SortScrews: A Dataset and Baseline for Real-time Screw Classification

Este trabalho apresenta o SortScrews, um novo dataset e uma linha de base para a classificação visual em tempo real de parafusos em cenários controlados, oferecendo também um script reutilizável para coleta de dados e demonstrando que modelos leves alcançam alta precisão mesmo com um conjunto de dados limitado.

O essencial

Imagine que você é o gerente de uma fábrica de brinquedos muito grande. Todos os dias, uma esteira rolante traz milhares de parafusos misturados: alguns são longos, outros curtos, alguns têm a cabeça redonda, outros achatada. O trabalho de um robô seria pegar cada um e colocá-lo na caixa certa. Mas, para o robô, todos esses parafusos parecem quase iguais, como se fossem gêmeos malvados.

O problema é que, para ensinar um robô a fazer isso, os cientistas precisavam de um "livro de receitas" com fotos desses parafusos. O problema é que ninguém tinha um livro assim disponível de graça.

É aqui que entra o SortScrews (que poderíamos chamar de "Classificador de Parafusos"), o projeto descrito neste relatório técnico.

Aqui está a explicação simples do que eles fizeram:

1. O "Álbum de Fotos" Perfeito

Os pesquisadores da Universidade de Toronto criaram um novo conjunto de dados (uma coleção de fotos) chamado SortScrews.

• O que tem nele? 560 fotos de alta qualidade.
• O que tem nas fotos? Apenas um parafuso por vez, colocado em um lugar específico, com uma luz controlada. É como tirar fotos de um modelo de moda em um estúdio, mas em vez de roupas, são parafusos.
• A variedade: Eles escolheram 6 tipos diferentes de parafusos (alguns com cabeça redonda, outros achatados, de tamanhos variados) e também incluíram fotos de "nada" (fundo vazio), para ensinar o robô a dizer "isso não é um parafuso".

2. A "Câmera Caseira" (A Grande Inovação)

O que torna isso especial não é apenas as fotos, mas como elas foram tiradas.
Geralmente, para fazer algo assim, você precisa de máquinas industriais caríssimas. Mas esses pesquisadores criaram um "kit de DIY" (Faça Você Mesmo).

• Eles usaram uma webcam comum (aquelas que você usa no computador), um suporte de madeira e um guia impresso para colocar o parafuso no lugar certo.
• Eles escreveram um "script" (um pequeno programa de computador) que tira as fotos e as organiza automaticamente.
• A analogia: É como se eles tivessem ensinado a todo mundo a construir sua própria câmera de estúdio usando materiais de uma loja de ferragens barata. Agora, qualquer pessoa pode criar seu próprio álbum de fotos de parafusos (ou porcas, ou peças de bicicleta) sem gastar uma fortuna.

3. O "Treinamento" do Cérebro do Robô

Para ver se esse álbum de fotos funcionava, eles precisaram "ensinar" um cérebro digital (uma Inteligência Artificial) a reconhecer os parafusos.

• Eles usaram duas técnicas de "cérebro" famosas e leves (chamadas ResNet-18 e EfficientNet-B0). Imagine que é como pegar um aluno que já estudou milhões de fotos de gatos e carros (treinamento prévio) e dizer: "Agora, foque apenas em parafusos".
• O resultado: Funcionou muito bem! Mesmo com poucas fotos (560 é pouco para padrões de IA moderna), o robô aprendeu a diferenciar os parafusos com uma precisão impressionante (quase 96% de acerto com um dos modelos).
• Velocidade: O sistema é tão rápido que consegue classificar parafusos em tempo real, como se fosse um juiz de tiro rápido em uma competição.

4. Onde eles erraram? (A Análise de Falhas)

Nenhum sistema é perfeito. O relatório mostra que, às vezes, o robô confunde parafusos que são muito parecidos.

• O problema: Se dois parafusos têm o mesmo tamanho, mas uma cabeça ligeiramente diferente, o robô pode ficar confuso. É como tentar distinguir dois irmãos gêmeos que estão de costas.
• A lição: Isso mostra que, para tarefas muito detalhadas, a forma como a foto é tirada (luz, ângulo) é tão importante quanto o "cérebro" da inteligência artificial.

Resumo da Ópera

Este trabalho é como se os pesquisadores dissessem:

"Não precisamos de supercomputadores caros para organizar parafusos. Com uma webcam barata, um pouco de madeira e um pouco de código, podemos ensinar robôs a trabalhar em fábricas de forma mais inteligente e rápida."

Eles liberaram tudo de graça na internet (o álbum de fotos, o guia de como tirar as fotos e o código para treinar o robô) para que outras pessoas possam usar essa tecnologia para automatizar suas próprias fábricas ou projetos. É um passo gigante para tornar a automação industrial mais acessível para todos.

Resumo técnico

1. Problema

A identificação automática de pequenos componentes mecânicos, especificamente parafusos, é fundamental para a automação industrial, robótica e gestão de inventário. No entanto, o campo enfrenta dois desafios principais:

• Escassez de Dados: Existem poucos conjuntos de dados públicos para classificação de parafusos, especialmente para cenários de "objeto único" (single-object) controlados, comuns em sistemas de triagem automatizada.
• Reconhecimento de Alta Granularidade: Diferentes tipos de parafusos muitas vezes diferem apenas por variações geométricas sutis (formato da cabeça, comprimento, padrão de rosca), o que torna a distinção difícil para sistemas de visão computacional sem condições de aquisição cuidadosamente controladas.
• Limitações de Dados Industriais: Ambientes industriais frequentemente possuem dados rotulados limitados e configurações de aquisição restritas, exigindo o uso eficaz de modelos leves e conjuntos de dados pequenos.

2. Metodologia

Os autores desenvolveram uma abordagem completa que abrange a coleta de dados, a criação do conjunto de dados e a avaliação de modelos de baseline.

• Coleta de Dados e Pipeline:

  • Foi construído um dispositivo de baixo custo utilizando uma webcam iCAN C55N QHD 2K, um suporte de madeira e um guia impresso para calibração de perspectiva.
  • Um script reutilizável foi fornecido para permitir que outros pesquisadores coletem conjuntos de dados similares para componentes personalizados.
  • As imagens foram capturadas em quatro configurações diferentes para introduzir variações suaves na iluminação e na perspectiva da câmera, simulando mudanças ambientais industriais.

• O Conjunto de Dados (SortScrews):

  • Estrutura: 560 imagens RGB de resolução 512 × 512.
  • Classes: 6 tipos de parafusos + 1 classe de fundo (background).
  • Balanceamento: Cada uma das 7 classes contém exatamente 80 amostras (totalizando 560), garantindo um conjunto de dados perfeitamente balanceado.
  • Categorias de Parafusos: Incluem variações de cabeça plana e redonda com comprimentos de 1,5 cm a 7,5 cm.
  • Validação: Um conjunto de validação separado com 28 imagens amostradas uniformemente.

• Métodos de Baseline (Treinamento):

  • Utilizou-se Transfer Learning a partir de pesos pré-treinados no ImageNet.
  • Arquiteturas: Duas redes neurais convolucionais leves foram avaliadas: EfficientNet-B0 e ResNet-18.
  • Configuração: As camadas finais foram substituídas para corresponder às classes do dataset. O treinamento foi feito com o otimizador AdamW, taxa de aprendizado de $10^{-3}$, e as imagens foram redimensionadas para 224 × 224.
  • Hardware de Treinamento: Os modelos foram treinados em um MacBook Pro M3 (2023) com aceleração Metal, demonstrando a viabilidade em hardware de consumo.

3. Resultados

Os experimentos demonstraram que condições de aquisição controladas permitem alto desempenho mesmo com conjuntos de dados pequenos.

• Precisão de Classificação:

  • ResNet-18: Alcançou 96,4% de precisão na validação.
  • EfficientNet-B0: Alcançou 86,2% de precisão na validação.
  • Observação: O ResNet-18 superou consistentemente o EfficientNet-B0 neste cenário específico, sugerindo que arquiteturas mais modernas não garantem necessariamente melhor captura de diferenças visuais sutis em datasets pequenos.

• Desempenho em Tempo Real (Inferência):

  • ResNet-18: Tempo médio de inferência de 6,42 ms (aprox. 155,8 fps em GPU NVIDIA).
  • EfficientNet-B0: Tempo médio de inferência de 17,95 ms (aprox. 55,7 fps em GPU NVIDIA).
  • Ambos os modelos atendem aos requisitos de tempo real para sistemas de triagem.

• Análise de Falhas:

  • A maioria dos erros ocorreu na confusão entre parafusos com comprimentos similares, mas formatos de cabeça diferentes (ex.: cabeça redonda de 2,5 cm vs. cabeça plana de 3,5 cm).
  • Os modelos apresentaram um viés inesperado na localização dos parafusos na imagem, possivelmente devido à supervisão semântica esparsa (falta de caixas delimitadoras).

4. Contribuições Chave

1. SortScrews Dataset: Introdução de um conjunto de dados balanceado e cuidadosamente curado com 560 imagens de 6 tipos de parafusos e fundo, focado em condições de aquisição controladas.
2. Pipeline de Coleta Reutilizável: Disponibilização de scripts e instruções para que pesquisadores possam criar rapidamente conjuntos de dados similares para componentes industriais personalizados usando hardware barato.
3. Benchmarks de Referência: Estabelecimento de linhas de base de desempenho usando EfficientNet-B0 e ResNet-18, fornecendo um ponto de comparação para futuros trabalhos na área.
4. Análise de Viabilidade: Demonstração de que a automação industrial de alta precisão é viável com datasets pequenos e hardware acessível, desde que as condições de captura sejam padronizadas.

5. Significado e Impacto

O trabalho preenche uma lacuna crítica na comunidade de visão computacional industrial ao fornecer um recurso padronizado para classificação de parafusos, um componente ubíquo na manufatura.

• Acessibilidade: Ao demonstrar que equipamentos de baixo custo e datasets pequenos são suficientes para alto desempenho, o projeto democratiza a pesquisa em automação industrial.
• Reprodutibilidade: A liberação do código de coleta, do dataset e do pipeline de treinamento incentiva a expansão da pesquisa em reconhecimento de objetos industriais e sistemas de triagem automatizada.
• Direções Futuras: O relatório sugere que expansões futuras (como imagens multiview, ambientes de esteira transportadora e dados de profundidade/3D) poderiam melhorar ainda mais a robustez dos sistemas de manipulação robótica.

Em resumo, o SortScrews valida que a padronização do processo de aquisição de dados é tão crucial quanto a complexidade do modelo para o sucesso em tarefas de reconhecimento industrial de alta granularidade.