Aplicação de redes neurais artificiais costumizáveis para reconhecimento por imagem de componentes e defeitos em linhas de produção

Abstract

A conformidade com normas e especificações de qualidade é uma prática recorrente na engenharia, especialmente diante da crescente implementação da indústria 4.0 nos mercados globais. A garantia de controle de qualidade e a satisfação das demandas dos clientes dependem, entre outros fatores, da correta identificação visual e contagem precisa de componentes em linhas de produção. Problemas fundamentais, prontamente identificáveis visualmente, como o defeito de rechupe, frequentemente estão relacionados à parametrização inadequada de parâmetros metalúrgicos. Para oferecer uma abordagem automatizada, escalonável e auditável para o controle desses tipos de defeitos em linhas de produção, este trabalho propõe o desenvolvimento de uma rede neural artificial utilizando a biblioteca YOLO. A rede é alimentada por um banco de dados selecionado e retroalimentável, visando identificar eficientemente sucessos e falhas na linha de produção. Adicionalmente, a utilização de ferramentas de armazenamento na nuvem permite o acesso remoto aos resultados obtidos, facilitando a análise das métricas de controle da rede neural. Além disso, a solução busca assegurar a inserção da possibilidade de uma contabilização precisa e rastreabilidade para otimização logística e organizacional.

Compliance with standards and quality specifications has been a consistent practice in engineering, especially given the growing adoption of Industry 4.0 in global markets. The assurance of quality control and meeting customer demands depends, among other parameters, on the correct visual identification and precise counting of components in production lines. Fundamental issues, easily visually identifiable, such as the shrinkage defect, are often related to inadequate parameterization of metallurgical parameters. To provide an automated, scalable, and auditable method for controlling these types of defects in production lines, this work proposes the development of an artificial neural network using the YOLO library. The network is powered by a selected and feedback enabled database, aiming to efficiently identify successes and failures in the production line. Additionally, the use of cloud storage tools enables remote access to the obtained results, facilitating the analysis of the neural network's control metrics. Furthermore, the solution aims to ensure the possibility of adding accurate accounting and traceability for logistical and organizational optimization.