Detecção automatizada de anomalias em imagens usando infraestrutura legada de câmeras para inspeção visual

Resumo

O monitoramento automático dos ambientes industriais, do processo de produção e dos produtos em si representa um aliado importante para permitir uma identificação rápida de uma situação irregular. A área de inspeção visual desenvolve técnicas de visão computacional para tal monitoramento. Entretanto, soluções de visão computacional para automatizar esses processos geralmente requerem a aquisição de novos sistemas de hardware que incorrem na necessidade de instalar uma nova infraestrutura de câmeras e hardware associado, o que possui alto custo financeiro e operacional. Muitas vezes, a exigência de aquisição e instalação de um novo sistema de aquisição de imagens atrasa ou mesmo impede a adoção de visão computacional em ambientes industriais. Além disso, a adoção de tecnologia de aprendizado de máquina normalmente requer a geração de grandes bases de dados anotados, o que encarece ainda mais o projeto, podendo inviabilizá-lo. Assim, sistemas de visão computacional que possam explorar a capacidade instalada de captura de dados possuem um potencial considerável de adoção pela indústria. Por outro lado, a infraestrutura legada de sensores é tipicamente composta por sistemas heterogêneos instalados, com diferentes dispositivos e diversidade de especificações como resolução espacial, taxa de aquisição, modelos de cores e outras. Existem desafios técnicos que precisam ser enfrentados com pesquisa para que a tecnologia adequada seja desenvolvida com sucesso. Este projeto apresenta uma solução para esse problema ao propor a implementação de sistemas de monitoramento e de controle de qualidade baseados em adaptação de domínio, considerando apenas a infraestrutura legada de câmeras das indústrias. O objetivo é o desenvolvimento de tecnologia que permita a implantação de soluções de visão computacional sem requerer a incorporação de novo hardware de aquisição de imagens e vídeo. Considerando a diversidade dos sistemas heterogêneos instalados, a estratégia será normalização de dados juntamente com adaptação de domínio para que distintas fontes de dados sejam padronizadas e utilizadas em um pipeline de aprendizado que, com essa característica, irá exigir menos dados sem requerer custo adicional de hardware e operacional. Para o desenvolvimento do sistema de detecção em si, utilizaremos duas metodologias: o Design Thinking para criação de uma experiência de uso que seja adequada ao nosso público-alvo e relevante para os seus casos de uso, e Desenvolvimento Ágil para guiar o processo de desenvolvimento de software a partir de retornos de clientes reais que utilizem nossos protótipos funcionais.Esta proposta para o PIPE 1 se concentra em um caso específico para demonstrar a viabilidade técnica de nossa ideia. Trata-se de aplicação de visão computacional para detecção e análise de falhas e programação de manutenção preditiva e prescritiva. Esse caso tem por objetivo analisar imagens de trucks de trens para inspeção visual. Essa aplicação está em discussão com um cliente da área de logística ferroviária, que precisa fazer análise das imagens para detectar problemas que indiquem a necessidade de manutenção de seus trens. Essa empresa possui sistemas de aquisição de imagens dos trucks, mas a maior parte da análise ainda é feita por seres humanos. Nossa proposta é desenvolver um sistema que receba as imagens produzidas pelos sensores legados e realize a análise automaticamente usando visão computacional e aprendizado de máquina. (AU)