Identificação e medição de defeitos em produtos automotivos utilizando visão computacional

Resumo

Apresentamos um estudo de aplicação e eficiência de um sistema de visão computacional em apoio à identificação de defeitos visuais em um processo de Controle de Qualidade para uma organização do aftermarket automotivo. O principal objetivo deste desenvolvimento é o aumento da repetibilidade e da confiabilidade, seguido da automação da tomada de decisão na precificação dos produtos defeituosos. A partir disso, uma rede neural foi desenvolvida para a classificação e a detecção dos defeitos no produto: YOLOv5. Durante este trabalho, esta rede é o Estado da Arte para a classificação e detecção de objetos. O trabalho focou principalmente nos seguintes defeitos: grau, delaminação, bolha, mancha, irisação e ostra para vidros, faróis, lanternas e retrovisores. Os sistemas internos da organização forneceram as imagens para a construção do dataset. Após avaliar várias configurações de dataset, foi possível testar a YOLOv5 alternando entre vários parâmetros para a seleção da configuração que resultou no melhor mAP, de forma a executar o modelo para realizar a medição dos defeitos nos produtos. A arquitetura selecionada foi a arquitetura YOLOv5x, o otimizador Gradiente Estocástico Descendente (SGD) e um batch size de 8, atingindo um mAP de 0,72921. Para a correta precificação do produto defeituoso, pensando na automação do processo, em relação aos tamanhos reais dos defeitos, foi possível atingir uma precisão de 83,33%.