Aplicações
| Aplicação | Exemplos |
|---|---|
| Presença e montagem | Componente faltando, peça invertida, tampa, rótulo ou vedação ausente |
| Medição | Dimensões, diâmetros, posição de furos, folgas |
| Leitura de códigos | Códigos de barras 1D, códigos 2D (DataMatrix, QR) e OCR de lote e validade |
| Detecção de defeitos | Riscos, manchas, rebarbas, trincas, falhas de injeção ou de impressão |
| Classificação | Separação de peças por modelo, cor ou qualidade |
Visão clássica ou deep learning?
| Critério | Visão clássica | Deep learning |
|---|---|---|
| Melhor para | Medição, presença, códigos e defeitos bem definidos | Defeitos variáveis, difíceis de descrever por regra, como texturas e aparência |
| Imagens necessárias | Poucas imagens para ajuste | Um conjunto maior de imagens rotuladas, incluindo exemplos de defeito |
| Como decide | Regra explícita, fácil de auditar | Decisão aprendida, validada estatisticamente |
| Hardware | Câmera inteligente ou PC industrial | PC industrial com GPU ou acelerador de IA |
Em muitos projetos a solução combina os dois: regras clássicas para medir e localizar a peça, e deep learning para julgar defeitos de aparência.
Em máquinas com comando Beckhoff, o processamento de imagem pode rodar dentro do próprio controle com o TwinCAT Vision, sincronizado com o movimento da máquina.
Iluminação e óptica vêm primeiro
A maior parte dos problemas de visão se resolve, ou nasce, na imagem. Iluminação (backlight, domo, barra, coaxial), lente, resolução e tempo de exposição para peças em movimento definem se o defeito aparece com contraste suficiente. Por isso testamos a viabilidade com peças reais, boas e ruins, antes de fechar o projeto.
Integração com a linha
- Resultado enviado ao CLP para aprovar, rejeitar ou desviar a peça.
- Imagens e resultados armazenados para rastreabilidade e análise de refugo.
- Estatísticas de aprovação e rejeição na IHM ou no supervisório.
- Receitas por produto, para trocar de modelo sem reprogramar.
Como calcular o retorno
O retorno de um sistema de visão vem de três fontes: menos horas de inspeção manual, menos defeitos que chegam ao cliente e menos refugo por detecção mais cedo no processo. Para estimar, reúna: peças por hora, turnos por dia, taxa de defeito, custo de um defeito que chega ao cliente, custo da inspeção manual atual e investimento estimado. Com esses números calculamos o payback junto com você.
Como funciona
- Amostras e critériosPeças boas e ruins e a definição do que é defeito, acordada com a qualidade.
- Teste de viabilidadeEnsaios de iluminação, óptica e algoritmo com as peças reais.
- ProjetoCâmera, lente, iluminação, fixação, proteção e integração elétrica.
- Desenvolvimento e integraçãoAlgoritmo, comunicação com o CLP e telas de operação.
- ValidaçãoLote de peças conhecidas para medir taxa de falsa rejeição e de escape antes de liberar a produção.