Machine vision: fundamentos da inspeção visual e do controle de qualidade óptico
Os fundamentos de machine vision descrevem três termos frequentemente confundidos: machine vision (a tecnologia), inspeção visual (a tarefa) e controle de qualidade óptico (o processo). A tecnologia combina câmeras, lentes, iluminação, computação e software para automatizar decisões visuais em linha de produção, servindo como pilar da automação industrial. A inspeção visual é uma dessas decisões: passa ou falha, riscado ou limpo, cheio ou subenchido. O processo de gestão da qualidade é o invólucro auditável ao redor, sob o qual a inspeção é documentada para auditorias ISO 9001 ou GMP.
O que machine vision realmente significa?
Machine vision é o termo guarda-chuva para sistemas que combinam câmeras, iluminação, computação e software para automatizar decisões visuais em linha de produção. As decisões podem ser passa ou falha (qualidade), qual peça é essa (identificação) ou onde exatamente está a peça (orientação de robô ou garra).
Três componentes estão sempre em jogo: uma fonte de imagem (câmera mais iluminação mais óptica), um algoritmo que interpreta a imagem (processamento de imagem baseado em regras ou rede neural) e uma ação que o chão de fábrica executa sobre o resultado (rejeitar, documentar, parar a linha, acionar uma garra). Para o quadro completo de como essas peças se encaixam, recomendamos a guia de processamento de imagem industrial e a guia de inspeção machine vision como leituras complementares.
O que a inspeção visual realmente faz em linha?
A inspeção visual é a tarefa clássica em que a maioria das pessoas pensa quando fala de qualidade com machine vision. Quando uma câmera em uma linha de embalagem checa cada rótulo, isso é inspeção visual. Quando uma câmera dentro de uma máquina de moldagem por injeção sinaliza rebarbas ou inclusões, isso é inspeção visual. O termo descreve a tarefa, não a tecnologia.
Na prática, a inspeção visual é o termo-ponte que os gerentes de qualidade entendem imediatamente. Eles fazem verificações visuais manualmente ou com lupas há décadas. Uma câmera que automatiza a mesma verificação é uma estação de inspeção. Para uma definição mais profunda leia o que é inspeção visual com IA.
Câmeras, lentes e óptica: o que molda a imagem
Antes de qualquer modelo rodar, a câmera e a lente decidem quanta informação o sistema tem. Três parâmetros ópticos guiam toda escolha.
Distância de trabalho é o espaço entre a lente e a peça. Um setup curto mantém o rig compacto, mas limita como a linha se move ao redor. Uma distância maior ajuda quando esteiras, robôs ou operadores compartilham o mesmo espaço.
Campo de visão é a área que a câmera captura em um quadro. Um quadro estreito aumenta a densidade de pixels em um defeito pequeno; um amplo cobre um produto inteiro, mas com menos detalhe por milímetro. A maioria dos projetos itera até a menor classe de defeito ainda ocupar pixels suficientes para análise de imagem confiável.
A escolha da lente segue desses dois parâmetros. Uma lente de distância focal fixa é mais barata, mais nítida e mais fácil de calibrar. Uma lente zoom troca nitidez por flexibilidade quando o mix de produto na linha muda sempre. Lentes telecêntricas removem o erro de perspectiva e são a escolha natural para medição dimensional, calibração e metrologia, onde um milímetro de paralaxe quebra a leitura.
Para características tridimensionais como empenamento, profundidade de amassado ou contagem de peças empilhadas, câmeras 3D adicionam um canal de profundidade sobre a imagem 2D. Uma linha laser, luz estruturada ou par estéreo dá ao sistema um mapa de altura que a lente sozinha não recupera.
A óptica também define o limite para o reconhecimento óptico de caracteres. OCR em um código de data só funciona se cada caractere ocupar cerca de 20 pixels na imagem capturada. Se a lente não entrega isso, nenhum modelo salva a leitura.
Quais são as quatro classes algorítmicas de machine vision?
Todo projeto machine vision se encaixa em uma das quatro classes algorítmicas. Saber qual se encaixa muda os dados que você precisa coletar e o setup de iluminação que vai construir.
A primeira classe é o processamento de imagem baseado em regras, que cobre medição clássica, detecção de bordas, OCR e análise de blob. É determinístico, rápido e documentado há décadas, e continua sendo a escolha certa para medição dimensional, presença/ausência e leitura de códigos quando geometria e iluminação são estáveis.
A segunda classe é a classificação por deep learning, onde uma rede neural ordena cada peça em uma de várias categorias como passa, risco ou amassado. Funciona bem quando o defeito é visualmente consistente e há exemplos rotulados para cada classe. É aqui que a inteligência artificial moderna mais compensa, porque o contraste da imagem guia a precisão do modelo.
A terceira classe é a detecção de anomalias. O modelo aprende como peças boas parecem e então sinaliza qualquer coisa que não corresponda, mesmo tipos de defeito que ninguém viu antes. É a escolha certa quando os defeitos são raros, variados ou não repetitivos.
A quarta classe cobre detecção e segmentação de objetos. O modelo localiza onde cada característica está dentro da imagem, pixel a pixel. Os times usam para contar peças em uma bandeja, isolar células individuais dentro de um lote, ou orientar um robô a pegar um item específico.
Quais quatro fatores decidem se seu primeiro projeto vai ao ar?
O primeiro fator é a iluminação, e é o maior preditor isolado de se um projeto machine vision funciona. A iluminação torna um defeito visível ou invisível, e nenhum algoritmo recupera contraste que nunca existiu na imagem. Orce uma semana de testes de iluminação antes de tocar no modelo.
O segundo fator são os dados. Algoritmos clássicos precisam de parâmetros escolhidos com cuidado, enquanto a IA moderna precisa de exemplos, geralmente de 50 a 500 imagens rotuladas para um piloto. O número certo depende da variedade de defeitos, e mais classes significa mais imagens.
O terceiro fator é a integração. Uma estação machine vision que não consegue falar com o PLC, MES, sistema de controle ou a aba de rejeito é decoração cara. Planeje cedo como os resultados de inspeção chegam à linha, incluindo retentativas, estados de falha e o HMI do operador.
O quarto fator é a manutenção. Toda linha muda com o tempo, então modelos derivam, a iluminação envelhece e câmeras juntam poeira. Uma estação que funciona hoje não é uma estação que funciona em seis meses a menos que alguém cuide dela. Orce 10 a 20% do custo de construção por ano para cuidado contínuo.
Quais aplicações machine vision vão ao ar mais rápido?
Inspeção de rótulo e impressão em embalagem é um dos pontos de partida mais comuns. Os volumes são altos, as regras são claras e já há muita imagem de referência no prédio. O ROI frequentemente se prova em semanas na primeira linha que roda.
Verificações de selo e enchimento em garrafas, sachês e blísteres são outra família que vai ao ar rapidamente. Para playbooks específicos por categoria, veja nossos mergulhos profundos em embalagem alimentícia e embalagem farmacêutica.
Defeitos de superfície em peças moldadas por injeção e estampadas também vão ao ar rápido. As classes de defeito são bem compreendidas, a geometria é estável e as peças são fáceis de iluminar. Isso faz um bom primeiro projeto para PMEs que não querem começar com o problema mais difícil do chão de fábrica.
Por onde começar
Escolha uma linha que roda todo dia, com uma classe de defeito que seus operadores conseguem descrever em uma frase. Construa um pequeno rig de iluminação e capture 200 imagens. Decida entre uma abordagem baseada em regras e uma aprendida só depois de olhar suas próprias imagens. Para uma visão mais ampla tecnologia por tecnologia, leia também a guia de sistemas machine vision.
Perguntas frequentes sobre fundamentos de machine vision
Qual é a diferença entre machine vision e inspeção visual?
Machine vision é o stack tecnológico de câmeras, iluminação, computação e software. Inspeção visual é uma tarefa que você pode rodar em cima dele, ou seja, decidir se uma peça passa em uma checagem de qualidade olhando para ela. Outras tarefas como orientação de robô e identificação compartilham o mesmo hardware, mas resolvem problemas diferentes.
O que um primeiro projeto machine vision realmente precisa?
Três coisas, nesta ordem: uma classe de defeito que seus operadores conseguem descrever em uma frase, um setup de iluminação estável que torne o defeito visível, e 50 a 500 imagens rotuladas. Escolha de algoritmo e integração vêm depois de olhar seus próprios dados, não antes.
Quando a abordagem baseada em regras ainda bate a IA?
Quando a inspeção é dimensional, a geometria é apertada, a iluminação é estável e a taxonomia de defeitos é fechada. Leitura de códigos, presença/ausência e medições no micrômetro continuam o terreno natural para o machine vision clássico. A IA assume quando o conjunto de defeitos é aberto, variado ou dependente de mudanças de textura sutis.
Pontos-chave
Machine vision, inspeção visual e processo de gestão da qualidade não são intercambiáveis. Nomeiam respectivamente a tecnologia, a tarefa e o procedimento, e uma linha funcional normalmente usa os três juntos.
Os sistemas modernos se dividem em quatro classes algorítmicas: algoritmos baseados em regras, classificação por deep learning, detecção de anomalias e detecção ou segmentação de objetos. Cada uma se encaixa em um padrão de defeito diferente.
A iluminação é o maior preditor isolado do sucesso do projeto. Nenhum algoritmo salva uma imagem onde o defeito é invisível, então orce tempo para testes de iluminação antes de qualquer trabalho de modelo.
Planeje a integração no PLC, MES e caminho de rejeito desde o primeiro dia. Uma estação de inspeção standalone que não consegue agir nos próprios resultados vira um painel, não um controle.
A manutenção é parte do projeto, não depois dele. Modelos derivam, luzes envelhecem, câmeras juntam poeira. Orce 10 a 20% do custo de construção por ano para cuidado contínuo.
Comece agora
Quer ver como Enao Vision funciona na sua linha? Você pode começar de graça usando um iPhone que você já tem, ou entrar para a comunidade para trocar com outros times de qualidade e operações que estão levando IA para o chão de fábrica.
