Estudo da utilização de algoritmos de aprendizagem profunda na metrologia dimensional

Abstract

A precisão dimensional é um elemento essencial para garantir a qualidade e a confiabilidade dos produtos industriais. Com a evolução da metrologia dimensional, os sistemas de medição por digitalização tridimensional passaram a capturar geometrias complexas com elevado nível de detalhe, mas também geraram um aumento expressivo no volume de dados a serem analisados. Esse cenário evidencia a necessidade de soluções automatizadas capazes de interpretar grandes conjuntos de informações com eficiência e consistência. Neste contexto, este trabalho propõe a aplicação de redes neurais convolucionais (CNNs) e da arquitetura YOLO para a classificação e detecção de falhas visuais em peças digitalizadas. São abordados os conceitos fundamentais dos processos produtivos, da metrologia dimensional baseada em digitalização e das principais arquiteturas de aprendizado profundo aplicadas à inspeção industrial. O modelo CNN obteve desempenho satisfatório na classificação binária entre as amostras, enquanto o modelo YOLO demonstrou capacidade promissora na localização espacial das falhas. Os resultados indicam que o uso de aprendizado profundo em metrologia dimensional representa um avanço significativo na automação de inspeções visuais, reduzindo a dependência de operadores humanos e aumentando a padronização e a confiabilidade das análises em ambientes industriais.

Dimensional accuracy is an essential element for ensuring the quality and reliability of industrial products. With the advancement of dimensional metrology, three-dimensional digitization systems have evolved to capture complex geometries with a high level of detail, but they have also led to a significant increase in the volume of data to be analyzed. This scenario highlights the need for automated solutions capable of interpreting large datasets efficiently and consistently. In this 1 Instituto Federal de Santa Catarina (IFSC), Brasil. Autor: Kevin Regis Justino. Orientadores: Stefano Romeu Zeplin; Valdir Ferreira Filho. E-mail para correspondência: kevinrjustino@gmail.com context, this work proposes the application of convolutional neural networks (CNNs) and the YOLO architecture for the classification and detection of visual defects in digitized parts. The study addresses the fundamental concepts of production processes, dimensional metrology based on digitization, and the main deep learning architectures applied to industrial inspection. The CNN model achieved satisfactory performance in binary classification between samples, while the YOLO model demonstrated promising capability in the spatial localization of defects. The results indicate that the use of deep learning in dimensional metrology represents a significant advancement in the automation of visual inspections, reducing dependence on human operators and increasing the standardization and reliability of analyses in industrial environments.