A escolha correta depende da informação contida no defeito. O objetivo não é usar a tecnologia mais avançada, mas sim a arquitetura mais simples que permita tomar uma decisão confiável na linha de produção real.
A visão computacional 2D costuma ser a primeira opção para detecção de presença, orientação, qualidade de impressão, leitura de código, verificação de contornos e dimensões visíveis a partir de uma visão controlada por câmera.
A detecção 3D adiciona informações de profundidade. Ela é útil em situações onde uma imagem plana não consegue distinguir com precisão altura, volume, perfil, deformação ou geometria da superfície.
O aprendizado profundo pode ser útil quando os produtos aceitáveis variam naturalmente ou quando os defeitos apresentam padrões visuais complexos. Mesmo assim, requer dados representativos, aquisição controlada e validação cuidadosa.
Começamos com o critério de aceitação e o modo de falha. Se um limiar, borda, padrão ou medição estável puder separar as partes boas das defeituosas, um sistema de visão baseado em regras pode ser mais fácil de validar e manter. Se a diferença relevante for geométrica, a detecção de profundidade pode eliminar a ambiguidade que nenhum processamento de imagem 2D conseguirá resolver. Se o defeito variar em aparência e não puder ser descrito de forma consistente, o aprendizado profundo pode ser a camada de classificação adequada.
Sistemas híbridos são comuns. Uma estação pode usar visão convencional para dimensões, 3D para geometria e um modelo aprendido para uma região com características estéticas complexas, armazenando todos os resultados em um único registro de rastreabilidade. A arquitetura deve refletir o risco de produção, o tempo de ciclo, as necessidades de manutenção e as evidências necessárias para aceitar ou rejeitar uma peça.
English English 
Portuguese
French
Spanish