IA na Indústria Automotiva: Como Automatizar o Controle de Qualidade em Componentes Críticos

O controle de qualidade na fabricação de componentes automotivos exige precisão extrema, especialmente quando se trata de materiais diretamente ligados à segurança, como os fios (yarns) utilizados em airbags. Pequenos defeitos, muitas vezes imperceptíveis ao olho humano, podem comprometer o desempenho do sistema e gerar riscos graves.

Com base em um caso real de aplicação industrial, este artigo apresenta como a Inteligência Artificial (IA) foi utilizada para automatizar e aprimorar o controle de qualidade de fios para airbags, superando desafios visuais complexos e atendendo aos rigorosos padrões da indústria automotiva.

Contexto e Necessidades do Cliente

Um fabricante líder no setor de bobinas de fios, com aplicações nos segmentos industrial, esportivo e de pesca, iniciou um projeto estratégico voltado à melhoria do controle de qualidade de fios para airbags.

Objetivo principal do projeto

• Elevar o nível de inspeção dos fios

• Atender às exigências de segurança automotiva

• Reduzir falhas não detectadas

• Automatizar um processo altamente dependente de inspeção manual

Esse cenário exigia uma solução capaz de lidar com alta variabilidade de defeitos e superfícies visuais complexas.

Desafios no Controle de Qualidade de Fios para Airbags

A inspeção de bobinas de fios apresenta desafios únicos que tornam sistemas tradicionais de visão baseados em regras pouco eficazes.

Principais desafios identificados

• Diversidade de defeitos
  Os defeitos do tipo fuzz (fiapos) possuem morfologia altamente variável, exigindo um sistema flexível e adaptável.

• Alto ruído visual
  A textura natural do fio enrolado cria um fundo visual complexo, dificultando a distinção entre defeitos reais e padrões normais.

• Profundidade de campo e foco
  Como a inspeção ocorre na lateral de uma bobina cilíndrica, defeitos próximos à curvatura aparecem desfocados.

• Ambiguidade na rotulagem
  Houve divergências entre a interpretação humana e a IA quanto à área exata do defeito, dificultando a definição de um ground truth perfeito.

Resumo dos desafios

A Solução: Inspeção Automatizada com IA e Visão Artificial

Para enfrentar esses desafios, foi desenvolvido um Proof of Concept (PoC) utilizando as capacidades de IA da Techman Robot, integradas a um sistema de visão industrial de alto desempenho.

Configuração do sistema de inspeção

Hardware de visão utilizado:

• Câmera industrial Basler acA2500-14gm

• Lente fixa OPTART 25mm

• Fonte de iluminação CCS LDR2-50SW2-JD

Configuração operacional:

• Distância do objeto: 30 cm

• Captura de imagens da lateral das bobinas

• Foco na identificação de defeitos superficiais

Solução mecânica estratégica

Durante a avaliação, foi identificado que imagens estáticas não eram suficientes. A curvatura da bobina causava desfoque em algumas regiões críticas.

Conclusão técnica:
A implementação de um mecanismo de rotação é essencial para trazer os defeitos ao plano focal da câmera, garantindo detecção precisa.

Treinamento do Modelo de IA

O projeto utilizou o TM AI+ (versão 2.22.1700) para desenvolver um modelo robusto de detecção de defeitos.

Composição do dataset

• 98 imagens para treinamento

• 17 imagens reservadas para teste

• 59 instâncias de defeitos rotuladas inicialmente

Principais desafios no treinamento

• Alta variabilidade visual dos defeitos

• Dificuldade em reduzir a validation loss

• Ambiguidade entre padrões normais e defeitos

Uso do Auto AI Training

Para superar essas limitações, foi adotado o Auto AI Training, que:

• Coleta automaticamente amostras negativas

• Reduz falsos positivos

• Fortalece o modelo contra variações infinitas de defeitos

Resultados e Benefícios Obtidos

Os testes realizados em ambiente controlado demonstraram a viabilidade técnica da solução baseada em IA.

Principais resultados

• Detecção eficaz de defeitos fuzz

• Diferenciação precisa entre textura normal e defeitos reais

• Identificação clara das limitações de imagens estáticas

• Apenas 3 falhas de detecção em 59 defeitos rotulados (causadas por desfoque)

Antes e Depois da IA

Escalabilidade e Futuro da Solução

A grande vantagem da abordagem com IA está na capacidade de evolução contínua.

Benefícios do Auto AI Training

• Adaptação a novos tipos de defeitos

• Redução da ambiguidade entre humano e máquina

• Sistema preparado para longo prazo

• Menor necessidade de reconfiguração manual

Essa abordagem torna o sistema à prova de futuro, mesmo diante da diversidade praticamente infinita de defeitos possíveis.

Conclusão

Este caso comprova que a Inteligência Artificial é capaz de superar os desafios mais complexos do controle de qualidade em fios para airbags, mesmo em cenários com alto ruído visual e grande variabilidade de defeitos.

A combinação entre:

• IA avançada

• Visão computacional

• Projeto mecânico adequado

• Auto AI Training

resulta em um processo de inspeção confiável, escalável e alinhado às exigências da indústria automotiva, elevando significativamente os padrões de segurança e qualidade.

FAQ

Por que a inspeção de fios para airbags é tão complexa?
Devido à textura do fio, à curvatura da bobina e à grande variedade de defeitos possíveis.

A IA consegue substituir totalmente a inspeção manual?
Sim, na maioria dos casos, reduzindo drasticamente erros humanos e inconsistências.

O sistema precisa de ajustes frequentes?
Não. Com Auto AI Training, o modelo evolui continuamente.

Essa solução pode ser aplicada a outros materiais têxteis?
Sim, o conceito é altamente adaptável a diferentes aplicações industriais.