💻 computer science

CableDex: Cable Length Estimation on Industrial Reels Using a Handheld Device

O CableDex é um sistema de visão computacional que utiliza um telefone celular para estimar com precisão o comprimento de carretéis de cabos industriais a partir de uma única fotografia, alcançando um erro percentual absoluto médio de 4,90% ao combinar calibração de câmera, segmentação de instância e cálculo volumétrico.

Autores originais: Francisco Guillén, Ricardo Almeida, Bruno Silva, João C. Neves

Publicado 2026-08-11

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Francisco Guillén, Ricardo Almeida, Bruno Silva, João C. Neves

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está parado em um armazém gigante cheio de bobinas enormes de cabos, como aqueles usados para conectar cidades ou fábricas de energia. Essas bobinas são pesadas e o cabo está enrolado firmemente nelas. Agora, imagine um trabalhador que precisa saber exatamente quanto cabo resta em uma bobina. Nos velhos tempos, eles tinham que adivinhar com base no peso que a bobina parecia ter ou, pior, tinham que desenrolar todo o conteúdo para medir — um processo lento, bagunçado e frustrante. Este é o mundo da manufatura industrial, onde o tempo é dinheiro e erros custam caro.

Para resolver isso, cientistas usam um ramo da ciência da computação chamado visão computacional. Pense nisso como ensinar um computador a "ver" e entender o mundo através de uma lente de câmera, assim como seus olhos fazem. Dois truques principais ajudam o computador a fazer isso: a segmentação, que é como uma tesoura digital que pode recortar um objeto específico (como uma bobina) do fundo de uma foto, e a estimativa de pose, que é a capacidade do computador de entender como um objeto está inclinado ou virado no espaço 3D apenas olhando para uma imagem plana. Quando você combina esses truques com um pouco de geometria, um computador pode olhar para uma única foto e calcular o volume de um objeto, mesmo que seja uma forma complexa como uma bobina de fio. Este artigo aborda o problema real e desorganizado de aplicar esses truques de alta tecnologia em um chão de fábrica empoeirado para economizar tempo e dores de cabeça dos trabalhadores.

O Aplicativo Mágico que Conta Cabos

Conheça o CableDex, um novo e inteligente sistema que atua como um detetive digital para carretéis de cabos industriais. O problema que ele resolve é simples, mas irritante: quando o cabo é puxado de um carretel gigante, ninguém sabe exatamente quanto resta sem realizar muito trabalho duro. O CableDex muda o jogo ao permitir que um trabalhador tire apenas uma foto de um carretel com um smartphone comum e, em seguida, informe instantaneamente uma estimativa altamente precisa do comprimento de cabo restante.

Aqui está como a mágica acontece, passo a passo:

1. As "Tesouras Digitais" (Segmentação de Instância)
Primeiro, o sistema precisa saber o que está vendo. Ele utiliza um modelo de IA superinteligente (um tipo de rede neural chamado YOLO11s) que foi treinado com 1.000 fotos de diferentes carretéis de cabos. Pense neste modelo como um par de tesouras digitais incrivelmente precisas. Quando você tira uma foto, a IA recorta instantaneamente o carretel e o cabo do resto da foto, criando um contorno perfeito. É tão bom que acerta 99,5% das vezes e realiza todo o trabalho em apenas 5,66 milissegundos — mais rápido do que um piscar de olhos.

2. O "Olho Inteligente" (Calibração da Câmera)
Antes que o computador possa medir qualquer coisa, ele precisa saber como a câmera do telefone vê o mundo. Cada lente de telefone é ligeiramente diferente, tal como a forma como cada olho humano vê as cores de maneira um pouco distinta. O CableDex possui um "banco de memória" integrado de dados de calibração para diferentes modelos de telefone. Se o telefone for novo para o sistema, o usuário grava um vídeo rápido de cinco segundos de um padrão quadriculado (como um tabuleiro de xadrez). O sistema analisa esse vídeo para descobrir os "segredos internos" da câmera (sua distância focal e distorção da lente) para que possa medir as coisas com precisão mais tarde.

3. O "Detetive 3D" (Estimativa de Pose)
Agora que o computador sabe o que é o carretel e como a câmera o vê, ele joga um jogo de geometria 3D. Ele observa os quatro cantos do carretel na foto e os compara com o tamanho real conhecido do carretel. Ao fazer isso, ele consegue descobrir exatamente como o carretel está posicionado no espaço — quão longe ele está e como está inclinado. Isso é chamado de estimativa de pose. Uma vez que conhece a posição do carretel, pode mapear o cabo sobre ele no espaço 3D, calculando o raio superior, o raio inferior e a altura da pilha de cabos.

4. O "Calculador de Volume" (A Parte Matemática)
Com a forma 3D da pilha de cabos definida, o sistema utiliza uma fórmula para um "cone truncado" (um cone com o topo cortado) para calcular o volume total do cabo. Mas há um detalhe: cabos não são blocos sólidos de plástico; são fios redondos com pequenos espaços de ar entre eles. O sistema compensa isso subtraindo cerca de 21,5% do volume para representar o ar entre os fios. Finalmente, ele divide esse volume pela espessura do cabo (que obtém ao escanear a etiqueta de código de barras do carretel) para revelar o comprimento total.

Isso Realmente Funciona?

A equipe testou o CableDex no mundo real em uma fábrica em Portugal. Eles não apenas simularam em um computador; eles foram ao local e testaram em 75 carretéis diferentes de cinco tipos diferentes de bobinas.

Os resultados foram impressionantes. O sistema estimou o comprimento do cabo com um erro médio de apenas 4,90%. No mundo industrial, uma margem de erro de 10% é geralmente considerada aceitável, então o CableDex está confortavelmente dentro da zona de segurança. A equipe descobriu que o tamanho do carretel não importava; o sistema era tão preciso em carretéis pequenos quanto em carretéis enormes.

O Problema e o Futuro

Embora o sistema seja uma grande melhoria em relação ao ato de adivinhar pelo peso ou desenrolar cabos, os autores são honestos sobre seus limites. A matemática assume que o cabo está enrolado perfeitamente e de forma organizada, como uma pilha de panquecas. Se o cabo estiver enrolado de forma frouxa ou desordenada, a forma do "cone truncado" muda e a estimativa pode ser menos precisa.

No entanto, para a grande maioria das situações de fábrica, o CableDex oferece uma maneira rápida e confiável de transformar uma simples foto em uma medição precisa. Ele substitui a suposição manual lenta por um clique rápido, provando que, às vezes, a melhor maneira de medir um problema industrial gigante é apenas tirar uma foto.

Resumo Técnico: CableDex

Definição do Problema
Em ambientes de manufatura industrial, determinar o comprimento restante de cabo em um carretel é um desafio operacional persistente. Os métodos tradicionais exigem ou equipamentos especializados ou o desenrolamento completo do cabo, ambos processos demorados e ineficientes. Alternativamente, os operadores frequentemente dependem de estimativas baseadas no peso, que carecem de precisão. Há uma necessidade de um método rápido, preciso e não invasivo para estimar o comprimento do cabo utilizando hardware acessível.

Metodologia
O CableDex é um sistema de visão computacional projetado para estimar o comprimento do cabo a partir de uma única fotografia capturada via um dispositivo móvel portátil. O sistema opera em uma arquitetura cliente-servidor composta por um aplicativo móvel Flutter, um backend Python/FastAPI e uma API externa para especificações de cabos. O pipeline de processamento consiste em quatro módulos integrados:

Calibração da Câmera: O sistema estima a matriz intrínseca ( $K$ ) da câmera usando o algoritmo de Zhang. Um banco de dados centralizado armazena os parâmetros de calibração indexados pelo modelo do smartphone para evitar calibrações redundantes. Se um dispositivo não estiver registrado, o usuário grava um vídeo curto de um padrão de tabuleiro de xadrez, do qual o backend extrai quadros, detecta cantos com refinamento de subpíxel e calcula os parâmetros intrínsecos.
Segmentação de Instância: Um modelo YOLO11s segmenta a imagem para delinear as regiões do carretel e do cabo, produzindo máscaras binárias ( $B_{reel}$ e $B_{cable}$ ). O modelo foi treinado em 1.000 imagens anotadas manualmente (aumentadas para 3.000) cobrindo cinco tipos de carretéis em diversas orientações. Apenas detecções com confiança acima de 0,85 são processadas, com o sistema selecionando o carretel e o cabo mais próximos do centro da imagem.
Estimativa de Pose e Recuperação de Geometria: Usando as máscaras de segmentação, o sistema identifica os quatro pontos de canto extremos do carretel e os pontos correspondentes mais próximos na máscara do cabo. Esses pontos 2D, combinados com as dimensões 3D conhecidas do carretel, alimentam um algoritmo de Perspective-n-Point (PnP) para recuperar a matriz de rotação ( $R$ ) e o vetor de translação ( $t$ ) do carretel. Os cantos do cabo são retroprojetados em coordenadas 3D do mundo para determinar o raio superior ( $r_1$ ), o raio inferior ( $r_2$ ) e a altura ( $h$ ) da região do cabo.
Cálculo Volumétrico: O volume do cabo ( $V_{cable}$ ) é estimado usando uma fórmula de cone truncado ajustada pela fração de ar entre as voltas circulares do cabo ( $\alpha \approx 0,215$ ):
$V_{cable} = \frac{\pi h}{3} (r_1^2 + r_1 r_2 + r_2^2) \times (1 - \alpha)$
O comprimento final é derivado dividindo o volume calculado pela área da seção transversal do cabo, recuperada através da leitura da etiqueta do carretel.

Principais Contribuições

Pipeline End-to-End: O artigo apresenta um fluxo de sistema completo, desde a leitura da etiqueta e captura da imagem até a segmentação, estimativa de pose e cálculo de comprimento, implementado via aplicativo móvel.
Modelo de Segmentação Eficiente: Os autores avaliaram quatro variantes do YOLO11 e o Mask R-CNN, selecionando o YOLO11s por seu equilíbrio ideal entre velocidade e precisão. Ele alcança uma precisão média média (mAP50) de 99,5% com um tempo de inferência de 5,66 ms por imagem, significativamente mais rápido que o Mask R-CNN (33,57 ms) enquanto mantém uma precisão comparável.
Estratégia de Calibração Robusta: O sistema utiliza uma abordagem baseada em banco de dados para a calibração da câmera, permitindo que os usuários aproveitem parâmetros pré-computados para modelos de dispositivos específicos, simplificando assim a experiência do usuário.

Resultados Experimentais
O sistema foi avaliado em 75 carretéis industriais de cinco tipos diferentes (NPS150, NPS250, NPS400, D600, D800) sob condições de iluminação padrão de fábrica na COFICAB Portugal.

Precisão: O sistema alcançou um Erro Percentual Absoluto Médio (MAPE) global de 4,90%.
Tolerância: Este resultado está dentro da tolerância de erro de 10% comumente aceita em medições de carretéis de cabos industriais.
Consistência: A análise de desempenho indicou que não há correlação significativa entre o tamanho do carretel e a precisão da estimativa. Os autores atribuem os erros residuais principalmente às condições de aquisição de imagem, qualidade da segmentação ou variações na espessura do cabo, em vez das dimensões do próprio carretel.

Significância e Limitações
O CableDex oferece uma alternativa viável à medição manual e à estimativa baseada no peso, fornecendo um recurso claro para ambientes de manufatura ao reduzir o tempo e aumentar a precisão. O sistema demonstra com sucesso que dispositivos portáteis podem realizar medições industriais complexas quando combinados com visão computacional.

No entanto, os autores mantêm um escopo modesto em relação às limitações do sistema. A estimativa volumétrica depende de uma aproximação de cone truncado, que assume um padrão de enrolamento regular. O artigo observa explicitamente que cabos enrolados de forma frouxa ou irregular podem desviar dessa suposição geométrica, potencialmente afetando a precisão da estimativa. O sistema não pretende lidar com todas as possíveis irregularidades de enrolamento, mas sim abordar o caso de uso industrial padrão.

O Aplicativo Mágico que Conta Cabos

Isso Realmente Funciona?

O Problema e o Futuro

Mais como este