19 de noviembre de 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