Real-Time Conveyor Belt Defect Detection via Edge TPU-Accelerated YOLOv11 on Raspberry Pi 5
Este artigo apresenta e valida um sistema de IA de borda (edge AI) de ponta a ponta e de baixo consumo, implementado em um Raspberry Pi 5 com um Google Coral Edge TPU, que utiliza um modelo YOLOv11n quantizado para alcançar a detecção em tempo real e de alta precisão de defeitos em correias transportadoras em ambientes industriais severos, permitindo a manutenção preditiva de baixo custo sem dependência de GPUs de alto consumo energético.
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 pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
Nas indústrias pesadas que constroem o nosso mundo moderno, desde a mineração de vastas quantidades de minério até a fabricação de cimento, enormes correias de borracha servem como as artérias da produção. Esses sistemas de correia transportam milhares de toneladas de materiais abrasivos dia após dia, muitas vezes percorrendo centenas de metros através de ambientes empoeirados, vibratórios e severos. Com o tempo, o estresse constante de cargas pesadas, pedras caindo e fricção faz com que essas correias desenvolvam fraquezas ocultas. Um pequeno rasgo ou um furo pode crescer rapidamente para uma ruptura catastrófica, partindo a correia inteira. Quando isso acontece, toda a linha de produção para, custando à instalação milhares de dólares em tempo perdido e reparos caros, além de criar situações perigosas para os trabalhadores próximos. Durante décadas, a única maneira de encontrar essas falhas era para inspetores humanos caminharem ao longo do maquinário em movimento, um método que é lento, arriscado e propenso a ignorar danos pequenos, mas críticos.
Para resolver isso, pesquisadores recorreram à inteligência artificial, ensinando computadores a "ver" defeitos da mesma forma que um humano faria. No entanto, a maioria desses sistemas de visão inteligentes é muito pesada e consome muita energia para rodar diretamente no chão de fábrica. Eles geralmente exigem computadores enormes e caros ou uma conexão com a nuvem, o que é impraticável para locais industriais remotos com eletricidade e largura de banda de rede limitadas. Uma equipe de engenheiros na Indonésia conseguiu preencher essa lacuna ao criar um sistema compacto e de baixa potência que pode observar uma correia transportadora em tempo real e detectar danos instantaneamente. Eles construíram um dispositivo que cabe dentro de uma caixa metálica padrão, usa uma câmera minúscula para observar a correia e executa um programa de detecção visual sofisticado em um chip pequeno e especializado, projetado para velocidade e eficiência.
Os pesquisadores focaram em um tipo específico de modelo de inteligência artificial conhecido como YOLO, que significa "You Only Look Once" (Você Só Olha Uma Vez). Este tipo de modelo é famoso por sua capacidade de identificar objetos em um fluxo de vídeo quase instantaneamente. Embora versões anteriores desta tecnologia funcionassem bem em computadores desktop potentes, a equipe queria ver se a versão mais nova e eficiente poderia rodar em um pequeno computador de placa única, semelhante aos usados por entusiastas, mas pareado com um chip acelerador especializado. Este acelerador, chamado de Edge TPU, é uma pequena peça de hardware projetada especificamente para realizar os cálculos necessários para a inteligência artificial usando pouquíssima energia. A equipe pegou um feed de câmera de uma usina de cimento real em Java Ocidental, onde o ar é espesso com poeira e o maquinário vibra constantemente, e o alimentou em seu sistema.
Para ensinar o computador o que procurar, a equipe reuniu uma coleção massiva de imagens. Eles não dependeram apenas de fotos tiradas em um laboratório limpo. Em vez disso, combinaram fotos tiradas diretamente da usina de cimento com imagens de conjuntos de dados públicos e novas fotos capturadas por um sistema automatizado que registrava a movimentação da correia ao longo do tempo. Essa mistura garantiu que o computador aprendesse a reconhecer rasgos, furos e reparos de remendos mesmo quando estavam cobertos de poeira ou iluminados por luzes de fábrica intensas e desiguais. No total, eles usaram mais de 3.000 imagens para treinar o modelo, marcando cuidadosamente cada defeito para que o computador pudesse aprender a diferença entre uma correia danificada e uma normal. Eles então simplificaram o programa de computador, convertendo-o em um formato que o pequeno chip acelerador pudesse entender e executar sem precisar de um processador principal potente.
Quando o sistema foi implantado na usina de cimento real, os resultados foram imediatos e estáveis. O dispositivo, alojado em uma caixa de metal selada para protegê-lo da poeira e vibração, observou com sucesso a correia transportadora e identificou defeitos conforme eles passavam. Ele processou o vídeo a uma taxa de 30 a 40 quadros por segundo, o que é rápido o suficiente para acompanhar a velocidade da correia em movimento. Todo o processo, desde a captura da imagem pela câmera até a identificação de uma falha pelo sistema, levou entre 70 e 90 milissegundos. Para colocar essa velocidade em perspectiva, se a correia estiver se movendo a uma velocidade industrial típica, o sistema identifica um problema antes que a seção danificada tenha se movido mais do que alguns centímetros, dando à usina tempo suficiente para reagir antes que o dano se espalhe.
O sistema provou ser notavelmente confiável sob condições difíceis. Durante longos períodos de teste, o pequeno computador e o chip acelerador permaneceram frios o suficiente para operar com segurança sem a necessidade de ventiladores ou ar condicionado, mantendo temperaturas constantes mesmo no ambiente quente e empoeirado. O sistema não perdeu nenhum quadro de vídeo nem travou, demonstrando que poderia rodar continuamente sem intervenção humana. Ele detectou com sucesso quatro tipos de danos: rasgos longos, pequenos furos, buracos e remendos irregulares. Foi ligeiramente menos eficaz ao detectar os furos mais minúsculos quando parcialmente escondidos pela poeira, mas apresentou alto desempenho na detecção de defeitos maiores e mais perigosos, que representam o maior risco para o maquinário.
Este trabalho demonstra que a inteligência artificial avançada não precisa ficar trancada em um centro de dados para ser útil. Ao otimizar o software para rodar em hardware pequeno e acessível, os pesquisadores mostraram que as fábricas podem monitorar seu próprio equipamento em tempo real, em qualquer lugar do mundo, sem depender de infraestrutura cara. O sistema atua como um olho incansável e vigilante que nunca se cansa, nunca perde um turno e consegue detectar os sinais precoces de falha antes que se tornem desastres. Esta abordagem oferece um caminho prático para operações industriais mais seguras e eficientes, provando que o futuro da manutenção preditiva pode ser pequeno, rápido e construído diretamente no chão de fábrica.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.