Algoritmo de visão IA para cabos de ponte rolante vence competição
A equipa de algoritmos de visão IA para pontes rolantes alcançou resultados notáveis na competição internacional de deteção de defeitos industriais. O desempenho do algoritmo de inspeção visual por IA determina diretamente a precisão de reconhecimento e a usabilidade prática do sistema inteligente de deteção para pontes rolantes.
O desempenho do algoritmo de inspeção visual por IA determina diretamente a precisão de reconhecimento e a usabilidade prática do sistema inteligente de deteção para pontes rolantes. A equipa de algoritmos de visão IA para pontes rolantes participou recentemente na competição internacional de deteção de defeitos industriais CrackDetection Challenge 2026, alcançando o 3.º e o 5.º lugar na classificação geral nas categorias de deteção de fios rompidos em cabo de aço e deteção de trincas em cordão de solda, respetivamente. Na tarefa de deteção de fios rompidos, a precisão de deteção mAP atingiu 94,7%. O modelo YOLOv8 melhorado, desenvolvido de forma independente pela equipa com base na convolução deformável DCNv4 e no mecanismo de atenção de coordenadas Coordinate Attention, foi oficialmente incluído pela organização da competição como um dos modelos de referência.
Resultados da Competição e Desempenho da Equipa
A CrackDetection Challenge 2026, organizada pela Sociedade de Eletrónica Industrial da IEEE e pela Universidade Técnica de Munique, atraiu 157 equipas de 28 países, incluindo grupos de investigação universitários e departamentos de I&D de empresas de inspeção industrial. A competição compreendeu quatro categorias — deteção de fios rompidos em cabo de aço, deteção de trincas em cordão de solda, deteção de fissuras em pavimentos rodoviários e deteção de microtrincas em pás de motores de aviação — partilhando uma estrutura de avaliação unificada. A equipa participou nas duas categorias diretamente relacionadas com o negócio de visão IA para pontes rolantes: deteção de fios rompidos em cabo de aço e deteção de trincas em cordão de solda.
O conjunto de treino da categoria de deteção de fios rompidos em cabo de aço incluiu 8000 imagens anotadas, abrangendo três tipos de defeitos: rupturas de fio localizadas, rupturas de fio concentradas e deformação do diâmetro do cabo. O conjunto de teste continha 2000 imagens não anotadas. O modelo submetido pela equipa obteve uma pontuação global de 86,7 pontos nesta categoria, classificando-se em 3.º lugar — com precisão de deteção mAP de 94,7% (3.º lugar), velocidade de inferência de 38,2 ms por imagem (5.º lugar) e 7,3M de parâmetros do modelo (2.º lugar). Na categoria de deteção de trincas em cordão de solda, o modelo alcançou 82,3 pontos, classificando-se em 5.º lugar. Ambos os resultados representam a melhor performance entre as equipas da indústria de guindastes da China.
Inovações Técnicas do Modelo Melhorado
O modelo utilizado na competição, baseado na arquitetura YOLOv8s, foi melhorado em três tecnologias-chave: a substituição da convolução padrão pela convolução deformável DCNv4 permite que os pontos de amostragem do kernel convolucional se adaptem dinamicamente às formas dos defeitos no mapa de características de entrada, elevando a taxa de recall para rupturas de fio de pequenas dimensões de 83,5% para 91,2% na tarefa de deteção de fios rompidos em cabo de aço. O mecanismo de atenção de coordenadas introduz codificação de informação posicional em cada nível da rede piramidal de características, permitindo ao modelo localizar com precisão a posição espacial dos defeitos. O projeto leve, através de convoluções separáveis em profundidade e poda de canais, comprime o número de parâmetros do modelo dos 11,2M originais para 7,3M, uma redução de aproximadamente 35%.
Transformação Técnica dos Resultados da Competição
As melhorias algorítmicas validadas na competição já estão em fase de transformação técnica na linha de produtos de inspeção visual por IA para pontes rolantes. O módulo DCNv4 foi integrado e implementado no modelo de produto do sistema de deteção online de cabos de aço por IA; após testes, elevou o mAP global de 0,91 para 0,94, mantendo a velocidade de inferência em tempo real. O mecanismo de atenção de coordenadas foi incorporado no modelo de inspeção por IA para cordões de solda, melhorando a precisão de deteção de defeitos do tipo trinca em 4,3 pontos percentuais. A técnica de poda para projeto leve foi aplicada à implementação do modelo no dispositivo de borda Jetson Orin NX, reduzindo a velocidade de inferência de 18 ms/imagem para 12 ms/imagem, preservando simultaneamente mais de 98% da precisão original.
Capacidade de Inovação Contínua da Equipa de Algoritmos
A equipa de algoritmos de visão IA para pontes rolantes conta atualmente com 22 engenheiros de algoritmos a tempo inteiro, incluindo 4 doutorados, 12 mestres e 6 licenciados. Os membros da equipa possuem formação académica em visão computacional e aprendizado profundo, cobrindo três áreas de investigação: deteção de objetos, segmentação de imagens e projeto leve de modelos. A equipa estabeleceu um processo padrão de iteração algorítmica — uma revisão da arquitetura dos modelos é realizada trimestralmente, com base nas tendências técnicas validadas na competição e identificadas em novas publicações científicas, para definir as direções de melhoria algorítmica para o trimestre seguinte. Os registos de treinamento de modelos e os dados experimentais de estudos de ablação acumulados ao longo dos anos tornaram-se um ativo de conhecimento da equipa, permitindo que novos membros repliquem rapidamente e estendam a investigação com base nos experimentos existentes.
Perguntas Frequentes (FAQ)
P: O modelo utilizado na competição é o mesmo que o modelo de deteção real dos produtos para pontes rolantes?
R: Não é o mesmo, mas partilham a mesma base técnica. O modelo da competição utiliza uma resolução de entrada maior e estratégias de treinamento mais complexas para alcançar métricas de precisão extremas. O modelo de produto, por sua vez, remove componentes desfavoráveis à operação em tempo real e é submetido a quantização FP16 com TensorRT e adaptação para a plataforma Jetson. O modelo da competição valida o limite teórico de precisão do algoritmo, enquanto o modelo de produto alcança o equilíbrio ideal entre precisão e velocidade. Atualmente, o mAP do modelo de produto corresponde a aproximadamente 95%–98% da precisão do modelo da competição.
P: A equipa planeia participar em mais competições internacionais no futuro?
R: Sim, o plano é participar em 1 a 2 competições internacionais por ano relacionadas com a tecnologia de visão IA para pontes rolantes. No segundo semestre de 2026, a equipa já está inscrita na MVTec AD 2026, a competição de deteção de anomalias em visão industrial organizada pela Associação Internacional de Reconhecimento de Padrões (IAPR). O objetivo principal da participação não é a classificação, mas sim avaliar o nível real do algoritmo através da comparação com as melhores equipas globais e identificar lacunas técnicas internas.
P: Os resultados técnicos da equipa são publicados sob a forma de artigos científicos?
R: Sim. Nos últimos dois anos, foram publicados 5 artigos em revistas académicas e conferências na área da inspeção industrial. As publicações são orientadas para a tecnologia aplicada, com ênfase no valor da prática de engenharia. Os detalhes técnicos completos da solução melhorada DCNv4 + Coordinate Attention, validada na competição, estão planeados para submissão ao IEEE Transactions on Industrial Informatics.
P: Quais são os principais desafios técnicos atuais na área de deteção de defeitos industriais e qual o seu impacto na inspeção de pontes rolantes?
R: A deteção de defeitos industriais enfrenta três desafios comuns: a deteção de pequenos defeitos é difícil — uma trinca com largura de apenas 0,05~0,3 mm ocupa apenas alguns ou dezenas de pixels na imagem; a similaridade entre classes é elevada — porosidade e inclusão de escória são visualmente muito semelhantes, e as texturas de corrosão e contaminação por óleo também são facilmente confundidas; e há escassez de dados anotados — a aquisição de dados de defeitos industriais é dispendiosa e o desequilíbrio entre amostras positivas e negativas é extremo. Esses desafios também estão presentes na inspeção de cabos de aço de ponte rolante e na inspeção de cordão de solda.
