Tijolos e blocos de betão
Apanha lascas de canto, desvio dimensional, variação de tom de cor, inclusões de superfície e erros de paletização antes que o produto saia do parque do forno.
Inspeção de qualidade automatizada para a produção de tijolo cerâmico, bloco de betão e betão celular, num iPhone recondicionado, ao lado da tua moldadora, do carregador de vagonas, da paletizadora e da estação de retração.
Os produtores de tijolo e bloco trabalham sob pressão dos chargebacks de armazéns de materiais de construção e das auditorias de prescritor de fachada que penalizam um canto lascado, uma fissura fina ou uma palete mal contada bem depois da expedição. Uma câmara e um modelo de IA colocados à saída da moldadora, no carregador de vagonas, no arrefecedor de saída do forno ou na paletizadora intercetam as unidades não conformes antes que cheguem ao parque de expedição, sem uma célula de inspeção dedicada e sem um orçamento de visão industrial de seis dígitos.
O que é a inspeção de qualidade automatizada para a produção de tijolo e bloco de betão?
A deteção de defeitos por IA para tijolos e blocos de betão usa uma câmara e um modelo de visão para observar cada unidade à medida que sai da moldadora, do carregador de vagonas, do arrefecedor de saída do forno, da paletizadora e da estação de retração, e para sinalizar as unidades não conformes antes que cheguem à expedição. Em vez de um operador na bancada de amostra do parque do forno ou de uma visão rígida baseada em regras, o modelo aprende a textura de face, a assinatura de cor, a silhueta dimensional e o padrão de empilhamento de palete do teu portfólio de SKU, e aplica um ponto de controlo visual coerente em todos os turnos, velocidades de linha e mudanças de lote de argila ou agregado.
Os tijolos e blocos de betão são particularmente difíceis de inspecionar à velocidade da linha porque o tom de cor lê-se de forma diferente entre argilas vermelhas, amarelas e azuis de engenharia, a textura de superfície varia dentro do mesmo lote do forno por construção, e o canto lascado que falha na inspeção de receção do armazém parece idêntico a uma aresta normal sob a luz do parque do forno. Uma visão baseada em regras construída em torno de um único SKU quebra-se no momento em que passas para outro lote de argila, para outro agregado ou para outra textura de face. A inspeção conduzida por IA gere estas variações porque o modelo aprende a partir de imagens de produção reais em vez de um limiar fixo.
O resultado é um ponto de controlo visual automatizado que complementa a tua amostra do parque do forno e dá-te um registo imagem unidade-a-unidade. Quando uma reclamação de armazém volta seis semanas depois, tiras as imagens da palete de produção exata e ou confirmas o defeito ou respondes com provas.
Defeitos que detetamos em linhas de tijolo e bloco de betão
Lascas de canto e quebras de aresta
Os defeitos de canto lascado são as quebras causadas pelo desgaste do tapete de transferência, pelo choque na vagona do forno ou pelo desalinhamento na desmoldagem. Os cantos lascados falham a inspeção da filial do armazém e desencadeiam rejeições de palete no centro de distribuição regional. Os operadores controlam os cantos a olho na amostra do parque do forno mas perdem a subida lenta da taxa de lascas depois de uma secção de tapete gasta. O modelo de IA aprende o raio de canto conforme para cada SKU e sinaliza eventos de lasca e quebra assim que o perfil local se desvia, com as imagens disponíveis para ajustar a transferência ou a desmoldagem antes que uma palete inteira saia fora da especificação.
Desvio dimensional em comprimento, largura e altura
Os defeitos dimensionais incluem unidades curtas, longas, estreitas e baixas causadas pelo desgaste da matriz de molde, pelo desvio de hidratação do lote de argila ou pela variação de retração no forno. As dimensões fora da especificação falham o assentamento do pedreiro e desencadeiam retrabalho em obras de habitação. Os operadores controlam as dimensões com paquímetro na amostra do parque do forno mas não conseguem olhar para cada unidade, por isso os casos limite passam o ponto de inspeção. O modelo de IA aprende a silhueta conforme para cada SKU e sinaliza o desvio na estação de desmoldagem para que a linha possa ajustar antes que o forno fixe o erro.
Variação de tom de cor e flor de superfície
Os defeitos de tom incluem vermelho aos remendos, amarelo desviado e flor de superfície causados pelo desvio de temperatura do forno, pela mudança de química do lote de argila ou pela humidade atmosférica no parque do forno. O desvio de tom falha a inspeção do prescritor de fachada e desencadeia retalho visível na parede acabada. Os operadores controlam a cor a olho no parque do forno mas perdem o desvio lento que se desenvolve ao longo de uma corrida longa. O modelo de IA aprende a assinatura de cor conforme para cada SKU e sinaliza o desvio no arrefecedor de saída do forno para que a linha possa ajustar o forno antes que uma palete inteira saia.
Inclusões de superfície, manchas e poros
Os defeitos de inclusão cobrem manchas escuras, poros de superfície e matéria estranha embebida causados pela contaminação do lote de argila, pelo desgaste do agente desmoldante ou por problemas de lote de agregado. Os defeitos falham a especificação de tijolo de engenharia no entreposto e desencadeiam queixas do consumidor em obras de fachada. O modelo de IA mantém a assinatura de superfície conforme para cada SKU e sinaliza qualquer unidade que mostre inclusões de alto contraste ou clusters de poros à desmoldagem ou no ponto de saída do forno.
Fissuras finas e fissuras passantes
Os defeitos de fissura incluem fissuras finas no canto, fissuras passantes pelo corpo e fissuras de tensão na ranhura causadas pelo choque térmico no forno, pela queda na transferência ou pelo erro de pressão de moldagem. Os piores casos sobrevivem à amostra do parque do forno e falham na inspeção de receção do armazém. O modelo de IA aprende a assinatura sem fissuras conforme e sinaliza fissuras finas e passantes no arrefecedor de saída do forno, com as imagens disponíveis para ajustar o ciclo de forno antes que uma vagona inteira saia.
Defeitos de textura de face e marcas de acabamento
Os defeitos de textura de face incluem manchas calvas com face areada, marcas de corte de fio em falta e acabamentos escovados desiguais causados pelo desgaste do rolo texturador, por erros de alimentação do dispensador de areia ou por desvio do mecanismo de corte de fio. Os defeitos falham a inspeção do prescritor de fachada e desencadeiam retalho visível na parede acabada. O modelo de IA aprende a assinatura de textura de face conforme para cada SKU e sinaliza o desvio de textura à saída da moldadora antes que a vagona seja carregada.
A iluminação que torna tudo isto possível numa linha de alvenaria é uma luz difusa zenital sobre o arrefecedor de saída do forno e a estação de desmoldagem para ler tom, dimensões e cantos, mais uma luz em anel rasante na moldadora para ler textura de face e inclusões. Um iPhone Pro com objetivas macro e grande angular gere as sete famílias de defeitos a partir de uma única estação de inspeção por cada ponto de controlo crítico. Sincronizamos o rig com o encoder do tapete para que as unidades sinalizadas guiem uma decisão de desvio ou bloqueio a jusante. Especificamos a ótica contigo durante o onboarding.
Como o Enao corre numa linha de tijolo e bloco de betão
O rig de hardware completo custa menos de 1 000 € e é composto por um iPhone Pro recondicionado, uma luz difusa zenital com uma luz em anel rasante opcional para a inspeção de textura de face, um cabo USB-C e um suporte que se encaixa por cima da moldadora, do carregador de vagonas, do arrefecedor de saída do forno, da paletizadora ou da estação de retração. A integração PLC não é necessária para o primeiro deployment, o rig cabe numa mala de transporte e a linha continua a correr enquanto o montas.
O onboarding é em self-service. A tua equipa de linha monta o rig, abre a app Enao e começa a recolher imagens de referência na próxima mudança de lote de argila. O dia 1 devolve 80 % de precisão sem qualquer etiquetagem prévia, e ao dia 14 o modelo corre acima do inspetor do parque do forno nas famílias de defeitos que viu, melhorando com cada unidade sinalizada que a linha confirma ou rejeita.
Cada linha treina o seu próprio modelo a reconhecer as suas texturas de face, as suas assinaturas de cor e os seus padrões de palete. Quando passas para um lote de argila diferente ou para um SKU diferente na mesma linha, o modelo adapta-se num turno. Quando pões em funcionamento uma linha irmã com uma família de produtos similar, o segundo modelo parte da experiência do primeiro e o esforço marginal cai a pique.
As unidades fora da especificação deixam de chegar ao parque de expedição, o desperdício regista-se no ponto de inspeção em vez de no escritório de QC, e os teus operadores recuperam as horas de atenção de que precisam para as partes do trabalho que ainda precisam de um ser humano: afinação do ciclo de forno, preparação do lote de argila e gestão de reclamações de armazéns.
Como o Enao se compara à inspeção manual e à visão industrial tradicional
Para os produtores de tijolo e bloco de betão a comparação afina-se em cinco dimensões.
Tempo de colocação em serviço numa linha de alvenaria. — Inspeção visual manual: horas de formação por operador, mão de obra recorrente. Visão industrial tradicional (ThinkLucid, visionify, Quatromatic, intelgic): de três a nove meses de integração com um system integrator, mais um conjunto de regras por SKU e lote de argila. Enao: deployado numa semana pela tua equipa num iPhone recondicionado, dia 1 com 80 % de precisão.
Custo de hardware por linha. — Inspeção visual manual: nada na compra, custo de mão de obra recorrente. Visão industrial tradicional: de 40 000 a 200 000 € por linha para câmaras industriais, iluminação estruturada e integração. Enao: abaixo de 1 000 € por linha com um iPhone Pro recondicionado, uma lâmpada e um suporte.
Gestão de novos SKU, lotes de argila e acabamentos. — Inspeção visual manual: reformar os operadores para cada novo SKU. Visão industrial tradicional: reescrever o conjunto de regras por lote de argila, frequentemente externalizado ao integrador. Enao: re-treinar o modelo em novos SKU, lotes de argila e texturas de face num turno, sem mexer em código.
Precisão de deteção em desvios subtis de tom e fissuras finas. — Inspeção visual manual: alta no início do turno, cai de forma mensurável após três horas. Visão industrial tradicional: forte nos controlos dimensionais, fraca no desvio subtil de tom e na deteção de fissuras finas. Enao: aprende as assinaturas de cor, textura e silhueta a partir de imagens de referência e mantém a precisão ao longo de turnos e corridas.
Quem o faz correr. — Inspeção visual manual: operador formado na bancada de amostra do parque do forno. Visão industrial tradicional: system integrator ou engenheiro de visão especializado. Enao: a tua equipa de linha, sem especialista externo.
Os armazéns de materiais de construção e os prescritores de fachada mudam de fornecedor pelo custo de uma palete recusada, e o custo de um chargeback ou de uma troca silenciosa de referência fica bem acima do custo de um rig de inspeção em iPhone. O Enao está construído para essa lacuna.
