Saiba como os mais recentes modelos de deteção de objectos podem ajudar a automatizar a inspeção de qualidade no fabrico.
A inspeção da qualidade é uma tarefa crítica durante o fabrico que garante que os produtos cumprem os padrões de qualidade exigidos. 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 reduzir os custos de inspeção. A aprendizagem profunda é um subcampo da inteligência artificial (IA) que utiliza algoritmos de computador chamados redes neurais 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 aborda a forma como os métodos de aprendizagem profunda podem melhorar a inspeção da qualidade e como Ultralytics YOLO11 podem melhorar a inspeção em várias indústrias.
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.
Muitas vezes, 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 obterem maior agilidade e escalabilidade nas suas operações.
As abordagens de aprendizagem profunda utilizam redes neuronais artific iais que funcionam segundo os 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 por computador 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, tais como PyTorch, ONNX, e OpenVINO.
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.
A classificação binária refere-se à tarefa de categorizar imagens em uma de duas classes, como determinar se um defeito está ou não presente em um 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 em falta ou não num produto.
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.
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 fenda.
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 risco ou uma fenda, e as coordenadas exactas do defeito no objeto.
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 captura de imagem detetar desvios 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 peritos utilizam os dados anotados para treinar modelos de deteção de objectos, tais como 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.
O You-Only-Look-Once (YOLO ) é um modelo de deteção de objectos em tempo real (SOTA) de última geração, famoso pela sua elevada precisão, adaptabilidade e velocidade. A sua última iteração é Ultralytics YOLO11que 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 em que os modelos de visão computacional podem ser utilizados na indústria transformadora.
Os modelos de visão por computador podem verificar se um produto tem todos os itens 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.
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. Desta forma, garante que a montagem de cada unidade está correta antes do envio.
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 vários componentes, como engrenagens e sistemas de travagem, é necessária para garantir que cumprem as normas de segurança.
Modelos como YOLO11 podem ser treinados para detetar rapidamente defeitos como riscos superficiais ou fissuras em componentes automóveis complexos.
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 YOLO11. Pode identificar defeitos como rasgões, buracos, manchas ou inconsistências no tecido durante o processo de produção.
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 usar o site YOLO11 para detetar irregularidades, como inconsistências nas formas e tamanhos dos comprimidos, descoloração ou partículas estranhas.
Outro exemplo de como os modelos de visão computacional podem ser usados na fabricação 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 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 ou datas de validade claras.
Isto garante que os produtos cumprem os regulamentos da indústria e estão prontos para a distribuição ao consumidor.
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.
A inspeção de 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.
Podes saber mais sobre YOLO11 e outros modelos de deteção de objectos consultando o nosso Repositório GitHub e interagindo com a nossa vibrante comunidade. Explora como a Ultralytics está a redefinir o fabrico através de estruturas de aprendizagem profunda de última geração.
Começa a tua viagem com o futuro da aprendizagem automática
