Sistema de visão IA para pontes rolantes: 5 cenários de segurança

A tecnologia de visão e detecção IA para pontes rolantes (guindastes) está a remodelar as operações nas oficinas de indústria pesada — da proteção de segurança, posicionamento de cargas, à monitorização da saúde do equipamento e mapeamento do ambiente. A visão por aprendizagem profunda cobre já todas as fases críticas da automatização de pontes rolantes. A Kelude Indústrias Pesadas, com base na plataforma de computação de borda NVIDIA Jetson Orin NX e no framework de detecção de objetos YOLOv8, construiu um sistema abrangente de visão IA para todos os cenários operacionais de pontes rolantes. Este artigo, como guia central da coleção «Sistema de Visão e Detecção IA para Pontes Rolantes», apresenta uma visão panorâmica das arquiteturas técnicas, planos de implementação e recomendações de seleção para os cinco cenários de aplicação, oferecendo uma navegação técnica completa para a atualização inteligente de pontes rolantes.

Contexto do Desenvolvimento da Visão IA para Pontes Rolantes

Nas indústrias de metalurgia, construção naval, maquinário pesado e fabricação de equipamentos de energia renovável, a ponte rolante é o núcleo central da logística da oficina, determinando diretamente a eficiência da produção e o nível de segurança. A operação tradicional de pontes rolantes depende do julgamento visual do operador, da comunicação verbal do pessoal de solo e de inspeções manuais periódicas com paragem do equipamento — um modelo que enfrenta desafios fundamentais num contexto industrial marcado pelo aumento da capacidade de produção, pela crescente pressão dos custos laborais e por requisitos de conformidade de segurança cada vez mais rigorosos.

A maturidade da visão industrial por IA, em particular dos frameworks de deteção de objetos baseados em deep learning, oferece uma via tecnológica de baixo custo e elevado retorno para a inteligência das pontes rolantes. Ao contrário das soluções tradicionais baseadas em sensores, como o barramento de código Gray, a medição a laser de distância e os encoders, o sistema de visão por IA utiliza a câmara industrial como sensor principal e não depende da instalação de infraestrutura nos trilhos. Permite assim implementar múltiplas funções: monitorização de segurança de pessoas, posicionamento de cargas, deteção de defeitos em equipamentos e mapeamento do ambiente. Com base numa plataforma de hardware de computação de borda unificada (série NVIDIA Jetson) e num framework algorítmico comum (série YOLOv8), o sistema de visão IA para pontes rolantes pode ser implementado de forma modular, seguindo uma estratégia "uma ponte, uma solução", começando pelos cenários de proteção de segurança mais críticos e expandindo progressivamente para um sistema completo de ponte rolante inteligente.

O sistema tecnológico de visão IA e inspeção para pontes rolantes, desenvolvido pela Kelude Indústrias Pesadas, abrange cinco cenários de aplicação principais: monitorização de segurança, posicionamento de cargas, inspeção de cabos de aço, inspeção de solda e mapeamento e posicionamento por SLAM visual. Estes cinco cenários — pessoas (proteção de segurança), cargas (movimentação de materiais), máquinas (saúde do equipamento), estrutura (inspeção de estruturas metálicas) e posição (perceção do ambiente) — constituem o mapa completo das capacidades da visão IA para pontes rolantes. Segue-se uma análise detalhada de cada um.

Monitorização de Segurança por Visão IA: Deteção de Intrusão de Pessoas e Anticolisão

A segurança das pessoas durante as operações de elevação é a prioridade máxima na gestão de segurança da oficina. De acordo com os requisitos da norma GB/T 28264 — Sistema de Monitoramento e Gestão de Segurança, a ponte rolante deve possuir capacidade de deteção ativa e resposta a estados de perigo na área de movimentação de cargas. As soluções de segurança tradicionais — barreiras físicas, travas de segurança da porta e supervisão humana — dependem de isolamento passivo e da atenção do operador, apresentando lacunas de proteção significativas em ambientes de elevação dinâmicos e complexos.

O sistema de monitoramento de segurança visual para pontes rolantes da Kelude Indústrias Pesadas instala uma câmara industrial IA em cada lado da cabeceira e outra na parte inferior do carro, garantindo uma cobertura redundante tripla da área de elevação. As câmaras captam imagens em tempo real a 1080P e 30fps, transmitidas por Ethernet Gigabit para o módulo de computação de borda Jetson Orin NX (capacidade de 100 TOPS). O modelo de deteção de objetos YOLOv8s, executado na plataforma Jetson, realiza a deteção de pessoas em cada frame, com latência de inferência inferior a 15ms por frame e tempo de resposta de ponta a ponta inferior a 100ms.

A lógica de segurança central do sistema baseia-se numa estratégia de alarme em três níveis — a zona de aviso amarela (5~8m) aciona alarme sonoro e visual e desaceleração; a zona de alerta laranja (3~5m) aciona desaceleração de emergência e aviso verbal de afastamento; a zona de perigo vermelha (<3m) aciona a paragem de emergência STO (Safe Torque Off). Em condições de iluminação normal (500Lux), o mAP da deteção de pessoas é ≥95%; em condições de baixa luminosidade (50Lux com iluminação infravermelha), o mAP é ≥90%. A implantação redundante das três câmaras garante que cada pessoa no solo seja coberta por pelo menos duas câmaras em simultâneo, eliminando o risco de falha de deteção por oclusão de um único ângulo. Em cenários de múltiplas pontes rolantes no mesmo trilho, é adotado um esquema de iluminação intercalada por divisão de tempo e frequência, com uma taxa de falsos acionamentos inferior a 0,1 vezes/hora. Consulte "Monitorização de Segurança por Visão IA para Pontes Rolantes: Práticas de Engenharia em Deteção de Intrusão de Pessoas e Anticolisão".

Sistema de Reconhecimento Visual e Posicionamento de Precisão de Cargas

A operação de posicionamento de cargas — colocar com precisão bobinas de aço, chapas de aço, equipamentos de grande porte ou moldes na posição designada — é um gargalo crítico para a eficiência da produção na oficina. O método tradicional depende da avaliação visual do operador, complementada pela coordenação do pessoal de solo, e a precisão do posicionamento é limitada pela habilidade do operador e pelas condições de visibilidade. Uma única operação de posicionamento exige frequentemente múltiplas tentativas de ajuste. Com a promoção do processo de lingotamento contínuo e laminação contínua "um único aquecimento" na indústria siderúrgica e a crescente exigência de montagem de precisão na fabricação de equipamentos de energia renovável, o posicionamento manual tradicional já não satisfaz o ritmo da produção moderna.

O sistema de reconhecimento visual e posicionamento de precisão de cargas adota uma arquitetura de quatro camadas (camada de perceção — camada de inferência — camada de transformação — camada de controlo), estabelecendo um ciclo fechado completo desde a aquisição de imagem até ao posicionamento automático. A camada de perceção utiliza câmaras industriais Hikvision ou Basler (5~20MP, interface GigE Vision), complementadas por iluminação LED estroboscópica para superar as variações de iluminação da oficina. Na camada de inferência, o modelo YOLOv8s deteta em tempo real quatro tipos de cargas: bobinas de aço (Steel_Coil), chapas de aço (Steel_Plate), equipamentos (Equipment) e moldes (Mold), com mAP@0.5 de 0,962 e inferência de 12~18ms por frame (otimização TensorRT FP16).

O núcleo do posicionamento reside na camada de transformação de coordenadas — através da matriz de parâmetros intrínsecos da câmara e da matriz de transformação de perspetiva, previamente calibradas, as coordenadas de pixel geradas pelo YOLOv8 são convertidas em coordenadas do sistema de coordenadas mundial do plano do solo (em mm). A transformação utiliza interpolação bilinear e otimização de precisão subpixel, alcançando uma precisão de posicionamento de ±5mm. A camada de controlo envia o desvio através de gateway PROFINET para o PLC Siemens S7-1200/1500, gerando comandos de movimento para o carrinho do ponte, o carro e o mecanismo de elevação. O atraso de processamento de ponta a ponta do sistema é mantido abaixo de 100ms, satisfazendo os requisitos de controlo em tempo real para operação a baixa velocidade (≤20m/min). Consulte "Sistema de Reconhecimento Visual e Posicionamento de Precisão de Cargas: Práticas de Engenharia em Deteção de Cargas com YOLOv8 e Posicionamento Guiado por Visão".

Sistema de Inspeção Online de Cabos de Aço por Visão IA

O cabo de aço é o componente de suporte de carga mais crítico da ponte rolante, e a sua condição afeta diretamente a segurança do equipamento e das pessoas. De acordo com os requisitos das normas GB/T 5972-2016 e TSG Q7015-2016, o cabo de aço deve ser submetido a inspeção periódica para deteção de defeitos como fios partidos, desgaste, corrosão e deformação. A inspeção visual manual tradicional depende da experiência do inspetor e apresenta problemas fundamentais: múltiplas zonas de inspeção cega, falta de padronização e impossibilidade de alerta em tempo real.

O sistema de inspeção online de cabos de aço por visão IA adota uma solução de implantação colaborativa de múltiplas câmaras — uma câmara em vista superior cobre a zona de fixação na extremidade superior do cabo, uma câmara lateral monitoriza o comprimento livre do cabo na zona central, e uma câmara em vista inferior é direcionada para a extremidade inferior do cabo e a zona da polia do moitão. A camada de perceção utiliza sensores CMOS de obturador global (até 200fps), com iluminação LED estroboscópica de largura de pulso ajustável ao nível de microssegundos. A camada de inferência executa um modelo YOLOv8s melhorado (com introdução de convolução deformável DCNv4 e atenção de coordenadas Coordinate Attention), realizando deteção em tempo real de três tipos principais de defeitos: fios partidos, desgaste e corrosão, com mAP global ≥0,93.

Na camada de análise, o sistema utiliza a rede neural EfficientNet-B4 como espinha dorsal para classificar com precisão 11 subtipos de defeitos (quebra local de fios, quebra concentrada de fios, desgaste uniforme, desgaste local, corrosão por pite, corrosão uniforme, deformação ondulada, deformação em lanterna, redução do diâmetro do cabo, lubrificação deficiente e presença de corpos estranhos na superfície), com uma taxa de precisão de classificação ≥95%. Os defeitos são classificados em quatro níveis de gravidade, de Grau 0 a Grau 3, e um alarme é acionado automaticamente quando o nível atinge moderado ou superior. A camada de alarme está integrada ao PHM (Gerenciamento Preditivo de Saúde) e ao CMMS (Sistema Computadorizado de Gerenciamento de Manutenção), com um tempo de resposta médio de não mais que 30 segundos entre a detecção e a geração da ordem de serviço. A estratégia de fusão multiespectral (RGB+NIR) aumenta a taxa de recall da detecção de defeitos de corrosão em 12,7%. Consulte "Práticas de Engenharia em Inspeção Visual por IA do Cabo de Aço de Ponte Rolante: Identificação de Defeitos de Quebra de Fios, Desgaste e Corrosão Baseada em Aprendizado Profundo" para mais detalhes.

Inspeção Visual por IA de Soldas em Trilhos e Vigas Principais de Pontes Rolantes

As soldas de topo dos trilhos e as soldas de filete das vigas principais são os pontos mais vulneráveis da estrutura metálica de uma ponte rolante. Sujeitas a cargas alternadas, impactos de alta intensidade e agressões ambientais, qualquer trinca ou falta de fusão não detectada nessas soldas pode levar a uma falha estrutural catastrófica. A inspeção visual por IA de defeitos de solda enfrenta desafios técnicos significativos: as trincas têm apenas 0,05~0,3 mm de largura, configurando um típico problema de detecção de pequenos objetos; além disso, a superfície da solda apresenta interferências de fundo como escória, respingos e carepa de laminação.

O sistema de inspeção visual por IA para soldas de trilhos e vigas principais de pontes rolantes adota uma arquitetura de implantação com três formatos: veículo autônomo de inspeção AGV (para inspeção automatizada de grandes áreas de soldas de trilhos), detector portátil (para espaços confinados e soldas de filete nas cabeceiras) e estação de trabalho fixa (para o posto de montagem e soldagem da viga principal). Os três formatos compartilham uma mesma pilha de software. A camada de percepção é equipada com duas câmeras industriais (grande angular com obturador global + macro), iluminação anelar estruturada e um scanner de contorno a laser (para auxiliar na aquisição do contorno tridimensional da solda).

A camada de inferência utiliza o modelo YOLOv8s-weld, otimizado a partir do YOLOv8s por poda e com a adição de uma cabeça de detecção de pequenos objetos, especificamente projetado para características de defeitos de solda. Ele alcança uma inferência de ≤15ms por quadro (≥60FPS) no Jetson AGX Orin. O sistema cobre a identificação em tempo real de cinco classes de defeitos: trincas (longitudinais, transversais e de cratera), falta de fusão, porosidade, inclusão de escória e mordedura, com um mAP geral ≥0,94. A camada de avaliação integra automaticamente a norma de classificação de qualidade GB/T 3323-2020 "Ensaio Radiográfico de Juntas Soldadas por Fusão em Metais", emitindo classificações de qualidade de Grau I a IV e recomendações de retrabalho. Os tipos de solda abrangem três estruturas típicas de pontes rolantes: solda de topo com chanfro em V para trilhos QU70/80/100, solda de filete de dupla face na viga principal e soldas mistas nas cabeceiras. Consulte "Sistema de Inspeção Visual por IA de Soldas em Trilhos e Vigas Principais de Pontes Rolantes: Práticas de Engenharia na Identificação de Defeitos de Trincas, Falta de Fusão e Porosidade Baseada em Aprendizado Profundo" para mais detalhes.

Mapeamento e Localização de Pontes Rolantes com SLAM Visual

Um dos principais gargalos enfrentados por pontes rolantes em operação totalmente automática é alcançar uma localização global altamente confiável e precisa dentro do edifício industrial, onde o GPS não está disponível. As soluções tradicionais — sensor de distância a laser (severamente afetado por poeira), barramento de código Gray (alto custo de instalação e manutenção) e encoder (deriva acumulada devido ao deslizamento das rodas) — fornecem apenas informações de posição unidimensionais ou bidimensionais e não conseguem perceber a atitude espacial de seis graus de liberdade da ponte rolante.

O sistema de mapeamento e localização SLAM visual para pontes rolantes integra duas estruturas de código aberto, ORB-SLAM3 e VINS-Mono, utilizando câmera monocular/estéreo + IMU de seis eixos como sensores. Ele realiza simultaneamente a estimativa de pose de seis graus de liberdade da ponte rolante e a construção de mapas esparsos/densos em ambientes de edifícios industriais desconhecidos. A extração de características do edifício utiliza parâmetros adaptados para pontes rolantes (nFeatures aumentado de 1200 para 2000, iniThFAST reduzido de 20 para 12), e segmentos de linha LSD são introduzidos para auxiliar a camada de correspondência, elevando a taxa de correspondência de características de 35% para 52%.

O design de pré-integração IMU + acoplamento apertado visual-inercial reduz a taxa de perda de rastreamento sob condições de vibração de aproximadamente 8% no modo puramente visual para 0,5%. Para lidar com o problema da expansão do mapa em edifícios de grande vão (100~300m), o sistema adota três medidas de otimização: poda do grafo de visibilidade (acionada a cada 50 quadros, removendo 5~10% de redundância), gerenciamento ativo de submapas locais (divisão em células de grade de 50m×30m) e detecção de loop closure incremental (DBoW2 bag-of-words + otimização de grafo de pose, concluída em 500ms para uma escala de 3000 quadros), alcançando uma precisão de posicionamento de ±10cm. O esquema de otimização não linear de janela deslizante do VINS-Mono oferece vantagens de tempo real em cenários de implantação de borda com recursos computacionais limitados. Este sistema pode ser implantado de forma independente como redundância de localização global para a ponte rolante, ou profundamente integrado com medição a laser de distância e encoders para formar uma arquitetura de localização multissensor. Consulte "Sistema de Mapeamento e Localização SLAM Visual para Pontes Rolantes" para mais detalhes.

Comparação Técnica dos Cinco Sistemas e Guia de Seleção para Implantação

Os cinco sistemas diferem em suas pilhas de tecnologia, indicadores de desempenho e custos de hardware. A seleção para implantação deve ser orientada pelas condições específicas de operação da ponte rolante, pelo ambiente da oficina e pelos requisitos de gestão. A tabela abaixo oferece uma comparação horizontal a partir das principais dimensões de parâmetros:

Prioridade de seleção: Para a reforma inteligente de uma ponte rolante individual, recomenda-se uma implementação faseada seguindo o caminho progressivo "segurança, saúde, posicionamento e mapeamento". O sistema de detecção de segurança (detecção de intrusão de pessoas) é a configuração básica de todas as pontes rolantes, sendo o item de implantação obrigatória de menor prioridade. A inspeção de cabos e a inspeção de solda podem ser configuradas seletivamente com base na idade de serviço e nas condições ambientais da ponte rolante — pontes rolantes antigas priorizam a inspeção de cabos, enquanto pontes rolantes novas priorizam a inspeção de solda de fábrica. O sistema de posicionamento de carga concentra-se nos gargalos do ritmo de produção, sendo adequado para pontes rolantes com necessidades de posicionamento automatizado. O SLAM visual é voltado para operação totalmente automática e cenários de logística inteligente. Os cinco sistemas compartilham a plataforma de computação de borda Jetson Orin NX/AGX e o ecossistema de algoritmos YOLOv8, podendo ser integrados e implantados na mesma ponte rolante, com reutilização de recursos por meio da alocação de fatias de tempo de GPU e carregamento dinâmico de modelos.

Fusão multissensor e integração de sistemas

Os dados dos sensores dos cinco sistemas são profundamente integrados na plataforma unificada de computação de borda, formando um ciclo fechado de percepção-decisão-controle que cobre todos os cenários da ponte rolante. Tomando como exemplo a articulação entre a detecção de segurança e o posicionamento de carga: quando o sistema de detecção de segurança identifica a entrada de uma pessoa na zona de alerta laranja, o sistema de posicionamento de carga regista simultaneamente as coordenadas atuais da posição da carga, fornecendo dados espaço-temporais completos para o rastreamento posterior de incidentes de segurança. Os defeitos graves de Grau 3 detetados pelo sistema de inspeção de cabos acionam automaticamente tarefas de inspeção prioritária no sistema de inspeção de solda — o AGV de inspeção de solda, após receber a instrução, planeia autonomamente o percurso até ao segmento do trilho de ponte rolante próximo da localização do defeito, realizando inspeções direcionadas ao cordão de solda do trilho e à solda de filete da viga principal na área correspondente.

Numa perspetiva mais ampla, estes cinco sistemas de visão por IA, em conjunto com o sistema de controlo central (PLC) da ponte rolante, a plataforma de gestão preditiva de saúde (PHM), o sistema de execução de fabrico (MES) e o sistema de planeamento de recursos empresariais (ERP), formam uma arquitetura completa de Internet das Coisas (IoT) industrial. Os dados em tempo real recolhidos na camada de perceção, após processamento de IA na borda, são carregados como resultados estruturados para plataformas de gestão a nível de oficina e a nível de grupo, fornecendo a base de dados para a gestão do ciclo de vida completo do equipamento, otimização da programação da produção e auditoria de conformidade de segurança. Com o aumento contínuo da capacidade de computação de IA de borda (a próxima geração da plataforma Jetson Orin deverá fornecer 200~500 TOPS) e a evolução dos modelos multimodais de grande escala, o sistema de visão por IA para pontes rolantes evoluirá de deteção simples para compreensão cognitiva — não apenas detetando intrusão de pessoas, mas também compreendendo gestos e intenções de trabalho dos trabalhadores no chão de fábrica.

Perguntas Frequentes (FAQ)