XXXIV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO

Engenharia de Produção, Infraestrutura e Desenvolvimento Sustentável: a Agenda Brasil+10

Curitiba, PR, Brasil, 07 a 10 de outubro de 2014.

1. Introdução
O desenvolvimento de sistemas de inspeção visual automatizada baseada em
aplicações da tecnologia de visão de máquina desempenha, atualmente, um papel fundamental
na busca da competitividade industrial (Malamas, E.N., et al, 2003).

Neste contexto, a literatura revela que as aplicações dessas tecnologias permitem o

desenvolvimento de soluções inovadoras e representam, claramente, uma tendência na área de
automação industrial (Mital, A., Govindaraju, M.B. Subrama-ni, A., 1998). E, neste sentido, a
literatura indica que uma ampla gama de atividades industriais tem obtido benefícios técnicos
e econômicos significativos a partir da aplicação dessas tecnologias em seus processos de
manufaturas, entre as quais, pode-se citar: manufatura de componentes microeletrônicos
delicados e circuitos integrados, controle da qualidade da produção têxtil e produtos
impressos, inspeção da qualidade da manufatura de componentes mecânicos, peças de
máquinas, vidros e qualidade de granitos.

E, adicionalmente, a literatura da área revela ainda que, tradicionalmente, a inspeção

visual para o controle de qualidade é realizada por especialistas humanos e, embora esses
possam realizar essa tarefa com resultados melhores do que as máquinas, em muitos casos, os
humanos são mais lentos e tendem a se cansar, rapidamente, em atividades repetitivas e
entediantes.

Portanto, a pesquisa e desenvolvimento de sistemas de inspeção visual automatizada

representa um desafio tanto do ponto de vista acadêmico quanto empresarial, pois podem
proporcionar soluções inovadoras e vantagens competitivas (Davies, E.R., 2004, Shen, H., Li,
S., Gu, D., Chang, H. 2012, Golnabia, H., Asadpourb, A. 2007, Schmitt, R., Cai, Y., Pavim,
A. 2012).

2. Sistema de Visão de Máquina

É o processo de se capturar imagens ou fotos de peças ou produtos, para medição ou
verificação de não conformidades através de análise computadorizada, neste trabalho foi
utlizado o software National Instruments LabView, com a plataforma Vision Builder for

2
 XXXIV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
Engenharia de Produção, Infraestrutura e Desenvolvimento Sustentável: a Agenda Brasil+10

Curitiba, PR, Brasil, 07 a 10 de outubro de 2014.

Automated Inspection (VBAI). Esta análise toma decisões a respeito do objeto analisado e
realiza uma ação, que poderá ser automatizada ou manual.

Os principais componentes de um sistema de visão de máquina típico (Figura 1) são

descritos em detalhes nas referências (Malamas, E.N., et al, 2003, Mital, A., Govindaraju,
M.B. Subrama-ni, A. 1998, Davies, E.R., 2004, Shen, H., Li, S., Gu, D., Chang, H., 2012,
Golnabia, H., Asadpourb, A., 2007). Mas, de modo geral, os sistemas envolvem subsistemas
dedicados à aquisição de imagens, processamento, segmentação extração de features,
classificação e reconhecimento de padrões (Golnabia, H., Asadpourb, A., 2007).

Figura 1: Componentes de um sistema de visão de máquina

Fonte: Adaptado de Marque Filho, Ogê; Vieira Neto, Hugo (1999)

A função do subsistema de aquisição de imagens, que inclui o conjunto de câmeras CCD

e equipamento de iluminação, é transformar os dados da imagem ótica em uma estrutura de
dados numéricos que possam ser manipulados adequadamente por sistemas computacionais
(Golnabia, H., Asadpourb, A., 2007).

Quando uma peça passa pela esteira transportadora de uma linha de produção, ela é
detectada por um sensor óptico e então a imagem é fotografada por uma câmera posicionada
estratégicamente sobre a esteira. A imagem capturada pela câmera é enviada para um
computador onde um software processa a foto e a compara com um um padrão armazenado na
memória ou em um banco de dados. Caso a imagem coincida com o padrão, isso significa que
o protudo está live de não conformidades, neste caso então nenhuma ação é tomada e o
sistema passa a analisar a próxima peça. Caso a imagem não coincida com o padrão, o sistema
toma uma ação, que tanto pode ser um aviso sonoro ou visual para o operador, ou então, a

3
 XXXIV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
Engenharia de Produção, Infraestrutura e Desenvolvimento Sustentável: a Agenda Brasil+10

Curitiba, PR, Brasil, 07 a 10 de outubro de 2014.

linha possui um dispositivo que aciona um mecanismo automatico que retira a peça do
sistema.

Como o trabalho a ser efetuado em cada ambiente produtivo tem suas próprias exigências,
sistemas de Inspeção Automatizada são estruturas construídas sob medida para cada situação.
Embora os sistemas tenham os mesmos componentes básicos, esses componentes são
oferecidos com as mais diversas características, devendo ser especificados segundo as
necessidades de cada projeto. Afinal, as aplicações podem variar bastante. Alguns exemplos
mais básicos que podem ser empregados, utilizando-se o sistema de visão de máquinas:

- Verificação de dimensões ou furos em peças; categorização de produtos por cores, formatos

ou tamanhos; leitura e aferição em códigos de barras; medições de peças ou componentes;
verificação de níveis em fluídos;
Sistemas automatizados, por sua vez, são capaz de inspecionar até 100% do volume
produzido, ininterruptamente, sem necessidade de diminuição na velocidade da linha de
produção e de forma totalmente consistente. Os resultados alcançados estão entre as metas
mais cobiçadas na industria, que são básicamente: aumento da produtividade, melhoria da
qualidade e redução de desperdícios.

3. Sistemas de Iluminação e Aquisição de Imagem

A ativação dos sensores ópticos da câmera se dá através da reflexão de raios de luz
vindos do objeto em questão. Para essa finalidade, foi utilizado um módulo difusor de
iluminação desenvolvido e fabricado na UTFPR Campus Curitiba.

O módulo difusor de iluminação, denominado de softbox (Figura 2), consiste de uma

caixa confeccionada em MDF (Medium Density Fiberboard) com uma lâmpada fluorescente
com fonte de potência nominal de 8 Watts acoplada em seu interior, de forma que o feixe de
luz incida na região frontal ou traseira, da peça a ser fotografada. A posição que a fonte de luz
incide na peça, é variada, tanto frontal quanto a incidência de luz traseira, pois vai depender
das características superficiais da peça em estudo.

Figura 2: Softbox
4
 XXXIV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
Engenharia de Produção, Infraestrutura e Desenvolvimento Sustentável: a Agenda Brasil+10

Curitiba, PR, Brasil, 07 a 10 de outubro de 2014.

Fonte: Autoria própria (2014)

O objetivo do softbox é isolar o objeto a ser inspecionado de fontes de iluminação

externas e o expor somente a uma luz direcional, mantendo assim o brilho das imagens
capturadas constante e as características da peça, o mais real possível. Com objetivo de captar
imagens com mais definição e detalhes adequados das características a ser inspecionado, o
sistema proposto foi utilizada uma WebCam Logitech C920 Pro HD 15MP, com tecnologia
em lentes Carl Zeiss, que proporciona uma imagem de até 5168 x 2907 pixels.

4. Materiais e Métodos
Visando obter-se conhecimento mais aprofundado dessa área da tecnologia, o presente
trabalho apresenta o desenvolvimento de um protótipo para um sistema de visão de máquinas
mediante o emprego do software NI™ Vision Builder for Automated Inspection (National
Instruments Corporation. 2010). No qual foi codificada a cadeia de processamento de
imagens necessária para a medição automatizada de protótipo de uma roda usinada em
alumínio, na escala 1/8, utilizada em automodelos a combustão, operado por controle remoto
(Figura 3).

O objetivo é medir o diâmetro externo da roda (a), diâmetro dos furos de ventilação (b) e
diâmetro dos furos (c), que serão aparafusados no eixo do veículo em escala, às medidas
foram obtidas a partir de um grid adquirido e calibrado pelo próprio NI™ VBAI. É importante
ressaltar o que um sistema de visão de máquina requer para o correto processamento de
5
 XXXIV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
Engenharia de Produção, Infraestrutura e Desenvolvimento Sustentável: a Agenda Brasil+10

Curitiba, PR, Brasil, 07 a 10 de outubro de 2014.

imagens de alta qualidade. Pois imagens escurecidas ou com sombras, com foco inapropriado,
entre outros, podem influenciar, negativamente, o desempenho dos algoritmos empregados na
inspeção. Neste sentido, foi necessária a utilização de uma de câmera CCD e uma unidade de
iluminação apropriada, já descritos no item 3.

Figura 3: Roda de automodelo em escala 1/8

Fonte: autoria própria (2014)

Em relação à solução de software, na figura 4 são apresentadas as tarefas da cadeia de

processamento de imagens codificadas no software NI™ Vision Builder (National

6
 XXXIV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
Engenharia de Produção, Infraestrutura e Desenvolvimento Sustentável: a Agenda Brasil+10

Curitiba, PR, Brasil, 07 a 10 de outubro de 2014.

Instruments Corporation. 2010).

Figura 4: Cadeia de Processamento

Fonte: autoria própria (2014)

Dentro desta perspectiva, foram estabelecidas as seguintes tarefas para a cadeia de

processamento: aquisição da imagem, aplicação dos algoritmos dos recursos: Simulate
Acquisition, Grid Calibration, Vision Assistant, Match Pattern, Set Coordinate System,
Caliper, Find Circular Edge, Set Inspection Status. Todavia, é importante observar que cada
tarefa no software NI™ Vision Builder consiste de certo número de etapas de processamento e
requerem, portanto, a configuração de parâmetros específicos, os quais são detalhados a
seguir.

(I) Para a aquisição da imagem emprega-se, inicialmente, o recurso Acquire Images e

Simulate Acquisition. Neste caso, uma imagem que deseja ser medida deve ser capturada a
partir de um banco de dados existente, neste caso de estudo, no próprio computador. Para que
seja feita a medição da peça, é preciso primeiramente realizar a calibração do grid, os passos
estão descritos a seguir:

1 – Select Calibration Type: Grid Calibration;

2 – Select Image Source: abre-se o grid do banco de dados no computador;
3 – Specify Distorsion: NonLinear;
4 – Threshold the grid: mantém o valor pré-estabelecido pelo sistema;
5 – Define dot spacing: valor de “dx e dy”, ou seja, distancia de centro a centro dos
pontos do grid, a qual é de 7 mm no mundo real, conforme a figura 5;
6 – Set Calibration Axis: define-se o eixo de coordenadas do grid;

Figura 5: Grid de Calibração

7
 XXXIV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
Engenharia de Produção, Infraestrutura e Desenvolvimento Sustentável: a Agenda Brasil+10

Curitiba, PR, Brasil, 07 a 10 de outubro de 2014.

Fonte: autoria própria (2014)

Na continuidade da programação, é necessário converter a imagem capturada para tons

de cinza, em 8 bits, tendo em vista que a câmera gera uma imagem colorida de 32 bits com
resolução de 5168 x 2907 pixels. Assim, nesta etapa adota-se o recurso NI Vision Assistant,
com a seguinte configuração: aplica-se o algoritmo do recurso Enhance Images - Vision
Assistant, para demarcar a região de interesse na imagem e editá-la, em seguida aplica-se o
recurso Processing Functions - Color, Extract Color Planes, RGB – HSL: Saturation Plane,
finalizando e fechando o Vision Assistant.

(II) Após a aquisição da imagem é necessário delimitar a região de interesse. Neste

caso, em umas das bordas do componente mediante o emprego do recurso Locate Features, a
partir da ferramenta Match Pattern.

(III) Em seguida, é necessário realizar um procedimento que visa alinhar a imagem

padrão com a imagem a ser inspecionada. No caso, adota-se o recurso Set Coordinate System
com a função Settings, para alterar o modo para Vertical Motion e marcar o ponto no lado
oposto (ponto número “1”), necessário para o alinhamento.

(IV) Aplica-se então o algoritmo do recurso Measure Features, ativado pela

ferramenta Caliper, o qual fará uma varredura pela região selecionada da imagem do
componente, buscando identificar a trava de fixação e o revestimento externo. Neste caso, os
parâmetros a seguir são adotados no Caliper Setup, Settings, Gap 15, Edge Strength 45,
Smoothing 8 e Steepness 6, conforme a figura 6, já para na configuração, ou seja, no “Caliper

8
 XXXIV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
Engenharia de Produção, Infraestrutura e Desenvolvimento Sustentável: a Agenda Brasil+10

Curitiba, PR, Brasil, 07 a 10 de outubro de 2014.

2”, os parâmetros adotados foram os seguintes: Gap 9, Edge Strength 40, Smoothing 4 e
Steepness 2, como representado na figura 7.

Figura 6: Caliper 1 - Diâmetro da roda

Fonte: autoria própria (2014)

Figura 7: Caliper 2 - Furo de ventilação

Fonte: autoria própria (2014)

(V) O próximo recurso utilizado é o Find Circular Edge, este consiste em detectar
áreas circulares, neste caso de pequenas dimensões. Os parâmetros adotados foram: Minimum
Edge Strength 31, Kernel Size 3, Projection Widht 15 e Gap 25, como representado na figura
8.
Figura 8: Find Circular Edge - Furo de fixação

9
 XXXIV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
Engenharia de Produção, Infraestrutura e Desenvolvimento Sustentável: a Agenda Brasil+10

Curitiba, PR, Brasil, 07 a 10 de outubro de 2014.

Fonte: autoria própria (2014)

(VI) Por fim, aplica-se o recurso Use Additional Tools, localizado na guia Set
Inspection Status, selecionada a opção aceitar a inspeção.

Os valores obtidos referentes ao diâmetro da roda, diâmetro do furo de ventilação e do

furo de fixação estão disposto na tabela 1, incluindo os valores adquiridos a partir de
medições feitas com um paquímetro convencional Mitutoyo.

Tabela 1: Medidas dos diâmetros

Diâmetro da roda Furo de ventilação Furo de fixação
Paquímetro Mitutoyo 75,00 mm 8,00 mm 1,65 mm
Caliper VBAI 74,62 mm 7,96 mm 1,63 mm

Erro Médio 0,38 mm 0,04 mm 0,02 mm

Fonte: Autoria própria (2014)

5. Análise dos Resultados

O componente foi submetido ao processo de inspeção visual, de acordo com tarefas
estabelecidas na cadeia de processamento de imagens, descritas na seção 4. Mediante recortes
da tela de interface do software NI Vision Builder (National Instruments Corporation. 2010),
das figuras 6, 7 e 8, os resultados obtidos tiveram erro médio em cada uma das medições,
como visto na tabela 1.

10
 XXXIV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
Engenharia de Produção, Infraestrutura e Desenvolvimento Sustentável: a Agenda Brasil+10

Curitiba, PR, Brasil, 07 a 10 de outubro de 2014.

A causa provável dos erros obtidos pode ser explicada por diversos fatores, tais como, o
posicionamento do componente em relação à posição da câmera, pois ao realizar a captura da
imagem, esta pode ter tido uma pequena distorção, que visualmente é imperceptível.

Outro problema, que também possa ter contribuído para a ocorrência da anomalia, seja
que a imagem não tivesse resolução em DPI (Dots Per Inch) suficiente, ou seja, mesmo que a
imagem esteja com alta resolução (quantidade de pixels que uma câmera possui. ex: 10
megapixels), a definição (é o tamanho da foto em número de pixel. ex: 1024x768 px) é baixa.
Desse modo então, ao realizar a medição, o recurso Caliper poderia ter sido influenciado por
pixels de intensidade de cor próximos aos da borda do componente, podendo neste caso o
Caliper selecionando pontos mais no interior do componente.

6. Conclusão
O objetivo do presente artigo foi o de desenvolver um protótipo de sistema de visão de
máquinas utilizando o software NI Vision Builder AI e aplicando o recurso Caliper para
realizar a tarefa de medição em componente que trafegam em linhas de produção industrial.
Neste sentido, os requisitos de hardware e as soluções software, em especial, as tarefas da
cadeia de processamento foram apresentadas.

Os resultados experimentais mostraram que o protótipo do sistema proposto pode detectar

medidas nas áreas delimitadas com grande eficiência, pois o erro é bem baixo, contudo para
melhor eficiência do sistema, seria preciso maior investimento em hardwares e equipamentos
de iluminação profissional.

7. Referências
DAVIES, E.R. (2004), Automated Visual Inspection. In: _ Machine Vision: Theory, Algorithms, Practicalities.
New York: Elsevier Science. cap. 22, p. 626-657.
GOLNABIA, H., Asadpourb, A. (2007), “Design and application of industrial machine vision systems”.
Robotics and Computer-Integrated Manufacturing, v. 23, p. 630–637.
MALAMAS, E.N., Petrakis, E.G.M., Zervakis, M., Petit, L., Legat, J.D. (2003), “A survey on industrial vision
systems, applications and tools”. Image and Vision Computing, v. 21, p. 171–188.
MARQUE Filho, Ogê; Vieira Neto, Hugo. Processamento Digital de Imagens, Rio de Janeiro: Brasport, 1999,
p. 9.
MITAL, A., Govindaraju, M.B. Subrama-ni, A. (1998), “Comparison between manual and hybrid methods in
parts inspection”. Integrated Manufactu-ring System v. 9, p. 344–349.
11