. Defina os critérios de aceitação em termos de planta antes do go-live, em escapes por mil peças e falsas rejeições por turno.

Um veredicto na tela não muda nada

A imagem foi capturada, o modelo tem uma resposta, e ainda não aconteceu nada com a peça. Duas coisas precisam vir depois.

Atuação. A rejeição tem que ser imposta fisicamente — um empurrador, um desviador ou um intertravamento que impeça a próxima operação naquela peça — através do PLC, com o handshake projetado de modo que uma captura falha ou uma inferência lenta leve a um estado seguro, e não a uma aprovação silenciosa. Confirme a ejeção com um sensor que veja a peça sair. Um ejetor que erra sem avisar ninguém é pior do que não ter inspeção, porque agora as pessoas acreditam que as peças foram conferidas.

O registro. O veredicto, a imagem e o carimbo de tempo pertencem à ordem de produção, ao lote, ao número de série, à estação e à versão do modelo, no MES e no QMS. A versão do modelo importa: depois de um retreinamento, os veredictos de ontem vieram de outro juiz. É esse registro que faz a inspeção render com o tempo — a taxa de defeito por classe vira uma variável de SPC, e a contenção vira uma consulta em vez de uma semana de papelada.

O que faz uma implantação fracassar

Quase sempre um destes, e raramente o modelo.

Apresentação instável — a peça não chegando no mesmo lugar, ângulo e distância: vibração, um suporte solto, uma fixação esbarrada durante a limpeza. Dispositivo de fixação é a acurácia mais barata que você vai comprar na vida.

Um limiar sem dono, derivando conforme quem está no turno.

Uma revisão de peça para a qual ninguém retreinou. O controle de alterações de engenharia tem que listar a inspeção como sistema afetado.

Um bypass sem rastro. O operador precisa de um override, mas ele tem que ser registrado e revisado.

Ninguém revisando imagens. Alguém tem que olhar as reprovações, e uma amostra das aprovações, em um ritmo regular; é assim que a deriva é pega antes que o cliente a pegue.

Condições de prova de conceito tratadas como produção. A demonstração rodou em bancada, à noite, com a peça segurada parada por uma pessoa.

Onde nós entramos

O módulo de Computer Vision da Meta Smart Factory cobre o lado da inspeção disso — câmeras e iluminação especificadas para o defeito que você tem, modelos treinados nas suas próprias peças, inferência na linha — e se integra aos nossos módulos de MES e de Quality (QMS), de modo que o veredicto chega até a ordem de produção e o lote e segue para rastreabilidade e SPC, em vez de parar em uma lâmpada. A atuação de rejeição passa pelo PLC, pela mesma conectividade IIoT e OPC UA.

Se você está no começo disso, o primeiro passo útil não é uma demonstração. É o teste das cem peças com dois inspetores e um catálogo de defeitos escrito, e temos prazer em conduzi-lo com você antes que alguém especifique uma câmera.