Plataforma em Nuvem de Inspeção Visual por IA para Ponte Rolante
Plataforma em Nuvem de Inspeção Visual por IA para Pontes Rolantes Lançada — Cinco Funções de Deteção SaaS com Implementação num Clique. A tecnologia de inspeção visual por IA para pontes rolantes está a evoluir da implementação local para serviços em nuvem.
A tecnologia de inspeção visual por IA para pontes rolantes está a evoluir da implementação local para serviços em nuvem. A Kelude Indústrias Pesadas lançou recentemente a sua Plataforma em Nuvem de Inspeção Visual por IA para Pontes Rolantes, que disponibiliza cinco funções principais de deteção — monitoramento de segurança, posicionamento da carga, inspeção de cabos, inspeção de solda e mapeamento e posicionamento por SLAM visual — empacotadas no modelo SaaS. Os utilizadores deixam de necessitar de adquirir hardware de computação de borda ou de configurar servidores de inferência; basta instalar câmeras industriais e terminais de comunicação na ponte rolante para obter resultados de deteção em tempo real através do mecanismo de inferência de IA na nuvem. Durante a fase de testes internos, a plataforma foi validada em 12 instalações de clientes, processando mais de 500.000 quadros de imagens de inspeção, com um tempo de resposta médio de inferência de IA inferior a 200 ms.
Este artigo apresenta a Solução Técnica da Plataforma em Nuvem de Inspeção Visual por IA para Pontes Rolantes em quatro dimensões: arquitetura da plataforma, implementação técnica das cinco funções de deteção, modelo de implementação SaaS e resultados da aplicação em engenharia.
Arquitetura Geral da Plataforma em Nuvem
A Plataforma em Nuvem de Inspeção Visual por IA para Pontes Rolantes adota uma arquitetura de três camadas "terminal-borda-nuvem", concentrando a capacidade de inferência de IA na nuvem e mantendo apenas a aquisição de imagens e a transmissão no lado do terminal, reduzindo ao máximo o custo de hardware e a complexidade de manutenção na ponte rolante.
Lado do Terminal (camada de aquisição): Cada ponte rolante é equipada com 1 a 4 câmeras industriais de IA (opcional conforme o cenário de deteção, resolução de 5 a 20 megapixels, obturador global CMOS), ligadas por Ethernet Gigabit a um terminal de comunicação na ponte (gateway industrial 5G ou DTU 4G). O terminal comprime as imagens originais em JPEG (taxa de compressão de aproximadamente 15:1, com perda de qualidade desprezável), adiciona um carimbo de data/hora e um ID de dispositivo como marca d'água e envia para a plataforma de inferência em nuvem através da rede 5G/4G. A taxa de upload típica por câmera é de 2 a 4 Mbps (após compressão 1080P@15fps), suportando até 8 câmeras em upload simultâneo em rede 5G.
Nuvem (camada de inferência de IA): Implementada num cluster de computação GPU da Alibaba Cloud (NVIDIA A10 GPU, com capacidade de computação de aproximadamente 31 TFLOPS FP16 por placa), executando os mecanismos de inferência YOLOv8s, YOLOv8s-weld, EfficientNet-B4 e ORB-SLAM3. O mecanismo de inferência de IA na nuvem utiliza paralelismo de modelos e processamento de requisições em lote (dynamic batching, tamanho máximo de lote = 32), permitindo que uma única GPU processe pedidos de deteção em tempo real de 4 fluxos de vídeo simultaneamente, com latência de inferência por quadro de 8 a 15 ms na GPU (incluindo descompressão e pré-processamento de imagem). Os resultados da inferência são enviados em tempo real ao utilizador (Web, aplicação móvel ou sistema MES do cliente) em formato JSON via protocolo MQTT, com uma latência de envio mediana de 45 ms.
Camada de Aplicação (interação e gestão do utilizador): Oferece um painel de administração Web (compatível com Chrome/Edge/Firefox) e uma aplicação móvel (iOS/Android). As principais funcionalidades incluem: painel de resultados de deteção em tempo real (com sobreposição de caixas de deteção no fluxo de vídeo, linha temporal de alertas históricos e gráficos estatísticos de deteção), gestão de dispositivos (registo de pontes rolantes, configuração de câmeras, calibração de áreas de deteção), configuração de políticas de alerta (definição de limiares, seleção do sistema de acesso para alertas — WeChat/SMS/e-mail), exportação de dados de deteção (formatos CSV/PDF, com filtros por dispositivo e período) e gestão de API (geração de tokens de API para integração com sistemas MES/ERP).
O fluxo de dados na arquitetura de três camadas é: captura no terminal → compressão e codificação → upload via 5G/4G → inferência GPU na nuvem → envio por MQTT → visualização no utilizador. A latência de ponta a ponta (desde a aquisição da imagem até à visualização do resultado pelo utilizador) é tipicamente de 300 a 600 ms em rede 4G e de 120 a 250 ms em rede 5G. Todo o fluxo de dados é encriptado com TLS 1.3, e o armazenamento de dados na nuvem cumpre o nível de proteção Grau 2 da norma GB/T 22239-2019 "Tecnologia da Informação — Requisitos Básicos para Proteção Classificada de Segurança Cibernética".
| Nível | Componente | Hardware Principal/Software | CríticoIndicador |
|---|---|---|---|
| Lado do Dispositivo | aquisição de imagense Transmissão | câmera industrial+5G/4GTerminal de Comunicação | Taxa de Compressão15:1,Taxa de Upload2~4Mbps/Canal |
| Nuvem | AImecanismo de inferência | Alibaba CloudA10 GPU + YOLOv8Série | ÚnicoGPUProcessamento4Canal de Vídeo,Inferência8~15ms/Quadro |
| camada de aplicação | Interação e Gestão de Usuário | WebBackend+CelularAPP+MQTTNotificação Push | Notificação PushlatênciaMediana45ms,Ponta a Ponta<600ms |
2. Cinco Módulos de Deteção Principais
A plataforma em nuvem integra cinco módulos principais de inspeção visual por IA para pontes rolantes. Os utilizadores podem subscrever módulos individualmente, pagando apenas pelas funcionalidades de que necessitam:
Módulo 1: Monitoramento de Segurança (Detecção de Intrusão de Pessoas). Detecção de pessoas na área de içamento da ponte rolante com base no modelo YOLOv8s, com três câmeras industriais em cobertura redundante nos dois lados das cabeceiras e na parte inferior do carro. Estratégia de alarme em três níveis — zona de alerta amarela (5~8 m) aciona alarme sonoro e visual, zona de alerta laranja (3~5 m) aciona desaceleração, zona perigosa vermelha (<3 m) aciona paragem STO. mAP ≥95% em condições normais de iluminação, mAP ≥90% com iluminação infravermelha em condições de baixa luminosidade. Em conformidade com a norma ISO 12480. Custo de subscrição mensal: aproximadamente €102 por ponte rolante.
Módulo 2: Posicionamento da Carga (Guia por Visão para Alinhamento). O modelo YOLOv8s deteta quatro tipos de carga — bobina de aço, chapa de aço, equipamento e matriz. O módulo de transformação de coordenadas mapeia as coordenadas de pixel para coordenadas milimétricas ao nível do solo, com precisão de posicionamento de ±5 mm. Suporta integração com CLP Siemens S7-1200/1500 através de gateway PROFINET, gerando automaticamente comandos de movimento para a ponte, o carro e a elevação. Custo de subscrição mensal: aproximadamente €152 por ponte rolante.
Módulo 3: Inspeção de Cabos por IA. Aquisição de imagens coordenada por múltiplas câmeras (vista superior/lateral/inferior). O modelo YOLOv8s deteta três tipos de defeitos — ruptura de fio, desgaste e corrosão — e o modelo EfficientNet-B4 realiza uma classificação secundária detalhada em 11 subtipos, com mAP combinado ≥0,93. Os alertas são integrados à plataforma PHM; o tempo de resposta médio entre a detecção e a geração da ordem de serviço não excede 30 segundos. Custo de subscrição mensal: aproximadamente €76 por ponte rolante.
Módulo 4: Inspeção de Solda por IA. O modelo YOLOv8s-weld (com cabeça de detecção adicional para pequenos objetos) deteta cinco tipos de defeitos — trinca, falta de penetração, porosidade, inclusão de escória e mordedura — com mAP combinado ≥0,94. A camada de avaliação integra automaticamente os critérios de classificação de qualidade da norma ISO 5817, emitindo classificações de Grau I a IV. Suporta três formas de implantação: veículo de inspeção AGV, detector portátil e estação de trabalho fixa. Custo de subscrição mensal: aproximadamente €64 por ponte rolante.
Módulo 5: Mapeamento e Localização por SLAM Visual. Combina os frameworks ORB-SLAM3 e VINS-Mono, utilizando câmera monocular/estereoscópica + IMU de 6 eixos como sensores, para estimativa de pose de seis graus de liberdade e construção de mapa esparso em ambiente de edifício industrial. Precisão de posicionamento de ±10 cm. O acoplamento rígido com pré-integração de IMU reduz a taxa de perda de rastreamento em condições de vibração de 8% para 0,5%. Custo de subscrição mensal: aproximadamente €127 por ponte rolante.
Os cinco módulos podem ser subscritos individualmente ou em combinação. O pacote completo com todos os cinco módulos tem um custo mensal de €356 por ponte rolante (uma economia de aproximadamente 32% em comparação com a subscrição individual, que totalizaria €521). A plataforma oferece planos de pagamento mensais e anuais, com um desconto de 10% para subscrições anuais.
3. Modelo de Implantação SaaS e Vantagens Técnicas
Em comparação com as soluções tradicionais de implantação local, a plataforma em nuvem de inspeção visual por IA no modelo SaaS oferece vantagens significativas em três dimensões: velocidade de implantação, elasticidade computacional e custos de manutenção.
Velocidade de Implantação: A implantação local exige a aquisição de dispositivos de computação de borda Jetson Orin NX/AGX (custo de hardware individual de aproximadamente €635 a €1.900), instalação do ambiente de inferência (TensorRT, CUDA, exportação de modelos, normalmente 1 a 2 dias úteis) e manutenção do serviço de inferência (atualizações de software, upgrades de modelo, tratamento de falhas de hardware). No modelo SaaS, basta instalar câmeras industriais e um terminal de comunicação no lado do dispositivo (as câmeras de monitoramento existentes podem ser reutilizadas, desde que suportem o protocolo RTSP). O terminal de comunicação regista-se automaticamente na plataforma em nuvem após ser ligado e conectado à rede; a calibração da câmera e a configuração da zona de detecção são concluídas através do painel web, e a detecção pode começar de imediato. O ciclo típico de implantação é reduzido de 3 a 5 dias (local) para 2 a 4 horas.
Elasticidade Computacional: A capacidade computacional do Jetson Orin NX em implantação local é fixa em 100 TOPS, sem possibilidade de ajuste dinâmico com base na carga real. Durante períodos de baixa atividade (por exemplo, paragens noturnas), a capacidade computacional é desperdiçada; em picos de detecção (por exemplo, múltiplas pontes rolantes em operação simultânea), a capacidade pode tornar-se um gargalo. O cluster de GPU na nuvem SaaS suporta escalabilidade elástica sob demanda — quando as solicitações de detecção concorrentes aumentam, as instâncias de GPU são automaticamente expandidas (de 4 fluxos de vídeo/GPU para 8 fluxos/GPU, com expansão em aproximadamente 2 minutos); quando as solicitações diminuem, os recursos são automaticamente liberados. Testes da plataforma demonstram que, com 20 pontes rolantes em operação simultânea (total de 60 câmeras), o throughput de inferência na nuvem atinge 900 quadros/segundo, um aumento de 4,5 vezes em comparação com a solução local Jetson (estimada em aproximadamente 200 quadros/segundo para a mesma escala).
Custos de Manutenção: A implantação local de um sistema de inspeção visual por IA para pontes rolantes requer 1 a 2 módulos Jetson por ponte rolante; para uma frota de 5 pontes rolantes, o investimento total em hardware é de aproximadamente €3.800 a €12.700. Além disso, é necessário contratar engenheiros de algoritmos de IA para manutenção de modelos, upgrades e solução de problemas, com um custo anual de mão de obra de aproximadamente €19.000 a €31.800. O modelo SaaS é baseado em pagamento por utilização, sem necessidade de investimento inicial em hardware. As atualizações de modelo (por exemplo, upgrade de YOLOv8s para YOLOv11 ou adição de novas categorias de detecção) são realizadas centralmente pela plataforma em nuvem, sem qualquer ação necessária por parte do utilizador. O custo anual para 5 pontes rolantes com todos os cinco módulos subscritos é de aproximadamente €21.300 (incluindo capacidade computacional na nuvem, armazenamento e manutenção de modelos), representando uma economia de aproximadamente 40 a 55% em comparação com o TCO de três anos da solução local (depreciação de hardware + mão de obra + manutenção).
4. Validação em Testes Beta e Resultados Práticos
Desde outubro de 2025, a plataforma em nuvem está em testes beta em 12 locais de clientes, abrangendo quatro setores: metalúrgico (5 locais), construção naval (3 locais), fabricação de equipamentos pesados (3 locais) e novas energias (1 local). Durante o período de testes, foi adotado um modelo de avaliação gratuita + coleta de feedback, com 1 a 3 módulos de detecção configurados por ponte rolante, totalizando 180 dias de operação acumulada. Seguem os principais dados medidos:
Nos testes do módulo de monitoramento de segurança, ocorreram 142 eventos de intrusão de pessoas nos 12 locais. O sistema de detecção por IA da plataforma em nuvem alarmou com sucesso em 136 casos, com 6 falhas de detecção (todas em cenários de baixa luminosidade combinada com obstrução severa), resultando em uma taxa de recall de detecção de 95,8% e uma taxa de falsos alarmes de 0,3 por ponte rolante por dia. O módulo de inspeção de cabos acumulou mais de 12.000 metros de comprimento de cabo de aço inspecionado em 3 locais metalúrgicos, identificando 38 defeitos de solda de Grau 2 e acima, com uma taxa de concordância de 93,2% em comparação com os resultados de reinspeção manual. O módulo de inspeção de solda foi validado em 1 estaleiro naval, onde a detecção de defeitos em soldas de topo da viga principal foi comparada com a verificação por ensaio UT; o desvio de posicionamento entre os defeitos detectados por IA e a reinspeção por UT foi inferior a 3 mm.
A pesquisa de satisfação do cliente (NPS — Net Promoter Score) obteve uma pontuação de 62, acima da referência média de NPS para software SaaS industrial (aproximadamente 40). As três características mais valorizadas no feedback do cliente foram: experiência de implantação rápida sem necessidade de hardware (pontuação média de 4,7/5), modo de manutenção gratuita com atualização automática de modelos na nuvem (4,5/5) e faturamento flexível por módulo subscrito (4,3/5). As principais sugestões de melhoria concentraram-se no cache de resultados e na capacidade de detecção offline em cenários de rede instável — esta funcionalidade já está planejada para a versão do terceiro trimestre de 2026.
Perguntas Frequentes (FAQ)
P: A detecção por IA da plataforma em nuvem é suficientemente em tempo real para atender aos requisitos de controle de segurança de pontes rolantes?
P: Qual é a latência de ponta a ponta da plataforma em nuvem de inspeção visual por IA da Kelude Indústrias Pesadas para pontes rolantes? Pode ser usada para controlo direto do circuito de segurança?
R: A latência de ponta a ponta da plataforma em nuvem de inspeção visual por IA da Kelude Indústrias Pesadas para pontes rolantes é de 120~250 ms em redes 5G e de 300~600 ms em redes 4G. Para cenários de monitoramento de segurança, recomenda-se utilizar os resultados da deteção como informação auxiliar de segurança e não como sinal de controlo direto do circuito de segurança. De acordo com a norma GB/T 28264 — Sistema de Monitoramento e Gestão de Segurança para Equipamentos de Elevação, o sinal para controlo direto do circuito de segurança deve ter uma latência inferior a 100 ms. A solução atual da plataforma em nuvem é aplicável a alertas e monitoramento auxiliar. Para controlo direto com intertravamento de segurança, recomenda-se a solução de inferência local com Jetson (latência de ponta a ponta <100 ms). A plataforma em nuvem suporta implementação híbrida com a solução local — o edge executa o controlo de segurança em tempo real, enquanto a nuvem assegura o armazenamento de dados e a telemanutenção.
P: A solução pode ser utilizada em oficinas com más condições de rede (sem cobertura 5G, sinal 4G instável)?
R: Sim. O terminal de comunicação suporta redundância de duplo SIM/duplo módulo e cache local: quando a rede está operacional, as imagens são enviadas em tempo real e os resultados de inferência recebidos; em caso de interrupção da rede, há comutação automática para o operador de reserva (tempo de comutação <15 segundos) e as imagens são armazenadas em cache no armazenamento local do terminal (capacidade máxima de cache de 256 GB, suficiente para aproximadamente 72 horas de vídeo comprimido 1080P@15fps). Após o restabelecimento da rede, as imagens em cache são reenviadas automaticamente e a inferência é retomada, garantindo que nenhum dado de deteção seja perdido. Para oficinas com condições de rede persistentemente deficientes, recomenda-se a implementação híbrida — o edge executa um modelo leve para deteção em tempo real, enquanto a nuvem assegura a atualização do modelo e a cópia de segurança dos dados.
P: Os dados de deteção armazenados na nuvem podem expor informações de produção da oficina do cliente?
R: A plataforma segue o princípio da aquisição mínima de dados no seu projeto: apenas os resultados da inspeção por IA (categoria do alvo, coordenadas da caixa delimitadora, pontuação de confiança e carimbo de data/hora) e os frames-chave que acionam alertas são armazenados na nuvem — o fluxo de vídeo integral não é guardado. Os clientes podem configurar autonomamente o período de retenção de dados no backend web (opções de 7 dias, 30 dias ou 90 dias), com eliminação automática no fim do prazo. O armazenamento de dados utiliza uma arquitetura de isolamento físico multi-inquilino (instância de base de dados independente por cliente), com encriptação em trânsito (TLS 1.3) e em repouso (AES-256). A plataforma obteve a certificação de Nível 2 de Proteção de Segurança da Informação e a certificação ISO 27001 para o sistema de gestão de segurança da informação. De acordo com a norma GB/T 22239, o Nível 2 é aplicável a sistemas gerais de internet industrial, satisfazendo os requisitos de segurança de dados para cenários de telemanutenção de pontes rolantes.
P: No modelo de subscrição SaaS, como são feitas as atualizações de versão do modelo? Os clientes podem utilizar os seus próprios modelos?
R: O modelo de deteção é mantido e atualizado centralmente pela plataforma em nuvem. Atualmente é utilizado o modelo YOLOv8s, com iteração trimestral (treino incremental e avaliação de precisão com base em novos dados de treino). As novas versões passam por testes de regressão (só são publicadas se a precisão no conjunto de teste padrão não diminuir) e são lançadas gradualmente de forma automática. Para clientes com necessidades de deteção personalizadas (por exemplo, tipos especiais de peças), a plataforma permite o upload de conjuntos de dados de treino próprios; os engenheiros da plataforma realizam o fine-tuning do modelo e implementam-no numa instância de inferência dedicada ao cliente. O serviço de fine-tuning é cobrado por utilização (cerca de 3000~8000 CNY por sessão, aproximadamente €380~€1020) e o ciclo de fine-tuning é de cerca de 5 a 10 dias úteis. As atualizações de modelo e o fine-tuning não afetam o funcionamento normal dos restantes clientes.
