Automatic Defect Detection and Intelligent Grading System for University Ceramics Integrating Computer Vision

No mundo da cerâmica, a jornada do barro bruto até um prato ou azulejo acabado e reluzente é uma dança delicada de calor e química. A etapa final, a queima, transforma o material, mas também introduz um inimigo persistente: falhas superficiais. Pequenas rachaduras, bolhas de ar presas ou mudanças sutis na cor podem arruinar uma peça, transformando um potencial mestre em sucata. Durante séculos, a única maneira de detectar esses defeitos foi o olho humano. Um inspetor habilidoso varre a superfície, procurando por imperfeições que podem ser tão finas quanto um fio de cabelo ou tão pequenas quanto a ponta de uma agulha. No entanto, este método é lento, cansativo e propenso a erros. A fadiga se instala, os olhos perdem os detalhes mais ínfimos e o julgamento sobre o que constitui um "defeito" pode variar de pessoa para pessoa. Em laboratórios universitários, onde estudantes e pesquisadores criam pequenos lotes de cerâmicas únicas, artísticas ou experimentais, esses desafios são amplificados. As peças são frequentemente únicas, as tiragens de produção são minúsculas e a necessidade de dados precisos e repetíveis para orientar o ensino e a pesquisa é alta.

É aqui que a interseção entre o artesanato antigo e a tecnologia moderna oferece um novo caminho. Pesquisadores da Universidade de Cerâmica de Jingdezhen desenvolveram um sistema que atua como um observador incansável e hiperatento para essas peças de cerâmica. Ao combinar câmeras especializadas com inteligência artificial avançada, eles criaram uma forma de ver o que o olho humano frequentemente perde e de classificar a qualidade de cada peça com consistência matemática. O objetivo não era substituir o artista, mas fornecer uma ferramenta confiável que pudra lidar com a tarefa repetitiva e de alto risco da inspeção, liberando os especialistas humanos para se concentrarem nos aspectos criativos e educacionais de seu trabalho. O resultado é um sistema que vê o invisível, conta o incontável e toma decisões com uma velocidade e precisão que transformam a forma como o controle de qualidade é feito em um ambiente acadêmico de pequenos lotes.

A jornada começa com a própria câmera, que enfrenta um desafio único: a própria coisa que torna a cerâmica bela — o seu esmalte brilhante e vítreo — é a mesma coisa que torna a inspeção difícil. Quando a luz atinge uma superfície brilhante, ela rebate em um clarão ofuscante, muitas vezes escondendo as próprias rachaduras e bolhas que o sistema está tentando encontrar. Para resolver isso, os pesquisadores projetaram uma configuração de iluminação especial. Eles usaram um anel de luzes que emite luz polarizada, um tipo específico de onda de luz que vibra em uma única direção. Quando essa luz atinge o esmalte liso e brilhante, ela rebate sem alterar sua direção. No entanto, quando atinge um defeito, como uma rachadura ou bolha, a luz se dispersa e perde sua direção. Ao colocar um filtro à frente da câmera que bloqueia o clarão ofuscante e inalterado, mas permite que a luz dispersa dos defeitos passe, o sistema cria uma imagem clara e de alto contraste, onde as falhas se destacam nitidamente contra o fundo. É como usar óculos escuros que bloqueiam o brilho do sol, mas permitem que você veja os detalhes da paisagem abaixo.

Assim que a câmera captura essa imagem clara, o computador deve limpá-la. As imagens podem ser ligeiramente borradas ou distorcidas devido à vibração da correia transportadora ou ao movimento do ar na área do forno. O sistema utiliza um filtro digital sofisticado para suavizar o ruído aleatório sem borrar as bordas nítidas dos defeitos. Ele então analisa a imagem de uma forma que separa os padrões regulares e repetitivos da textura do esmalte dos padrões irregulares e caóticos de um defeito. Isso permite que o computador ignore o grão natural da cerâmica e foque inteiramente nas falhas. O resultado é uma imagem pura e aprimorada, pronta para a próxima etapa: a inteligência artificial.

O coração do sistema é um modelo de aprendizado profundo (deep learning), um tipo de programa de computador treinado para reconhecer padrões. Os pesquisadores escolheram uma arquitetura poderosa conhecida como YOLO, que significa "You Only Look Once" (Você Só Olha Uma Vez), porque ela pode detectar objetos em uma imagem quase instantaneamente. No entanto, as versões padrão deste modelo tinham dificuldades com os desafios específicos das cerâmicas, como o tamanho minúsculo de algumas bolhas ou as formas complexas de rachaduras. Para corrigir isso, a equipe adicionou um mecanismo de atenção especial que ajuda o computador a focar nas partes mais importantes da imagem, de forma muito semelhante a como um humano focaria seu olhar em um ponto específico. Eles também otimizaram a maneira como o modelo observa a imagem em diferentes escalas, garantindo que possa detectar um pequeno buraquinho com a mesma facilidade que uma rachadura longa e irregular.

Um obstáculo significativo no treinamento de tal sistema é a falta de dados. Em um laboratório universitário, eles podem produzir apenas algumas dezenas de peças por vez, e os defeitos são raros. Isso significa que existem pouquíssimos exemplos de rachaduras ou bolhas para o computador aprender. Para superar isso, os pesquisadores utilizaram uma ferramenta de inteligência artificial generativa para criar milhares de imagens sintéticas realistas de defeitos. Estas não são desenhos aleatórios; são simulações de alta fidelidade de rachaduras e bolhas que parecem e se comportam como as reais, preenchendo as lacunas nos dados de treinamento. Isso permitiu que o sistema aprendesse com uma vasta biblioteca de exemplos, mesmo que o laboratório físico produzisse apenas um pequeno número de peças defeituosas reais.

Uma vez que o sistema identifica um defeito, ele deve decidir o quão sério ele é. É aqui que entra o conceito de "classificação". Em vez de apenas dizer "defeito encontrado", o sistema calcula uma pontuação de severidade baseada no tamanho, forma e localização da falha. Uma rachadura longa e fina é tratada de forma diferente de uma bolha pequena e redonda. O sistema utiliza um limiar dinâmico, o que significa que ele ajusta seus padrões com base no lote específico de cerâmicas que está sendo inspecionado. Se as matérias-primas mudarem ou as condições de queima sofrerem um leve desvio, o sistema recalibra sua definição do que é aceitável, garantindo que a classificação permaneça justa e consistente, independentemente de mudanças externas. Esta abordagem dinâmica provou ser muito mais precisa do que o uso de uma regra fixa e imutável, que frequentemente leva a erros quando as condições variam.

Todo o processo acontece em uma fração de segundo. O sistema foi testado em uma correia transportadora que se movia a um ritmo de cerca de 30 peças por minuto, uma velocidade que é gerenciável para um laboratório universitário, mas que seria impossível para um inspetor humano manter com alta precisão durante um turno longo. Os pesquisadores testaram o sistema em 360 peças diferentes, incluindo azulejos planos, louças e até trabalhos artísticos de baixo-relevo com padrões elevados. Os resultados foram impressionantes. O sistema detectou defeitos com uma precisão de quase 90 por cento, superando de longe o desempenho dos inspetores humanos, que perdiam cerca de 12 por cento das falhas visíveis. O sistema automatizado reduziu a taxa de detecção perdida para pouco menos de 3 por cento. Além disso, ele conseguiu classificar o tipo de defeito e atribuir uma nota com mais de 91 por cento de precisão, igualando-se ao consenso de três especialistas humanos independentes.

O sistema também provou seu valor no mundo real do laboratório. Ele foi integrado a um fluxo de trabalho onde não apenas inspecionava as peças, mas também enviava os dados para um computador central. Esses dados foram usados para gerar relatórios mostrando exatamente onde os defeitos ocorriam e com que frequência. Ao analisar esses dados, os pesquisadores foram capazes de identificar um padrão oculto: a velocidade com que o forno aquece estava diretamente ligada ao número de bolhas aparecendo no produto final. Esse insight permitiu que eles ajustassem o processo de queima, reduzindo o número de bolhas em quase um terço nos lotes subsequentes. Este ciclo fechado de inspeção e melhoria de processo é o verdadeiro poder do sistema; ele não apenas encontra as peças ruins, ele ajuda a evitar que sejam fabricadas.

Existem, é claro, limites para o que este sistema de visão 2D pode fazer. Quando a peça de cerâmica possui uma forma tridimensional complexa, com sulcos profundos ou relevos elevados, o sistema às vezes apresenta dificuldades. Sombras projetadas pelas partes elevadas podem parecer rachaduras para a câmera, levando a uma precisidade ligeiramente menor para essas peças artísticas. Os pesquisadores reconhecem isso e sugerem que versões futuras possam utilizar tecnologia de escaneamento 3D para ver ao redor dos cantos e dentro das sombras, preenchendo a lacuna para as formas mais complexas. Por enquanto, porém, o sistema representa um grande avanço para a cerâmica universitária. Ele oferece uma maneira de lidar com os lotes pequenos, diversos e de alta qualidade típicos da produção acadêmica e artística, com um nível de precisão e velocidade que era anteriormente inalcançável.

No fim, este trabalho é sobre mais do que apenas capturar rachaduras. É sobre preservar a integridade do artesanato enquanto se abraçam as ferramentas do futuro. Ao automatizar a tarefa tediosa e propensa a erros da inspeção, o sistema permite que os especialistas humanos no laboratório universitário se concentrem no que fazem melhor: ensinar, criar e expandir os limites do que é possível com argila e fogo. A tecnologia não substitui o artista; ela o apoia, garantindo que o produto final seja tão perfeito quanto a visão que o criou. O sistema permanece como um testemunho do poder de combinar óptica especializada, inteligência artificial avançada e uma compreensão profunda do material para resolver um problema que assombra os oleiros há séculos.