Aplicativo móvel para inspeção de solda industrial: visão computacional

Abstract

Este trabalho propõe o desenvolvimento de um aplicativo para inspeção de cordões de solda por meio de redes neurais convolucionais com suporte aos principais processos de soldagem industrial: MIG/MAG, TIG e Eletrodo revestido. A metodologia envolve a coleta e rotulagem de um banco de dados com dez mil imagens de soldas industriais. À qualidade dos cordões de solda desempenha um papel crucial na integridade estrutural de componentes utilizados em setores industriais como o automotivo, naval, aeroespacial e de construção civil. Métodos tradicionais de inspeção, como a visual manual e os ensaios não destrutivos, embora amplamente utilizados, apresentam limitações quanto à subjetividade, custo e viabilidade para inspeções em tempo real. Além disso, com a crescente competitividade global, o avanço tecnológico e a escassez de profissionais qualificados, torna-se necessário desenvolver soluções automatizadas, de baixo custo e alta confiabilidade. O modelo foi treinado utilizando a biblioteca TensorFlow o ambiente Google Colab, com foco na identificação de falhas visuais externas como trincas, porosidades e falta de fusão. Além da inteligência artificial, existe o desenvolvimento de um aplicativo mobile, que servirá como interface operacional para inspeção e registro, permitindo o carregamento de imagens, execução do modelo treinado e armazenamento dos resultados em banco de dados. Espera-se que o sistema alcance altos níveis de acurácia e desempenho, com capacidade para ser aplicado em ambientes reais de produção industrial. Os resultados deste projeto contribuem para a modernização dos processos de controle de qualidade na soldagem, promovendo maior eficiência, rastreabilidade e padronização. A proposta está alinhada aos princípios da Indústria 4.0, ao integrar visão computacional, inteligência artificial, automação e conectividade em um único sistema inteligente.

In this context, this work proposes the development of an automated system for weld bead inspection using convolutional neural networks (CNNs), supporting the main industrial welding processes: MIG/MAG, TIG, and shielded metal arc welding. The methodology includes the collection and labeling of a dataset comprising five thousand industrial weld images, with 70% used for training and 30% for validation. The quality of weld beads plays a crucial role in the structural integrity of components used in industrial sectors such as automotive, naval, aerospace, and civil construction. Traditional inspection methods, such as manual visual inspection and non-destructive testing (NDT), although widely used, present limitations in terms of subjectivity, cost, and real-time applicability. Moreover, with increasing global competitiveness, technological advancement, and a shortage of qualified professionals, it becomes necessary to develop automated, low-cost, and highly reliable solutions The model was trained using the TensorFlow library in a Google Colab environment, focusing on detecting visual defects such as cracks, porosities, and lack of fusion. In addition to the artificial intelligence model, a mobile application will be developed to serve as an operational interface for inspection and data logging, allowing image upload, model execution, and result storage in a database. The system is expected. as be to achieve high accuracy and performance, with sufficient robustness for use in industrial production environments. The results of this project contribute to the modernization of quality control in welding processes, promoting greater efficiency, traceability, and standardization. The proposal aligns with the principles of Industry 4.0, by integrating computer vision, artificial intelligence, automation, and connectivity into a single intelligent system.