VISÃO COMPUTACIONAL PARA INSPEÇÃO VISUAL AUTÔNOMA EM LINHAS DE PRODUÇÃO INDUSTRIAL

Autores

  • Arthur Parente
  • Eduardo Magalhães do Valle
  • Vilson Oliveira
  • Frank Choite Ikuno
  • Weslley Tapajos
  • Luiz Carlos da Silva Garcia Junior
  • Alessandra Duarte Silva

DOI:

https://doi.org/10.47820/recima21.v6i3.6177

Palavras-chave:

Visão computacional. Aplicação de visão. Ambientes industriais.

Resumo

Este artigo tem como objetivo destacar as técnicas de visão computacional utilizadas no projeto IVAP, discutir as etapas de implementação do sistema e analisar os resultados obtidos. Ao longo deste estudo, esperamos contribuir para a literatura existente sobre a aplicação da visão computacional na indústria, citando exemplos de autores como Gerald J. Agin (1980) e Rodrigo Barbosa Davies (2012), que exploraram a prática e eficácia dessas tecnologias em ambientes industriais. A visão computacional tem-se afirmado como uma ferramenta essencial para a inspeção visual nas linhas de produção industrial, promovendo melhorias significativas na qualidade e eficiência dos processos de fabrico. Este estudo aborda a implementação de um sistema avançado de visão computacional no projeto IVAP (Visual Autonomous Product Inspection), desenvolvido em parceria entre o Instituto Conecthus e a Vantiva. A implementação do sistema Keyence CV-X Series foi motivada pela necessidade de realizar inspeções autônomas, padronizando a qualidade do produto sem depender de avaliações manuais, que são propensas a erros. O desenvolvimento do projeto centrou-se na utilização de técnicas sofisticadas de visão computacional, incluindo deteção e classificação de defeitos através de algoritmos de aprendizagem automática para processamento de imagens e análise cosmética de defeitos. As técnicas utilizadas foram estudadas e adaptadas ao contexto industrial, permitindo uma inspeção detalhada dos aspetos cosméticos dos produtos, com exceções mínimas. Essas técnicas, que incluíram ajustes de iluminação, sensibilidade da câmera e algoritmos para detectar manchas e arranhões, foram cruciais para a eficácia do sistema.

Downloads

Os dados de download ainda não estão disponíveis.

Biografias do Autor

  • Arthur Parente

    Instituto Conecthus - Tecnologia e Biotecnologia do Amazonas.

  • Eduardo Magalhães do Valle

    Instituto Conecthus - Tecnologia e Biotecnologia do Amazonas.

  • Vilson Oliveira

    Instituto Conecthus - Tecnologia e Biotecnologia do Amazonas.

  • Frank Choite Ikuno

    Instituto Conecthus - Tecnologia e Biotecnologia do Amazonas.

  • Weslley Tapajos

    Instituto Conecthus - Tecnologia e Biotecnologia do Amazonas.

  • Luiz Carlos da Silva Garcia Junior

    Instituto Conecthus - Tecnologia e Biotecnologia do Amazonas.

  • Alessandra Duarte Silva

    Instituto Conecthus - Tecnologia e Biotecnologia do Amazonas.

Referências

BENBARRAD, T.; SALHAOUI, M.; KENITAR, S. B. et al. Intelligent machine vision model for defective product inspection based on machine learning. Journal of Sensor and Actuator Networks, v. 10, n. 1, p. 7, 2021. DOI: https://doi.org/10.3390/jsan10010007

CHEN, Y. W.; SHIU, J. M. An implementation of YOLO-family algorithms in classifying the product quality for the acrylonitrile butadiene styrene metallization. The International Journal of Advanced Manufacturing Technology, v. 119, n. 11, p. 8257–8269, 2022. https://doi.org/10.1007/s00170-022-08676-5 DOI: https://doi.org/10.1007/s00170-022-08676-5

DAVIES, E. Computer and machine vision: Theory, algorithms, practicalities. 4 ed. [S. l.]: Academic Press, 2012. https://doi.org/10.1016/C2010-0-66926-4 DOI: https://doi.org/10.1016/C2010-0-66926-4

FORSYTH, D.; PONCE, J. Computer vision: A modern approach. 2 ed. [S. l..]: Pearson, 2012.

HÜTTEN, N.; GOMES, M. A.; HÖLKEN, F. et al. Deep learning for automated visual inspection in manufacturing and maintenance: A survey of open-access papers. Applied System Innovation, v. 7, n. 1, 2024. https://doi.org/10.3390/asi7010011 DOI: https://doi.org/10.3390/asi7010011

LI, Y.; HUANG, H.; XIE, Q. et al. Research on a surface defect detection algorithm based on MobileNet-SSD. Applied Sciences, v. 8, n. 9, p. 1678, 2018. DOI: https://doi.org/10.3390/app8091678

LIN, C.-Y.; CHOU, Y.-H.; CHENG, Y.-C. A deep learning-based general defect detection framework for automated optical inspection. In: 2023 IEEE International Conference on Industry 4.0, Artificial Intelligence, and Communications Technology (IAICT). 2023. p. 332–337. https://doi.org/10.1109/IAICT59002.2023.10205799 DOI: https://doi.org/10.1109/IAICT59002.2023.10205799

LIU, W.; ANGUELOV, D.; ERHAN, D. et al. SSD: Single shot multibox detector. In: LEIBE, B.; MATAS, J.; SEBE, N.; WELLING, M. (Eds.). Computer Vision – ECCV 2016. [S. l.]: Springer International Publishing, 2016. p. 21–37. DOI: https://doi.org/10.1007/978-3-319-46448-0_2

LIU, X.; WANG, J.; ZHANG, R. et al. Deep learning-based defect detection for printed circuit boards. In: SHEN, L.; ZHONG, G. (Eds.). Third International Conference on Computer Vision and Pattern Analysis (ICCPA). 2023.p. 127543I). International Society for Optics and Photonics SPIE. https://doi.org/10.1117/12.2684258 DOI: https://doi.org/10.1117/12.2684258

REDMON, J.; DIVVALA, S.; GIRSHICK, R. et al. You only look once: Unified, real-time object detection. In: IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2016. p. 779–788. https://doi.org/10.1109/CVPR.2016.91 DOI: https://doi.org/10.1109/CVPR.2016.91

SERRA, J. Image analysis and mathematical morphology. [S. l.]: Academic Press, 1982.

SILVA, W. R. L. D.; LUCENA, D. S. Concrete cracks detection based on deep learning image classification. Proceedings, v. 2, n. 8, 2018. https://doi.org/10.3390/ICEM18-05387 DOI: https://doi.org/10.3390/ICEM18-05387

STEGER, C.; ULRICH, M.; WIEDEMANN, C. Machine vision algorithms and applications. [S. l.]: John Wiley & Sons, 2018.

SZELISKI, R. Computer vision: Algorithms and applications. [S. l.]: Springer, 2011. DOI: https://doi.org/10.1007/978-1-84882-935-0

THOLEY, N. Digital processing of earth observation images. Surveys in Geophysics, v. 21, p. 209–222, 2000. https://doi.org/10.1023/A:1006714832064. DOI: https://doi.org/10.1023/A:1006714832064

WU, X.; GE, Y.; ZHANG, Q. et al. PCB defect detection using deep learning methods. In: IEEE 24th International Conference on Computer Supported Cooperative Work in Design (CSCWD). 2021. p. 873–876. https://doi.org/10.1109/CSCWD49262.2021.9437846 DOI: https://doi.org/10.1109/CSCWD49262.2021.9437846

ZHU, L.; SPACHOS, P.; PENSINI, E. et al. Deep learning and machine vision for food processing: A survey. Current Research in Food Science, v. 4, p. 233–249, 2021. https://doi.org/10.1016/j.crfs.2021.03.009. DOI: https://doi.org/10.1016/j.crfs.2021.03.009

Downloads

Publicado

28/02/2025

Como Citar

VISÃO COMPUTACIONAL PARA INSPEÇÃO VISUAL AUTÔNOMA EM LINHAS DE PRODUÇÃO INDUSTRIAL. (2025). RECIMA21 -Revista Científica Multidisciplinar - ISSN 2675-6218, 6(3), e636177. https://doi.org/10.47820/recima21.v6i3.6177