A aplicação de técnicas de reconhecimento automático de imagem em contexto de produção de vestuário – para deteção de defeitos – não configura uma novidade, apesar das limitações serem variadas. Numa fase inicial, o processo tinha como ponto de partida a extração manual de características a partir dos valores dos pixéis da imagem – algo possível através de métodos estatísticos, espectrais ou estruturais. No entanto, esses são sensíveis a fatores como a luminosidade, o fundo da imagem, a existência de padrões, entre outros. Em Enhancing operational performance in textile manufacturing: impact of deep learning-based defect detection, Artur Carvalho e Vera Migueis, investigadores do INESC TEC, abordam a incorporação de técnicas de deep learning e, sobretudo, o impacto das mesmas sob o ponto de vista da produtividade.
Até aqui, para além dos diversos motivos que influenciavam a deteção, as indústrias também estavam fortemente dependentes do conhecimento especializado por parte operadores, responsáveis por, no caso dos chamados “defeitos em teia, identificar o problema na linha de produção, interrompê-la e resolver a questão. Enquanto tal não acontece, há material defeituoso a ser produzido e a ser desperdiçado, com impacto na “reduzida reprodutibilidade e adaptabilidade a diferentes domínios”, o que se revela “limitador” considerando a enorme quantidade de tecidos usados na indústria têxtil e as tipologias de defeitos que podem ser encontradas.
“Esta investigação surgiu no âmbito da agenda PRODUTECH R3”, contextualiza Artur Carvalho, também investigador na Faculdade de Engenharia da Universidade do Porto, “e o trabalho visou mitigar o desperdício no processo produtivo da IDEPA, uma empresa de São João da Madeira especializada na produção de etiquetas tecidas e impressas, fitas e outros acessórios”.
O emprego de técnicas de deep learning à deteção de defeitos, como as propostas no artigo, revelou-se uma “valiosa alternativa”, motivando até uma “revolução”. “Estas técnicas, baseadas em redes neuronais permitem a criação de modelos end-to-end, partindo diretamente das imagens originais pré-processadas como input, evitando, assim, o especializado e moroso processo de extração de características das imagens”, descreve Artur Carvalho. O investigador aponta ainda que as “arquiteturas de deep learning direcionadas ao reconhecimento de imagem baseiam-se predominantemente em redes neuronais convulsionais”, mecanismos capazes de “captar a estrutura espacial das imagens”.
Um ponto pelo qual o trabalho assinado pelo investigador do INESC TEC se destaca tem que ver com a aplicação de arquiteturas de deep learning convolucionais de referência tanto na classificação das imagens ou na localização de defeitos mesmo em tecidos de várias cores ou padrões imprevisíveis. No caso da empresa envolvida na investigação, cuja produção visa etiquetas customizadas de acordo com as necessidades do cliente, tornou-se ainda evidente a necessidade de “estudar as técnicas em tecidos mais sofisticados”.
Foco no impacto operacional
Para além das questões tecnológicas, uma nova perspetiva introduzida pela investigação, focada no impacto operacional das soluções de deteção automática de defeitos, demarca o trabalho dos demais casos de estudo. De acordo com Artur Carvalho, “mais do que a performance preditiva dos modelos desenvolvidos, importa estimar o impacto da implementação dos mesmos em métricas relevantes para os gestores industriais, nomeadamente custos, cadência de produção real, e taxa de defeitos”. “Esta ponte entre a modelação preditiva e o impacto operacional não é prática comum na literatura nesta área”, salienta o investigador.
Entre os resultados alcançados, dos quais se destaca o “excelente desempenho preditivo obtido pelo modelo de deteção de defeitos”, é importante sinalizar igualmente a estimativa da redução de custos mensal associada à identificação e localização de defeitos. De acordo com os dados divulgados, estima-se que entre “92% a 98% do material defeituoso será evitado, para defeitos de teia”.
Notícias, atualidade, curiosidades e muito mais sobre o INESC TEC e a sua comunidade!
