# Visão computacional na inspeção de qualidade: quando compensa

> Visão computacional na inspeção de qualidade: onde câmera e IA pegam defeitos, contam peças e leem etiquetas, o que a imagem exige e quando não compensa.

Fonte: https://pervian.tech/blog/visao-computacional-na-inspecao-de-qualidade · Pervian Tech · publicado em 2026-10-01

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](https://pervian.tech/blog/machine-learning-ou-regras-de-negocio).

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:

| Aplicação | Exemplos na indústria e no agro | O que costuma decidir o sucesso |
|---|---|---|
| Detecção de defeito | Trinca em peça injetada, rebarba, solda falha, mancha em fruto, grão quebrado | Defeito visível e iluminação que o realce |
| Presença e montagem | Tampa, lacre, parafuso, componente na placa, bula na caixa | Posição repetível da peça |
| Medição dimensional | Diâmetro, comprimento, alinhamento de rótulo, nível de envase | Câmera calibrada e distância fixa |
| Contagem | Peças em bandeja, caixas no palete, mudas, ovos, animais em corredor | Objetos que não se sobrepõem demais |
| Leitura de código e texto | Código de barras, QR, data de validade, lote impresso, placa de identificação | Contraste da impressão e foco |
| Classificação | Fruto por calibre e cor, peça por modelo, sucata por tipo | Classes bem definidas e exemplos de todas |
| Segurança do trabalho | Uso de capacete, óculos e colete em área de risco, pessoa em zona proibida | Câmeras cobrindo a área e regra clara do que fazer com o alerta |

**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](https://pervian.tech/blog/rastreabilidade-de-lotes).

**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](https://pervian.tech/blog/integrar-balancas-e-equipamentos-ao-sistema), 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](https://pervian.tech/blog/sistema-de-nao-conformidades) 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](https://pervian.tech/blog/monitoramento-de-producao-em-tempo-real) e com o [PCP sob medida para a indústria](https://pervian.tech/blog/sistema-de-pcp-sob-medida-para-industria), 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](https://pervian.tech/blog/app-de-checklist-e-inspecao).
- **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](https://pervian.tech/blog/previsao-de-demanda-com-machine-learning): dado bem rotulado, erro medido e resultado que chega ao processo. Outros usos estão em [inteligência artificial no blog](https://pervian.tech/blog/categoria/inteligencia-artificial).

## 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](https://pervian.tech/servicos/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](https://pervian.tech/solucoes/inteligencia-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](https://pervian.tech/#contato).