O Deep Learning é um ramo da Inteligência Artificial que se tornou uma tecnologia decisiva para vários setores, tanto industriais como não industriais. A Visão Artificial e o Deep Learning são dois conceitos que não são estranhos especialmente no setor automóvel, que se destaca por estar sempre na vanguarda da tecnologia. São tecnologias que permitem desenvolver sistemas avançados, como a assistência ao condutor, veículos autónomos e a eficiência do próprio fabrico.
Se quiseres conhecer mais aplicações da visão artificial na indústria automóvel, clica aqui.
Aplicações de visão artificial e Deep Learning
A combinação dos sistemas de visão e algoritmos com a capacidade de aprender processos sem necessidade de intervenção humana permite aumentar a eficiência de qualquer processo de produção. Não só ao nível da produção e da segurança, que desempenham um papel fundamental, mas também no que se refere à previsão de erros. Segundo os especialistas, a aprendizagem automática permitiu alcançar uma melhoria de 91% na antecipação e prevenção de falhas nos processos de produção. Isto representa uma grande poupança nos custos e uma redução das rejeições.
Embora sejam muitas as aplicações que recorrem à visão artificial e ao Deep Learning, vamos explicar aqui três das mais relevantes.
Picking de peças
O picking de peças no fabrico de veículos é um processo crítico que pode ser otimizado através da resolução de tarefas simples de pick and place ou da utilização de tecnologias avançadas, como a visão artificial e o Deep Learning. A robótica guiada por visão artificial é a base da automatização industrial, graças à flexibilidade e versatilidade das suas aplicações. Com recurso a câmaras de visão artificial, é possível realizar uma análise de imagem 3D que permite reconhecer e determinar a posição de objetos de muitos tipos, como peças metálicas ou outros géneros de elementos de diversos materiais ou geometrias, por exemplo, empilhados num contentor ou numa correia transportadora.
Neste artigo, contamos-te como é possível implementar a visão 3D para o manuseamento robotizado de peças de automóvel através do InPicker, uma solução universal de Pick & Place. O software InPicker permite fazer a correspondência de formas primitivas (cilindro, esfera, etc.) sem recurso a um modelo CAD, além de aplicar filtros de pré-processamento com recurso a algoritmos de localização de objetos com base no Deep Learning.
Outro exemplo interessante no setor automóvel é a aplicação do Picking 3D instalado sobre um AMR no qual, com recurso a um único sistema de visão 3D, permite resolver de forma eficiente as necessidades das fábricas que trabalham com mais de uma linha de produção em simultâneo e que precisam de uma solução de picking que consiga abastecê-las.
Veículos autónomos
Quando falamos de tendências no setor automóvel, a eletrificação de veículos e os automóveis autónomos são, sem dúvida, dois dos conceitos que surgem imediatamente. A possibilidade de criar um veículo totalmente autónomo, isto é, sem necessidade de intervenção de uma pessoa, surgiu graças à incorporação da visão artificial e do Deep Learning.
O recurso a sistemas de visão permite capturar imagens que permitem aos algoritmos detetar automaticamente os obstáculos no seu ambiente e tomar decisões em consonância. Um exemplo deste avanço é o ecoRD, o primeiro monolugar de competição espanhol desenvolvido pela EcoRacing. A INFAIMON colabora neste projeto com o fornecimento de câmaras de visão artificial e o software de visão HALCON, que contribuem para o funcionamento deste veículo. Se quiseres saber mais sobre este tema, sugerimos que leias o nosso estudo de caso.
Os veículos autónomos representam o nível mais elevado de autonomia e, embora ainda não façam parte da nossa vida quotidiana, as suas funções são utilizadas para outras aplicações, como a assistência ao condutor. Estes sistemas intervêm na identificação de obstáculos na estrada, como peões e outros veículos, contribuindo para evitar riscos e acidentes e ajudando o condutor a manter-se alerta.
Reconhecimento ótico de carateres
O reconhecimento ótico de carateres (OCR) é uma técnica que permite identificar os carateres de um texto impresso ou gravado. Esta aplicação é fundamental na indústria automóvel e, graças à visão artificial e ao Deep Learning, foi aperfeiçoada ao nível da precisão e da eficiência.
A tecnologia OCR tradicional recorre a algoritmos de processamento de imagens para detetar e classificar carateres. No entanto, esta técnica nem sempre é eficaz na identificação de carateres com diferentes tipos de letra ou tamanhos, o que pode originar erros de leitura. Com o advento das redes neurais profundas, tornou-se possível treinar modelos de OCR para que façam a leitura de códigos mesmo sob condições adversas. Graças a esta tecnologia, é possível identificar com elevada fiabilidade os carateres mais ilegíveis, complexos, desfocados ou enviesados.
Além disso, a visão artificial também pode ser utilizada para melhorar a qualidade das imagens e aumentar a precisão do OCR com câmaras de alta resolução. A remoção do ruído e a correção da perspetiva permitem melhorar a legibilidade dos carateres, o que resulta no aumento da precisão de leitura.
Através de um treino exaustivo com recurso a um grande volume de imagens, as redes neurais aprendem a reconhecer com grande fiabilidade os carateres nestas condições variáveis até com luz especular, reflexos e cores de pintura.
No setor automóvel, por exemplo, muitos dos componentes ou peças metálicas dos veículos são identificadas com códigos alfanuméricos que são digitalizados e identificados para garantir a rastreabilidade.
Se queres saber por que motivo o Deep Learning leva a leitura de OCR para outro nível, sugerimos que leias este artigo.
