Deteção de defeitos com IA na manufatura: guia de estudo de caso

Um projeto de deteção de defeitos com IA na manufatura coloca câmaras e um modelo de visão treinado na linha: cada peça é comparada com uma imagem aprendida do que é "bom" e sinalizada quando se desvia. Os estudos de caso úteis mostram o método, os dados e as métricas, e admitem com franqueza que o piloto, e não o modelo, decide o sucesso.

Pontos principais

• A inspeção visual humana é menos fiável do que a maioria das fábricas supõe: num estudo da Sandia, inspetores com formação detetaram 85% das peças defeituosas e rejeitaram por engano 35% das peças boas.
• Um sistema funcional tem cinco partes: câmara e iluminação, pré-processamento de imagens, um modelo de deteção, uma ação de rejeição ou alerta e um ciclo de feedback para retreino.
• Avalie um estudo de caso pelos números de antes e depois, pelos tipos de defeito cobertos, pela taxa de falsa rejeição e pelo duração do piloto. Trate qualquer número sem linha de base como marketing.
• Envolva os inspetores desde o primeiro dia. Eles sabem como os defeitos realmente aparecem e onde as imagens enganam, e o modelo é tão bom quanto as anotações que recebe deles.
• Planeie para mudanças de plataforma: a AWS encerrou o Amazon Lookout for Vision em 31 de outubro de 2025, portanto mantenha as suas imagens e rótulos portáveis.

O que um estudo de caso de deteção de defeitos com IA realmente comprova?

Um bom estudo de caso comprova que um modelo específico detetou defeitos específicos numa linha específica, em comparação com uma linha de base medida. Ele não comprova que o mesmo resultado se repetirá com as suas peças, a sua iluminação ou a velocidade da sua linha.

Muitos "estudos de caso" publicados omitem justamente o que importa. Citam uma taxa de deteção sem dizer quantas amostras defeituosas havia no conjunto de teste, ou informam o ROI sem mostrar a base de custos. Antes de confiar num número, faça quatro perguntas:

• Qual era a linha de base? Inspeção manual, amostragem ou um sistema de câmaras baseado em regras. Cada um dá um ponto de partida diferente.
• Quais classes de defeito estavam no âmbito? Riscos e amassados são mais fáceis do que fissuras finas ou contaminação.
• O que aconteceu com as peças boas? Um modelo que rejeita peças boas demais apenas transfere o custo das falhas não detetadas para sucata e retrabalho.
• Por quanto tempo operou em produção? Um piloto de duas semanas sob iluminação controlada diz pouco sobre o sexto mês, quando um novo fornecedor muda o acabamento da superfície.

Por que a inspeção manual deixa espaço para melhoria

A inspeção manual é flexível, mas inconsistente, e essa inconsistência aparece tanto em defeitos não detetados quanto em sucata desnecessária.

A evidência pública mais clara vem de um estudo do Sandia National Laboratories sobre a fiabilidade da inspeção visual. Oitenta e dois inspetores examinaram 140 peças em busca de oito tipos de defeito. Rejeitaram corretamente 85% dos itens defeituosos, mas também rejeitaram 35% das peças aceitáveis. Os autores observam que a taxa de acerto não ficou muito acima da média do setor, de cerca de 80%, e que a tarefa era mentalmente exigente.

Esses números vêm de peças de precisão num contexto de alto risco, portanto não são uma referência universal. Mesmo assim, mostram os dois modos de falha que qualquer sistema automatizado precisa superar: defeitos que escapam e falsas rejeições. Fadiga, trocas de turno e limiares pessoais diferentes entre os inspetores fazem esses números oscilar.

O controlo estatístico de processo (CEP) ajuda a identificar tendências, mas trabalha com medições amostrais, feitas depois do facto. Ele indica que um processo está a sair do controlo, não que a peça número 4.312 tem uma fissura. A inspeção por câmaras preenche essa lacuna ao verificar cada unidade na velocidade da linha.

Um exemplo público: a plataforma AIQX da BMW

O BMW Group descreve a sua plataforma interna AIQX ("Artificial Intelligence Quality Next") como parte central do seu sistema de produção. Segundo o artigo da própria BMW sobre a AIQX, câmaras e sensores ao longo da linha transportadora alimentam modelos de IA que analisam os dados em tempo real e enviam feedback à equipa da linha em dispositivos inteligentes.

Os exemplos citados pela BMW são práticos, e não de grande apelo mediático:

• Confirmar que a variante correta foi montada e que uma montagem está completa.
• Identificar um item ausente, como um triângulo de sinalização, e alertar a equipa e os sistemas de produção.
• Acoustic Analytics na fábrica de Dingolfing: microfones registam o ruído de rolamento e um modelo de IA o classifica como verificação final antes da entrega.

A BMW não publica nesse artigo números de taxa de defeitos ou de ROI para a AIQX, por isso não citamos nenhum. A lição está no desenho: muitas verificações estreitas e bem definidas, integradas à linha e às pessoas, em vez de um único modelo que "vê tudo".

Exemplo prático: inspeção do alinhamento de painéis solares

Para tornar o método concreto, veja como costuma ser construído um pipeline de inspeção por câmaras para a montagem de painéis solares. Os painéis exigem alinhamento submilimétrico de células e fitas, e pequenas fissuras ou deslocamentos reduzem a geração mais tarde, em campo.

Observe que as etapas 2 a 4 são visão computacional clássica, não aprendizagem profunda. Verificações de geometria com tolerâncias claras costumam ser mais fiáveis e mais fáceis de explicar com regras. A aprendizagem profunda justifica-se na etapa 5, em que os defeitos variam demais para serem descritos por regras.

Quais modelos são usados na deteção de defeitos?

As redes neurais convolucionais (CNNs) são a escolha padrão para classificar e localizar defeitos visíveis. Quando há poucas amostras defeituosas, modelos de deteção de anomalias, como os autoencoders, aprendem como são as peças normais e sinalizam tudo o que reconstroem mal. Imagens sintéticas, por exemplo de modelos generativos, podem acrescentar exemplos de defeitos raros, mas nunca devem ser os seus únicos dados de teste.

Como conduzir um piloto que gere um estudo de caso de verdade

Um piloto deve responder a uma única pergunta: este modelo, nesta linha, supera a inspeção atual em defeitos não detetados e falsas rejeições a um custo aceitável?

1. Escolha uma estação e duas ou três classes de defeito. Prefira as que custam dinheiro de verdade em sucata, retrabalho ou devoluções.
2. Meça primeiro a linha de base. Registe a taxa atual de defeitos não detetados, a taxa de falsa rejeição e o tempo de inspeção por unidade por pelo menos algumas semanas.
3. Resolva a parte ótica antes do modelo. Iluminação, lente e fixação causam mais falhas do que a escolha do modelo. Teste com a velocidade real da linha transportadora.
4. Monte um conjunto de dados rotulado junto com os inspetores. Combinem um catálogo de defeitos com fotos de cada classe e de casos limítrofes.
5. Execute em modo sombra. Deixe o sistema sinalizar peças enquanto as pessoas continuam a decidir. Compare os dois nas mesmas unidades.
6. Defina os limiares junto com qualidade e produção. Cada limiar troca defeitos não detetados por sucata.
7. Registe os resultados com a linha de base. Esse documento é o seu estudo de caso interno e a base para escalar.

Por que os inspetores são o que mais importa

Uma equipa que constrói o sistema sem os inspetores tende a ignorar a forma como os defeitos são realmente reconhecidos e onde as imagens costumam ser mal interpretadas. Os inspetores sabem quais marcas são inofensivas, quais ângulos escondem fissuras e quais "defeitos" são apenas reflexos. Envolva-os na rotulagem e nas revisões de limiares e ofereça uma forma simples de contestar uma decisão do modelo. Essas contestações tornam-se os seus melhores dados de retreino.

Escolhas de nuvem, edge e plataforma

A inferência normalmente corre no edge, ao lado da linha, porque a decisão de rejeitar muitas vezes precisa sair em milissegundos e a linha deve continuar a funcionar se a rede cair. A nuvem é o lugar certo para armazenar imagens, rotular, treinar e monitorizar a precisão dos modelos em toda a frota de linhas.

Mantenha os seus dados portáveis. A AWS fechou o Amazon Lookout for Vision para novos clientes em outubro de 2024 e o descontinuou em 31 de outubro de 2025, remetendo os utilizadores para o Amazon SageMaker, o Amazon Bedrock e soluções de parceiros, conforme explicado na orientação de migração da AWS. As equipas que guardavam as próprias imagens e rótulos em formatos abertos conseguiram migrar. As que tinham apenas um modelo dentro do serviço tiveram de recomeçar.

Motivos comuns para projetos travarem

• Poucas imagens de defeitos. Linhas boas geram poucos defeitos. Comece a coletar peças rejeitadas e imagens meses antes do treino.
• Deriva da iluminação. Uma lâmpada substituída ou a luz do sol entrando por uma janela pode quebrar um modelo que funcionava no piloto.
• Mudanças de produto. Novas variantes exigem novos rótulos. Reserve orçamento para o retreino como operação normal, não como projeto.
• Ninguém responsável após o go-live. Alguém precisa acompanhar semanalmente as taxas de falsa rejeição e ser responsável pelo ciclo de retreino, tal como alguém é responsável por uma máquina.
• Integração deixada para o fim. O sinal do PLC, o mecanismo de rejeição e o registo no MES levam tanto tempo quanto o modelo.

Como a Opsio ajuda

A Opsio constrói e opera sistemas de inspeção visual automatizada e oferece consultoria em visão computacional com equipas em Karlstad e Bangalore. Começamos com um piloto delimitado numa estação, medimos a linha de base junto com a sua equipa de qualidade e configuramos a parte de nuvem para imagens, treino e monitorização de modelos, como parte dos nossos serviços de dados e IA. Para uma comparação lado a lado das ferramentas, veja o nosso guia para comparar sistemas de deteção de defeitos para linhas de produção.

Perguntas frequentes

Qual é a precisão da deteção de defeitos com IA em comparação com inspetores humanos?

Depende do defeito e da configuração, por isso peça o conjunto de teste por trás de qualquer afirmação de precisão. A comparação útil é com a sua própria linha de base: o estudo da Sandia constatou que inspetores com formação detetaram 85% das peças defeituosas ao mesmo tempo que rejeitaram 35% das boas, o que mostra quanto espaço um sistema bem construído pode ter.

Que tipos de defeito a visão computacional consegue detetar?

Defeitos de superfície, como riscos, amolgadelas, lascas e manchas; falhas geométricas, como desalinhamento ou dimensões erradas; e falhas de montagem, como componentes ausentes ou incorretos. Defeitos internos exigem outros sensores, por exemplo raios X, ultrassons ou verificações acústicas.

Quantas imagens são necessárias para treinar um modelo de deteção de defeitos?

Não há um número fixo. Modelos de deteção de anomalias podem partir apenas de imagens de peças boas, enquanto classificadores precisam de exemplos rotulados de cada classe de defeito. Planeie coletar imagens por semanas antes do treino e continue a acrescentar os casos contestados depois.

Quanto tempo dura um piloto de inspeção visual com IA?

A maior parte do tempo vai para a medição da linha de base, a parte ótica e a rotulagem, e não para o treino do modelo. O que torna o resultado crível é uma execução em modo sombra longa o bastante para captar a variação normal entre turnos, lotes e fornecedores.

O que substituiu o Lookout for Vision na AWS?

A AWS não lançou um sucessor direto. A orientação aponta para o Amazon SageMaker, incluindo modelos pré-treinados de deteção de defeitos no SageMaker JumpStart, o Amazon Bedrock para casos de uso sem exigências rígidas de latência e soluções de parceiros.