Visão de Máquina Para a Detecção de Defeitos

Juan Ibarra para Mouser Electronics

A seleção de frutas e legumes em uma instalação de triagem e embalagem é incrivelmente complexa. É preciso considerar tamanho, cor, defeitos e muito mais – para tudo. Além disso, isso precisa ser feito muito rapidamente para garantir a qualidade do produto quando ele chegar ao consumidor. No passado, tudo era feito manualmente, com dezenas de operadores separando e embalando manualmente as frutas. Agora, esse processo é racionalizado pela visão de máquina em armazéns grandes e pequenos. Com o uso de plataformas de iluminação óptica de alta qualidade, hardware de aquisição de imagens e software bem ajustado, as máquinas industriais podem obter imagens de alta qualidade necessárias para uma detecção precisa de defeitos. Sendo assim, a visão de máquina melhora muito a eficiência, a qualidade e a confiabilidade.

As complexidades da detecção de defeitos

Varejistas e clientes diferentes têm requisitos diferentes para a detecção de defeitos. Além disso, os produtos alimentícios, especificamente, têm uma vida útil variável com base no seu estado no ponto de inspeção. Como se isso não fosse suficientemente complicado, a classificação de defeitos é bastante subjetiva quando depende do olho humano. E tudo isso deve ser feito muito rapidamente, principalmente em relação às operações de embalagem. Ao contrário da indústria médica, a precisão total não é exigida, mas o processo deve ser rápido e confiável. Estamos falando sobre um transportador que processa até quinze maçãs por segundo; multiplique isso por seis ou mais pistas e diversas máquinas e toneladas de produtos serão processadas a cada hora, todos os dias.

As condições nos ambientes industriais também criam um grande desafio para a detecção de defeitos. As instalações de embalagem são ambientes muito agressivos para os sensores, em razão da poeira e das variações de temperatura. As máquinas precisam operar em temperaturas acima de 40 °C e ser capazes de funcionar quando há partículas no ar.

Como a Visão de Máquina Melhora a Detecção de Defeitos

Atualmente, a visão de máquina é uma das principais tecnologias usadas para substituir a inspeção visual e manual para detecção de defeitos. Os sistemas recebem e processam automaticamente imagens de objetos reais por meio de dispositivos ópticos e sensores. Enquanto a percepção humana é limitada ao lado visível do espectro eletromagnético, a tecnologia de visão de máquina abrange todo o espectro, desde raios gama até ondas de rádio. Combinada a algoritmos de processamento de imagem, a visão de máquina exerce a tarefa perfeita de detectar defeitos em um nível de precisão, escala e velocidade que seriam impossíveis com o uso das alternativas tradicionais.

A habilidade da visão de máquina de melhorar a eficiência da detecção de defeitos, melhorar o desempenho em tempo real e reduzir processos manuais a torna uma tecnologia vital para processos industriais em grande escala. Sendo assim, a visão de máquina emergiu como a principal tecnologia envolvida na fabricação inteligente. Hoje em dia, o diagnóstico de célula está no software para tudo: tensões elétricas, câmeras, sinais, pulsos, solenoides faltantes entre outros. Tudo está limitado à capacidade de incorporar vários autodiagnósticos que podem sinalizar a um engenheiro mecânico ou eletrônico, quando necessário, para garantir a eficácia e a confiabilidade contínuas do sistema.

A Tecnologia Por Trás dos Sistemas de Visão de Máquina

A maioria dos sistemas de inspeção visual em ambientes industriais compreende uma plataforma de iluminação óptica, hardware de aquisição de imagens, como câmeras, e algoritmos de processamento de imagens para realizar classificações. O processamento e a análise de imagens são essenciais para habilitar os computadores a entender, analisar e executar ações com base nos recursos de imagem.

Os sistemas de visão de máquina usam um amplo espectro de luz – ultravioleta, luz invisível, infravermelho e assim por diante – para plataformas de iluminação óptica. Luzes diferentes são apropriadas para defeitos diferentes e, portanto, precisam ser testadas. No entanto, não se trata apenas de observar as cores; um sistema de visão de máquina pode medir componentes químicos – por exemplo, o conteúdo de clorofila das frutas. Dessa forma, um sistema de visão de máquina pode medir com muito mais precisão o quão madura uma fruta está, em comparação com confiar apenas na cor. O mesmo processo ocorre para defeitos: marcas e manchas produzem uma assinatura espectral diferente. Ao aplicar um sensor e combiná-lo com câmeras e luzes, a detecção de defeitos passa a ser muito mais ampla. Isso funciona até mesmo para deterioração que não é visível externamente. Com o comprimento de onda espectral correto no infravermelho, a detecção de certos tipos de defeitos pode ser feita sem tocar no item em questão.

É evidente que, por mais sofisticados que sejam os sistemas de iluminação óptica e as câmeras, eles apenas produzem a imagem. O software do computador processa essa imagem, toma uma decisão e ativa solenoides para remover itens do transportador. Isso exige hardware, plataforma de software, drivers, protocolos de rede e muito mais. System-on-Modules (SOMs) são frequentemente usados para simplificar o processo de desenvolvimento e habilitar a incorporação de sensores, câmeras e sistemas de Internet das Coisas (IoT). Uma dessas soluções são os SOMs Digi International ConnectCore® 93, desenvolvidos para uma ampla gama de aplicações médicas, industriais, de energia e de transporte. Os módulos Digi ConnectCore são destinados a dispositivos de ponta de última geração, oferecendo interfaces de computação e câmera de alto desempenho que são ideais para oferecer confiabilidade industrial a dispositivos conectados e incorporados. As especificações notáveis incluem um núcleo Cortex-M33, uma unidade de processamento microneural Arm Ethos U65 de inteligência artificial/aprendizado de máquina (AI/ML) e um circuito integrado de gerenciamento de energia NXP para máxima eficiência de energia.

Como a Inteligência Artificial (IA) e Aprendizagem Profunda (Deep Learning) Estão Mudando os Sistemas de Visão de Máquina

Embora possa ter havido alguma hesitação inicial em usar IA, agora ela está entrando cada vez mais nos processos de fabricação. Antes da IA, o desenvolvimento de um algoritmo de processamento de imagem precisava ser baseado na análise da morfologia, na criação de limites e na realização de medições e comparações para detectar um defeito. Tudo era muito complexo, quase completamente manual e, em última análise, envolvia principalmente tentativa e erro. Com IA e aprendizagem profunda, é possível capturar milhares de imagens, classificá-las e depois treinar a IA nesses dados.

A IA elimina a indecisão e a subjetividade humanas e garante a confiabilidade dos sistemas de visão de máquina. Os dados de treinamento inicial são críticos e, embora ainda envolvam um processo manual, o treinamento contínuo desses algoritmos de aprendizagem profunda é essencial, porque, a cada ano, surgem diferentes requisitos e sistemas. No entanto, podem ser implementadas máquinas que salvam imagens constantemente de forma automática, para que, quando forem necessárias alterações, os dados necessários estejam disponíveis para a ação. À medida que avançamos, a IA irá, sem dúvida, dominar a forma como os defeitos são detectados e classificados em ambientes industriais.

O Futuro da Visão de Máquina Dentro do Ambiente Industrial

No momento da redação, o processamento de todas essas informações exige computadores muito poderosos com placas incrivelmente caras, e essas são máquinas e sistemas de grande porte. Imagino que no futuro todos esses sistemas sofisticados e dispendiosos serão incorporados em sistemas menores que serão integrados nas próprias câmeras. Como acontece com tudo, você começa com uma ferramenta grande e depois a torna mais econômica e acessível. Então, no final, talvez não sejam necessárias 50.000 imagens para classificar um defeito. Se as tendências de visão de máquina continuarem, provavelmente veremos a simplificação de tudo, com custos de sistemas eletrônicos reduzidos e todos esses elementos integrados em um sistema holístico.

Outro desenvolvimento importante na detecção de defeitos é a detecção de defeitos internos. Por exemplo, com a classificação de produtos, o uso de espectrômetros habilita os fabricantes a detectar características como níveis de suco ou teor de açúcar e gordura. Por enquanto, estes sensores sofisticados são muito dispendiosos e mantê-los calibrados é complicado. No entanto, à medida que as expectativas dos clientes continuam a crescer, também aumentará o uso destes sensores baseados em espectrômetros, permitindo que os fabricantes ofereçam um nível ainda mais alto de serviço ao cliente.

Conclusão

A detecção de defeitos sempre foi um processo complexo, especialmente para produtos alimentícios. No entanto, a visão de máquina aproveita plataformas de iluminação óptica de alta qualidade, hardware de aquisição de imagem e software finamente ajustado para obter as imagens de alta qualidade necessárias para melhorar a detecção de defeitos. Os sistemas de visão de máquinacontinuarão a melhorar a eficiência, a qualidade e a confiabilidade da detecção de defeitos, especialmente à medida que as tecnologias avançam e surgem no futuro.