Visão computacional na inspeção de qualidade: quando compensa

No fim do turno, o inspetor da linha de embalagem já olhou milhares de tampas, rótulos e lacres. Às três da tarde ele ainda pega o rótulo torto, mas deixa passar um lote com a data de validade borrada, que às oito da manhã ele teria visto com folga. A reclamação chega duas semanas depois, do cliente, e ninguém consegue dizer quantas caixas saíram assim.

No agro e na agroindústria a lógica é a mesma: alguém classifica fruto por tamanho e mancha, conta mudas em bandeja ou confere se o saco certo recebeu a etiqueta certa. Trabalho repetitivo e rápido, em que a atenção humana oscila.

Visão computacional é o uso de câmera e software para analisar a imagem de cada item e tomar uma decisão: aprovar ou rejeitar, medir, contar, ler um código. Na inspeção de qualidade, ela assume ou apoia o olhar do inspetor nas tarefas repetitivas. Às vezes resolve muito bem; às vezes esbarra numa iluminação que muda a cada hora ou num defeito que não aparece na foto. Este texto mostra onde ela funciona, o que exige e quando não vale a pena.

A resposta curta: quando visão computacional vale a pena

Visão computacional na inspeção de qualidade costuma compensar quando quatro condições aparecem juntas:

• O defeito é visível numa imagem. Se um inspetor experiente consegue apontar o problema numa foto bem tirada, uma câmera tem chance. Se ele precisa apalpar, cheirar, pesar ou ouvir, não.
• A tarefa é repetitiva e o volume é alto. Muitas peças por hora, inspeção em todos os itens em vez de amostragem, turnos longos.
• O ambiente pode ser controlado. Posição da peça, distância da câmera e iluminação podem ser padronizadas num ponto da linha.
• Existe o que fazer com a resposta. Um atuador para rejeitar a peça, um alarme para parar a linha ou um registro que alimenta o controle de qualidade.

Quando falta uma delas, a conversa muda: sem ambiente controlado, o esforço vai primeiro para a montagem física; sem ação sobre o resultado, a câmera só gera estatística que ninguém olha.

O limite da inspeção visual humana

O inspetor não é o problema. O problema é a tarefa que pedimos a ele:

• Atenção cai com repetição. Procurar um defeito raro entre muitas peças boas, por horas, cansa.
• Critério varia entre pessoas e turnos. O risco no plástico que um inspetor reprova o outro aprova, e o critério fica na cabeça de quem treinou cada um.
• Amostragem deixa passar. Quando a velocidade da linha não permite olhar tudo, a inspeção vira amostra, e o defeito intermitente escapa.
• Não fica registro. A peça reprovada vai para o refugo sem foto, hora nem lote para investigar a causa.

A visão computacional inspeciona todos os itens no mesmo critério e guarda evidência. O inspetor continua necessário, mas para decidir casos duvidosos e investigar causa.

O que a visão computacional faz na prática

Por trás do nome, há duas famílias de técnica, e saber qual se aplica muda o tamanho do projeto.

Visão clássica, baseada em regras. O software mede coisas que dá para definir com precisão: posição de uma borda, diâmetro de um furo, presença de um componente numa região, cor dentro de uma faixa. Funciona muito bem quando a peça é sempre igual e o defeito é geométrico. Não precisa de milhares de imagens de exemplo, mas é sensível a variações de iluminação e de posição.

Aprendizado de máquina (redes neurais). O modelo aprende com exemplos rotulados o que é peça boa e o que é cada tipo de defeito. Funciona melhor quando o defeito é variável (mancha, trinca, rebarba, sujeira) ou quando o produto é natural e cada unidade é diferente, como fruto, grão ou madeira. Em troca, exige um banco de imagens rotuladas e um processo para retreinar. A escolha entre regra e modelo segue machine learning ou regras de negócio.

Na maioria dos projetos reais, as duas convivem: regra para localizar e medir, modelo para classificar o que a regra não descreve bem.

Defeitos, contagem, leitura de etiquetas e EPIs

Os usos mais comuns se encaixam em poucas categorias:

Leitura de etiqueta é um bom ponto de partida. Validade legível, lote igual ao da ordem de produção e código de barras lido são critérios objetivos, com efeito imediato na rastreabilidade.

Monitoramento de EPI envolve imagem de pessoas. Imagens de trabalhadores são dados pessoais para a LGPD, e reconhecimento facial entra na categoria de dado biométrico, que é sensível. Para verificar uso de capacete não é preciso identificar quem está sem ele: o sistema pode alertar o supervisor da área sem guardar rosto nem nome. Esse desenho, a política de retenção das imagens e a comunicação com a equipe devem ser validados com o jurídico antes da instalação.

Câmera, iluminação e posição: o que importa

A maior parte dos projetos de visão que dão errado erra antes do software. Um modelo excelente não enxerga o que a imagem não mostra.

Iluminação vem antes da câmera

Luz ambiente muda com a hora, a porta do galpão aberta, a lâmpada queimada. A inspeção precisa de iluminação própria e constante, protegida da luz externa por uma cabine. O tipo de luz depende do defeito:

• Luz de fundo (backlight) para silhueta, medição de contorno e furos.
• Luz difusa (domo) para superfícies brilhantes, metal e embalagem plástica, sem reflexo.
• Luz rasante, em ângulo baixo, para realçar risco, amassado e relevo.
• Luz de cor ou filtro específico para aumentar o contraste entre o defeito e o fundo.

Resolução, foco e movimento

O menor defeito que importa precisa ocupar alguns pixels na imagem, não um. Isso define a resolução da câmera e a lente, em conjunto com o tamanho do campo que ela precisa enxergar. Querer inspecionar um palete inteiro e enxergar um risco de um milímetro na mesma foto geralmente não fecha: são duas câmeras, ou duas estações.

Com a peça em movimento, a foto é disparada por um sensor ou pelo CLP, com exposição curta para não borrar. Câmeras industriais com obturador global evitam a distorção de objetos rápidos.

Posição repetível

Quanto mais a peça chega do mesmo jeito, mais confiável a inspeção. Uma guia na esteira ou um gabarito na bancada pode valer mais do que semanas de ajuste no modelo.

Quantas imagens são necessárias para treinar

Não existe número fixo, mas existem fatores que puxam para cima ou para baixo:

• Variação do produto. Peça injetada sempre igual pede menos exemplos do que fruto, madeira ou couro, em que cada unidade é diferente.
• Variação do defeito. Um tipo de trinca é mais fácil de aprender do que dez tipos de mancha.
• Raridade do defeito. Esse é o gargalo mais comum: a linha produz muita peça boa e pouca defeituosa, e o modelo precisa ver exemplos suficientes de cada defeito. Separar e fotografar o refugo durante algumas semanas costuma ser a primeira etapa do projeto.
• Qualidade do rótulo. Duas pessoas marcando a mesma imagem de forma diferente ensinam o modelo a hesitar. Antes de rotular, escreva o critério de aceite com exemplos, como se fosse para treinar um inspetor novo.

Quando o defeito é raro demais, técnicas de detecção de anomalia aprendem só com peças boas e sinalizam o que foge do padrão, ao custo de mais alarmes falsos no início.

E o banco de imagens é um ativo permanente: nova matéria-prima, nova embalagem ou ajuste de máquina mudam a aparência do produto e pedem retreino. O sistema precisa guardar as imagens duvidosas e reprovadas, com a decisão final do inspetor, para alimentar esse ciclo.

Erro aceitável: falso positivo e falso negativo

Nenhum sistema de inspeção, humano ou automático, acerta sempre. A decisão importante é qual erro é mais caro:

• Falso negativo é a peça defeituosa que passa. Em item de segurança ou produto alimentício, é o erro que não se pode tolerar.
• Falso positivo é a peça boa rejeitada. Gera refugo e retrabalho, e se for frequente a operação perde a confiança e desliga o sistema.

O ajuste do modelo move o equilíbrio entre os dois, então a meta é combinada com a qualidade antes do projeto e medida com imagens que o modelo nunca viu. Um caminho comum é a faixa intermediária: o claramente bom passa, o claramente ruim é rejeitado e o duvidoso vai para revisão humana.

Integração com linha, CLP e sistema de qualidade

A câmera que detecta o defeito mas não faz nada com ele é só um painel bonito. O valor aparece quando a inspeção se conecta ao resto da operação:

1. Gatilho. Um sensor ou o CLP avisa que a peça chegou à posição.
2. Processamento perto da linha. O tempo entre a foto e a decisão precisa caber no tempo até o ponto de rejeição. Por isso o processamento costuma rodar num computador industrial ao lado da linha, não na nuvem.
3. Ação. O resultado volta ao CLP por saída digital ou por protocolos industriais como OPC UA ou Modbus, e o CLP aciona o rejeitador, sinaliza ao operador ou para a linha.
4. Registro. Cada inspeção grava resultado, imagem (ao menos das reprovadas), horário, lote e ordem de produção.
5. Análise. Os registros alimentam o sistema de qualidade e os indicadores de produção.

O passo 5 transforma inspeção em melhoria: rejeição que sobe no segundo turno ou após a troca de molde aponta a causa. Esse dado fica muito mais útil quando chega junto com o monitoramento de produção em tempo real e com o PCP sob medida para a indústria, porque cruza defeito com máquina, ordem e matéria-prima.

Quando não vale a pena

Há situações em que a visão computacional não é a melhor resposta, ou ainda não é:

• O defeito não aparece na superfície. Falha interna, vazamento, composição química e resistência mecânica pedem outros sensores ou ensaios.
• O volume é baixo. Poucas peças por dia, grandes e caras, muitas vezes são mais bem inspecionadas por uma pessoa com um bom checklist e registro digital.
• O produto muda o tempo todo. Produção sob encomenda, em que cada lote é diferente, dificulta acumular exemplos.
• O processo ainda está instável. Se o refugo vem de uma causa conhecida e o processo ainda não foi ajustado, corrigir a causa vem antes de inspecionar o efeito.
• Não há onde instalar. Linha sem espaço para cabine de iluminação, ambiente com vapor, poeira ou vibração forte exigem engenharia física que precisa ser avaliada antes.
• Ninguém vai cuidar depois. Sem dono para revisar duvidosos e pedir retreino, o sistema degrada em silêncio.

Para tarefas comuns, como ler código de barras ou conferir presença simples, câmeras inteligentes prontas de fabricantes industriais costumam ser o caminho mais rápido. O sob medida faz sentido quando o defeito é específico do seu produto ou o resultado precisa conversar com os seus sistemas.

Checklist antes de começar

1. Escolha uma estação e um defeito: o que mais gera reclamação ou refugo.
2. Escreva o critério de aceite com fotos de peça boa, ruim e duvidosa.
3. Separe peças reais de cada tipo de defeito e de peças boas, incluindo variações de lote e de turno.
4. Teste a captura com duas ou três montagens de câmera e luz, antes de pensar em modelo.
5. Defina qual erro é mais caro e qual faixa vai para revisão humana.
6. Mapeie a integração: de onde vem o gatilho, para onde vai o resultado, onde fica o registro.
7. Rode em paralelo com a inspeção atual, comparando decisões, antes de deixar a câmera rejeitar sozinha.
8. Nomeie o dono do sistema depois da entrada em produção.

Os fundamentos são os mesmos da previsão de demanda com machine learning: dado bem rotulado, erro medido e resultado que chega ao processo. Outros usos estão em inteligência artificial no blog.

Perguntas frequentes

Visão computacional substitui o inspetor de qualidade?

Não por completo. A visão computacional assume a parte repetitiva da inspeção, avaliando todos os itens com o mesmo critério e guardando evidência de cada decisão. O inspetor continua necessário para julgar os casos duvidosos, revisar as imagens reprovadas, investigar a causa dos defeitos e alimentar o retreino do modelo quando o produto ou o processo muda.

Precisa de câmera industrial para inspeção com visão computacional?

Na maioria das linhas de produção, sim, ou ao menos de uma câmera escolhida para a tarefa. A resolução precisa mostrar o menor defeito com alguns pixels, a lente depende do campo de visão, e peças em movimento pedem exposição curta e, de preferência, obturador global. A iluminação própria e constante pesa tanto quanto a câmera.

Quanto tempo leva um projeto de visão computacional na indústria?

Depende do defeito, da variação do produto e do tempo para juntar exemplos de peças defeituosas, que costumam ser raras. Muitas vezes a primeira etapa é fotografar o refugo por algumas semanas. Depois vêm testes de captura, treinamento e um período rodando em paralelo à inspeção atual, por isso o cronograma é definido em fases após o diagnóstico.

Visão computacional funciona com luz ambiente?

Raramente bem. A luz ambiente muda com a hora do dia, com a porta do galpão aberta ou com uma lâmpada queimada, e essa variação confunde tanto regras quanto modelos de aprendizado de máquina. Uma inspeção confiável usa iluminação própria e constante, protegida da luz externa por uma cabine, com o tipo de luz escolhido conforme o defeito.

Como a Pervian Tech trabalha visão computacional

Na Pervian Tech, começamos pelo problema e pela imagem, não pelo modelo: qual defeito importa, quanto pesa na operação e se aparece de forma confiável numa foto. Antes de desenvolver, testamos a captura com peças reais. Se a câmera não enxerga o defeito, dizemos isso cedo.

Quando o caminho se confirma, desenhamos a solução dentro do nosso trabalho de arquitetura de software: captura, modelo, integração com CLP e sistemas, registro das inspeções e o ciclo de retreino. A visão computacional é uma das frentes da nossa inteligência artificial para empresas, sempre sob medida e combinada com o fornecedor de automação ou de equipamentos quando a montagem física exige.

O atendimento é remoto, em todo o Brasil, e a montagem física é feita junto com a equipe da fábrica ou o fornecedor de automação. Tudo começa por um diagnóstico inicial gratuito; o cronograma é definido em fases depois dele, e o investimento é sob consulta. Se a sua inspeção depende de alguém olhando peça por peça, conte como ela funciona hoje.