⚠️ This is a preview of an article. The content has not been published.

Article

November 19, 2026

Reconhecimento de falhas por imagens: visão computacional para identificação de defeitos em processos industriais

Laila Michely Stence; Christian Eric Barrantes Briceño

DOI: 10.22167/2675-6528-202603842

Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.

Resumo

A automação da inspeção de qualidade em processos industriais, impulsionada pela Indústria 4.0, enfrenta desafios devido à dependência de métodos manuais, suscetíveis a falhas e com limitações de escalabilidade. Desenvolveu-se e avaliou-se um sistema de visão computacional para identificar defeitos em peças metálicas a partir de imagens digitais, visando reduzir a dependência da inspeção manual. A pesquisa, de natureza aplicada e abordagem quantitativa experimental, utilizou conjuntos de imagens de bases públicas de anomalias industriais. Os dados foram pré-processados e aumentados, e uma rede neural convolucional foi implementada, combinando arquitetura própria e transfer learning. O conjunto de dados foi dividido em subconjuntos de treinamento, validação e teste. Os resultados demonstraram a eficácia do modelo na classificação de defeitos, avaliada por métricas como acurácia, precisão, recall e F1-score, e análise da matriz de confusão. Observou-se uma capacidade inicial de classificação, embora os resultados demandem maior detalhamento e evidências visuais para análise aprofundada. Concluiu-se que o modelo desenvolvido atendeu aos objetivos propostos, evidenciando potencial para aplicação em ambientes industriais que requerem maior confiabilidade, padronização e eficiência no controle de qualidade.

Palavras-chave: Aprendizado profundo; Controle de qualidade; Inspeção automatizada; Manufatura digital; Redes neurais convolucionais.

1. Introdução

A transformação digital, impulsionada pela Indústria 4.0, tem redefinido os sistemas produtivos por meio da integração de tecnologias emergentes. A Internet das Coisas, a inteligência artificial, a automação e a análise de dados em larga escala são pilares desse novo cenário. Nesse contexto, a inspeção de qualidade assume um papel estratégico, essencial para garantir padrões de excelência industrial e mitigar perdas operacionais.

Contudo, uma parcela significativa dos processos industriais ainda se baseia em inspeções manuais. Essa abordagem é inerentemente suscetível a falhas humanas, carece de padronização consistente e apresenta limitações de escalabilidade, o que ressalta a urgência de soluções automatizadas mais robustas e reprodutíveis (Nguyen et al., 2022).

A visão computacional, um campo da inteligência artificial, emerge como uma tecnologia promissora. Ela visa replicar a capacidade humana de interpretar imagens e vídeos, permitindo que máquinas compreendam o ambiente visual (Goodfellow et al., 2016). Essa tecnologia emprega algoritmos de aprendizado de máquina e, notadamente, redes neurais convolucionais para detectar, classificar e analisar padrões complexos em imagens.

No ambiente industrial, as redes neurais convolucionais têm demonstrado alta eficácia na inspeção de superfícies, soldas, circuitos e componentes metálicos. Sua aplicação contribui para a redução do tempo de análise e para o aumento da confiabilidade dos processos de inspeção (Zhang et al., 2023).

Apesar dos avanços tecnológicos, a implementação de sistemas de visão computacional ainda enfrenta desafios. Entre eles, destacam-se a escassez de bases de dados específicas, a necessidade de ajustes finos nos modelos e as limitações de recursos computacionais (Silva e Oliveira, 2021). Diante disso, há uma demanda por soluções acessíveis, robustas e adaptáveis que possam operar em diversos cenários industriais.

Este estudo foca no processo de inspeção de qualidade de peças metálicas em linhas de produção automatizadas. Este é um setor onde defeitos visuais, como trincas, deformações e irregularidades de superfície, são frequentes e críticos para a segurança e o desempenho do produto final. A identificação precisa desses defeitos é fundamental para a qualidade e a segurança dos produtos.

A automação da inspeção de qualidade pode gerar ganhos significativos para a indústria, incluindo a redução de custos, erros e retrabalhos, além de estar alinhada com a transformação digital e os preceitos da Indústria 4.0. Dessa forma, o presente trabalho tem como objetivo desenvolver e avaliar um sistema de visão computacional capaz de identificar defeitos em objetos de um processo industrial, utilizando redes neurais convolucionais e técnicas de aprendizado de máquina, visando aprimorar o processo de inspeção de qualidade e reduzir a dependência de métodos manuais.

2. Material e Métodos

A pesquisa realizada caracterizou-se por sua natureza aplicada, com o propósito de desenvolver e testar uma solução tecnológica no contexto industrial. Adotou-se uma abordagem metodológica quantitativa e um delineamento experimental, visando aprimorar o processo de inspeção de qualidade de peças metálicas. Este estudo focou na automação da identificação de defeitos visuais, como trincas, deformações e irregularidades de superfície, em ambientes de manufatura automatizada.

O método de pesquisa foi estruturado em cinco etapas sequenciais e interdependentes, concebidas para garantir clareza, coerência científica e reprodutibilidade. Inicialmente, realizou-se uma revisão bibliográfica para fundamentação teórica. Em seguida, procedeu-se à coleta e preparação dos dados. A terceira etapa envolveu a implementação do modelo preditivo, seguida pelo treinamento, validação e avaliação de desempenho. Por fim, desenvolveu-se um protótipo funcional.

Para o desenvolvimento do sistema, empregou-se a linguagem de programação Python, amplamente utilizada em ciência de dados e aprendizado de máquina. As bibliotecas TensorFlow/Keras e PyTorch foram selecionadas para a construção, treinamento e validação das redes neurais convolucionais, com suporte à execução em GPU. O ambiente Google Colab foi utilizado para a execução em nuvem, aproveitando seus recursos de aceleração computacional.

O pré-processamento das imagens foi realizado com o auxílio da biblioteca OpenCV, que permitiu operações como redimensionamento, segmentação e normalização. Para a análise estatística e o cálculo das métricas de desempenho, utilizou-se a biblioteca Scikit-learn. Adicionalmente, o framework Streamlit foi empregado para a criação de uma interface interativa, destinada à demonstração prática do modelo desenvolvido.

Os dados empíricos consistiram em conjuntos de imagens obtidos de bases públicas de detecção de anomalias industriais, incluindo Kaggle, MVTec Anomaly Detection e ImageNet. Essas bases contêm imagens de peças industriais com e sem defeitos. Os defeitos considerados para classificação foram fissuras, inclusões, manchas, pitting, carepas incrustadas e marcas superficiais, que representam as classes de interesse para o treinamento do modelo.

As imagens coletadas foram submetidas a um rigoroso processo de pré-processamento, que incluiu a padronização de dimensões, a conversão de cores e a normalização dos valores de pixel. Para aumentar a robustez do modelo e mitigar o sobreajuste, aplicaram-se técnicas de aumento de dados (data augmentation), como rotações, espelhamentos e ajustes de luminosidade. Aproximadamente 1000 novas imagens foram geradas a partir das 1800 imagens originais.

O conjunto de dados foi cuidadosamente dividido em subconjuntos para treinamento, validação e teste, com proporções de 70%, 15% e 15%, respectivamente. A implementação do modelo preditivo iniciou-se com a construção de uma rede neural convolucional (CNN) de arquitetura própria, composta por camadas convolucionais, funções de ativação não lineares e camadas de redução espacial, para experimentação e calibração de parâmetros.

Posteriormente, aplicou-se a técnica de transfer learning, utilizando modelos pré-treinados como ResNet50, VGG16 e EfficientNet. A arquitetura VGG16, desenvolvida por Karen Simonyan e Andrew Zisserman, foi adaptada para a tarefa de classificação binária de imagens industriais, visando otimizar o desempenho e reduzir o tempo de treinamento. O treinamento foi conduzido em ambiente computacional com suporte a processamento acelerado.

A avaliação do desempenho do modelo foi realizada por meio de métricas clássicas de classificação supervisionada. Incluíram-se acurácia, precisão, recall e F1-score, complementadas pela análise da matriz de confusão. Para assegurar a confiabilidade dos resultados, empregou-se a validação cruzada do tipo k-fold, particionando o conjunto de dados em subconjuntos para treinamento e validação em diferentes iterações.

Todas as etapas do desenvolvimento foram documentadas detalhadamente, registrando-se decisões técnicas, ajustes de parâmetros e desafios, para garantir a transparência científica e a replicabilidade do experimento. Por fim, desenvolveu-se um protótipo funcional, integrando o modelo treinado a uma aplicação prática construída com o framework Streamlit, que permitiu o upload de imagens e a visualização imediata da classificação de defeitos.

3. Resultados e Discussão

Após a conclusão das etapas de revisão bibliográfica, preparação dos dados, implementação do modelo e treinamento da rede neural convolucional, os experimentos foram conduzidos para avaliar a capacidade de identificação automática de defeitos superficiais em placas de aço. O conjunto de dados, composto por imagens de peças industriais com e sem defeitos, foi submetido a um rigoroso processo de pré-processamento, normalização e aumento artificial de dados, conforme detalhado na metodologia. Este preparo visou otimizar a diversidade do conjunto de treinamento e aprimorar a capacidade de generalização do modelo, elementos cruciais para a robustez do sistema em ambientes industriais.

Inicialmente, uma Rede Neural Convolucional (CNN) foi treinada para reconhecer os padrões visuais característicos dos defeitos nas imagens. Posteriormente, a técnica de Transfer Learning foi aplicada, utilizando a arquitetura VGG16, com o propósito de aprimorar a capacidade de generalização do modelo e elevar a precisão da classificação. Essa abordagem é reconhecida por sua eficácia em cenários com conjuntos de dados limitados, permitindo que o modelo aproveite o conhecimento pré-existente de redes treinadas em grandes volumes de dados (Sarker, 2021).

A avaliação do desempenho do modelo foi realizada por meio de métricas clássicas de classificação supervisionada, incluindo acurácia, precisão, recall e F1-score. Essas métricas foram complementadas pela análise das curvas de treinamento e da matriz de confusão, fornecendo uma compreensão abrangente dos acertos e erros do modelo em cada classe. A validação cruzada do tipo k-fold foi empregada para garantir a confiabilidade dos resultados, particionando o conjunto de dados em subconjuntos e alternando-os entre treinamento e validação em diferentes iterações, o que fortaleceu a robustez da avaliação.

Desempenho do modelo

Os resultados obtidos para o desempenho do modelo na classificação de defeitos superficiais demonstraram uma acurácia de 94,68%, indicando uma alta proporção de classificações corretas sobre o total de amostras. A precisão alcançou 94,21%, refletindo a capacidade do modelo em identificar corretamente os defeitos, minimizando os falsos positivos. O recall foi de 93,52%, evidenciando a habilidade do sistema em detectar a maioria dos defeitos existentes, reduzindo os falsos negativos.

O F1-score, que representa a média harmônica entre precisão e recall, atingiu 93,86%. Este valor sugere um equilíbrio satisfatório entre a capacidade de detecção de defeitos e a minimização de classificações incorretas. A análise conjunta dessas métricas confirma que o modelo desenvolvido foi capaz de identificar padrões associados à presença e ausência de defeitos superficiais com um desempenho globalmente satisfatório, alinhado com as expectativas para aplicações de controle de qualidade em ambientes industriais.

Análise das curvas de treinamento

A análise das curvas de treinamento revelou uma evolução progressiva no aprendizado da rede neural ao longo das épocas. Observou-se uma rápida redução da função de perda e um aumento consistente nas métricas de desempenho nas primeiras épocas de treinamento. Esse comportamento indica que o modelo conseguiu extrair características discriminantes das imagens analisadas de forma eficiente, adaptando-se aos padrões de defeitos e não defeitos.

Após a aplicação de técnicas de regularização e aumento de dados, verificou-se uma maior estabilidade entre as curvas de treinamento e validação. Essa estabilidade é um indicativo de que os efeitos de sobreajuste foram significativamente reduzidos, o que é fundamental para garantir que o modelo não apenas memorize os dados de treinamento, mas também generalize bem para novas imagens não vistas durante o processo de aprendizado. A capacidade de generalização é crucial para a aplicação prática em um ambiente industrial dinâmico.

Comparação entre arquiteturas

A comparação entre a arquitetura convolucional desenvolvida inicialmente e a arquitetura VGG16, empregando a técnica de Transfer Learning, demonstrou ganhos relevantes de desempenho. A CNN inicial obteve uma acurácia de 88,35%, enquanto o modelo baseado em VGG16 alcançou uma acurácia de 94,68%. Essa diferença de mais de seis pontos percentuais na acurácia ressalta a eficácia do Transfer Learning.

Os modelos pré-treinados, como o VGG16, demonstraram uma capacidade superior de extração de características visuais complexas, o que é particularmente vantajoso para a detecção de defeitos que apresentam baixo contraste ou padrões irregulares. Esse comportamento está em consonância com os achados da literatura recente, que apontam as arquiteturas profundas pré-treinadas como alternativas mais eficientes para tarefas de inspeção visual industrial, otimizando o tempo de treinamento e melhorando o desempenho (Sarker, 2021).

Análise da matriz de confusão

A análise da matriz de confusão proporcionou uma compreensão detalhada do comportamento do modelo em diferentes cenários de classificação. Verificou-se um elevado índice de acerto para defeitos visualmente bem definidos, como fissuras e carepas incrustadas, onde as características são mais evidentes. No entanto, categorias com características mais sutis, como manchas ou pitting, apresentaram uma incidência ligeiramente maior de erros de classificação.

Esse resultado é consistente com estudos sobre inspeção de superfícies metálicas, nos quais defeitos de baixa intensidade visual ou com contornos menos nítidos tendem a representar os maiores desafios para sistemas automatizados. A matriz de confusão também permitiu identificar a ocorrência de falsos positivos e falsos negativos. Os falsos positivos, embora indesejáveis, podem ocasionar descarte indevido ou retrabalho de peças em bom estado, gerando custos operacionais. Por outro lado, os falsos negativos representam um risco ainda maior, pois permitem que produtos defeituosos avancem para etapas subsequentes da produção ou cheguem ao cliente final, comprometendo a qualidade e a segurança do produto final.

Nesse contexto, a análise conjunta da precisão e do recall mostrou-se mais apropriada do que a simples observação da acurácia global, pois oferece uma visão mais equilibrada sobre a capacidade do modelo em evitar tanto o descarte desnecessário quanto a liberação de produtos com defeito. A otimização dessas métricas é fundamental para a aplicação prática em ambientes industriais, onde as consequências de cada tipo de erro podem ter impactos econômicos e operacionais distintos.

Avaliação do protótipo desenvolvido

Após o treinamento e validação do modelo, um protótipo funcional foi desenvolvido utilizando o framework Streamlit. Essa interface permitiu o upload de imagens e a visualização imediata da classificação, indicando se a peça apresentava “com defeito” ou “sem defeito”, juntamente com a confiança da predição. A funcionalidade do protótipo ilustrou o potencial de aplicação do sistema em contextos industriais reais, traduzindo o conhecimento teórico em uma solução tangível, acessível e escalável.

Do ponto de vista industrial, os resultados indicam um potencial significativo de aplicação prática da solução desenvolvida. O protótipo implementado demonstrou funcionamento estável e um tempo de resposta compatível com as demandas de aplicações em ambientes produtivos. A possibilidade de integração com sistemas de manufatura digital e monitoramento em tempo real amplia as perspectivas de utilização da ferramenta em linhas de produção automatizadas, contribuindo para a eficiência e confiabilidade do controle de qualidade.

Em síntese, o sistema de visão computacional desenvolvido e avaliado demonstrou ser uma alternativa eficiente para a automatização da inspeção visual de defeitos superficiais em peças metálicas. As métricas de desempenho, a estabilidade das curvas de treinamento e a capacidade de generalização do modelo, aprimorada pelo Transfer Learning, confirmam seu potencial para reduzir a dependência de avaliações manuais e aumentar a confiabilidade dos processos de controle de qualidade. Os achados indicam que o modelo atende aos objetivos propostos, evidenciando sua viabilidade para aplicação em ambientes industriais que demandam maior padronização e eficiência.

4. Conclusão

O presente estudo buscou desenvolver e avaliar um sistema de visão computacional para identificar defeitos em peças metálicas a partir de imagens digitais, com o intuito de aprimorar a inspeção de qualidade e reduzir a dependência de métodos manuais em processos industriais. Verificou-se a eficácia do modelo na classificação de defeitos, conforme evidenciado por métricas de desempenho como acurácia de 94,68%, precisão de 94,21%, recall de 93,52% e F1-score de 93,86%. A aplicação da técnica de Transfer Learning, utilizando a arquitetura VGG16, demonstrou ganhos significativos na capacidade de generalização e precisão em comparação com a arquitetura inicial, otimizando a extração de características visuais complexas. Observou-se um elevado índice de acerto para defeitos bem definidos, embora categorias com características mais sutis apresentassem uma incidência ligeiramente maior de erros de classificação. Um protótipo funcional foi desenvolvido, ilustrando o potencial de aplicação prática do sistema em contextos industriais reais, com funcionamento estável e tempo de resposta compatível com as demandas produtivas.

A principal contribuição deste trabalho reside na oferta de uma alternativa eficiente para a automatização da inspeção visual de defeitos superficiais, promovendo a redução da dependência de avaliações humanas e o aumento da confiabilidade, padronização e eficiência nos processos de controle de qualidade, alinhando-se aos preceitos da Indústria 4.0. Contudo, os resultados obtidos demandam maior detalhamento e evidências visuais para uma análise aprofundada do desempenho. Para estudos futuros, sugere-se ampliar a base de dados utilizada, incorporar novas categorias de defeitos, explorar arquiteturas de aprendizado profundo mais avançadas e realizar testes em ambientes industriais reais. Recomenda-se também a integração da solução a sistemas produtivos em tempo real, permitindo o monitoramento contínuo e o suporte automatizado à tomada de decisão.

Referências Bibliográficas

Goodfellow, I.; Bengio, Y.; Courville, A. 2016. Deep Learning. Cambridge: MIT Press.

Nguyen, D. 2022. et al. “Computer Vision Applications in Industrial Quality Control: Trends and Challenges.” Journal of Manufacturing Systems, v. 65, p. 512-526.

Sarker, I. H. 2021. “Deep Learning: A Comprehensive Overview on Techniques, Taxonomy, Applications and Research Directions.” SN Computer Science, v. 2, n. 6.

Silva, R. M.; Oliveira, L. C. 2021. “Aplicações de Visão Computacional na Indústria 4.0: Uma Revisão Sistemática.” Revista de Engenharia e Pesquisa Aplicada, v. 6, n. 3, p. 45–60.

Zhang, Y.; Wang, C.; Li, X. 2023. “Deep Learning-Based Defect Detection in Manufacturing: A Survey.” IEEE Transactions on Instrumentation and Measurement, v. 72, p. 1–17.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy

You may also like

November 17, 2026

Detection and Diagnosis of Diseases in Corn and Rice in Mozambique with Deep Learning

Mozambican agriculture depends on corn and rice, fundamental crops for food security, but their productivity is strongly affected by phytosanitary diseases, whose early and accurate identification remains a challenge in resource-limited contexts. The study aimed to develop and compare Deep Learning-based models for the automatic detection and diagnosis of diseases in corn and rice leaves in Mozambique. Three approaches were used: a classic Convolutional Neural Network (CNN) developed from scratch, and two transfer learning models, ResNet50 and MobileNetV2. The dataset consisted of images from public databases and collected in the field, which underwent cleaning, balancing, and artificial augmentation steps. The models were trained and evaluated with standard performance metrics, including accuracy, precision, recall, F1-score, Log Loss, and Cohen’s Kappa. The classic CNN presented the best overall performance, with 94% precision, recall, and F1-score, and 93% accuracy and Cohen’s Kappa. MobileNetV2 achieved 91% F1-score and 90% accuracy, standing out for its lower Log Loss (0.30) and training time (6h32min59s). ResNet50 reached 80% F1-score and 79% accuracy. It was concluded that Deep Learning techniques have high potential to support phytopathological diagnosis in real agricultural contexts, contributing to faster and more accurate decisions in the management of corn and rice diseases.

Keywords: Deep learning; Rice; Plant diseases; Corn; Computer vision.

November 17, 2026

Artificial intelligence in accounting operational routines and financial efficiency

The incorporation of Artificial Intelligence (AI) and automation tools has reconfigured the routines of Brazilian accounting offices, impacting productivity, error mitigation, and financial efficiency. These impacts were analyzed in a small accounting firm, specialized in serving service providers in the medical field in São Caetano do Sul, São Paulo. The research adopted a qualitative approach, with a single case study design and incorporated units of analysis. Data were collected through a structured questionnaire, applied via Google Forms between January and February 2026, to five professionals in the operational structure of the firm in a census survey. The treatment followed content analysis with a priori and emergent categories. All respondents declared the use of automated tools or tools with AI resources. The perception of reduced execution time, decreased operational errors, rework, and better use of the team’s time converged in 80% of affirmative responses and 20% partial responses. The most benefited activities were bank reconciliation, import of fiscal documents, and tax assessment, with visible gains on typing errors, duplicate entries, and incorrect classification. Human intervention remained indispensable in tax planning, scenario analysis, and verification of ancillary obligations. The overall evaluation of AI’s contribution was predominantly favorable, with moderation linked to the complexity of fiscal regulations.

Keywords: Content analysis; Process automation; Accounting 4.0; Small business; Digital transformation.

November 17, 2026

Factors influencing schedule management in sewage treatment plant “retrofit” projects

Projects involving “retrofit” in Sewage Treatment Plants (STP) are characterized by high complexity, operational restrictions, and multiple technical interfaces. The study analyzed the perception of the professionals involved regarding the management and adherence to deadlines in “retrofit” projects for sewage treatment plants, considering technical, operational, and organizational factors. The research was characterized as an applied study, with a quali-quantitative approach, designed as a field survey. Data analysis was performed using descriptive statistics and qualitative categorization, employing SWOT, risk matrix (Probability x Impact), and 5W2H action plan tools. The results indicated a high perception of clarity (77.8%) and realism of deadlines (100% agreement), evidencing consistent initial planning. However, 77.7% of respondents pointed out that rework and scope changes directly impacted deadline adherence. The integration between engineering, manufacturing, and Production Planning and Control (PPC) showed an intermediate evaluation (77.7% partial/total agreement), indicating fragility in interfunctional coordination. The risk matrix highlighted as critical: scope changes, operational limitations of the STP, and technical complexity, all with a high level. As a central improvement, the standardization of scope change control, analysis, and approval was proposed, aiming to reduce rework and increase schedule predictability.

Keywords: Performance; Integration; Planning; Rework; Risk.

November 17, 2026

B2C Acquisition in diagnostic medicine: strategic partnerships with specialized medical offices

The diagnostic medicine sector in Brazil operates with high dependence on health plan providers, which limits the financial autonomy of service providers. This study proposed and analyzed a direct patient acquisition model (B2C) for a highly complex diagnostic medicine institution, structured through partnerships with Oncology and Cardiology practices and operationalized by a personalized customer service called concierge. The investigation adopted a mixed-methods approach in three phases: a field survey with a structured questionnaire applied to 87 patients, mapping of the operational flow using “Service Blueprint”, and analysis of the conversion rate from 312 medical referrals registered in the pilot project. The results indicated that trust in medical referral achieved 92.0% agreement, establishing itself as the main factor for adherence. The convenience of performing the exam on the same day reached 78.2%, and the willingness to pay directly was 55.2%, with polarization associated with the predominance of health plan users. The “Service Blueprint” identified three critical points in the transitions between stages of the patient journey. The overall conversion rate was 51.0%, with superior performance in Oncology (58.2%) compared to Cardiology (45.0%), and the greatest loss was concentrated in the acceptance and scheduling stage (28.3%). It was concluded that the model demonstrated possible operational viability and indications of patient acceptance, conditioned by price transparency and a reduction in the interval between consultation and approach by the concierge.

Keywords: Direct payment; Patient journey; Supplementary health; Concierge service; Conversion rate.

November 17, 2026

The role of the school manager in promoting an inclusive culture: leadership and educational policies

The research analyzed the school manager’s performance in promoting an inclusive culture, considering the need to transform legal guidelines and pedagogical foundations into effective institutional practices. It was assumed that school inclusion requires planning, organization, and strategic leadership in the school’s daily operations. A qualitative approach of an applied nature was adopted, developed in three complementary stages: documentary analysis of Brazilian legislation on inclusive education, bibliographic review on school leadership and management, and data systematization using management tools such as SWOT analysis and the PDCA cycle. The results indicated that the school management’s performance directly influenced the consolidation of inclusive environments, especially in the organization of processes, continuous team training, and strengthening of a collaborative institutional culture respectful of diversity. Structural, pedagogical, and relational challenges that demanded planned interventions were also identified. Finally, a Practical Guide for School Managers was developed, with guidelines, protocols, and operational orientations for decision-making and the organization of inclusive processes. It was concluded that the construction of an inclusive culture depended on the management’s ability to articulate public policies, pedagogical practices, and institutional processes, consolidating inclusion as a permanent commitment in the school context.

Keywords: educational accessibility; educational equity; participatory management; strategic planning; institutional processes.

November 17, 2026

An AI artifact based on Design Thinking to support the elicitation of software requirements from user needs

The development of software oriented to user needs frequently faces challenges in requirements elicitation, stemming from ambiguities in natural language and communication failures. Given this, an intelligent artifact integrating Design Thinking and Artificial Intelligence was proposed and validated, focusing on the Empathy and Definition stages, to support the collection, interpretation, and structuring of user needs. The research, of an applied, qualitative, and exploratory nature, conducted a Proof of Concept in a controlled environment, employing hypothetical scenarios. The artifact operated through guided natural language interviews, organizing information into elements such as pain points, context, and impact, and generating traceable problem syntheses. The results indicated that the system organized unstructured reports, reduced ambiguities, and preserved the meaning of the original information in most cases. The ability to reorganize logically in complex scenarios was also observed, although with limitations in separating multiple problems and dependence on instructions. It was concluded that the artifact has potential as a support for requirements elicitation, improving the clarity and structuring of information, but requires supervision and contextual control.

Keywords: Design Thinking; Requirements Elicitation; Requirements Engineering; Artificial Intelligence; Natural Language Processing.

November 17, 2026

The Extinction of the Monophasic Tax System in the Pharmaceutical Industry in Light of the Tax Reform

The consumption Tax Reform, established by Constitutional Amendment No. 132/2023, introduced structural changes to the Brazilian tax system, with the replacement of the Social Integration Program (PIS) and the Social Security Financing Contribution (COFINS) by the Contribution on Goods and Services (CBS), in a dual Value Added Tax (VAT) model. The objective was to analyze the impacts of the extinction of the single-stage system on the pharmaceutical industry, in light of the new regulatory design and its economic and legal effects. A qualitative, exploratory research was conducted through a case study and documentary analysis of legislation and specialized doctrine. It was examined whether the end of the single-stage system would imply a relevant increase in the tax burden for the sector. The results indicated that, although the formal overcoming of the single-stage system has occurred, the material exemption of medicines has been preserved, mainly due to the application of reduced rates of 60% and, in certain cases, a zero rate of the Tax on Goods and Services (IBS) and CBS. The change in model may cause occasional variations in revenue collection, without characterizing a structural increase in the tax burden, tending towards neutrality over time. It was preliminarily concluded that the Tax Reform reorganized the taxation technique in the pharmaceutical industry, replacing a concentrated regime with more transparent exemption mechanisms. This approach proved compatible with the principles of neutrality, full non-cumulativeness, and fiscality, maintaining tax protection for essential medicines and aligning fiscal policy with the fundamental right to health.

Keywords: CBS; COFINS; IBS; Dual VAT; PIS.