REGISTRO DOI: 10.69849/revistaft/cs10202501300349
David Henrique Guimarães
Orientador: Fábio de Sousa Cardoso
RESUMO
O presente artigo aborda a aplicação de visão computacional no contexto da Indústria 4.0, destacando sua integração com sistemas de automação industrial para otimização de processos produtivos. O projeto investigou soluções baseadas em algoritmos de aprendizado de máquina e processamento de imagem para inspeção de qualidade em linha de produção. Os resultados indicaram melhorias significativas na capabilidade dos processos, evidenciadas pela redução de variações e aumento da precisão na detecção de defeitos. Além disso, a implementação garantiu alta repetibilidade, com os sistemas demonstrando desempenho consistente em ciclos de operação contínuos. Com base nos experimentos realizados, foi possível reduzir retrabalhos e perdas, contribuindo para maior eficiência operacional e competitividade da planta fabril. A pesquisa reforça o potencial da visão computacional como ferramenta estratégica na transformação digital da indústria, integrando análise de dados em tempo real e automação avançada para atender às exigências de qualidade e produtividade da Indústria 4.0. Este estudo representa um passo relevante para a adoção de tecnologias inteligentes, destacando-se como modelo aplicável em diferentes segmentos industriais.
Palavras-chave: Visão computacional, Indústria 4.0, automação industrial, inspeção de qualidade, capabilidade, repetibilidade.
ABSTRACT
This article discusses the application of computer vision in the context of Industry 4.0, emphasizing its integration with industrial automation systems to optimize production processes. The project investigated solutions based on machine learning algorithms and image processing for quality inspection in production lines. The results showed significant improvements in process capability, evidenced by reduced variations and increased accuracy in defect detection. Additionally, the implementation ensured high repeatability, with systems demonstrating consistent performance in continuous operation cycles. Based on the experiments conducted, it was possible to reduce rework and losses, contributing to greater operational efficiency and competitiveness of the manufacturing plant. The research reinforces the potential of computer vision as a strategic tool in the digital transformation of the industry, integrating real-time data analysis and advanced automation to meet the quality and productivity demands of Industry 4.0. This study represents an important step toward the adoption of intelligent technologies, standing out as a model applicable to various industrial segments.
Keywords: Computer vision, Industry 4.0, industrial automation, quality inspection, capability, repeatability.
INTRODUÇÃO
A visão computacional ou visão artificial é uma parte integrante da inteligência artificial. Um grande número de pesquisas vem sendo realizado neste domínio. A visão computacional requisita um vasto número de disciplinas para estudá-las. Os psicólogos, neurofisiologistas, matemáticos, físicos, engenheiros especializados em iluminação, e outros estudiosos, são alguns especialistas que atuam neste campo de pesquisa em inteligência artificial. A visão computacional é um termo geral que compreende uma variedade de aspectos da análise visual computacional (Brown, 1984).
A meta da pesquisa em visão computacional é demonstrar a capacidade visual semelhante à do ser humano. A máquina pode sentir o ambiente em seu campo de visão, compreender o que está sendo sentido e realizar ações apropriadas através de programas computacionais (Besl & Jain, 1985).
Segundo Keyence (2016), nas indústrias muitas aplicações necessitam de análises visuais para monitorar e controlar seus processos e sistemas. Muitos destes ainda são operados de forma manual, ou seja, necessitam da interação humana em fazer uma análise visual e interpretação para realizar uma determinada tarefa no processo. A operação manual por problemas como a fadiga, o descuido ou desconcentração do operador, podem comprometer a qualidade, a segurança e a confiabilidade do sistema.
O projeto de pesquisa consiste na construção de uma máquina que traz a solução para processo produtivo de inspeção de conteúdo de etiquetas de forma automatizada, elevando a avaliação de indicadores de qualidade e produtividade atreladas a este processo.
PROJETO DE PESQUISA
1. TEMA
Desenvolvimento de solução de máquina de automatização de inspeção de etiquetas após impressão com visão computacional.
2. FORMULAÇÃO DO PROBLEMA
O processo produtivo da empresa DENSO da AMAZONIA precisa garantir a qualidade no processo de inspeção de etiquetas realizado visualmente, devido ao método de inspeção humano este processo tem risco classificado como moderado, além disso conta com dupla checagem. A empresa busca por uma solução automatizada suficiente para garantir os padrões elevadíssimos de qualidade e competitividade exigidos pelo mercado automotivo e política da empresa.
3. HIPÓTESE
É possível desenvolver uma máquina com sistema de visão computacional automatizada utilizando Controlador lógico programável CV-X420F, CA-DC40E, câmera keyence, Docker no servidor web nginx, estrutura mecânica acionada pelo CLP, sistema de cortina de sensor, banco de dados SQL Server 2019, front-end (Next.js) e conexão via protocolo IP/TCP. Essa máquina será capaz de oferecer a solução adequada para este projeto.
4. OBJETIVO
Este projeto tem como objetivo a supervisão de desenvolvimento da máquina com sistema de visão computacional automatizada na empresa Denso do Amazonas no setor de produção de eletrônicos com foco no produto Engine Control Unity (ECU), após o processo de gravação de software e geração automática da etiqueta de cada produto, a câmera keyence deverá realizar a leitura da etiqueta automaticamente e iniciar o processo de inspeção, o CPL deverá estar devidamente programado para garantir o comportamento mecânico desejado e para abolição da mão de obra operacional neste processo.
Os sensores devem funcionar corretamente de acordo com NR-12. Os resultados obtidos por leitura deverão ser integrados ao sistema CORE da empresa Denso para que todos os dados estejam a disposição em tempo real, conforme aplicação de conceitos da indústria 4.0.
A Interface de Programação de Aplicação – API construída em Nest.js e Typerscript recebe dados do Controlador Lógico Programável – CLP que salva no banco de dados criado com SQL server, se comunica com o servidor da plataforma DENSO – CORE via Proxy reverso com Nginx e retorna essas informações em formato de gráfico para o usuário no Front-end desenvolvido com a tecnologia Next.js e Typescript.
5. JUSTIFICATIVA
Diante da competitividade e qualidade de produto necessários dentro de um processo produtivo para ampliação e bom mantimento de relações comerciais no ramo de automotivos, a automatização de processos produtivos como o de inspeção de etiquetas é vital para os pontos citados. O projeto explora conhecimentos adquiridos durante o curso de Engenharia Eletrônica, principalmente das disciplinas: Gerenciamento de projetos, Instrumentação Eletrônica, Automação Industrial, Segurança do Trabalho, Sensores, Sistemas Eletrônicos de Tempo-Real, Linguagem de programação e Comandos Elétricos.
6. REFERENCIAL TEÓRICO
Neste capítulo, serão abordados os aspectos teóricos dos assuntos relacionados ao projeto. Inicialmente, será feita uma contextualização sobre a etiqueta, fluxograma do processo atual e fluxograma almejado com o desenvolvimento da máquina e do conceito de desenvolvimento da máquina em modelagem 3D. Em seguida, serão abordados os conceitos introdutórios sobre sensores, controlador lógico programável (CLP), câmera keyence, Docker, Nginx, SQL Server 2019, Next.js e Indústria 4.0 e IHM – Interface homem máquina
6.1 Etiqueta para inspeção.
A etiqueta terá as seguintes dimensões que serão levadas em consideração nas especificações de desenvolvimento do projeto.
Figura 1 – Desenho da etiqueta
O conteúdo da etiqueta é agrupado da seguinte forma, cada ponto deve ser chamado de “pattern”. Dividido em 7 grupos diferentes que serão verificados individualmente pela máquina.
Cada peça produzida no setor de produção de eletrônicos da Denso do Amazonas deverá ter uma etiqueta anexada à peça, cada etiqueta é única, o item 7. Serial Number é um código de QrCode com informações únicas por produto.
6.2 Fluxograma de processo
A máquina será solução para um processo produtivo já existente e por isso é necessário integrar suas funcionalidades de acordo com o fluxograma. O sistema de visão irá ser acionado automaticamente após a impressão da etiqueta conforme figura.
O julgamento da qualidade e conteúdo da etiqueta será um fator determinante para os indicadores desse processo, uma vez que estes irão definir os resultados obtidos do projeto, atualmente o tempo de ciclo de inspeção visual humano é de 12 segundos, portanto a máquina precisará realizar a mesma operação em tempo menor ou igual ao citado.
6.3 Conceito da máquina e modelagem em 3D
Para garantir que o desenvolvimento da máquina seja realizado de acordo com os requisitos foi realizada a modelagem 3D levando em consideração pontos como NR 12 e NR 17. Os locais para pega e depósito das cargas, a partir da avaliação ergonômica preliminar ou da AET, devem ser organizados de modo que as cargas, acessos, espaços para movimentação, alturas de pega e deposição não obriguem o trabalhador a efetuar flexões, extensões e rotações excessivas do tronco e outros posicionamentos e movimentações forçadas e nocivas dos segmentos corporais. NR-17 (17.5.2).
6.4 Controlador lógico programável (CPL)
“Na eletrônica, um sensor é conhecido como qualquer componente ou circuito eletrônico que permita a análise de uma determinada condição do ambiente, podendo ela ser algo simples como temperatura ou luminosidade” (PATSKO, 2006, p. 1).
De modo geral, os sensores podem ser classificados como analógicos ou digitais, de acordo com a forma como eles respondem à variação de estímulos. Os sensores analógicos podem assumir infinitos valores intermediários na sua saída, conforme a variação na entrada. Já os sensores digitais baseiam-se em níveis de tensão bem definidos, onde podem assumir valores quantizados, utilizando a lógica binária (PATSKO, 2006).
Existem sensores de água capazes de medir parâmetros como nível de água, temperatura, pH, condutividade, oxigênio dissolvido, e assim por diante. Geralmente esses sensores são utilizados por indústrias, de acordo com a sua aplicação (RIKA, 2019).
7. METODOLOGIA
O trabalho em questão será uma pesquisa aplicada, e terá como objetivo a realização de pesquisa exploratória relacionada ao material bibliográfico e de laboratório. Serão utilizados os procedimentos técnicos de pesquisa bibliográfica e experimental. Será utilizado o método de abordagem hipotético-dedutivo e método de procedimento monográfico para realizar a sua elaboração. Em relação à coleta de dados, será utilizada a documentação indireta e a análise e interpretação de dados, ocorrerá de forma qualitativa de maneira global.
A execução do projeto será realizada em cinco etapas, as quais serão descritas a seguir: Na primeira etapa, será realizada uma revisão de literatura nas áreas de microcontroladores e microprocessadores, redes sem fio, protocolo LoRaWAN, sensores e armazenamento em banco de dados.
Na segunda etapa, para a implementação do protótipo, será feito primeiramente o levantamento dos equipamentos e ferramentas a serem utilizadas, bem como uma lista de materiais e componentes para aquisição.
Na terceira etapa, será feita a montagem do protótipo utilizando uma placa de ensaio (em inglês, protoboard), dois ESP32 LoRa e os sensores de temperatura, pH, TDS e turbidez. O projeto será montado em laboratório localizado na Universidade do Estado do Amazonas, bem como o desenvolvimento do firmware a ser embarcado nos microcontroladores.
Na quarta etapa, será feita a integração dos dados com o software Arduino Iot Cloud, onde será possível visualizar as leituras dos sensores. Em seguida, o protótipo será desenvolvido de forma que o mesmo flutue sobre a água, não necessitando assim de instalação.
Na quinta etapa, serão executados os testes de validação no laboratório de biologia da Universidade do Estado do Amazonas, na unidade Ensino Normal Superior (ENS). Em seguida serão feitos os testes de repetibilidade dos dados e robustez do protótipo, e por fim, a análise e interpretação dos resultados finais.
8. CRONOGRAMA
REFERÊNCIAS
ADELANTADO, F. et al. Understanding the limits of lorawan. IEEE Communications magazine, IEEE, v. 55, n. 9, p. 34–40, 2017.
Agência Nacional de Águas. Panorama da Qualidade das Águas Superficiais no Brasil. Brasília, 2005. Disponível em: <http://www.ana.gov.br>. Acesso em: 12 out. 2021.
Agência Nacional de Águas. Indicadores de qualidade – Índice de qualidade das águas. Brasília, 2005. Disponível em: <http://pnqa.ana.gov.br/indicadores-indice-aguas.aspx>. Acesso em: 11 out. 2021.
ARDUINO. Announcing the Arduino IoT Cloud Public Beta. [S.I], 2019. Disponível em: <https://blog.arduino.cc/2019/02/06/announcing-the-arduino-iot-cloud-public-beta/>. Acesso em: 12 out. 2021.
BRASIL. Lei nº 9.433 de 08 de Janeiro de 1997. Institui a Política Nacional de Recursos Hídricos, cria o Sistema Nacional de Gerenciamento de Recursos Hídricos, regulamenta o inciso XIX do art. 21 da Constituição Federal, e altera o art. 1º da Lei nº 8.001, de 13 de março de 1990, que modificou a Lei nº 7.990, de 28 de dezembro de 1989. Diário Oficial [da] República Federativa do Brasil, Brasília, DF, 09 jan. 1997.
DFROBOT. Gravity Analog TDS Sensor Meter for Arduino SKU SEN0244. [S.l.], 2021a. Disponívelem:<https://wiki.dfrobot.com/Gravity Analog_TDS_Sensor Meter_For_Ardui no_SKU SEN0244#target_1>. Acesso em 10 out. 2021.
DFROBOT. Turbidy Sensor SKU SEN0199. [S.l.], 2021b. Disponível em: <https://wiki.dfrobot.com/Turbidity_sensor_SKU SEN0189>. Acesso em 11 out. 2021.
ESPRESSIF SYSTEMS. ESP32 Series Datasheet. [S.l.], 2021. Disponível em: <https://www.espressif.com/sites/default/files/documentation/esp32_datasheet_en.pdf>. Acesso em: 10 out. 2021.
NAZÁRIO, Fernanda. Monitoramento: Rios da bacia Amazônica têm a melhor qualidade de água do Estado. Notícias do Governo do Mato Grosso, 2016. Disponível em: <http://www.mt.gov.br/-/3940775-rios-da-bacia-amazonica-tem-a-melhor-qualidade-de-agu a-do-estado>. Acesso em: 13 de março de 2021.
GORAYEB, Adryane; LOMBARDO, Magda Adelaide; PEREIRA, Luci Cajueiro Carneiro. Qualidade da água e abastecimento na Amazônia: o exemplo da bacia hidrográfica do rio Caeté (water quality and public supply conditions in the amazon region: the example of the Caeté s hydrographic river basin, eastern amazon, Brazil). Mercator, v. 9, n. 18, p. 135 a 157-135 a 157, 2010.
MAXIM INTEGRATED PRODUCTS. DS18B20 1-Wire Digital Thermometer. [S.l.], 2019. Disponível em: < https://datasheets.maximintegrated.com/en/ds/DS18B20.pdf>. Acesso em: 9 out. 2021.
MUTHANNA, Mohammed Saleh Ali; MUTHANNA, Mohammed Manea Ahmed; KHAKIMOV, Abdukodir; MUTHANNA, Ammar. Development of intelligent street lighting services model based on LoRa technology, 2018. IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (EIConRus). IEEE, 2018.
PATSKO, Luís Fernando. TUTORIAL Aplicações, Funcionamento e Utilização de Sensores. [S.l.], 2006.
RAZA, U.; KULKARNI, P.; SOORIYABANDARA, M. Low power wide area networks: An overview. IEEE Communications Surveys & Tutorials, IEEE, v. 19, n. 2, p. 855–873, 2017.
RIKA. Rika Sensor. [S.l.], 2019. Disponível em: < https://www.rikasensor.com/water sensor.html>. Acesso em: 18 jun. 2021.
SAAD, A. R.; SEMENSATTO JR, D. L.; AYRES, F. M.; OLIVEIRA, P. E. Índice de Qualidade da Água – IQA do reservatório do Tanque Grande, município de Guarulhos, estado de São Paulo, Brasil: 1990 – 2006. Revista UnG – Geociências, v.6, n.1, p.118-133, 2007.
SANTOS, Jean Willian; LARA JUNIOR, Renato Capelin De. Sistema de Automatização Residencial de Baixo Custo Controlado pelo Microcontrolador Esp32 e Monitorado Via Smartphone. Ponta Grossa, 2019.
USINAINFO. Sensor de PH Arduino + Módulo de Leitura. [S.l.], 2021. Disponível em: <https://www.usinainfo.com.br/outros-sensores-arduino/sensor-de-ph-arduino-modulo-de leitura-5316.html>. Acesso em: 04 out. 2021.
USINAINFO. Sensor de Turbidez Arduino Para Monitoramento da Água – ST100. [S.l.], 2021. Disponível em:<https://www.usinainfo.com.br/outros-sensores-arduino/sensor-de turbidez-arduino-para-monitoramento-da-agua-st100-4539.html>. Acesso em: 09 out. 2021
THETHINGSNETWORK, T. T. N. LoRaWAN Overview. [S.l.], 2019. Disponível em: <https://www.thethingsnetwork.org/docs/lorawan/architecture/>. Acesso em 13 out. 2021.
WIMALA, Mia; ZIRADS, Bob; EVELINA, Rindu. Water Security in Green Campus Assessment Standard. Indonesia, 2018.