Evolução da IA destaca simplicidade e precisão para a inspeção de qualidade no empacotamento de produtos tissue

Há alguns anos, a economia de consumo começou a adotar e apreciar o poder da inteligência artificial (IA). 

Começou como uma tecnologia fundamental no reconhecimento de fala, texto e imagem em telefones celulares, expandindo-se progressivamente para muitas outras aplicações, como diagnóstico médico, segurança na Internet, tomada de decisão, e agora essa mesma tecnologia amadureceu para ser aplicada à inspeção de qualidade e outros usos baseados em julgamento no ambiente industrial. Devido às limitações computacionais das CPUs, a IA não pôde ser adotada anteriormente e, agora que essa lacuna tecnológica foi preenchida, vários processos de produção podem se beneficiar de um novo e imenso poder. 

A Körber Tissue investiu uma parte consistente de seu orçamento de P&D na aplicação de IA para desenvolver soluções para fabricantes e convertedores de tissue. 

O primeiro resultado é um sistema de inspeção de qualidade do empacotamento lançado há um ano com o nome de Sam Pack. Este sistema aprende a aparência de uma boa amostra e é capaz de reconhecer amostras diferentes dela, dada uma tolerância específica. Com a mesma abordagem, Sam Pack também é capaz de aprender a reconhecer defeitos específicos  das embalagens, como desalinhamentos de impressão, defeitos de vedação lateral etc. 

O núcleo dessa tecnologia é a aplicação de redes neurais convolucionais e técnicas de aprendizagem profunda para permitir uma maneira precisa e ao mesmo tempo simples de inspecionar a qualidade do empacotamento durante a produção. Este artigo explicará como essa tecnologia funciona e por que ela traz vantagens consistentes em comparação à inspeção humana e aos sistemas de visão tradicionais baseados em algoritmos de regras. 

O conceito por trás de uma rede neural convolucional é imitar a rede de neurônios responsável pelo processamento de imagens e tomada de decisões em um cérebro humano. A rede recebe como entrada a imagem a ser processada, e é dividida em várias camadas, cada uma com funções específicas. O primeiro grupo compreende as camadas convolucionais e é responsável por reduzir drasticamente a quantidade de informação armazenada nos pixels que compõem a imagem, deixando apenas os detalhes úteis que realmente ajudam a distinguir a imagem de entrada e reduzindo a quantidade de dados a processar. Isso é chamado de extração de recursos. 

O segundo grupo compreende camadas totalmente conectadas, que são responsáveis por representar da melhor maneira possível a imagem de referência e decidir o quão semelhante uma imagem de entrada aleatória é comparada à referência. Esse processo é chamado de classificação. A chave dessa arquitetura, que a torna incrivelmente flexível, é que cada camada contém um número definido de parâmetros que precisam ser definidos para que a rede extraia os detalhes corretos da imagem, para representar corretamente a imagem de referência e, consequentemente, para decidir corretamente se uma imagem aleatória é semelhante ou não à referência. 

O processo para definir esses parâmetros é chamado de aprendizagem profunda. Consiste em alimentar a rede com um conjunto de imagens representando a referência, que no caso da inspeção de qualidade do empacotamento são imagens de boas amostras, e algoritmos específicos podem definir recursivamente os parâmetros para chegar a uma configuração final que realiza a extração e classificação de características da melhor maneira possível. 

Esse processo de aprendizado pode ser feito toda vez que a imagem de referência precisar mudar, por exemplo, mudar de um formato de pacote para outro, e basta escanear algumas boas amostras. Em seguida, o software atualiza a rede automaticamente. 

Parece muito claro, então, que esta tecnologia oferece grandes vantagens em comparação com os sistemas de visão tradicionais. Eles são baseados em algoritmos de regras, e isso significa que, para cada detalhe da imagem a ser reconhecido, uma regra específica precisa ser codificada. Esta solução pode ser eficaz no caso de imagens simples com variabilidade muito baixa, mas no caso contrário é necessário que um grande número de linhas de códigos sejam criadas, o que aumentaria o custo para criar, manter e modificar, além de elevadas competências de codificação. Além disso, para imagens complexas, o desempenho das redes neurais convolucionais é consistentemente maior e é possível customizar a tolerância de decisão da rede ao avaliar a similaridade da imagem de um pacote aleatório com a referência. Comparando o Sam Pack com a inspeção humana tradicional, várias vantagens também podem ser reconhecidas, como a estabilidade da inspeção 24 horas por dia, 7 dias por semana, a confiabilidade e, além disso, a velocidade. 

Em conclusão, pode-se observar que as redes neurais convolucionais foram projetadas para apresentar as vantagens tanto da inspeção humana, pela precisão e flexibilidade, quanto da inspeção automatizada, pela confiabilidade, estabilidade e velocidade, representando o estado atual da arte  da inspeção de qualidade. 

Este artigo foi escrito para a TWM por Nicolò Squarzoni, Gerente de Produto - Empacotamento & Digital Körber Tissue. Veja o artigo publicado na Tissue World Magazine neste link.