Using the YOLOv12 Model for Verifying the Correct Color Sequence of Wires in Network Cables (Patch Cords) on the Production Line

Resumo Técnico: Utilização do Modelo YOLOv12 para Verificação da Sequência Correta de Cores de Fios em Cabos de Rede

Definição do Problema
Na produção industrial de cabos de rede (cabos de manobra), o arranjo correto dos oito fios dentro do conector RJ45 é crítico para o desempenho da rede. Padrões como T568A e T568B definem sequências de cores precisas; qualquer desvio resulta em produtos defeituosos e não funcionais. O controle de qualidade tradicional baseia-se na inspeção visual manual utilizando microscópios digitais. Os autores identificam este método como demorado, tedioso e propenso ao erro humano devido à fadiga do operador, condições variáveis de iluminação e limitações na acuidade visual. Estas limitações tornam necessária uma solução automatizada que possa operar em tempo real em linhas de produção de alto volume para garantir uma qualidade uniforme e reduzir o desperdício.

Metodologia
O estudo propõe um sistema de inspeção inteligente e automatizado baseado na décima segunda versão do modelo de detecção de objetos YOLO, especificamente o YOLOv12. A metodologia abrange os seguintes componentes:

• Conjunto de Dados (Dataset): Um conjunto de dados dedicado de 2.500 imagens de alta resolução (aprox. 1200×1600 pixels) foi capturado utilizando um microscópio digital industrial a partir da visão frontal de conectores RJ45. O conjunto de dados inclui oito classes de cores distintas correspondentes ao padrão T568B (branco-laranja, laranja, branco-verde, azul, branco-azul, verde, branco-castanho e castanho).
• Preparação de Dados: As imagens foram anotadas manualmente com caixas delimitadoras (bounding boxes) para cada fio. Os dados foram divididos em 70% para treino, 15% para validação e 15% para teste. Para melhorar a generalização e evitar o sobreajuste (overfitting), técnicas de aumento de dados foram aplicadas, incluindo rotação, recorte, zoom, inversão horizontal e ajustes de brilho e contraste.
• Arquitetura do Modelo: O sistema utiliza o YOLOv12, um detector de estágio único (single-stage detector) aprimorado com mecanismos de atenção. As principais características arquiteturais empregadas incluem:
  • Atenção baseada em região no backbone para focar em áreas relevantes da imagem.
  • Estruturas Residual-ELAN para agregação de características para preservar a informação na profundidade da rede.
  • Predição multiescala para detetar fios finos em três níveis de saída diferentes.
  • Caixas de âncora (Anchor boxes): Nove caixas de âncora foram otimizadas via agrupamento k-means com base nas dimensões reais dos fios.
• Configuração de Treino: O modelo foi treinado utilizando o framework PyTorch numa GPU NVIDIA Tesla T4. A função de perda é uma combinação ponderada de perdas de localização (CIoU), de objetividade (objectness) e de classificação (ponderadas em 0,5, 0,4 e 0,1, respetivamente). O treino utilizou um tamanho de lote (batch size) de 16 ao longo de 50 épocas com mecanismos de paragem antecipada (early stopping).
• Lógica de Decisão: Pós-deteção, um algoritmo de ordenação organiza os fios detetados com base nas suas coordenadas horizontais (eixo x). Esta sequência prevista é então comparada com o padrão T568B para determinar se o cabo passa ou falha.

Principais Resultados
O sistema foi avaliado num conjunto de teste completamente independente de 375 imagens sob condições variadas (iluminação, ruído, fundo). As métricas de desempenho são as seguintes:

• Precisão (Precision): 99,1%
• Revocação (Recall): 98,0%
• Média de Precisão Média (mAP@IoU 0.5:0.95): 94,6%
• Precisão de Verificação de Sequência: 98,13% (368 de 375 cabos classificados corretamente como passa/falha).
• Análise de Erro: O modelo exibiu alta precisão para fios de cor sólida. Os poucos erros (menos de 2%) ocorreram principalmente com fios que apresentam isolamento branco e riscas coloridas estreitas (ex: branco-laranja, branco-castanho) devido à semelhança de cores e baixo contraste. Notavelmente, o sistema produziu zero erros de "falso aceite" (cabos defeituosos marcados como bons), sendo que todos os 7 erros foram "falsos rejeites" (cabos bons marcados como defeituosos).
• Velocidade: O sistema processa imagens a aproximadamente 160 quadros por segundo (5–6 ms por imagem) numa GPU, e cerca de 8–9 fps num CPU, excedendo significativamente os requisitos de velocidade das linhas de produção industrial.

Significado e Alegações
O artigo afirma que o sistema proposto baseado no YOLOv12 oferece uma alternativa superior tanto à inspeção manual tradicional como aos métodos automatizados anteriores (como a abordagem de Tsai & Cheng de 2022, que era limitada pela dependência de iluminação e velocidades de processamento lentas).

Os autores afirmam que o sistema aborda com sucesso o compromisso entre velocidade e precisão, entregando um desempenho em tempo real adequado para ambientes da Indústria 4.0. Ao automatizar o processo de verificação, o sistema elimina o erro humano, reduz os gargalos de produção e garante o controlo de qualidade a 100%. O estudo conclui que esta abordagem não é apenas eficaz para cabos de rede, mas também extensível para outras tarefas de inspeção de múltiplos fios, tais como chicotes elétricos automotivos e conexões de placas eletrónicas, representando um passo significativo em direção a fábricas inteligentes totalmente automatizadas.