Alcançando Excelência em Fabricação com Modelos de Reconhecimento de Imagem para Detecção de Defeitos Superficiais

Em média, o custo da má qualidade dos produtos para as indústrias transformadoras é de cerca de 20% das vendas totais. O controle de qualidade desempenha um papel crucial em muitas indústrias e a capacidade de detectar e identificar defeitos superficiais é de extrema importância. Os métodos tradicionais de inspeção manual, que dependem da percepção e julgamento humanos, muitas vezes ficam aquém em termos de consumo de tempo, subjetividade e erro humano.

No entanto, com os avanços inteligência artificial e modelos de reconhecimento de imagem, agora é possível automatizar processos de detecção de defeitos superficiais com maior precisão e eficiência. Neste blog, exploraremos o conceito de aproveitamento de modelos de reconhecimento de imagem para detecção de defeitos superficiais e discutiremos um exemplo de caso de uso na indústria siderúrgica. Ao dividir o processo de inspeção em etapas distintas, pretendemos compreender como os sistemas alimentados por IA podem detectar e classificar com precisão defeitos superficiais.

Desafios na detecção de defeitos superficiais

Uma variedade de complicações na detecção de defeitos superficiais em indústrias como manufatura, automotiva, eletrônica e têxtil podem levar a falhas na qualidade do produto. A complexidade das falhas de fabricação representa uma barreira significativa para as organizações, podendo levar ao comprometimento da integridade do produto e à insatisfação do cliente. As velocidades vertiginosas em que as linhas de produção operam exigem mecanismos rápidos de identificação de defeitos, enfatizando a urgência de soluções de detecção em tempo real. Alguns dos principais obstáculos para a detecção eficaz de defeitos são:

• Diversidade e complexidade de defeitos: Os processos de fabricação podem resultar em uma série de defeitos, variando em tamanho e complexidade. Por exemplo, na fabricação automotiva, os defeitos podem variar desde imperfeições sutis de pintura até anormalidades estruturais, tornando a detecção e classificação consistentes uma tarefa exigente.
• Altas velocidades de produção: Indústrias como a de eletrônicos de consumo exigem identificação rápida de defeitos para evitar que itens defeituosos cheguem ao mercado. Por exemplo, na montagem de PCB, a rápida identificação de problemas de soldagem é crucial para manter a confiabilidade do produto e a satisfação do cliente.
• Processamento em tempo real: A indústria farmacêutica precisa de detecção em tempo real para garantir a segurança e conformidade dos produtos. A detecção de defeitos no revestimento dos comprimidos, por exemplo, evita o comprometimento da qualidade dos medicamentos e possíveis problemas regulatórios.
• Inspeção visual manual: Envolve o exame minucioso dos produtos em busca de defeitos e irregularidades superficiais. Devido ao processo manual, pode ser demorado, especialmente para grandes quantidades, levando a atrasos no fluxo de trabalho. Também está sujeito a supervisão de defeitos ou classificação incorreta durante períodos prolongados de inspeção. A inspeção manual depende fortemente de conhecimentos individuais, que podem carecer de escalabilidade e disponibilidade.

Benefícios do uso de Inteligência Artificial

A inspeção visual baseada em IA oferece uma solução promissora para superar os desafios enfrentados durante a inspeção visual manual na indústria de manufatura.

• Ao aproveitar a inteligência artificial e reconhecimento de imagem modelos, os sistemas baseados em IA podem fornecer detecção de defeitos consistente e objetiva, minimizando o impacto da subjetividade humana.
• Esses sistemas têm a capacidade de analisar grandes volumes de dados com velocidade e precisão notáveis, resultando em reduções significativas no tempo de inspeção e maior eficiência geral.
• Os modelos de IA podem ser treinados para detectar defeitos até mesmo sutis ou difíceis de identificar que podem passar despercebidos pelos inspetores humanos, superando as limitações da percepção visual humana e melhorando a precisão geral da identificação de defeitos.
• Ao contrário das inspeções manuais que dependem fortemente da habilidade e experiência de inspetores individuais, a inspeção visual baseada em IA não depende da proficiência individual, tornando-a escalonável e adaptável a diferentes cenários de inspeção.
• Com aprendizado e melhoria contínuos, esses sistemas podem evoluir para lidar com padrões complexos de defeitos e fornecer controle de qualidade cada vez mais confiável e eficiente.

Três estágios de tratamento de defeitos

Os modelos de detecção de imagens integram o poder do aprendizado profundo e uma estrutura meticulosamente projetada para realizar diversas tarefas com grande precisão. Ele se destaca nas principais etapas do tratamento de defeitos: detecção, classificação e localização, fornecendo uma solução superior em comparação aos métodos convencionais.

Ao empregar estas três fases de tratamento de defeitos, as indústrias podem simplificar os seus processos de controlo de qualidade e garantir que medidas corretivas eficazes sejam tomadas prontamente.

Inspeção visual de última geração orientada por IA

Na Sigmoid, desenvolvemos uma solução que aproveita algoritmos de aprendizagem profunda de última geração criados especificamente para processamento de imagens. Um componente crucial é a otimização meticulosa de cada etapa do processo de tratamento de defeitos, utilizando arquiteturas personalizadas que se concentram em aspectos específicos para garantir um desempenho excepcional.

Detecção e classificação: Os dois primeiros estágios, detecção e classificação, usam uma arquitetura CNN pré-treinada, projetada para melhorar a eficiência e eficácia da extração de recursos. Este modelo pré-treinado já passou por um treinamento extensivo em um grande conjunto de dados; é especialmente benéfico quando temos dados limitados específicos para o caso de uso. Para garantir ainda mais a robustez e confiabilidade do nosso framework, diversas técnicas de aumento são empregadas, aumentando sua eficácia em cenários do mundo real.

Localização: Este estágio utiliza uma arquitetura de aprendizado profundo dedicada, projetada especificamente para segmentação semântica, onde o objetivo não é apenas classificar cada pixel, mas também delinear os limites do objeto. Consiste em um caminho codificador para capturar informações contextuais e um caminho decodificador simétrico para recuperar detalhes espaciais. Esta estrutura ajuda a capturar características globais e locais cruciais para uma localização precisa. Além disso, cada tipo de defeito distinto possui seu modelo de localização individualizado, capaz de encapsular características distintivas inerentes a esse defeito.

Ao longo desse processo, nossa solução mantém uma alta taxa de precisão em todos os três estágios do tratamento de defeitos. Uma ilustração de nossa estrutura de solução proprietária é fornecida abaixo:

Conclusão

O aproveitamento de modelos de reconhecimento de imagem para detecção de defeitos superficiais anuncia uma nova era no controle de qualidade. Os sistemas alimentados por IA oferecem detecção consistente e objetiva, acelerando o processo e melhorando a precisão. Eles identificam defeitos sutis, ultrapassando as capacidades humanas, e são escaláveis ​​em vários cenários. A adoção desta tecnologia não só reduz os custos, mas também aumenta a fiabilidade dos produtos e aumenta a competitividade, marcando um avanço significativo na eficiência e excelência da produção.