Sistema de Inspeção por Visão AI para Cabo de Aço de Ponte Rolante

2. Tipos de Defeitos no Cabo de Aço e Métodos de Deteção por IA

Durante o seu longo período de serviço, o cabo de aço de ponte rolante está sujeito à ação combinada de tensões alternadas, desgaste por fricção, ambientes corrosivos e carga de fadiga, dando origem a vários tipos de danos. De acordo com a norma ISO 4309 — Cabos de aço para guindastes — Manutenção, inspeção e descarte, o cabo de aço requer Inspeção Periódica e registo de vários defeitos. O sistema de inspeção por visão deve ser capaz de identificar com precisão os seguintes tipos principais de defeitos.

1. Defeitos de Fratura de Fios

A fratura de fios é o tipo de defeito mais comum e mais perigoso no cabo de aço. De acordo com o padrão de distribuição, classifica-se em fraturas localizadas e fraturas concentradas. As fraturas localizadas referem-se a fios partidos dispersos em diferentes posições ao longo do comprimento do cabo, geralmente causadas por sobrecarga local ou fadiga do aço. Nas fases iniciais, as fraturas são pequenas e difíceis de detetar a olho nu. As fraturas concentradas ocorrem quando vários fios partem na mesma secção transversal, frequentemente resultantes de danos mecânicos ou sobrecarga severa, apresentando extremidades irregulares em forma de dente de serra. O sistema de deteção por IA utiliza um modelo YOLOv8s melhorado, incorporando convoluções deformáveis (DCNv4) e mecanismos de atenção de coordenadas (Coordinate Attention) no módulo de extração de características C2f, permitindo que o modelo se concentre nas diferenças subtis de textura nas zonas de fratura. Na rede de pirâmide de características, o modelo combina características de alta resolução das camadas superficiais com características semânticas profundas, garantindo que os alvos de fratura de pequenas dimensões não se percam durante a subamostragem.

2. Defeitos de Desgaste

O desgaste classifica-se em dois tipos: desgaste uniforme e desgaste localizado. O desgaste uniforme manifesta-se por uma redução uniforme do diâmetro do cabo, com os fios superficiais achatados, geralmente causado por fricção prolongada com polias e tambores. O desgaste localizado manifesta-se por uma redução visível do diâmetro numa secção específica ou pelo aparecimento de sulcos achatados na superfície, frequentemente resultante do atrito entre cabos ou do contacto com elementos estruturais. Para detetar defeitos de desgaste, o modelo de IA utiliza de forma integrada as características de gradiente do contorno do cabo e as características de textura da superfície. No ramo de cabeça (Head), o modelo inclui um ramo adicional de regressão de diâmetro que estima diretamente o diâmetro do cabo em cada região de deteção, comparando-o com dados históricos para permitir uma medição quantitativa do desgaste, com um erro de medição inferior a 0,3 mm.

3. Defeitos de Corrosão

Os defeitos de corrosão são particularmente relevantes em cabos de aço de pontes rolantes utilizados em ambientes com elevada humidade e corrosão, como nas indústrias metalúrgica, química e portuária. Nas fases iniciais, a corrosão manifesta-se por manchas de ferrugem pontuais na superfície; com o avanço da corrosão, evolui para descamação e corrosão por picadas, podendo reduzir significativamente a área efetiva da secção do aço em casos graves. Em termos de imagem, os defeitos de corrosão apresentam-se como zonas com coloração anómala (tons castanho-avermelhados, preto-escuros) e textura superficial irregular. O modelo de deteção por IA adota uma estratégia de fusão multiespectral, combinando imagens RGB com imagens de infravermelhos próximos ao nível das características, explorando a elevada refletividade dos produtos de corrosão na banda dos infravermelhos próximos para melhorar o contraste de deteção das zonas corroídas. Os ensaios demonstram que a estratégia de fusão multiespectral aumenta a taxa de recall na deteção de corrosão em 12,7%.

4. Defeitos de Deformação

Os defeitos de deformação no cabo de aço incluem deformação ondulada e deformação em lanterna. A deformação ondulada caracteriza-se por um eixo do cabo com curvatura em forma de onda, geralmente causada por descarga súbita ou torção, acelerando a fratura por fadiga dos fios durante o funcionamento subsequente. A deformação em lanterna manifesta-se por um aumento localizado do diâmetro do cabo, com as cordoalhas afastadas em forma de lanterna, sendo uma manifestação externa de fratura interna dos fios ou falha da alma do cabo. As características visuais das deformações são relativamente evidentes, mas a sua grande variabilidade morfológica exige um elevado poder de generalização do modelo. Para melhorar a robustez da deteção de deformações, o sistema aplica um aumento substancial de dados por transformações afins durante a fase de treino, incluindo rotação aleatória (de -45° a 45°), escala aleatória (de 0,5 a 1,5 vezes) e simulação de deformação elástica, garantindo que o modelo se adapta adequadamente a todas as formas de deformação.

3. Conceção do Sistema de Aquisição de Imagem

O sistema de aquisição de imagem é o "olho" da inspeção visual por IA, e a sua conceção influencia diretamente o desempenho dos modelos de deteção subsequentes. O cabo de aço de ponte rolante opera num ambiente complexo, sujeito a múltiplos fatores de interferência como luz intensa, óleo, vibração e poeiras, o que impõe exigências extremamente elevadas ao sistema de aquisição de imagem. Este sistema foi concebido de forma sistemática em três dimensões: arquitetura de instalação das câmaras, seleção ótica e estratégia de iluminação.

1. Arquitetura de Cooperação de Três Câmaras

Atendendo às características geométricas e ao movimento do cabo de aço de ponte rolante, o sistema adota uma arquitetura de captação cooperativa com três câmaras, garantindo uma cobertura total do comprimento do cabo sem zonas cegas:

2. Seleção de Câmaras e Parâmetros Óticos

A seleção das câmaras considerou parâmetros críticos como resolução, taxa de fotogramas, tipo de obturador, sensibilidade à luz e grau de proteção. A câmara de topo utiliza um sensor CMOS de linha com resolução de 8192×1 píxeis e frequência de linha até 80kHz, sincronizado por encoder para aquisição equidistante à velocidade do cabo. As câmaras lateral e de baixo utilizam sensores de matriz com obturador global de 2 megapíxeis, resolução de 1920×1080 e taxa máxima de 200fps. A tecnologia de obturador global garante que não ocorram distorções de imagem nem desfoque de movimento, típicos do efeito de obturador de cortina, durante o movimento a alta velocidade do cabo de aço. Todas as câmaras possuem invólucro industrial com grau de proteção IP67, aquecedor incorporado e função antiembaciamento, adaptando-se a um ambiente de trabalho com temperaturas entre -20°C e 60°C.

3. Iluminação Estroboscópica LED e Design de Imunidade a Interferências

O cabo de aço de ponte rolante normalmente apresenta óleo lubrificante e graxa na superfície, que sob iluminação convencional produzem reflexos especulares intensos, comprometendo seriamente a qualidade da imagem. O sistema adota um esquema de iluminação estroboscópica LED, com pulsos de luz controlados numa janela de 10 a 50 microssegundos, sincronizados com precisão com o tempo de exposição da câmera. O modo estroboscópico fornece iluminação de alta intensidade num intervalo extremamente curto, transformando os reflexos especulares em pequenos pontos brilhantes em vez de grandes manchas, reduzindo simultaneamente a interferência da luz ambiente. As luzes de preenchimento estão dispostas em anel, distribuídas uniformemente em torno do eixo ótico da lente, garantindo uma iluminação homogénea em toda a circunferência do cabo. Em termos de temperatura de cor, é utilizada luz branca pura de 5000K a 6000K, que corresponde ao pico de sensibilidade espectral do sensor da câmera industrial, maximizando a eficiência de conversão fotoelétrica.

4. Treino do Modelo e Conjunto de Dados

Um conjunto de dados de alta qualidade e uma estratégia de treino científica são a base do desempenho de qualquer modelo de deteção por IA. Este sistema estabelece um fluxo de trabalho completo em três fases — recolha de dados, anotação e treino — garantindo que o modelo atinge uma boa precisão de deteção e capacidade de generalização.

1. Construção do Conjunto de Dados

Foram recolhidas mais de 10.000 imagens de cabos de aço no ambiente de produção, abrangendo quatro categorias de defeitos — rutura de fios, desgaste, corrosão e deformação — bem como amostras de cabos em condições normais. Todas as imagens foram captadas em condições reais de operação de pontes rolantes, incluindo diferentes condições de iluminação (dia nublado, dia de sol, iluminação noturna), diferentes estados de funcionamento (parado, velocidade reduzida, velocidade nominal) e diferentes condições de carga (vazio, meia carga, carga total). Para aumentar a diversidade das amostras, o conjunto de dados inclui ainda imagens de cinco siderúrgicas e portos distintos, cobrindo cabos de aço com diferentes especificações de diâmetro (16 mm a 48 mm) e diferentes estruturas de torção (6×19, 6×37, 8×19, etc.).

2. Anotação de Dados

A anotação segue o formato do conjunto de dados COCO, com cada imagem a corresponder a um ficheiro de anotação em JSON. O conteúdo anotado inclui etiquetas de categoria de defeito, coordenadas de caixas delimitadoras poligonais e máscaras de segmentação de defeitos. O trabalho de anotação é realizado por engenheiros de controlo de qualidade com formação específica, sendo cada anotação sujeita a uma revisão cruzada por especialistas seniores, garantindo uma taxa de precisão de anotação não inferior a 98%. Para amostras ambíguas (como casos-limite entre desgaste ligeiro e textura superficial normal), os critérios de anotação são definidos através de discussão em grupo e comparação com amostras físicas. O conjunto de dados final inclui 11 categorias de objetos, com a seguinte distribuição de amostras: rutura local de fios — 1.200 imagens; rutura concentrada de fios — 800; desgaste uniforme — 1.500; desgaste local — 1.000; corrosão por picada — 1.200; corrosão uniforme — 800; deformação ondulada — 400; deformação em lanterna — 300; redução do diâmetro do cabo — 600; lubrificação deficiente — 900; amostras normais — 1.300.

3. Aumento de Dados

Para melhorar a capacidade de generalização e a robustez do modelo, o sistema aplica uma estratégia abrangente de aumento de dados durante o treino: (1) Transformações geométricas: rotação aleatória (-30° a 30°), inversão horizontal, inversão vertical, recorte aleatório e redimensionamento (0,5 a 1,5 vezes); (2) Transformações de cor: ajuste de brilho (±20%), ajuste de contraste (±15%), ajuste de saturação (±10%), desvio de matiz (±5°); (3) Injeção de ruído: ruído gaussiano (σ=5-15), ruído sal e pimenta (densidade 0,01-0,03); (4) Simulação de desfocagem: desfocagem gaussiana (tamanho do kernel 3-7), desfocagem de movimento (simulando o rasto de movimento do cabo de aço); (5) Simulação de oclusão: apagamento aleatório (Random Erasing) e CutOut, simulando cenários de oclusão por óleo ou sujidade. Com estas estratégias, o tamanho efetivo do conjunto de treino é expandido para mais de 20 vezes o conjunto de dados original, melhorando significativamente o desempenho de deteção em condições operacionais complexas.

4. Configuração e Processo de Treino

O treino do modelo baseia-se na arquitetura YOLOv8s, com as imagens de entrada redimensionadas uniformemente para 640×640 pixels. Os hiperparâmetros de treino são configurados da seguinte forma: o otimizador utiliza SGD com momentum (momentum de 0,937); a taxa de aprendizagem inicial é de 0,01, com uma estratégia de agendamento de taxa de aprendizagem por recozimento de cosseno; o coeficiente de decaimento do peso é de 0,0005; o tamanho do lote (batch size) é de 32; o número de épocas de treino é de 300; é aplicada uma estratégia de pré-aquecimento, com a taxa de aprendizagem a aumentar linearmente de 0,001 para a taxa inicial durante as primeiras 3 épocas. Durante o treino, é utilizado o mecanismo de paragem antecipada (Early Stopping), que termina automaticamente o treino se o mAP do conjunto de validação não melhorar durante 30 épocas consecutivas. O modelo foi treinado numa única GPU NVIDIA RTX 4090, tendo a convergência sido alcançada em aproximadamente 24 horas. A perda final de treino foi reduzida para menos de 1,2, e o mAP do conjunto de validação atingiu o indicador de design.

5. Desempenho da Deteção e Integração com a Manutenção

Após a implementação do sistema e a otimização contínua, o sistema de deteção visual por IA para cabos de aço de pontes rolantes atingiu os padrões de aplicação em engenharia em todos os indicadores de desempenho. Simultaneamente, o sistema está profundamente integrado no sistema de gestão de manutenção de equipamentos, formando um ciclo de negócio completo: "deteção-avaliação-alerta-manutenção".

1. Indicadores de Desempenho da Deteção

Os indicadores de desempenho da deteção do sistema, obtidos no conjunto de teste dedicado (2.000 imagens, independente dos conjuntos de treino e validação), são apresentados na tabela seguinte. Todos os indicadores foram medidos no dispositivo de Computação de Borda Jetson Orin NX, com uma taxa de inferência estável superior a 40 FPS, satisfazendo os requisitos de deteção em tempo real para cabos de aço de pontes rolantes a uma velocidade de 0,5 m/s.

2. Integração com o Sistema de Manutenção CMMS

O sistema integra-se com o Sistema de Gestão de Manutenção Computorizada (CMMS) da empresa através de uma API RESTful padrão. Quando o sistema de deteção por IA identifica defeitos no cabo de aço que atingem o nível de alarme predefinido, o seguinte fluxo de integração é executado automaticamente: (1) obtenção de informações básicas do equipamento, histórico de manutenção e disponibilidade de peças de reposição a partir do CMMS; (2) com base no tipo de defeito e no nível de gravidade, a norma ISO 4301 é utilizada como referência para corresponder automaticamente às recomendações de manutenção e aos critérios de descarte; (3) geração de uma ordem de serviço de manutenção padronizada, incluindo o número do equipamento, a localização do defeito (identificada pelo deslocamento ao longo do comprimento do cabo), a imagem do defeito, o nível de gravidade, as medidas corretivas sugeridas e a etiqueta de prioridade; (4) envio da ordem de serviço para o sistema CMMS, com atribuição automática à especialidade e à equipa de manutenção designadas; (5) após a conclusão da ordem de serviço, o pessoal de manutenção regista o resultado, e o sistema volta a capturar a imagem do cabo de aço tratado, incorporando-a no ciclo de aprendizagem contínua do modelo. O tempo médio de todo o processo, desde a deteção até à emissão da ordem de serviço, não excede 30 segundos, garantindo uma gestão de ciclo fechado desde a identificação do problema até à sua resolução.

3. Conformidade com Normas Nacionais

Os critérios de deteção e as estratégias de descarte do sistema seguem integralmente as normas nacionais aplicáveis: a norma ISO 12480 define os métodos, a frequência e os critérios de descarte para a inspeção diária de cabos de aço, constituindo a base central para a avaliação do sistema; a norma ISO 4301 estabelece os requisitos de fator de segurança para a seleção e o dimensionamento de cabos de aço; a norma ISO 4306 especifica os requisitos de conformidade para a inspeção e o teste de equipamentos de elevação. O sistema incorpora um motor de regras digitais para cada norma, correspondendo automaticamente as cláusulas relevantes durante a avaliação dos resultados, assegurando que as recomendações de manutenção e os níveis de alarme estejam totalmente em conformidade.

Perguntas Frequentes