⚡ engenharia elétrica

Classification of Welds Using Neural Networks trained on Syntetic Data

Este artigo propõe uma rede neural baseada em U-net treinada com dados de soldagem sintéticos gerados via um processo de Ornstein–Uhlenbeck e parâmetros da ISO 5817 para classificar eficazmente regiões de solda e imperfeições, demonstrando que tais modelos podem generalizar-se com sucesso para cenários de inspeção do mundo real sem a necessidade de rotulagem de verdade fundamental trabalhosa.

Autores originais: Jonas Carlsson, Gustav Hultgren, Thomas Stenberg, Zuheir Barsoum, Joakim Jaldén

Publicado 2026-10-15

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Jonas Carlsson, Gustav Hultgren, Thomas Stenberg, Zuheir Barsoum, Joakim Jaldén

Artigo original sob licença CC BY 4.0 (https://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

Sempre que uma estrutura metálica é construída para resistir ao empuxo e tração implacáveis do vento, das ondas ou do tráfego, as juntas que a mantêm unida são os pontos fracos mais críticos. Essas juntas, conhecidas como soldas, são onde duas peças de metal são fundidas, mas o processo raramente é perfeito. Pequenas variações na forma da solda — o quão arredondada é a borda, o quão íngreme é a inclinação ou se há pequenos declives no metal — podem concentrar tensão e, eventualmente, levar a rachaduras. Por décadas, engenheiros confiaram em inspetores humanos para examinar essas soldas, muitas vezes usando réguas e calibradores simples para medi-las. Embora este método funcione, é lento, propenso ao erro humano e carece da precisão necessária para detectar as falhas menores e mais perigosas. À medida que as indústrias exigem estruturas mais fortes, leves e seguras, a necessidade de uma forma mais rápida e precisa de inspecionar essas conexões tornou-se urgente.

A solução reside nos testes visuais digitais, uma abordagem moderna que utiliza lasers para escanear soldas e criar mapas tridimensionais detalhados de suas superfícies. Em vez de um olho humano adivinhar onde uma medição deve ser feita, um computador pode ver toda a forma de uma só vez. No entanto, essa inundação de dados traz um novo problema: ensinar um computador a entender o que ele está olhando. Um inspetor humano consegue facilmente distinguir o metal de base liso, o cordão elevado da solda e a zona de transição onde eles se encontram. Um computador, vendo apenas uma nuvem de pontos, não consegue fazer essa distinção sem ser ensinado. É aqui que entra a inteligência artificial, especificamente um tipo de programa de computador chamado rede neural. Essas redes são excelentes em reconhecer padrões em imagens, mas geralmente exigem milhares de exemplos para aprender, cada um cuidadosamente rotulado por um especialista humano. Para soldas, encontrar exemplos suficientes do mundo real com rótulos perfeitos é difícil, caro e demorado.

Para resolver esse gargalo, uma equipe de pesquisadores do Instituto Real de Tecnologia da Suécia e uma empresa parceira desenvolveram um contorno inteligente. Em vez de esperar por milhares de soldas reais serem escaneadas e rotuladas, eles construíram uma fábrica virtual para criá-las. Eles escreveram um programa de computador que gera milhares de varreduras de solda sintéticas, completas com rótulos matematicamente precisos. Neste mundo digital, os pesquisadores podiam controlar cada variável, desde o tamanho da solda até a quantidade de ruído na medição, garantindo que o computador soubesse exatamente o que cada parte da imagem representava. Eles então usaram essas imagens sintéticas para treinar uma rede neural, ensinando-a a identificar o metal de base, o cordão de solda e as zonas de transição. A questão central não era se o computador conseguiria aprender com essas imagens falsas, mas se ele poderia então aplicar esse conhecimento a soldas reais e imperfeitas encontradas no mundo real.

Os pesquisadores treinaram seu sistema em um conjunto de dados de mil varreduras sintéticas, representando tanto juntas de topo retas quanto juntas de canto de filete. Para tornar os dados de treinamento realistas, eles não apenas desenharam linhas perfeitas; eles introduziram variações naturais. Eles simularam a maneira como uma solda real poderia oscilar levemente ao longo de seu comprimento ou como um scanner a laser poderia introduzir pequenos erros de medição. Eles usaram um processo matemático para garantir que as mudanças na forma da solda de um ponto para o próximo parecessem orgânicas, tal como a mão de um soldador real poderia derivar levemente sobre uma longa costura. Uma vez treinada a rede, a equipe testou o sistema em varreduras de soldas reais produzidas por dois scanners laser diferentes. Os resultados foram promissores. O computador, tendo nunca visto uma solda real durante o treinamento, identificou com sucesso as diferentes regiões das soldas nas novas varreduras. Ele conseguiu distinguir o cordão elevado do metal de base plano e localizar as zonas de transição com um alto grau de precisão.

O estudo sugere que esta abordagem é um caminho viável para automatizar a inspeção de soldas. Ao usar dados sintéticos, os pesquisadores contornaram a tarefa laboriosa de rotular manualmente milhares de varreduras reais, o que frequentemente exige julgamento especializado e pode introduzir subjetividade. A rede aprendeu as regras geométricas subjacentes do que uma solda parece, em vez de apenas memorizar imagens específicas. Embora o sistema tenha performado ligeiramente melhor em varreduras de menor resolução que correspondiam aos seus dados de treinamento, ele ainda demonstrou uma forte capacidade de generalização para varreduras de maior resolução de objetos do mundo real. Os pesquisadores observam que os dados sintéticos são uma aproximação e que fatores do mundo real, como ferrugem, respingos ou iluminação incomum, não foram incluídos no treinamento. No entanto, o fato de a rede ainda conseguir encontrar as regiões da solda em varreduras complexas do mundo real indica que ela aprendeu as formas essenciais, em vez de apenas os detalhes artificiais da simulação.

Este trabalho não pretende afirmar que resolveu todos os problemas da inspeção de soldas, nem sugere que os dados sintéticos sejam um substituto perfeito para todos os testes do mundo real. Em vez disso, oferece uma ferramenta poderosa para impulsionar o desenvolvimento de sistemas automatizados. A capacidade de gerar rapidamente grandes conjuntos de dados perfeitamente rotulados significa que os engenheiros agora podem treinar modelos sofisticados de visão computacional muito mais rápido do que antes. Esses modelos podem servir como o primeiro passo em um fluxo de trabalho automatizado, delimitando a área de interesse para que outros algoritmos possam medir dimensões específicas com maior precisão e repetibilidade. Ao remover o elemento humano da identificação inicial da solda, o processo torna-se mais consistente, reduzindo a variabilidade que há muito tempo assombra as medições manuais. O estudo conclui que, embora a lacuna entre os dados sintéticos e reais permaneça, a ponte construída por essas redes neurais é forte o suficiente para carregar o peso dos futuros avanços na segurança estrutural.

Resumo Técnico: Classificação de Soldas Usando Redes Neurais Treinadas em Dados Sintéticos

Definição do Problema
O ensaio visual digital (D-VT) de soldas oferece o potencial para uma avaliação sistemática, repetível e quantitativa da qualidade da solda, o que é crítico para a previsão da vida em fadiga de estruturas sujeitas a carregamento cíclico. Embora scanners de linha de laser (LLS) de alta resolução possam capturar geometrias 3D detalhadas da solda, a análise numérica subsequente enfrenta um gargalo significativo: a identificação e segmentação confiáveis das regiões da solda (material de base não soldado, cordão de solda e zonas de transição). Diferente de inspetores humanos, algoritmos numéricos têm dificuldade em definir a junta de solda sem ambiguidade, uma tarefa complicada pela subjetividade inerente à medição manual e pela falta de conjuntos de dados anotados padronizados. Além disso, a aquisição de rótulos de verdade fundamental (ground truth) para varreduras de soldas reais é trabalhosa e propensa ao erro humano. O desafio central abordado por este trabalho é se uma rede neural treinada exclusivamente em dados sintéticos, que possuem uma verdade fundamental determinística, pode generalizar-se de forma eficaz para dados de soldas reais escaneados a laser.

Metodologia
A pesquisa propõe uma abordagem de duas frentes envolvendo a geração de um conjunto de dados de treinamento sintético e a adaptação de uma rede neural convolucional (CNN) para segmentação semântica.

Geração de Dados Sintéticos:
- Modelagem Geométrica: Os autores geraram perfis de solda 2D que mimetizam dados de scanners a laser Micro-Epsilon LLT30x0-50. Os perfis são construídos com base na Diretriz de Boas Práticas da IIW para D-VT, utilizando sete variáveis geométricas: raio do pé da solda, ângulo do flanco, largura do cordão de solda, ângulo da chapa, profundidade do chanfro (undercut), ângulo de abertura do chanfro e desalinhamento da chapa.
- Variabilidade Estocástica: Para emular a variabilidade natural, foi empregado um framework de geração de dados estocásticos. Os parâmetros geométricos foram amostrados uniformemente de distribuições alinhadas com os níveis de qualidade ISO 5817 e padrões da indústria (ex: VOLVO STD 181-0,004).
- Variação Longitudinal: Para simular a variação de parâmetros ao longo do comprimento de uma solda, um processo de reversão à média de Ornstein–Uhlenbeck (OU) foi aplicado aos parâmetros geométricos. Isso garantiu que as varreduras sintéticas exibissem flutuações realistas em características como raio do pé e largura do cordão, em vez de permanecerem estáticas.
- Modelagem de Ruído: A incerteza de medição foi simulada adicionando ruído ao longo da direção do feixe laser, projetado no sistema de coordenadas cartesianas, em vez de aplicar o ruído diretamente às coordenadas.
- Transformação de Coordenadas: Para garantir a invariância rotacional e reduzir a sensibilidade à inclinação do scanner, as coordenadas cartesianas brutas foram transformadas em coordenadas polares ( $r, \theta$ ), onde a coordenada angular foi substituída pelo índice do pixel.
Arquitetura da Rede Neural:
- Uma arquitetura U-net 2D modificada foi utilizada para segmentação semântica. A rede foi adaptada para lidar com as dimensões espaciais assimétricas dos dados de varredura da solda (onde a direção do perfil é a altura e a progressão da varredura é a largura).
- As principais modificações arquiteturais incluíram a manutenção de uma largura espacial constante enquanto realizava o downsampling apenas na dimensão da altura, além de aumentar a taxa de downsampling para 4 (comparado ao padrão de 2) para expandir o campo receptivo e reduzir a intensidade de memória.
- O modelo foi treinado usando uma combinação de perda de entropia cruzada (cross-entropy loss) e perda de Dice, otimizado com um otimizador AdamW e um agendador de taxa de aprendizado de recozimento de cosseno (Cosine annealing).

Principais Contribuições

Framework de Dados Sintéticos: O desenvolvimento de um framework controlável e escalável para gerar varreduras de solda sintéticas com rótulos de verdade fundamental matematicamente definidos, eliminando a necessidade de anotação manual trabalhosa de dados reais.
Modelagem Estocástica: A integração do processo de Ornstein–Uhlenbeck para gerar variações longitudinais realistas na geometria da solda, aproximando o modelo de lacuna entre modelos geométricos idealizados e a natureza estocástica das soldas reais.
Estratégia de Adaptação de Domínio: A demonstração de que uma CNN baseada em U-net, treinada apenas com dados sintéticos derivados de padrões ISO e medições estatísticas, pode segmentar com sucesso soldas reais escaneadas a laser.
Transformação de Coordenadas: A aplicação de transformação de coordenadas polares aos dados de entrada para alcançar invariância rotacional, um passo crítico para lidar com variações de orientação do scanner.

Resultados
O modelo treinado foi avaliado qualitativamente em varreduras reais de uma solda de topo e duas soldas de ângulo, capturadas usando dois scanners a laser diferentes com resoluções variadas (1280 e 2048 pontos).

Desempenho: A rede identificou e classificou com sucesso as três regiões alvo (material de base, cordão de solda e zona de transição) em todos os espécimes reais testados.
Sensibilidade à Resolução: O modelo apresentou bom desempenho em varreduras com resolução de 1280 pontos (correspondendo à escala geral dos dados de treinamento), mas mostrou desempenho ligeiramente reduzido em varreduras de resolução de 2048 pontos. Os autores atribuem isso ao fato de a maior resolução capturar detalhes superficiais mais finos (ex: linhas de rugosidade/ondulações) não presentes nos dados de treinamento sintéticos, sugerindo uma dependência das características específicas do sistema de varredura.
Generalização: Apesar da "lacuna de realidade" (ex: ausência de respingos de solda, oxidação ou artefatos de início-parada nos dados sintéticos), o modelo demonstrou capacidade de aprender as características geométricas subjacentes das estruturas de solda, em vez de meramente memorizar artefatos sintéticos.

Significância e Alegações
O artigo postula que sua principal significância reside em permitir a automação da primeira etapa de um fluxo de trabalho de D-VT: a segmentação da região da solda. Ao fornecer uma representação estruturada da solda, a rede neural reduz o espaço de busca para algoritmos subsequentes encarregados de derivar parâmetros geométricos específicos (como raio do pé da solda e ângulo do flanco). Essa redução no espaço de busca é alegada para diminuir a subjetividade associada à definição de localizações do pé da solda, melhorando assim a repetibilidade das avaliações de qualidade automatizadas.

Os autores afirmam modestamente que, embora os dados sintéticos não possam replicar perfeitamente todos os fenômenos físicos de uma soldagem real (como respingos ou oxidação), eles capturam características geométricas e estatísticas suficientes para treinar modelos que se generalizam para medições reais. O trabalho sugere que os dados sintéticos podem servir como uma alternativa viável à anotação manual, potencialmente acelerando o desenvolvimento de modelos de segmentação para inspeção industrial, embora uma comparação quantitativa entre abordagens de treinamento apenas sintéticas, apenas reais e híbridas seja identificada como um passo futuro necessário para determinar a extensão dessa generalização.

Mais como este