Defeitos de solda, superfície e dimensão: como detectá-los na linha

Por que a metalurgia é difícil para a visão tradicional

As peças metálicas em uma linha de forjaria, estampagem ou usinagem confundem a visão tradicional de três formas: as superfícies são altamente refletivas e os modelos de iluminação falham, os formatos variam ligeiramente de peça para peça além das tolerâncias do CAD, e os defeitos têm pouco contraste em relação ao material base. Um sistema baseado em regras acaba com falsos positivos demais (rejeita peças boas) ou capturas de menos (deixa passar trincas reais). A IA lida com os três problemas aprendendo como o material aparece sob a iluminação real de produção.

Classes de defeito que a IA captura em metal

Estratégias de iluminação para superfícies refletivas

Fazer a inspeção com IA funcionar em metal exige um projeto deliberado de iluminação. As combinações que funcionam de forma consistente em produção são:

Integração em linhas de forjaria e estampagem

A inspeção com IA é implantada a jusante da prensa de forjaria ou da célula de estampagem. As câmeras são montadas sobre o transportador de saída ou a estação de pick do robô, capturando cada peça na saída. A detecção ocorre em 50-200 ms por peça, dentro do tempo de ciclo típico da metalurgia. Quando um defeito é detectado, o sistema sinaliza ao CLP para acionar um braço de rejeição ou desviar a peça para a rampa de retrabalho. A parte mecânica da linha fica intacta.

Complementando o END por raios X e ultrassom

A inspeção visual com IA não substitui o END destrutivo ou volumétrico — raios X, ultrassom, correntes parasitas. Ela os complementa, assumindo a inspeção de superfície e dimensional que esses métodos fazem lentamente. Abordagem combinada: visão por IA para inspeção de 100% da superfície na velocidade da linha, raios X por amostragem para defeitos internos críticos, ultrassom para peças de alto valor críticas para a segurança. Muitas plantas reduzem a taxa de amostragem de raios X e ultrassom em 30-50% depois que a visão por IA está no lugar, porque a baseline de superfície e dimensional fica sob controle contínuo.

Capturar uma trinca em uma peça metálica na linha é duas ordens de magnitude mais barato do que capturá-la depois da montagem, e quatro ordens de magnitude mais barato do que capturá-la depois de uma falha em campo.

Treinar modelos de IA sobre defeitos em metal

As classes de defeito em metal são bem definidas, mas visualmente sutis, o que faz da qualidade dos dados de treinamento o fator dominante na performance do modelo. Um bom fluxo:

Precisão verificada em campo

Os sistemas de inspeção com IA em produção para metalurgia alcançam de forma consistente 98%+ de precisão e 99,5%+ de recall nas classes de defeito validadas, após um treinamento adequado. Clientes em forjaria de aço inoxidável, estampagem automotiva e usinagem aeroespacial validaram esses números em auditorias mensais contra amostras de referência. A chave é a recalibração mensal: alimentar o modelo com novos exemplos da linha mantém a performance estável conforme as variantes de material mudam.

Justificativa financeira

Para uma operação metalúrgica típica rodando 2-4 linhas de produção, a inspeção de metais com IA atinge o payback em 12-18 meses. As economias dominantes vêm de: redução de scrap (defeitos capturados mais cedo na linha custam menos), eliminação de mão de obra de retrabalho, redução de reclamações de clientes por peças que antes passavam pelo QA por amostragem, e menores custos de raios X e ultrassom pela redução da taxa de amostragem. Plantas em setores críticos para a segurança (automotivo, aeroespacial) veem payback mais rápido porque o custo de uma única falha em campo já é alto o bastante para justificar o sistema só pela redução de risco.