Inspeção de Cabo de Aço e Trilho com Visão IA em Ponte Rolante
O sistema de detecção por visão artificial para pontes rolantes baseia-se no framework de deep learning YOLOv8, com precisão de detecção de fios rompidos em cabo de aço de mAP≥95,3%, taxa de detecção de trincas no trilho ≥92% e tempo de inferência por frame ≤12ms (Jetson Orin NX), substituindo a inspeção manual tradicional com um aumento de eficiência de 8 a 10 vezes.
A fratura do cabo de aço, as trincas no trilho e a deformação do gancho são os três principais riscos de segurança em pontes rolantes. A inspeção visual tradicional depende da experiência dos inspetores, apresentando baixa cobertura e inconsistência nos critérios, com cada ponte rolante a exigir 2 a 4 horas de inspeção. Face aos requisitos quantitativos da norma ISO 4309:2017 para a inspeção visual de cabos de aço e às disposições da norma ISO 4301 sobre os ciclos de inspeção de componentes críticos, a adoção de tecnologia de detecção por visão artificial para identificação totalmente automática e contínua de defeitos superficiais tornou-se uma tendência inevitável na gestão inteligente de equipamentos de elevação.
O sistema de detecção por visão artificial para pontes rolantes é composto por três módulos: matriz de câmeras industriais, terminal de inferência de IA de borda e plataforma de gestão em nuvem. O sistema instala câmeras industriais de alta definição em pontos críticos, como o canal do cabo de aço do mecanismo de elevação, ao longo do trilho de rolamento da ponte e no pescoço do gancho, capturando dados de imagem em tempo real. Os modelos de deep learning, implementados em dispositivos de Computação de Borda, realizam inferência em milissegundos e sincronizam os resultados de detecção e a marcação de defeitos com a plataforma de gestão, permitindo a transição de manutenção reativa para alerta proativo.
Arquitetura do modelo de deep learning e algoritmos principais
O sistema adota uma arquitetura em cascata de dois modelos: YOLOv8+SegFormer. O YOLOv8 é responsável pela localização rápida e classificação de defeitos ao nível de objeto, incluindo a detecção de fios rompidos em cabo de aço, a marcação de áreas de indentação no trilho e a detecção de anomalias na abertura do gancho, com precisão de detecção mAP@0.5 de 95,3%.
O modelo de segmentação semântica SegFormer é especializado em tarefas que exigem precisão ao nível de pixel, como microtrincas superficiais, percentagem de área corroída e grau de desgaste, alcançando um mIoU de 82,7%. Os resultados de inferência dos dois modelos são combinados através de um módulo de fusão por votação de projeto leve, reduzindo a taxa de falsos positivos de 6,8% para 1,9%.
Para satisfazer os requisitos de tempo real em ambiente industrial, o modelo é quantizado com TensorRT FP16 e implementado no módulo de Computação de Borda NVIDIA Jetson Orin NX, com tempo de inferência por frame inferior a 12ms e taxa de processamento de fluxo de vídeo de 83FPS, cobrindo integralmente as necessidades de detecção em tempo real durante a operação de todos os mecanismos da ponte rolante.
O treino do modelo utiliza um conjunto de dados próprio de defeitos em pontes rolantes, abrangendo quatro tipos de defeitos típicos — fios rompidos em cabo de aço, trincas no trilho, deformação do gancho e arco elétrico na Linha de Alimentação — num total de 82.000 imagens anotadas, divididas em conjuntos de treino, validação e teste na proporção de 7:2:1.
Comparação de desempenho principal entre inspeção manual tradicional e detecção por visão artificial
| Item de Comparação | Método Manual Tradicional Inspeção | AIsistema de inspeção por visão |
|---|---|---|
| Método de detecção | Inspeção Visual+Paquímetro+Lupa Manual Inspeção | 4Kcâmera industrial Aquisição Automática+AIInferência em Tempo Real |
| Por Unidade Inspeção Tempo Consumido | 2~4Horas(Requer Parada do Equipamento) | Monitoramento Online em Tempo Real, Sem Necessidade de Parada |
| Cabo de Aço Taxa de Detecção de Fios Rompidos | Aproximadamente40%~60%(Influenciado por Iluminação e Experiência) | ≥95.3%(YOLOv8+Seg Former Fusão) |
| Trincamínimo Dimensão Detectável | ≥0.3mm(Auxílio de Lupa) | ≥0.1mm(4KImagem+Superior aresolução Aprimoramento) |
| Detecção Frequência | Mensal/Trimestral Inspeção Periódica | Geração Automática Diária Detecção Relatório |
| Referência Norma | GB/T 5972-2016 Requisitos de Inspeção Visual | GB/T 28264 — Sistema de Monitoramento e Gestão de Segurança-2017 Monitoramento Arquitetura do Sistema |
Parâmetros de Desempenho e Indicadores Técnicos
Os indicadores de desempenho do sistema de inspeção por visão abrangem três dimensões: precisão de detecção, velocidade de inferência e adaptabilidade ambiental. Em termos de precisão, o sistema alcança mAP de 95,3% para detecção de falhas no cabo de aço, 92,1% para trincas no trilho, 97,6% para deformação do gancho e 94,8% para arco elétrico na linha de alimentação.
No que diz respeito à velocidade de inferência, o processamento de um único frame no dispositivo de borda leva 12ms, suportando até 6 fluxos de vídeo em paralelo. Quanto à adaptabilidade ambiental, o sistema utiliza iluminação complementar por infravermelho próximo de 850nm para garantir detecção normal em condições de baixa luminosidade (0~20 lux). As câmeras possuem Grau de Proteção IP67 e operam numa faixa de temperatura de -20°C a 60°C.
Detecção de Múltiplos Defeitos e Construção do Conjunto de Dados
O sistema cobre os defeitos superficiais típicos dos quatro componentes críticos da ponte rolante. A detecção de defeitos no cabo de aço foca em três categorias: fios partidos, redução do diâmetro por desgaste e área de corrosão, com base nos critérios de rejeição da Norma GB/T 5972-2016. O modelo de IA emite diretamente a classificação do grau de defeito.
A detecção de defeitos no trilho abrange trincas na superfície, profundidade de indentação e desgaste lateral da cabeça do trilho, avaliados segundo a Norma de Aceitação da GB/T 10183-2018 relativa à tolerância de montagem de rodas e trilhos. A detecção de defeitos no gancho concentra-se em dois indicadores principais: a taxa de variação da abertura e o comprimento de trincas superficiais. A detecção de defeitos na linha de alimentação monitoriza online o desgaste da escova de carbono e as marcas de queimadura por arco elétrico.
O conjunto de dados foi construído combinando imagens reais captadas em fábricas com dados sintéticos aumentados. Foram instalados dispositivos temporários de captura em três tipos de ambientes típicos — siderurgia, porto e energia — para obter 42.000 imagens originais. Através de redes adversariais generativas (GAN), foram sintetizadas 40.000 amostras adicionais sob múltiplas condições de iluminação e ângulos, resolvendo eficazmente o problema da distribuição de cauda longa e da escassez natural de amostras de defeitos em cenários industriais. A anotação dos dados utiliza o formato de segmentação por polígonos, com um tempo médio de 15 minutos por imagem, e a qualidade é garantida por uma dupla verificação realizada por engenheiros de inspeção de pontes rolantes e anotadores de IA.
Implementação de Borda e Otimização de Desempenho
Configuração de Computação — A plataforma de inferência de borda utiliza o módulo NVIDIA Jetson Orin NX 16GB, que oferece até 100 TOPS de potência de computação em precisão FP16, satisfazendo os requisitos de processamento em tempo real de múltiplos fluxos de vídeo.
Otimização da Inferência — O modelo é otimizado através do motor TensorRT, que realiza fusão de operadores e otimização de memória para YOLOv8 e SegFormer. A latência de inferência foi reduzida de 267ms para 12ms, um fator de compressão de 22,3 vezes.
Mecanismo de Tolerância a Falhas — O sistema suporta o modo de recurso ONNX Runtime. Em cenários extremos onde o TensorRT não está disponível, o sistema alterna automaticamente para o motor ONNX, garantindo a continuidade da função de detecção.
Na implementação em campo, as câmeras são sincronizadas com o movimento do mecanismo da ponte rolante através de disparo por Encoder. O conjunto de câmeras do cabo de aço é instalado na viga transversal acima do mecanismo de elevação; o conjunto de câmeras do trilho é montado em ambos os lados da plataforma do Carro; e o conjunto de câmeras do gancho é posicionado numa vista superior a partir da parte inferior da Cabine do Operador. Todas as câmeras são ligadas através de cabos Ethernet industriais a uma caixa de computação de borda protegida nas proximidades. Os dados consolidados são enviados para a plataforma de gestão na nuvem via 4G/5G ou rede com fios. Em conformidade com os requisitos de interface de dados da Norma GB/T 28264 — Sistema de Monitoramento e Gestão de Segurança para equipamentos de elevação, a plataforma oferece uma API REST padrão para integração com sistemas MES e EAM.
Pontos de instalação do sistema de inspeção por visão com IA e parâmetros de detecção correspondentes
| Pontos de Instalação | Tipo de Câmera | Detecção Alvo | mínimo Defeito Dimensão Detectável |
|---|---|---|---|
| mecanismo de elevação Viga Transversal | 4KCâmera Linear | Cabo de Aço Fio Rompido/Desgaste/Corrosão | 0.1mm Fio Rompido |
| Carro Ambos os Lados da Plataforma | 4KCâmera de Matriz de Área | Trilho Trinca/Indentação/Desgaste Excêntrico | 0.2mm Trinca |
| Cabine do Operador Abaixo | Câmera Estéreo Binocular | abertura do gancho Mensal/Deformação/Trinca | 0.05mm Abertura |
| Linha de Alimentação Ao Longo do Cabo | Câmera Termográfica Infravermelha | Escova de carbono Arco Elétrico/Contato Defeituoso | 10°CLimiar de Elevação de Temperatura |
Vantagens do Sistema e Retorno Económico
O valor central do sistema de inspeção por visão AI reside na transformação de fraturas súbitas e imprevisíveis em alertas progressivos e geríveis. O sistema emite um alerta de substituição do cabo de aço quando o número de fios rompidos atinge 80% do critério de descarte da norma GB/T 5972-2016, detetando defeitos iniciais 7 a 30 dias antes da inspeção mensal tradicional.
Numa siderurgia com produção anual de 1 milhão de toneladas, as perdas de produção por uma única fratura de cabo de aço situam-se entre 300.000 e 800.000 CNY. O sistema de inspeção AI reduz a taxa de acidentes por fratura em mais de 85%, evitando em média 2 a 3 falhas graves por ano.
Em termos de custos de manutenção, o sistema substitui 50% a 70% do trabalho de inspeção manual, redirecionando os recursos de inspetores certificados da inspeção de rotina para a revisão, análise e inspeção aprofundada, aumentando a eficiência da utilização de recursos humanos.
O custo operacional ao longo do ciclo de vida do sistema (incluindo manutenção de câmaras, iteração de modelos e aluguer de capacidade de computação) é de aproximadamente 60.000 a 100.000 CNY por ano, por ponte rolante. Uma única falha grave pode cobrir os custos operacionais do sistema por 3 a 5 anos. Os dados operacionais do sistema alimentam ainda a iteração e otimização do modelo, criando um ciclo de melhoria contínua orientado por dados.
Perguntas Frequentes
P: A inspeção por visão AI pode substituir completamente a inspeção manual de cabos de aço?
R: Não pode substituir completamente. A visão AI pode substituir a inspeção visual diária e parte das verificações mensais, mas, de acordo com a norma GB/T 5972-2016, a inspeção anual abrangente e o julgamento de descarte dos cabos de aço devem ser executados por inspetores certificados. O sistema AI pode prolongar significativamente os intervalos de inspeção manual, automatizando a inspeção mensal, enquanto os inspetores apenas precisam de rever as imagens anómalas enviadas pelo sistema.
P: Como o sistema mantém a precisão de detecção em ambientes adversos como poeira e óleo?
R: O sistema utiliza três medidas anti-interferência: as lentes das câmaras são equipadas com dispositivos de sopro de cortina de ar de alta pressão para evitar a acumulação de poeira; os dados de treino incluem amostras simuladas de obstrução por óleo e sujidade nas lentes (representando 12% do conjunto de treino); o modelo possui capacidade de denoising adaptativo. Em testes de campo, a precisão de detecção não diminui mais de 3 pontos percentuais em ambientes de fundição com concentração de poeira de 5 mg/m³.
P: Como o modelo se adapta às necessidades de inspeção diferenciadas de pontes rolantes de diferentes fabricantes e modelos?
R: O sistema utiliza uma estratégia de aprendizagem por transferência. O modelo base pré-treinado requer apenas a recolha de 500 a 1000 imagens locais no novo local do cliente para concluir o ajuste fino, com um período de adaptação de 5 a 7 dias úteis. Com mais de 120 sistemas de visão AI implementados em todo o país, foi acumulada uma biblioteca de modelos experientes para adaptação em diversos cenários.
P: Como os dados do sistema são integrados com o sistema de monitoramento e gestão de segurança existente da ponte rolante?
R: O sistema suporta REST API padrão e protocolo MQTT. Os resultados de deteção e as imagens de defeitos são enviados em tempo real para plataformas de terceiros em formato JSON. Em conformidade com a especificação de interface de dados de monitoramento da norma GB/T 28264, o sistema fornece dados em quatro campos: grau de defeito, coordenadas de localização, timestamp e URL da imagem original, permitindo uma integração perfeita com o sistema de monitoramento e gestão de segurança da ponte rolante e com a plataforma EAM da empresa.
— A Kelude Indústrias Pesadas é especializada no domínio da inspeção inteligente de pontes rolantes, tendo entregue mais de 120 sistemas de inspeção por visão AI, cobrindo os quatro principais objetos de inspeção: cabos de aço, trilhos, ganchos e linhas de alimentação. Para saber mais sobre a aplicação da norma GB/T 5972-2016 Cabos de aço para guindastes — Manutenção, inspeção e critérios de descarte e da norma ISO 4301 / FEM 1.001 Especificações de projeto para guindastes — Disposições principais em soluções de inspeção AI, contacte a equipa técnica da Kelude Indústrias Pesadas.
