robótica
148
NEADVANCE, Machine Vision, S.A. Tel.: +351 253 145 430 info@neadvance.com · www.neadvance.com
David Almeida, Francisco Veiga, Manuel João Ferreira
case study
Identificação de encostos de assentos de automóvel com rede neuronal convolucional SUMÁRIO Após um período de estagnação e de desindustrialização na Europa assiste-se, atualmente, a um processo de renovação industrial. Colocam-se agora desafios tecnológicos que permitam acomodar novas perspetivas assentes numa elevada produtividade e variedade de produtos. Simultaneamente há que fazer face a uma produção em pequena escala, função da necessidade de criar produtos à medida e customizados ao cliente final. O atual paradigma impõe a implementação de novos processos produtivos que, por sua vez, implicam a necessidade de adaptabilidade tecnológica ao longo de toda a cadeia produtiva. É neste contexto que se enquadra o presente trabalho que demonstra a implementação de uma solução produtiva com elevada flexibilidade e adaptabilidade. Definiu-se como objetivo desenvolver tecnologias de identificação de encostos de cabeça para assentos de automóvel para um cliente do setor, especificamente a Faurecia Moldados em São João da Madeira do Grupo Faurecia. A solução desenvolvida baseia-se na aplicação de tecnologia de visão por computador e inteligência artificial com uso intensivo de redes neuronais profundas.
I. INTRODUÇÃO Os avanços tecnológicos na área da visão por computador e inteligência artificial têm conduzido a uma maior capacidade de identificação, deteção e compreensão de estruturas visuais. Mediante a combinação de técnicas destes domínios com unidades de processamento em tempo real é possível disponibilizar ferramentas computacionais de identificação e inspeção que superam a capacidade de desempenho humano. Com estas abordagens desenvolvem-se aplicações em diversos domínios societais, como a automação industrial (por exemplo, teste e
controlo de qualidade de produtos) e os sistemas de apoio ao diagnóstico clínico. Como estas ferramentas conduzem a ganhos de eficiência mais significativos em comparação com os mecanismos convencionais e os processos manuais, são cada vez mais aplicados na análise de objetos complexos (designadamente texturados e com uma geometria tridimensional complexa) e com limiares de análise mais restritivos. Este tipo de abordagem foi aplicado pela NEADVANCE para desenvolver uma solução automática de identificação de encostos de cabeça que, mediante a geração de um código unitário, vai de encontro aos requisitos de traçabilidade produtiva requeridos pela Faurecia. A solução da NEADVANCE consiste num sistema robotizado que identifica os diferentes modelos de encosto através de caraterísticas visuais extraídas das imagens desses modelos. Na produção atual existem 101 modelos distintos de encostos que se distinguem pela: 1. Morfologia (11 volumes distintos); 2. Material (24 classes distintas): A. Tipo (tecido, couro ou napa), B. Textura, C. Marcações; 3. Pesponto: A. Tipo (simples ou duplo); B. Cor. A Figura 1 ilustra a diversidade de encostos, mostrando 4 exemplos de morfologia e tipo de materiais.
A solução implementada enquadra-se no paradigma Indústria 4.0, demonstrando a aplicação de novos conceitos de flexibilidade e adaptabilidade nos processos produtivos. Para tal, recorre-se à manipulação de objetos e a tecnologia de visão por computador e inteligência artificial. O presente artigo descreve em específico a tecnologia implementada, especificamente para a análise de texturas: identificação dos diferentes tipos de materiais que compõem os encostos de cabeça. Nas décadas de 80 e 90 que a investigação em análise de forma e de textura originou um leque diversificado de técnicas de extração de caraterísticas das imagens, quer no domínio espacial quer no domínio espectral [1-3], que quando combinadas com o desenho de classificadores específicos permitiam a identificação e classificação desses mesmos objetos. Relativamente aos classificadores aplicados as abordagens são diversificadas, destacando-se aquelas que se fundamentam em métodos provenientes do domínio da estatística e da inteligência artificial [4-7]. Os resultados científicos demonstraram uma eficiência elevada, contudo a transposição destas soluções para aplicação industrial revela-se geralmente pouco flexível, pelo que a industrialização destas tecnologias é inibida pela baixa flexibilidade, que deriva do facto da análise se basear geralmente num conjunto de caraterísticas, extraídas de uma só técnica, e pela natureza do classificador que obriga ao conhecimento exaustivo do tipo de propriedades (textura) a identificar.
Figura 1. Imagens de encostos de cabeça de assentos de automóvel, produzidos na Faurecia Moldados, adquiridas na máquina da NEADVANCE integrada na linha de produção.