Manufatura discreta / Eletroeletrônicos · Japão · 2022–2023
Inspeção visual com IA: 100% de detecção de defeitos em terminais prensados
A Hitachi combinou processamento na borda da rede (em inglês, edge computing) e visão computacional na nuvem para automatizar uma inspeção que antes era manual, demorada e sujeita a erro humano.
Empresa: Hitachi — Omika Works
Desafio: Qualidade
Estágio: Piloto
Contexto
A Omika Works produz painéis de controle. A planta tinha como objetivo elevar produtividade e se tornar referência em eficiência energética e baixa emissão de CO₂.
O problema prioritário
Inspeção manual de terminais prensados era lenta, difícil de padronizar e sujeita a erro humano. Criar modelos específicos por cliente tornava qualquer escala inviável.
Objetivo do projeto
Automatizar a inspeção visual com uma solução que operadores do chão de fábrica conseguissem usar sem dependência permanente de cientistas de dados.
Passo a passo da jornada
- Reaproveitar ativo existente — Já existia o computador industrial de borda CE50-10 capaz de rodar IA no edge.
- Escolher uma plataforma de IA acessível — Visual Inspection AI do Google Cloud, dentro do programa Lumada Alliance.
- Desenhar arquitetura híbrida — Edge e cloud conectados por VPN: imagens sobem para treinar; inferência roda perto da linha.
- Coletar dataset mínimo — 500–600 imagens, com cerca de 100 amostras de verificação.
- Treinar em ~1 dia — Modelo criado em aproximadamente um dia, fora o tempo de coleta.
- PoC com salvaguarda humana — Inspeção manual posterior mantida como rede de segurança durante a validação.
Dados necessários
- 500–600 imagens de terminais prensados
- ~100 amostras para verificação
- Casos propositalmente difíceis para testar robustez
Ferramentas e arquitetura
Google Cloud Visual Inspection AI
Cosmetic Inspection (defeitos superficiais)
Assembly Inspection (montagem correta)
Hitachi CE50-10 (edge)
VPN edge ↔ cloud
Barreiras enfrentadas
- Latência precisava cair para ~2 segundos para caber no takt time
- Integração com o sistema legado de processamento de fios
- Equilíbrio entre falsos positivos e falsos negativos
Aprendizados-chave
- Modelo entra em um processo com redundância — nunca como decisor solitário.
- O sucesso do piloto não basta; a segunda batalha é integrar com o stack legado e o tempo de ciclo real.
- Dataset enxuto e bem curado bate dataset gigante e ruidoso.
Resultados
100%
de detecção de defeitos sem falsos negativos no PoC
~13%
de falsos positivos (com casos difíceis incluídos de propósito)
~1 dia
para criar o modelo (excluindo coleta de imagens)