{"id":1992,"date":"2026-10-28T07:42:02","date_gmt":"2026-10-28T07:42:02","guid":{"rendered":"https:\/\/benlongkj.com\/?p=1992"},"modified":"2026-10-28T07:42:06","modified_gmt":"2026-10-28T07:42:06","slug":"ai-vision-inspection","status":"publish","type":"post","link":"https:\/\/benlongkj.com\/pt\/blog\/ai-vision-inspection\/","title":{"rendered":"Inspe\u00e7\u00e3o de Vis\u00e3o AI na Fabrica\u00e7\u00e3o: Como Difere da Vis\u00e3o de M\u00e1quina em uma Linha de Montagem Real"},"content":{"rendered":"

O disjuntor miniatura est\u00e1 a um passo de ter sua tampa encaixada no lugar. Em dois ou tr\u00eas segundos, a c\u00e2mera deve verificar se os rebites est\u00e3o presentes, se a al\u00e7a est\u00e1 montada na posi\u00e7\u00e3o correta e se as marcas a laser foram feitas. O sistema de vis\u00e3o baseado em regras v\u00ea um rebite com um brilho ligeiramente maior que o rebite padr\u00e3o e o sinaliza como ausente. O operador reinicia o alarme e a mesma coisa acontece dez minutos depois. Inspe\u00e7\u00e3o por vis\u00e3o AI<\/span> funciona de uma maneira totalmente diferente. O sistema n\u00e3o segue simplesmente as regras do engenheiro, mas aprende como \u00e9 um produto bom a partir de uma cole\u00e7\u00e3o de imagens.<\/p>\n

Resumidamente, a inspe\u00e7\u00e3o por vis\u00e3o AI baseia-se em c\u00e2meras industriais e um modelo de aprendizado profundo treinado usando imagens de v\u00e1rios componentes para determinar se um produto atende aos padr\u00f5es de qualidade. A AI tem vantagem ao lidar com defeitos que n\u00e3o possuem forma fixa, por exemplo, arranh\u00f5es, rachaduras, marcas danificadas e respingos de solda, pois os sistemas de vis\u00e3o baseados em regras falham nesse aspecto. A inspe\u00e7\u00e3o por vis\u00e3o AI, portanto, serve como uma tecnologia complementar \u00e0 vis\u00e3o baseada em regras para atividades de medi\u00e7\u00e3o ou leitura de c\u00f3digos, n\u00e3o eliminando a necessidade de testes el\u00e9tricos como curvas de disparo, resist\u00eancia de contato e hi-pot.<\/p><\/blockquote>\n

\"\"<\/h2>\n

O que \u00e9 Inspe\u00e7\u00e3o por Vis\u00e3o AI?<\/h2>\n

A tecnologia de inspe\u00e7\u00e3o visual por Intelig\u00eancia Artificial (AI) \u00e9 frequentemente chamada de sistema de inspe\u00e7\u00e3o baseado em c\u00e2mera porque utiliza c\u00e2meras para tomar decis\u00f5es de inspe\u00e7\u00e3o baseadas nas capacidades da intelig\u00eancia artificial. N\u00e3o \u00e9 uma tecnologia inovadora que traz um novo tipo de ilumina\u00e7\u00e3o; \u00e9 uma nova forma de processar dados de inspe\u00e7\u00e3o.<\/p>\n

Na linha de produ\u00e7\u00e3o, o processo de inspe\u00e7\u00e3o consiste em quatro etapas principais:<\/p>\n

Aquisi\u00e7\u00e3o de Imagem. Uma pe\u00e7a chega \u00e0 \u00e1rea de inspe\u00e7\u00e3o; um sensor \u00e9 ativado e a c\u00e2mera captura a imagem.
\nCompara\u00e7\u00e3o de Imagem. O modelo compara a imagem capturada com amostras boas e defeituosas previamente aprendidas e fornece uma pontua\u00e7\u00e3o mostrando a possibilidade de defeitos e, frequentemente, informa as posi\u00e7\u00f5es dos defeitos na imagem.
\nProcessamento do Resultado. A decis\u00e3o de aprova\u00e7\u00e3o ou reprova\u00e7\u00e3o \u00e9 feita de acordo com o limite definido pelos engenheiros com base na pontua\u00e7\u00e3o recebida do modelo.
\nProcessamento de Feedback. A pe\u00e7a \u00e9 rejeitada ou autorizada a continuar; a imagem capturada, a pontua\u00e7\u00e3o e o resultado final s\u00e3o salvos sob o n\u00famero de s\u00e9rie da pe\u00e7a.<\/p>\n

A quarta etapa \u00e9 frequentemente negligenciada, mas \u00e9 uma das mais importantes. Se o cliente devolver o produto defeituoso, teremos a capacidade de consultar a imagem produzida e descobrir como o defeito se apresentava.<\/p>\n

Inspe\u00e7\u00e3o por Vis\u00e3o AI vs Vis\u00e3o de M\u00e1quina vs AOI<\/h2>\n

Quase toda consulta sobre este tema acaba sendo uma compara\u00e7\u00e3o entre vis\u00e3o de m\u00e1quina e vis\u00e3o AI. Em termos cotidianos, existem quatro modalidades de inspe\u00e7\u00e3o visual da pe\u00e7a, e cada modalidade realiza sua tarefa \u00fanica. Al\u00e9m disso, todas as modalidades, exceto a primeira, pertencem \u00e0 categoria de inspe\u00e7\u00f5es visuais automatizadas.<\/p>\n\n\n\n\n\n\n\n\n\n\n\n
<\/th>\nInspe\u00e7\u00e3o manual<\/th>\nVis\u00e3o de m\u00e1quina baseada em regras<\/th>\nAOI (inspe\u00e7\u00e3o \u00f3ptica automatizada)<\/th>\nInspe\u00e7\u00e3o por vis\u00e3o AI<\/th>\n<\/tr>\n<\/thead>\n
Como decide<\/td>\nJulgamento do operador<\/td>\nRegras que um engenheiro programa: bordas, manchas, medi\u00e7\u00f5es, correspond\u00eancia de padr\u00f5es<\/td>\nRegras e compara\u00e7\u00e3o de refer\u00eancia, constru\u00eddas para PCBs<\/td>\nUm modelo treinado com imagens de pe\u00e7as boas e ruins<\/td>\n<\/tr>\n
Troca para um novo produto<\/td>\nR\u00e1pido, mas depende do treinamento e da aten\u00e7\u00e3o<\/td>\nNovas regras e ajustes, frequentemente de horas a dias<\/td>\nNovo programa de placa a partir de CAD e placas de refer\u00eancia<\/td>\nCarregar um modelo para essa variante; treinar um novo se o produto for novo<\/td>\n<\/tr>\n
O que ele faz bem<\/td>\nDefeitos incomuns, decis\u00f5es de julgamento<\/td>\nDimens\u00f5es, presen\u00e7a\/aus\u00eancia, leitura de c\u00f3digo de barras e c\u00f3digos<\/td>\nJuntas de solda e componentes em placas de circuito<\/td>\nDefeitos vari\u00e1veis: arranh\u00f5es, rachaduras, marca\u00e7\u00e3o danificada, respingos, varia\u00e7\u00e3o de cor<\/td>\n<\/tr>\n
Onde ele falha<\/td>\nFadiga, inconsist\u00eancia, velocidade<\/td>\nVaria\u00e7\u00e3o no brilho, cor ou posi\u00e7\u00e3o para a qual n\u00e3o foi programado<\/td>\nQualquer coisa que n\u00e3o seja uma PCB<\/td>\nTipos de defeitos que nunca viu; mudan\u00e7as na ilumina\u00e7\u00e3o ou material<\/td>\n<\/tr>\n
Rejei\u00e7\u00f5es falsas<\/td>\nVaria por pessoa e turno<\/td>\nAlta quando a apar\u00eancia varia naturalmente<\/td>\nModerada; necessita ajuste por placa<\/td>\nMenor em caracter\u00edsticas vari\u00e1veis uma vez treinado, mas deve ser verificado nas suas pr\u00f3prias pe\u00e7as<\/td>\n<\/tr>\n
Medi\u00e7\u00e3o precisa<\/td>\nN\u00e3o<\/td>\nSim, sua principal for\u00e7a<\/td>\nSim, para caracter\u00edsticas da placa<\/td>\nN\u00e3o \u00e9 seu trabalho; use regras para medi\u00e7\u00e3o<\/td>\n<\/tr>\n
Pode explicar uma rejei\u00e7\u00e3o?<\/td>\nParcialmente<\/td>\nSim: qual regra falhou<\/td>\nSim: qual verifica\u00e7\u00e3o falhou<\/td>\nParcialmente: uma pontua\u00e7\u00e3o e um mapa de calor, n\u00e3o uma regra<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Podemos tirar as seguintes tr\u00eas conclus\u00f5es: continuar o uso de t\u00e9cnicas de vis\u00e3o baseadas em regras para avalia\u00e7\u00e3o de dimens\u00f5es, presen\u00e7a de algo e leitura de c\u00f3digos, pois \u00e9 r\u00e1pido, preciso e simples; e usar a tecnologia de IA para detectar imperfei\u00e7\u00f5es que mudam a cada vez, como arranh\u00f5es, marca\u00e7\u00e3o incompleta e varia\u00e7\u00f5es de cor; tamb\u00e9m \u00e9 necess\u00e1rio lembrar que AOI para PCB e montagens el\u00e9tricas de baixa tens\u00e3o representam problemas diferentes: A m\u00e1quina AOI para placas de circuito n\u00e3o funcionar\u00e1 corretamente com os disjuntores, e as tecnologias de IA empregadas e treinadas nos disjuntores n\u00e3o funcionar\u00e3o com a eletr\u00f4nica dentro do RCBO.<\/span><\/p>\n

O que um Sistema de Inspe\u00e7\u00e3o por Vis\u00e3o AI Realmente Inclui<\/h2>\n

O sistema de inspe\u00e7\u00e3o por vis\u00e3o AI em uma linha de produ\u00e7\u00e3o consiste em cinco componentes. Todos falam sobre o modelo, enquanto os outros quatro componentes decidem se um projeto \u00e9 aceito.<\/p>\n

C\u00e2mera<\/h3>\n

A escolha de uma c\u00e2mera industrial \u00e9 uma c\u00e2mera de varredura de \u00e1rea e a resolu\u00e7\u00e3o depende do tamanho m\u00ednimo do defeito que voc\u00ea deseja identificar. Se voc\u00ea est\u00e1 preocupado com rachaduras de 0,1 mm, precisa ter um n\u00famero suficiente de pixels cobrindo esse comprimento para estabelecer o campo de vis\u00e3o da c\u00e2mera e a resolu\u00e7\u00e3o da c\u00e2mera. Em certos casos, a aplica\u00e7\u00e3o requer o uso de duas c\u00e2meras ou um espelho para ver ambos os lados da pe\u00e7a inspecionada.<\/p>\n

Ilumina\u00e7\u00e3o<\/h3>\n

A ilumina\u00e7\u00e3o \u00e9 uma subse\u00e7\u00e3o separada, pois a maioria das falhas ocorre devido \u00e0 ilumina\u00e7\u00e3o inadequada. Contatos prateados, componentes de cobre e carca\u00e7as brilhantes refletem a luz de v\u00e1rias maneiras, dependendo do \u00e2ngulo do objeto. Luzes de anel, luzes de c\u00fapula, luzes de fundo e luzes de baixo \u00e2ngulo s\u00e3o usadas para revelar diferentes tipos de defeitos. Se a ilumina\u00e7\u00e3o n\u00e3o estiver est\u00e1vel antes do in\u00edcio do treinamento do modelo, o projeto n\u00e3o ter\u00e1 sucesso<\/span>. O modelo aprender\u00e1 os problemas relacionados \u00e0 ilumina\u00e7\u00e3o em vez dos defeitos presentes nas pe\u00e7as inspecionadas.<\/p>\n

Computa\u00e7\u00e3o na Esta\u00e7\u00e3o<\/h3>\n

A infer\u00eancia \u00e9 realizada no computador de borda ou diretamente na c\u00e2mera inteligente na esta\u00e7\u00e3o, mas n\u00e3o na nuvem. \u00c9 muito importante que uma decis\u00e3o seja devolvida ao PLC durante o tempo do ciclo, para que a linha de produ\u00e7\u00e3o n\u00e3o precise esperar pela conex\u00e3o. As imagens s\u00e3o armazenadas em uma nuvem ou em um servidor da f\u00e1brica, onde os modelos s\u00e3o re-treinados.<\/p>\n

O Modelo<\/h3>\n

Dois tipos de modelos s\u00e3o comumente usados nos sistemas de inspe\u00e7\u00e3o. Modelos de classifica\u00e7\u00e3o e segmenta\u00e7\u00e3o s\u00e3o treinados usando amostras de pe\u00e7as normais e defeitos de todos os tipos. O modelo de detec\u00e7\u00e3o de anomalias aprende apenas as propriedades das pe\u00e7as normais e detecta qualquer coisa que pare\u00e7a diferente, o que funciona bem se n\u00e3o houver defeitos. Muitas solu\u00e7\u00f5es utilizam ambos os tipos de modelo mencionados.<\/p>\n

A Comunica\u00e7\u00e3o com o PLC<\/h3>\n

Durante o processo de handshake, o sistema de c\u00e2mera e o PLC trocam alguns sinais simples: pe\u00e7a na posi\u00e7\u00e3o, gatilho, resultado, sucesso ou falha e \u00e0s vezes um c\u00f3digo de defeito. O resultado e as imagens s\u00e3o enviados ao MES usando uma interface padronizada como OPC UA ou Modbus TCP, que permite encontrar qualquer imagem usando um n\u00famero de s\u00e9rie. Nossa vis\u00e3o geral de sensores de automa\u00e7\u00e3o industrial<\/a> explica onde a vis\u00e3o se encaixa entre os outros sensores em uma m\u00e1quina.<\/p>\n

\"\"<\/p>\n

Onde a Inspe\u00e7\u00e3o por Vis\u00e3o AI Pertence em uma Linha de Montagem El\u00e9trica<\/h2>\n

A intelig\u00eancia artificial tem um lugar no contexto da detec\u00e7\u00e3o de defeitos quando se trata de disjuntores e contatores. A tabela abaixo exibe os muitos tipos de processos de inspe\u00e7\u00e3o por vis\u00e3o que podem ser usados e identifica a melhor forma de realiz\u00e1-los, seja por AI, regras ou ambos. O tempo de infer\u00eancia varia entre dezenas de milissegundos, o que ainda \u00e9 aceit\u00e1vel, pois os tempos de ciclo da esta\u00e7\u00e3o s\u00e3o em torno de 2 a 3,5 segundos em um Linha de montagem autom\u00e1tica MCB<\/a>.<\/p>\n\n\n\n\n\n\n\n\n\n\n\n\n
Verifique<\/th>\nO que pode dar errado<\/th>\nRegras ou AI?<\/th>\nPor qu\u00ea<\/th>\n<\/tr>\n<\/thead>\n
Presen\u00e7a de rebite<\/td>\nRebite ausente ou meio fixado<\/td>\nRegras primeiro; AI se o brilho variar muito<\/td>\nA presen\u00e7a \u00e9 simples, mas reflexos causam rejei\u00e7\u00f5es falsas<\/td>\n<\/tr>\n
Posi\u00e7\u00e3o e inclina\u00e7\u00e3o do contato<\/td>\nContato de prata inclinado ou fora do centro<\/td>\nRegras para posi\u00e7\u00e3o; AI para danos na superf\u00edcie<\/td>\nPosi\u00e7\u00e3o \u00e9 uma medi\u00e7\u00e3o; dano n\u00e3o \u00e9<\/td>\n<\/tr>\n
Al\u00e7a e polaridade<\/td>\nAl\u00e7a invertida, ordem errada dos polos<\/td>\nRegras<\/td>\nGeometria fixa, padr\u00e3o claro<\/td>\n<\/tr>\n
Marca\u00e7\u00e3o a laser e OCR<\/td>\nCaracteres ausentes, fracos ou quebrados<\/td>\nAI OCR para marcas danificadas; regras para c\u00f3digos<\/td>\nAI lida melhor com marcas parciais ou de baixo contraste<\/td>\n<\/tr>\n
Rachaduras e marcas de afundamento na carca\u00e7a<\/td>\nDefeitos de moldagem, disparos curtos, varia\u00e7\u00e3o de cor<\/td>\nIA<\/td>\nDefeitos variam em forma e posi\u00e7\u00e3o<\/td>\n<\/tr>\n
Inser\u00e7\u00e3o do terminal<\/td>\nTerminal n\u00e3o totalmente encaixado<\/td>\nRegras ou medi\u00e7\u00e3o 3D<\/td>\nProfundidade \u00e9 uma dimens\u00e3o<\/td>\n<\/tr>\n
Etiquetas e folhas de instru\u00e7\u00e3o<\/td>\nEtiqueta errada, folheto ausente<\/td>\nRegras mais OCR<\/td>\nCorrespond\u00eancia com a receita<\/td>\n<\/tr>\n
Respingo de solda e rebarbas<\/td>\nRespingo nos contatos, rebarbas nas pe\u00e7as soldadas<\/td>\nIA<\/td>\nFormas e tamanhos irregulares<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

As pr\u00f3prias m\u00e1quinas da Benlong usam hoje o lado baseado em regras desta tabela. Em M\u00e1quina de montagem multipolar MCB<\/a>, uma c\u00e2mera CCD verifica o alinhamento da parede lateral e a folga dos polos e posiciona as pe\u00e7as com precis\u00e3o de \u00b10,05 mm antes da rebitagem. O Linha de teste autom\u00e1tico MCB<\/a> inclui inspe\u00e7\u00e3o visual da carca\u00e7a, etiqueta e parafusos. A IA adiciona mais onde os defeitos s\u00e3o irregulares, raz\u00e3o pela qual as carca\u00e7as, marca\u00e7\u00f5es e soldas est\u00e3o no topo da lista.<\/p>\n

O Que a Vis\u00e3o N\u00e3o Deve Julgar<\/h3>\n

Existem defeitos graves em disjuntores que n\u00e3o podem ser determinados visualmente:<\/p>\n

A tecnologia de disparo instant\u00e2neo no tempo;
\nTempo em 1,13 e 1,45 vezes a corrente nominal para disparo t\u00e9rmico;
\nResist\u00eancia de contato;
\nResist\u00eancia diel\u00e9trica;
\nTempo de disparo por corrente residual em RCCBs e RCBOs.<\/p>\n

Um disjuntor pode parecer perfeito, mas ainda assim pode disparar tardiamente. O teste das caracter\u00edsticas mencionadas \u00e9 realizado por um banco de testes, como um m\u00e1quina de disparo magn\u00e9tico e teste de alta tens\u00e3o para MCB<\/a>, que contabiliza um tempo de disparo de \u00b11 ms para cada aparelho testado. Uma c\u00e2mera detecta a apar\u00eancia de uma pe\u00e7a; o teste el\u00e9trico decide se ela funciona corretamente. Uma linha eficiente conecta os resultados do teste de um aparelho com seu n\u00famero de s\u00e9rie \u00fanico.<\/span><\/p>\n

Exemplo: Uma Esta\u00e7\u00e3o de C\u00e2mera em uma Linha de MCB<\/h2>\n

Veja como uma \u00fanica esta\u00e7\u00e3o de vis\u00e3o com IA poderia funcionar em uma linha de disjuntores operando a cerca de tr\u00eas segundos por unidade. Os tempos s\u00e3o valores t\u00edpicos para este tipo de esta\u00e7\u00e3o, n\u00e3o uma especifica\u00e7\u00e3o.<\/p>\n\n\n\n\n\n\n\n\n\n\n
Tempo<\/th>\nO que acontece<\/th>\n<\/tr>\n<\/thead>\n
0,00 s<\/td>\nO disjuntor chega ao suporte e \u00e9 fixado. Um sensor confirma que est\u00e1 na posi\u00e7\u00e3o.<\/td>\n<\/tr>\n
0,05 s<\/td>\nO PLC envia um gatilho. A luz estrobosc\u00f3pica dispara e a c\u00e2mera exp\u00f5e por alguns milissegundos.<\/td>\n<\/tr>\n
0,10\u20130,20 s<\/td>\nA imagem chega ao computador de borda. O modelo verifica os rebites, al\u00e7a, marca\u00e7\u00e3o e carca\u00e7a e retorna uma pontua\u00e7\u00e3o para cada um.<\/td>\n<\/tr>\n
0,25 s<\/td>\nAs pontua\u00e7\u00f5es s\u00e3o comparadas com os limites e um resultado de aprova\u00e7\u00e3o ou reprova\u00e7\u00e3o, com c\u00f3digo de defeito, \u00e9 enviado ao PLC.<\/td>\n<\/tr>\n
0,30 s em diante<\/td>\nEm caso de reprova\u00e7\u00e3o, o PLC direciona o disjuntor para o canal de rejei\u00e7\u00e3o. Em caso de aprova\u00e7\u00e3o, ele segue adiante.<\/td>\n<\/tr>\n
Em paralelo<\/td>\nA imagem, as pontua\u00e7\u00f5es e o resultado s\u00e3o gravados no MES sob o n\u00famero de s\u00e9rie do disjuntor.<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

O processo de troca de uma m\u00e1quina para outra \u00e9 onde a intelig\u00eancia artificial cria valor real. Um disjuntor pode variar entre modelos 1P e 4P, modelos B, C e D, assim como v\u00e1rias classifica\u00e7\u00f5es de corrente em um \u00fanico dia. Com vis\u00e3o baseada em regras, uma troca significa que um engenheiro precisa atualizar as regi\u00f5es a serem observadas e os limites num\u00e9ricos para diferentes modelos. Com vis\u00e3o IA, diferentes fam\u00edlias de produtos t\u00eam seus modelos treinados separadamente, e a receita para mudar a m\u00e1quina tamb\u00e9m \u00e9 usada para selecionar o modelo correto.<\/p>\n

Quando uma nova variante aparece, a equipe precisa coletar imagens, criar o modelo e verific\u00e1-lo antes que se torne operacional. Isso parece complicado, mas deve ser feito apenas uma vez para cada modelo, independentemente de quantas mudan\u00e7as de disjuntor ocorram.<\/p>\n

Como os Fabricantes Usam a Inspe\u00e7\u00e3o por Vis\u00e3o com IA Hoje<\/h2>\n

Alguns exemplos p\u00fablicos mostram o qu\u00e3o difundida a tecnologia est\u00e1 e onde est\u00e3o seus limites.<\/p>\n

Cognex e Keyence: IA em C\u00e2mera Inteligente<\/h3>\n

A Cognex integrou um sistema de deep learning em sua mais recente c\u00e2mera inteligente industrial In-Sight D900 que utiliza a tecnologia ViDi de deep learning para reconhecimento \u00f3ptico de caracteres, verifica\u00e7\u00e3o de montagem e detec\u00e7\u00e3o de defeitos. Sua mais recente In-Sight L38 incorpora IA com vis\u00f5es bidimensionais e tridimensionais e requer apenas de 5 a 10 imagens rotuladas para ser configurada, conforme relatado pela Cognex. Por sua vez, a s\u00e9rie de c\u00e2meras IV4 produzida pela Keyence consiste em funcionalidades de IA para identifica\u00e7\u00e3o de pe\u00e7as, contagem e leitura de caracteres com recomenda\u00e7\u00f5es para imagem ideal. O futuro \u00e9 claro: a integra\u00e7\u00e3o da IA nas c\u00e2meras \u00e9 um fato.<\/p>\n

Siemens: Inspe\u00e7\u00e3o com IA em uma \u00fanica caixa<\/h3>\n

Em 2024, a Siemens adquiriu uma empresa alem\u00e3 chamada Inspekto que fornece inspe\u00e7\u00e3o visual baseada em IA como uma unidade \u00fanica incluindo c\u00e2mera, fonte de luz, lente e software. O treinamento do sistema envolve aproximadamente 20 a 30 imagens de produtos bons; al\u00e9m disso, a instala\u00e7\u00e3o pode ser conclu\u00edda pelos pr\u00f3prios operadores sem necessidade de integra\u00e7\u00e3o. Um projeto de refer\u00eancia realizado pela Siemens envolveu a substitui\u00e7\u00e3o da avalia\u00e7\u00e3o manual de pe\u00e7as estampadas pela tecnologia de IA e permitiu reduzir o n\u00famero de verifica\u00e7\u00f5es manuais em at\u00e9 oitenta por cento.<\/p>\n

BMW e F\u00e1bricas Lighthouse<\/h3>\n

Os sistemas AIQX da BMW coletam informa\u00e7\u00f5es sobre processos de produ\u00e7\u00e3o por meio de c\u00e2meras colocadas na linha de montagem que realizam verifica\u00e7\u00f5es de variantes e completude, al\u00e9m de detectar anomalias em tempo real e fornecer feedback instant\u00e2neo aos operadores. Al\u00e9m disso, a f\u00e1brica de Singapura da Rockwell Automation, mencionada na lista das \u00faltimas Global Lighthouses pelo F\u00f3rum Econ\u00f4mico Mundial, relatou uma redu\u00e7\u00e3o de 35% em defeitos devido aos sistemas de controle de qualidade com IA. Nosso guia para exemplos de f\u00e1bricas farol<\/a> mostra como a inspe\u00e7\u00e3o visual se encaixa no ciclo de dados mais amplo nas plantas da Siemens, Schneider Electric e Eaton.<\/p>\n

Foxconn e Fabrica\u00e7\u00e3o Eletr\u00f4nica: Este \u00e9 o AOI<\/h3>\n

Foxconn Industrial Internet e Wistron est\u00e3o implementando o sistema de vis\u00e3o IA Metropolis da Nvidia para avalia\u00e7\u00e3o automatizada de placas de circuito. O caso impressionante de aplica\u00e7\u00e3o trata apenas da avalia\u00e7\u00e3o de placas de circuito. A inspe\u00e7\u00e3o de outros elementos, como contatos, fixadores e conectores, requer o desenvolvimento de sistemas de ilumina\u00e7\u00e3o espec\u00edficos e modelos \u00fanicos.<\/p>\n

O setor automotivo est\u00e1 escrevendo o manual: AIAG CQI-38<\/h3>\n

Em junho de 2026, a AIAG publicou sua diretriz chamada CQI-38 voltada para tecnologia de inspe\u00e7\u00e3o visual e avalia\u00e7\u00e3o de aplica\u00e7\u00e3o. O documento fornece a OEMs, fornecedores e fabricantes um procedimento padr\u00e3o de avalia\u00e7\u00e3o para qualquer sistema de inspe\u00e7\u00e3o visual baseado em IA. Embora os fabricantes de baixa tens\u00e3o n\u00e3o sejam obrigados a usar o CQI-38, suas medidas preventivas para valida\u00e7\u00e3o tecnol\u00f3gica s\u00e3o recomend\u00e1veis para qualquer pessoa envolvida na avalia\u00e7\u00e3o de tecnologia visual com IA.<\/p>\n

\"\"<\/p>\n

Implantando a inspe\u00e7\u00e3o de vis\u00e3o com IA sem um piloto de seis meses<\/h2>\n

Quando programas piloto de vis\u00e3o com IA se estendem por meses, existem raz\u00f5es comuns para falhas. A lista a seguir ajuda a preveni-las.<\/p>\n

Concentre-se inicialmente em apenas um defeito. Em vez de aplicar a tecnologia de vis\u00e3o a uma linha de produ\u00e7\u00e3o desde o in\u00edcio, selecione um defeito que esteja causando perda financeira hoje, por exemplo, impress\u00f5es ausentes ou carca\u00e7as danificadas.
\nForne\u00e7a a ilumina\u00e7\u00e3o correta e a posi\u00e7\u00e3o das pe\u00e7as antes de capturar as imagens. Durante o processo de treinamento do modelo, a luz e o movimento das pe\u00e7as podem gerar ru\u00eddo em vez de defeitos.
\nColete m\u00faltiplas imagens de qualidade e diferencie os tipos de defeitos. Ao lidar com tipos raros de defeitos, vale a pena realizar a detec\u00e7\u00e3o de anomalias em vez de fingir ter 500 imagens de defeitos que ocorrem duas vezes por m\u00eas.
\nCompare o n\u00famero de rejei\u00e7\u00f5es falsas e falhas de detec\u00e7\u00e3o em seus dispositivos. O n\u00famero fornecido por um fornecedor do modelo demo 99% n\u00e3o significa nada se as carca\u00e7as forem analisadas sob ilumina\u00e7\u00e3o diferente.
\nRealize a infer\u00eancia na borda e dentro do tempo do ciclo das opera\u00e7\u00f5es. A nuvem e o servidor ser\u00e3o utilizados apenas para salvar imagens e re-treinar o modelo.
\nUse o modo sombra para registrar e pontuar as entradas, mas n\u00e3o rejeite nenhuma leitura nessa fase. Esse modo permite estimar a propor\u00e7\u00e3o das conclus\u00f5es da IA em rela\u00e7\u00e3o \u00e0s percep\u00e7\u00f5es do inspetor antes de come\u00e7ar a usar o sistema.
\nRevalide ap\u00f3s cada modifica\u00e7\u00e3o, caso a linha de produ\u00e7\u00e3o seja alterada ou diferentes tipos de dispositivos sejam produzidos.<\/p>\n

Rejei\u00e7\u00f5es Falsas: O N\u00famero Que Decide Se a Linha Mant\u00e9m a C\u00e2mera<\/h2>\n

Dois valores s\u00e3o muito mais significativos do que qualquer valor de precis\u00e3o mencionado em um folheto. A taxa de escape indica quantos itens defeituosos a c\u00e2mera permitiu passar. A taxa de rejei\u00e7\u00e3o falsa nos diz quantos produtos n\u00e3o defeituosos foram descartados.<\/p>\n

Para esclarecer a situa\u00e7\u00e3o, vejamos um exemplo que n\u00e3o foi retirado de uma situa\u00e7\u00e3o real. Uma das linhas de produ\u00e7\u00e3o fabrica um lote de 10.000 disjuntores, entre os quais 50 pe\u00e7as apresentam defeito na superf\u00edcie.<\/p>\n\n\n\n\n\n\n\n\n
<\/th>\nConfigura\u00e7\u00e3o A: limiar rigoroso<\/th>\nConfigura\u00e7\u00e3o B: limiar relaxado<\/th>\n<\/tr>\n<\/thead>\n
Disjuntores defeituosos detectados<\/td>\n49 de 50 (recall de 98,1%)<\/td>\n46 de 50 (recall de 92,1%)<\/td>\n<\/tr>\n
Disjuntores defeituosos n\u00e3o detectados<\/td>\n1<\/td>\n4<\/td>\n<\/tr>\n
Disjuntores bons rejeitados<\/td>\n150 (taxa de rejei\u00e7\u00e3o falsa de 1,5%)<\/td>\n20 (taxa de rejei\u00e7\u00e3o falsa de 0,2%)<\/td>\n<\/tr>\n
Propor\u00e7\u00e3o de rejei\u00e7\u00f5es que s\u00e3o realmente defeituosas<\/td>\n49 de 199, cerca de 25,1% de precis\u00e3o<\/td>\n46 de 66, cerca de 70,1% de precis\u00e3o<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Tudo parece ser detectado pela Configura\u00e7\u00e3o A, mas acontece que tr\u00eas em cada quatro disjuntores rejeitados est\u00e3o perfeitamente bons. Em contraste, a Configura\u00e7\u00e3o B recebe boas avalia\u00e7\u00f5es dos operadores e deixa passar quatro disjuntores defeituosos.<\/p>\n

As implica\u00e7\u00f5es dos dois cen\u00e1rios n\u00e3o s\u00e3o sim\u00e9tricas. Manter um \u00fanico disjuntor defeituoso que pode causar um curto-circuito \u00e9 muito mais custoso do que descartar v\u00e1rios bons. Mas se a taxa de rejei\u00e7\u00e3o falsa for muito alta, os operadores deixar\u00e3o de confiar na c\u00e2mera, come\u00e7ar\u00e3o a reintroduzir pe\u00e7as rejeitadas sem verificar e acabar\u00e3o desligando-a. Portanto, a regra de ouro para lan\u00e7ar o sistema com sucesso \u00e9 proteger a taxa de rejei\u00e7\u00e3o nos defeitos que fazem diferen\u00e7a e, posteriormente, melhorar a taxa de rejei\u00e7\u00e3o falsa instalando melhor ilumina\u00e7\u00e3o, mais imagens de treinamento e diferentes limiares para cada tipo de defeito.<\/p>\n

Vis\u00e3o AI, PLC, MES e o Resto da Linha<\/h2>\n

Uma esta\u00e7\u00e3o de vis\u00e3o forma um componente da pilha de automa\u00e7\u00e3o que ajuda na tomada de decis\u00e3o atrav\u00e9s da c\u00e2mera, da forma que o PLC executa essa decis\u00e3o e o MES arquiva a imagem junto com seu resultado relativo ao n\u00famero de s\u00e9rie relacionado aos resultados dos testes el\u00e9tricos gerados nas etapas sucessivas do processo de produ\u00e7\u00e3o, permitindo assim obter informa\u00e7\u00f5es \u00fateis, n\u00e3o apenas armazenar os dados\uff1a<\/p>\n