Inspeção de Solda por Visão IA em Ponte Rolante

A qualidade do cordão de solda da viga principal da ponte rolante determina diretamente a sua vida útil e o fator de segurança. Uma trinca de soldagem aparentemente insignificante, ao propagar-se sob carga alternada ao longo de vários anos, pode provocar a fratura da viga principal — em pontes rolantes antigas para as quais realizámos avaliações de segurança estrutural, um terço das trincas de fadiga tem origem no cordão de solda. No entanto, a inspeção de solda tradicional, baseada em inspeção visual manual e ensaio por partículas magnéticas, é ineficiente e os resultados variam consoante o operador.

Nos últimos dois anos, o maior avanço da inspeção visual por IA não reside na profundidade dos modelos, mas sim na integração de câmeras industriais, fontes de luz e motores de inferência num sistema pronto para a linha de produção. Os fabricantes de pontes rolantes soldam dezenas de metros de cordão de solda na viga principal diariamente — o olho humano não consegue acompanhar este ritmo. Com o YOLOv8 e um sistema ótico adequado, é possível identificar trincas com menos de 1 mm de largura no cordão de solda, e uma única GPU processa 4 câmeras em simultâneo sem qualquer esforço.

Este artigo aborda a solução técnica completa, desde a seleção da câmera até à implementação do modelo. O investimento em hardware do sistema varia entre 50.000 e 120.000 CNY (aproximadamente 6.400 a 15.400 EUR), incluindo computador industrial, câmeras industriais, fontes de luz e software de IA. O tempo de inspeção de um cordão de solda é reduzido de 5 a 10 minutos (método manual) para 15 segundos, e a taxa de deteção aumenta de 70 a 80% (método manual) para mais de 92%.

Arquitetura geral do sistema de inspeção

O sistema de inspeção de solda por IA adota uma arquitetura em linha de produção, onde cada módulo processa os dados e os transmite ao módulo seguinte:

Sistema de Câmera Industrial e Iluminação

Na inspeção de solda, o maior desafio não é o modelo de IA, mas sim capturar uma imagem utilizável. A superfície do cordão de solda em pontes rolantes apresenta escória, respingos e carepa de laminação. Uma câmera padrão produz imagens com baixo contraste e reflexos intensos, tornando inútil qualquer IA por mais avançada que seja.

Seleção da câmera: Recomenda-se uma câmera industrial de área de 12MP (4096×3000), com tamanho de pixel de 3,45μm e obturador rolling shutter. Utilize uma lente industrial de distância focal fixa de 25mm. Com uma distância de trabalho de 300mm, o campo de visão é de aproximadamente 200×150mm, resultando numa resolução de cerca de 0,05mm por pixel — a esta resolução, uma trinca de 0,5mm ocupa 10 pixels, suficiente para a identificação por IA. A taxa de frames não precisa ser elevada; 15fps é adequado (a detecção do cordão de solda é realizada com a ponte parada, não em movimento).

Solução de iluminação: A superfície do cordão de solda é texturizada, exigindo luz estruturada ou iluminação rasante em barra para realçar os defeitos. Recomenda-se uma barra de luz azul (comprimento de onda de 460nm) com ângulo de incidência de 30°, combinada com um filtro de banda estreita do mesmo comprimento de onda, para eliminar eficazmente a interferência da luz do arco elétrico. Um conjunto de iluminação com controlador custa entre 3000 e 5000 CNY (aproximadamente 380 a 640 EUR), sendo um componente frequentemente subestimado, mas indispensável em todo o sistema.

Treino e Implementação de Modelos de IA

3.1 Construção do Conjunto de Dados

O conjunto de dados para a deteção de defeitos no cordão de solda de pontes rolantes provém de duas fontes: imagens reais de defeitos captadas no local de fabrico (as mais valiosas, embora em quantidade limitada) e imagens sintéticas geradas por aumento de dados (para complementar a amostragem). Recomenda-se uma abordagem mista: 500 a 1000 imagens reais, aumentadas sinteticamente para 3000 a 5000 imagens no total.

A classificação de defeitos segue a norma ISO 4306 (equivalente à GB/T 3323-2023) para ensaio não destrutivo de soldas, dividindo-se em quatro categorias:

Recomenda-se o uso de LabelImg ou CVAT para a anotação das imagens. Cada imagem anotada é exportada no formato YOLO (classe + centro x + centro y + largura + altura, todos normalizados entre 0 e 1).

3.2 Seleção e Treino do Modelo

Recomenda-se o YOLOv8s (versão small, cerca de 11M de parâmetros), que oferece o melhor equilíbrio entre precisão e velocidade. Configuração de treino:

from ultralytics import YOLO # Carregar modelo pré-treinado model = YOLO("yolov8s.pt") # Treinamento（RTX4060Aproximadamente3horas para concluir300epoch） results = model.train( data="weld_dataset.yaml", epochs=300, imgsz=640, batch=16, lr0=0.01, augment=True, device=0 # GPU ) # Validação metrics = model.val() print(f"mAP@0.5: {metrics.box.map50:.3f}") print(f"mAP@0.5:0.95: {metrics.box.map:.3f}")

Após o treino, otimiza-se a velocidade de inferência com TensorRT: a latência original do YOLOv8s numa RTX4060 é de aproximadamente 12ms, reduzida para 4~5ms após otimização FP16 com TensorRT. Com 4 câmeras em esquema de polling, cada inferência não excede 35ms, cumprindo os requisitos de tempo real da deteção online.

# TensorRTExportação model.export(format="engine", dynamic=True, half=True) # Inferência import tensorrt as trt import pycuda.driver as cuda engine = trt.Runtime(trt.Logger()).deserialize_cuda_engine( open("yolov8s_weld.engine", "rb").read()) # Tempo de inferência por quadro aproximadamente5ms (RTX4060)

Implementação do Sistema de Deteção Online

O sistema é instalado na estação final da linha de produção de soldagem da viga principal da ponte rolante. Após a soldagem, a viga principal é automaticamente transferida para a estação de inspeção, onde câmeras industriais capturam imagens dos quatro cordões de solda principais (dois na placa de cobertura superior e dois na inferior). Para cada cordão de solda, são capturadas 3 a 5 imagens (cobrindo todo o comprimento do cordão), e a IA deteta e marca automaticamente a posição dos defeitos.

Parâmetros de implementação:

5. Pontos-Chave da Execução do Projeto

1. A iluminação é mais importante que o modelo. Esta é a primeira regra de ouro na visão máquina. No primeiro teste, utilizámos uma luz anelar padrão, que causou reflexos severos no cordão de solda, tornando impossível detetar trincas — por mais avançado que seja o YOLOv8, não consegue detetar o que não vê. Após a mudança para uma luz de barra azul de baixo ângulo, o contraste dos defeitos melhorou mais de 3 vezes, e o mAP do modelo saltou de 68% para 89%. O investimento em iluminação representa menos de 10% do custo total do sistema, mas influencia 80% do resultado final.

2. Escassez de amostras de defeitos: como proceder. A falta de amostras reais de defeitos é uma realidade comum em todos os projetos de visão industrial. A nossa abordagem: primeiro, criámos defeitos artificiais (usando Eletroerosão a Fio para maquinar defeitos em placas de teste) e recolhemos 500 imagens para treinar um modelo inicial. Após a implementação, este modelo inicial é usado para pré-seleção; as imagens de defeitos reais são confirmadas manualmente e adicionadas ao conjunto de treino para iteração. Após três ciclos de iteração, o desempenho do modelo em dados reais supera o da versão treinada apenas com dados simulados.

3. O compromisso entre falsos positivos e falsos negativos. As características visuais de sobremordedura e cordões de solda sobrepostos sobrepõem-se às de salpicos de soldadura, resultando numa taxa de falsos positivos naturalmente mais alta do que para trincas. A estratégia de engenharia adotada: para trincas e porosidade, definimos um limiar de confiança elevado (≥0.7) para classificação direta como não conforme; para sobremordedura e cordões sobrepostos, usamos um limiar baixo (≥0.4) e marcamos como "aguarda confirmação manual". Isto garante que defeitos de alto risco não são negligenciados, sem sobrecarregar os operadores com demasiados falsos alertas.

4. Integração com o PLC da linha de produção. O sistema de deteção envia um sinal digital (via Modbus TCP ou I/O digital) para o PLC. Quando são detetadas trincas ou porosidade, aciona-se um alarme luminoso e a paragem da esteira transportadora. O relatório de deteção em formato XML é enviado via FTP para o sistema MES para arquivo. A integração não requer alterações no programa PLC existente — o sistema de deteção funciona como um equipamento independente, emitindo apenas um sinal OK/NG.

5. A calibração regular é indispensável. A degradação da câmara e da fonte de luz afeta a consistência da deteção. Recomendamos uma calibração mensal com uma placa de referência padrão (contendo defeitos conhecidos). Se os resultados de 3 deteções consecutivas apresentarem um Desvio superior a 10% em relação ao padrão, o sistema alerta automaticamente para a necessidade de calibração ou substituição da fonte de luz.

Conclusão

A inspeção visual de soldaduras com IA não é uma tecnologia nova — é usada há vários anos na indústria automóvel e em condutas. A especificidade do setor de pontes rolantes reside no comprimento das soldaduras (uma Viga Principal de 30 metros tem quatro Cordão de Solda longitudinais), na complexidade da superfície (muitos salpicos de soldadura) e nos critérios de defeito que seguem a norma ISO 5817 (substitui a GB/T 3323). Adaptando estas condições, o desempenho da visão IA na inspeção de soldaduras de pontes rolantes é comparável ao da inspeção manual, com eficiência e consistência superiores.

Registámos dados reais durante seis meses numa linha de soldadura da Viga Principal de uma Ponte Rolante de 32 toneladas: inspecionámos 286 Cordão de Solda no total, a IA detetou 17 defeitos do tipo trinca (dos quais 2 foram omitidos na inspeção manual inicial), uma taxa de deteção global de 94,6%, e um tempo médio de 12 segundos por Cordão de Solda. O próximo passo é integrar os dados de deteção na plataforma de Gêmeo Digital da ponte rolante para correlacionar o histórico de defeitos de soldadura de cada ponte com os dados de monitorização da saúde estrutural durante o serviço.

Perguntas Frequentes