Some content of this application is unavailable at the moment.
If this situation persist, please contact us atFeedback&Contact
1. (WO2018098551) METHOD AND SYSTEM FOR THE AUTOMATIC INSPECTION OF MATERIAL QUALITY
Note: Text based on automatic Optical Character Recognition processes. Please use the PDF version for legal matters

Relatório descritivo da patente de invenção para "MÉTODOS E SISTEMAS PARA A INSPEÇÃO DE QUALIDADE DE MATERIAIS".

Campo técnico

[001] O presente pedido de patente relaciona-se a um método e sistema para a inspeção automática de qualidade de materiais, mais especificamente através das etapas de: (i) captação de imagens de um padrão de luzes refletido pela ou ou distorcida através do material inspecionado ; (ii) processamento das imagens captadas; e (iii) identificação de defeitos do material.

Fundamentos técnicos

[002] A qualidade externa de um produto como, por exemplo, um automóvel é a primeira impressão que pode motivar um cliente a adquiri-lo, ou não. Desta forma, uma superfície de carroceria, por exemplo, com alta qualidade é uma vantagem competitiva na indústria automotiva. Da mesma forma, a qualidade de superfície de um vidro é fundamental na avaliação do seu valor de mercado.

[003] A fabricação da carroceria de um automóvel apresenta diversas etapas, tais como: estampagem, hemming, soldagem, pintura e montagem final. No processo de estampagem, as chapas de aço planas com pouco menos de 1 mm de espessura são conformadas em uma prensa, entre um molde inferior (matriz) e um superior (punção) , quando esta última desce sobre a chapa e exerce a força de diversas toneladas.

No processo de estampagem de uma porta ou para-lama, por exemplo, enfileiram-se prensas, cada uma executando uma função de repuxo, corte e dobra, de forma que ao fim da sequência de operações, uma nova peça da carroceria é produzida. Hemming é o processo de flexão e dobra das abas de um painel exterior sobre interior para o fechamento de capôs, portas ou tampas traseiras. A união das peças estampadas é geralmente feita por solda ponto, formando a carroceria, que passa por algumas camadas de pintura e por fornos para a secagem.

[004] A produção das peças passa por um rigoroso controle de qualidade, de forma a garantir a uniformidade na fabricação e a fidelidade com o modelo projetado. Este controle de qualidade tem por objetivo garantir não apenas o acoplamento perfeito entre as peças para montar o produto em cada uma das etapas seguintes, como também um acabamento de alta qualidade da carroceria que satisfaça as expectativas dos clientes.

[005] Nos métodos e sistemas aqui descritos, o foco de avaliação não está nos erros de geometria da peça, mas sim na qualidade da sua superfície, que não deve apresentar ondulações ou marcas indesejadas.

[006] Atualmente, o método de inspeção de qualidade de superfícies é feito de forma visual, por um inspetor treinado para identificar e classificar os defeitos. Os defeitos são melhor observados se a peça refletir a luz de forma especular, ou seja, como um espelho. Para apresentar uma reflexão similar a de um espelho, a superfície metálica precisa estar recoberta por uma fina camada de óleo reflexivo, no caso da inspeção de peças logo após a estampagem, ou estar pintada, no caso da inspeção da carroceria do veículo ao final da linha de montagem. A fonte de luz tem um padrão geométrico conhecido, por exemplo, linhas paralelas compostas por lâmpadas tubulares igualmente espaçadas. Caso a superfície apresente uma ondulação não desejada, o padrão de linhas luminosas refletidas na peça é distorcido. Define-se como defletometria o conjunto de procedimentos utilizados para a aquisição de informações topográficas em superfícies especulares, através da análise das reflexões de um padrão de luz conhecido.

[007] Os defeitos são classificados conforme o seu nível de severidade e a fonte do erro, por exemplo, marca de ferramenta, raio corrido, afundamento de canto ou ondulações locais. Além de ser um trabalho intenso e repetitivo, este método está sujeito à subj etividade da avaliação do inspetor.

[008] Um sistema comum na análise geométrica é o scanner tridimensional ou 3D, como o apresentado na patente US6738507B2, que utiliza um conjunto de lasers ou luzes monocromáticas para reconstruir em computador a topologia da peça medida. Esta medida tem uma malha de pontos separados por aproximadamente 60 micrometros e pode ser comparada com as dimensões do desenho CAD (desenho assistido por computador) do projeto da peça. Nesta técnica de reconstrução 3D, a peça é frequentemente pintada com um pó fosco branco, de modo que o laser do equipamento seja refletido de forma difusa na peça, ao contrário dos métodos e sistemas descritos neste documento, onde a luz é refletida pela ou distorcida pela superfície inspecionada . O controle dimensional das peças através do scanner 3D tem foco na variação entre a altura medida na peça e a projetada. Além de ser um processo que demanda alto poder computacional e, consequentemente, tempo, a variação de altura não é a unidade mais sensível aos defeitos de superfície de ondulação, mas sim a variação de curvatura da peça (que é a sua segunda derivada) . Mesmo ondulações com pequenas variações de altura de 30 micrometros conseguem ser observadas visualmente por um inspetor quando ele reflete franjas de luz sobre uma peça.

[009] Outro sistema de análise geométrica é o scanner do perfil da peça, linha a linha, como o apresentado na patente US7962303B2. Este perfilômetro mede o perfil

(ondulação) da peça ao longo de uma linha de cada vez. Da mesma forma que a técnica anterior, este processo demanda alto poder computacional na construção do perfil tridimensional. Problema similar apresenta o perfilômetro apresentado na patente US5844801A, que tem uma cabeça óptica móvel para scannear a peça linha a linha, apresentando, adicionalmente, uma limitação de velocidade devido ao movimento mecânico deste sensor.

[010] A divulgação apresentada na patente US6639685B1 incide listras claras e escuras sobre uma peça inspecionada com o objetivo de reconstrução da superfície tridimensional da peça através da deformação destas listras pela diferença de altura ao longo da peça. A reflexão das listras sobre a peça é feita de forma difusa. O objeto divulgado na publicação de pedido de patente US20150130927A1 também apresenta uma inspeção de superfície onde são projetadas listras sobre a peça, que são refletidas de forma difusa. Como mencionado anteriormente, a variação da altura percebida pela reflexão difusa de listras sobre a peça não é a unidade mais sensível aos defeitos de ondulação de superfície, mas sim a variação de curvatura da peça, o que limita a precisão das técnicas que utilizam reflexão difusa.

[011] Outra divulgação da patente US4920385A se refere a um conjunto óptico mais complexo, com espelhos móveis que incidem um feixe de laser, que é refletido de forma especular sobre a peça inspecionada, refletido uma segunda vez em uma parede retroreflexiva (que reflete a luz na mesma direção do raio incidente como, por exemplo, o material Scotchlight da empresa 3M) , refletido uma terceira vez sobre a mesma peça inspecionada e retornando para uma câmera posicionada próxima à fonte de iluminação. Além do dispositivo óptico um pouco mais complexo, a patente mencionada apresenta ainda a necessidade de filtros polarizadores para a melhora da relação entre sinal e ruído adquiridos pela câmera.

[012] Dado que um defeito local apresenta pequenas variações de altura, mas súbitas de curvatura da superfície em uma pequena área, a defletometria mostra-se a técnica mais precisa para este tipo de inspeção. O uso de uma fonte de luz com lâmpadas igualmente espaçadas para gerar um conjunto de franjas brancas refletidas sobre a peça já é largamente utilizada para auxiliar a identificação visual de defeitos de superfície realizada pelos inspetores . Entretanto, nenhum dos documentos acima incorporados aqui como referência se referem à automação dos processos de: captação de imagens de um padrão de luzes refletidas sobre, refratadas pela ou que atravessam a superfície inspecionada; leitura; identificação e classificação de defeitos de superfície tal como proposto pelo presente pedido de patente.

Objetivos

[013] O presente pedido de patente tem como um de seus objetivos propor uma solução automática de inspeção de produtos, partes de produtos ou embalagens, que melhora a obj etividade, reprodutibilidade, repetitividade e celeridade dos atuais processos de inspeção de qualidade de materiais. Em um aspecto os métodos e sistemas ora divulgados podem ser aplicados na inspeção de qualquer material, reflexivo (isto é, que reflite luzes) ou translúcido (que é permeável, porém distorce luzes) , como superfícies metálicas, poliméricas, compósitas, vidros, polímeros, acrílicos, cristais, entre outras .

[014] Numa possível concretização do presente pedido de patente, no contexto da indústria automotiva, por exemplo, os métodos e sistemas reivindicados apresentam uma solução para a automação da inspeção de qualidade de peças, como superfícies da carroceria, vidros e partes internas de automóveis após as diversas etapas do processo produtivo, tais como estampagem, hemming, soldagem, pintura ou montagem final .

[015] Além de avaliar distorções no material, os métodos e sistemas aqui reivindicados podem avaliar, por exemplo, irregularidades no molde que a estampou em uma prensa, para que este molde (ferramenta) possa ser corrigido. Uma medição objetiva da severidade dos defeitos de superfície apresenta uma importante ferramenta para a padronização dos processos de inspeção, geração de relatórios e rastreamento de defeitos. Ainda, a integração dos relatórios de inspeção ao processo produtivo da fábrica propicia a rápida tomada de decisão sobre correções necessárias no processo.

Breve descrição das possíveis concretizações

[016] A fim de atingir os objetivos propostos acima, foram desenvolvidos métodos e sistemas para a inspeção automática de qualidade de materiais.

[017] Materiais apropriados para a aplicação dos métodos e sistemas do presente pedido de patente podem ser reflexivos ou translúcidos, por exemplo, superfícies metálicas, poliméricas, compósitas, vidros, polímeros, acrílicos, cristais, entre outras, basicamente através das etapas de: captação de imagens refletidas pelo ou distorcidas através do material inspecionado ; processamento das imagens captadas; e identificação de defeitos do material utilizando técnicas de inteligência artificial.

[018] De acordo com uma possível concretização, um conjunto de luzes com um padrão geométrico definido incide sobre um material que se quer inspecionar. O material a ser inspecionado pode ser reflexivo, isto é reflete a luz incidida, ou traslúcido, ou transparente, e refratar ou distorcer a luz incidida. Em ambos os casos, a luz refletida pela ou distorcida através do material pode ser capturada por um aparelho captador de imagem, por exemplo, mas não limitado a uma câmera.

[019] De acordo com uma possível concretização preferencial, um defeito em um material pode, então, ser percebido por distorções que ele provoca no padrão da imagem que será capturada pelo aparelho captador.

[020] A fim de avaliar automaticamente tais distorções, um software pode identificar e localizar as mesmas, classificando os defeitos do material de forma totalmente autónoma, através de uma processo de inteligência artificial .

[021] Os métodos e o sistemas ora descritos podem ser aplicados na inspeção de materiais total ou parcialmente reflexivos, transparentes ou translúcidos.

[022] Em outras palavras, tais métodos e sistemas são úteis para a inspeção de quaisquer materiais que reflitam, refratem ou dirtoçam luzes, como, por exemplo, superfícies metálicas, poliméricas, compósitas, vidros, polímeros, acrílicos, cristais, entre outras, incluindo recipientes ou embalagens contendo líquidos, géis e outros .

Descrição das figuras

[023] Os métodos e sistemas do pedido de patente serão melhor compreendidos com base na descrição a seguir, tomada em conjunto com as figuras anexas, nas quais:

[024] A FIGURA 1 apresenta o sistema para a inspeção automática de qualidade materiais reflexivos.

[025] A FIGURA 2 apresenta a sequência de processamento em uma aparelho para processar a imagem captada, identificar e classificar os defeitos do material inspecionado .

[026] A FIGURA 3 apresenta o fluxo completo do método de inspeção de qualidade de materiais.

[027] A FIGURA 4 apresenta uma possível concretização que consiste em um sistema para a inspeção automática de qualidade de distorção óptica em materiais translúcidos, transparentes, semitransparentes , ou qualquer material que distorça a luz sobre ele incidida.

[028] A FIGURA 5 ilustra uma possível implementação da rede neural artificial artificial através de perceptrons em camada única.

[029] A FIGURA 6 ilustra uma possível implementação da rede neural artificial através de perceptrons em camadas múltiplas .

[030] A FIGURA 7A e a FIGURA 7B ilustram uma possível concretização em que a peça inspecionada 110 é uma carroceria automotiva 720, a fonte de iluminação 100 tem o formato de um portal curvo com iluminação na sua parte interna, o aparelho captador 120 é constituído de pelo menos uma câmera 730 e o aparelho para processamento de software 200 é constituído de um computador 750.

Descrição detalhada

[031] O presente pedido de patente se refere, em uma primeira possível concretização, a um método para a inspeção automática da qualidade de materiais compreendendo as etapas de captação de imagens refletidas pelo ou distorcidas através de um material inspecionado ; processamento das imagens captadas; e identificação de defeitos do material utilizando técnicas de inteligência artificial.

[032] Por exemplo o método ora descrito pode envolver as etapas de:

- projeção de um padrão de luz sobre o material a ser inspecionado 301;

- captação ou captura da imagem refletida pela ou distorcida através do referido material 302;

- processamento da imagem 303;

- extração das características 309; e

- classificação dos defeitos encontrados 304.

[033] Em uma outra possível concretização, o presente pedido de patente se refere a um método para a inspeção automática da superfífie de automóveis, como de carrocerias, chassis, vidros, retrovisores, parachoques, lâmpadas e outras peças de automóveis. Por exemplo tal método pode envolver as etapas de:

- projeção de um padrão de luz sobre o material a ser inspecionado;

- captação ou captura da imagem refletida pela ou distorcida através do referido material;

- processamento da imagem;

- extração das características; e

- classificação dos defeitos encontrados.

[034] Em qualquer um dos métodos acima descritos, preferencialmente, a luz projetada é emitida por uma fonte luminosa selecionada do grupo compreendendo, porém não limitado a um conjunto de lâmpadas fluorescentes tubulares; ou lâmpadas LED tubulares; ou uma tela iluminada por um projetor ou laser; ou uma tela LCD, plasma, OLED ou LED; ou um conjunto de lâmpadas que têm à sua frente uma lâmina de material que alterna regiões translúcidas e regiões foscas negras; ou qualquer dispositivo capaz de criar um padrão de luz e sombra.

[035] Em uma concretização preferencial, a captação ou captura da imagem é feita por um aparelho captador de imagem, que pode ser, por exemplo, uma câmera de vídeo e/ou fotográfica, uma câmera infravermelha, ou câmera ultravioleta ou qualquer matriz de sensores eletromagnéticos capaz de captar uma imagem.

[036] Em uma concretização específica da presente inveção, o método para a inspeção automática de qualidade de materiais adequado para materiais reflexivos compreende a captação ou captura da imagem refletida pelo material. Nessa concretização específica, porém não limitativa, a imagem captada é o reflexo especular do material inspecionado .

[037] Em outra concretização específica, o método para a inspeção automática de qualidade de materiais é adequado para materiais transparentes, semitransparentes ou translúcidos, ou seja, que permitam que a luz incidente transpasse total ou parcialmente, refratem ou distorçam-a, de modo que compreende a captação ou captura da imagem distorcida pelo material. Nessa concretização especifica, porém não limitativa, a imagem captada é a distorção óptica da luz que atravessa ou transpassa o material inspecionado .

[038] Em uma possível concretização, o processamente da imagem compreende a transformação da imagem em uma imagem binária, com apenas dois valores possíveis de pixels: branco e preto. Esta nova imagem binária contém franjas brancas sobre um fundo preto.

[039] De acordo com uma possível concretização, as características extraídas podem ser caraterí sticas geométricas do segmento: a distância ao longo do segmento e a distância euclidiana entre o início e o fim do segmento. Podem também ser características as estatísticas das curvaturas calculadas para cada ponto do segmento tais como: a soma das curvaturas, a média, a variância, o desvio padrão, a obliquidade, a curtose ou combinações destas estatísticas. As curvaturas dos pontos podem ser utilizadas considerando o seu sinal ou em módulo para o cálculo das características .

[040] Em uma possível concretização, ilustrada na Figura

2, porém não limitativa, a classificação dos defeitos encontrados pode ser feita, por exemplo, pelo cálculo da linha média das franjas brancas, representadas pelas curvas finas. Um software calcula as regiões das curvas correspondentes a defeitos na peça e as mostra como segmentos de curvas .

[041] Os defeitos de materiais procurados na inspeção ocasionam uma ondulação de tamanho mediano nas franjas obtidas após o processamento da imagem. A partir da geometria e das curvaturas das franjas são extraídas características que alimentam um algoritmo de classificação de defeitos.

[042] Em uma possível concretização preferencial, um software de identificação de defeitos capaz de transformar a imagem capturada em um conjunto de curvas, cada uma correspondente a uma destas franjas de luz, e identificar uma variação do padrão destas curvas decorrente de um possível defeito, é utilizado para cumprir a etapa de caracterização dos defeitos encontrados .

[043] Em uma possível concretização específica, porém não limitativa, caraterísticas calculadas para cada segmento de franja servem de entrada para uma rede neural artificial, que tem como saída a classificação dos defeitos de materiais. A FIGURA 5 ilustra uma possível implementação da rede neural artificial .

[044] Em outra possível concretização, há um sistema para a inspeção automática de qualidade de materiais, o qual compreende os seguintes componentes:

fonte luminosa 100;

aparelho captador de imagem 120; e

aparelho para processar a imagem captada, identificar e classificar defeitos 200.

[045] Em outra possível concretização, há um sistema para a inspeção automática da superfície de automóveis, como de carrocerias, chassis, vidros, retrovisores, parachoques, lâmpadas e outras peças de automóveis o qual compreende os seguintes componentes:

fonte luminosa 100;

aparelho captador de imagem 120; e

aparelho para processar a imagem captada, identificar e classificar defeitos 200.

[046] Os sistemas descritos acima se aplicam a inspeção automática de qualidade de materiais total ou parcialmente reflexivos, transparentes, semitransparentes ou translúcidos .

[047] Preferencialmente, a fonte luminosa 100 é selecionada do grupo compreendendo, porém não limitado a um conjunto de lâmpadas fluorescentes tubulares; ou lâmpadas LED tubulares; ou uma tela iluminada por um projetor ou laser; ou uma tela LCD, plasma, OLED ou LED; ou um conjunto de lâmpadas que têm à sua frente uma lâmina de material que alterna regiões translúcidas e regiões foscas negras; ou qualquer dispositivo capaz de criar um padrão de luz e sombra .

[048] Em uma possível concretização preferencial, aparelho captador de imagem 120 pode ser, por exemplo, uma câmera de vídeo e/ou fotográfica, uma câmera infravermelha, ou câmera ultravioleta ou qualquer matriz de sensores eletromagnéticos capaz de captar uma imagem.

[049] De acordo com o presente pedido de patente, um aparelho com capacidade de processamento e análise de dados é usado para cumprir, pelo menos, as etapas de processamento da imagem, extração das características e classificação dos defeitos encontrados. Tal aparelho pode ser, por exemplo, um computador, dispositivo móvel, microprocessador ou qualquer outro aparelho que compreenda um software para o processamento de imagens, assim como um software para a identificação e a classificação de defeitos.

[050] A FIGURA 1 apresenta um sistema para a inspeção automática de qualidade de materiais dentro do escopo das reivindicações do presente pedido de patente . O sistema contém uma fonte luminosa 100 que gera um padrão de luz, por exemplo, criando linhas paralelas de luz 101 sobre um fundo negro 102. A iluminação pode ser criada por: um conjunto de lâmpadas fluorescentes tubulares; ou lâmpadas LED tubulares; ou uma tela iluminada por um projetor ou laser; ou uma tela LCD, plasma, OLED ou LED; ou um conjunto de lâmpadas que têm à sua frente uma lâmina de material que alterna regiões translúcidas e regiões foscas negras; ou qualquer dispositivo capaz de criar um padrão de luz e sombra.

[051] Os raios luminosos 111 das luzes 101 incidem sobre a peça inspecionada 110 e são refletidos de forma especular, como indicado pelo raio refletido 112. O material inspecionado 110 pode ser metal, polímero, compósito, vidro ou qualquer outro tipo de material reflexivo.

[052] O material 110 pode ser plano, curvo, regular, ondulado, côncavo, convexo, ou pode compreender uma mistura de tais formatos. Um aparelho captador 120 capta os raios refletidos 112. Defeitos de ondulação na peça inspecionada 110 alteram a angulação dos raios refletidos 112, e, portanto, a imagem captada por um aparelho captador de imagem 120.

[053] O aparelho captador de imagem 120 pode ser, por exemplo, uma câmera de vídeo e/ou fotográfica, uma câmera infravermelha, ou câmera ultravioleta ou qualquer matriz de sensores eletromagnéticos capaz de captar uma imagem. A faixa de frequência das ondas eletromagnéticas emitidas pelo aparelho luminoso 100 e captadas pelo aparelho captador 120 está preferencialmente no espectro visível, contudo, pode estar compreendida no espectro infravermelho ou ultravioleta. A imagem captada pelo dito aparelho captador de imagem 120 é transmitida a um aparelho 200, capaz de processar a imagem captada, identificar e classificar os defeitos .

[054] O aparelho 200 é, por exemplo, um computador, dispositivo móvel, microprocessador ou qualquer outro aparelho com capacidade de processamento e análise de dados.

O aparelho 200 contém um software para o processamento da imagem, assim como um software para a identificação e a classificação de defeitos.

[055] No caso de uma fonte luminosa 100 composta de lâmpadas tubulares fluorescentes ou LED, todas as regiões da peça inspecionada 110 são iluminadas pelas luzes 101 em algum instante devido ao movimento da fonte de luz 100 feito, por exemplo, por uma cremalheira 104 acoplada à estrutura das lâmpadas acionada por um motor 103. O formato do padrão de luz não se limita a linhas paralelas, da mesma forma que a fonte de luz 100 não precisa ser necessariamente plana. No caso de uma caixa com luzes que que tem à sua frente uma lâmina de material que alterna regiões translúcidas e regiões foscas negras, o movimento da cremalheira 104 poderia movimentar esta lâmina contendo as listras 101 e 102 sem a necessidade de movimentação das lâmpadas ao seu fundo. Opcionalmente, as franjas podem ser transladadas pela variação de posição da peça inspecionada ou da câmera. Adicionalmente, a translação, rotação ou mudança dos padrões de luz pode ser feita através da troca da imagem projetada no caso em que a fonte luminosa 100 é uma tela LCD, plasma, OLED ou LED.

[056] A FIGURA 2 apresenta a sequência de processamento da imagem no aparelho 200 ou 430. A imagem capturada apresenta franjas luminosas 201 correspondentes à reflexão especular das luzes 101 sobre a peça inspecionada 110, ou, franjas luminosas 431 correspondentes as luzes que transpassaram a peça inspecionada 410, assim como regiões de sombra 202 ou 432 onde não houveram a incidência direta de luz proveniente da fonte luminosa 100 ou 400.

[057] Esta primeira imagem com franjas claras 201 ou 431 e escuras 202 ou 432 contém pixels com diferentes intensidades de cor. Ela é transformada em uma imagem binária, com apenas dois valores possíveis de pixels: branco e preto. Esta nova imagem binária contém franjas brancas 203 sobre um fundo preto 204. O próxima etapa é o cálculo da linha média das franjas brancas 203, representadas pelas curvas finas 205. O software calcula as regiões das curvas 205 correspondentes a defeitos na peça e as mostra como segmentos de curvas 206. Tais etapas de processamento da imagem binária se correspondem no aparelho 430.

[058] A FIGURA 3 apresenta o fluxo completo do método de inspeção de qualidade de materiais. Os etapas 301 e 302 referem-se a ações ilustradas na FIGURA 1 ou na FIGURA 4, enquanto os etapas 303 a 312 referem-se aos processos de software embarcado no aparelho 200 ou 430 e ilustrados na FIGURA 2. O método inicia-se pela projeção de luz 301 utilizando a fonte de luz 100 ou 400 que é refletida sobre a peça inspecionada 110 ou transpassa a peça inspecionada 410 e pela captura da imagem 302 pelo aparelho de captura 120 ou 420. Esta imagem capturada contém franjas claras de luz 201 ou 431 refletidas sobre uma área mais escura da peça 202 ou 432 onde não houve a incidência direta de luz. A imagem é composta por uma matriz de pixels, cada pixel com diferentes cores e brilho.

[059] O software de identificação de defeitos deve ser capaz de transformar a imagem capturada em um conjunto de curvas, cada uma correspondente a uma destas franjas de luz, e identificar uma variação do padrão destas curvas decorrente de um possível defeito. O processamento de imagem inicia-se pela binarização da imagem 305, ou seja, a separação dos pixels que pertencem às franjas claras 203 do restante da imagem, com tom mais escuro 204. Em um segundo momento, cada franja 203 é afinada, de forma que seja representada por uma curva com apenas um pixel de largura 205, processo conhecido como erosão das franjas 306. Alternativamente, as curvas 205 podem ser encontradas pela detecção de borda entre as franjas claras 203 e escuras 204 ou ainda, pela detecção de borda entre as franjas claras 201 ou 431 e escuras 202 ou 432. A detecção de borda pode ser implementada pela aplicação de diversas técnicas, como, por exemplo, um filtro gradiente ou filtro de Sobel . Caso o processo de detecção de borda não gere uma curva com espessura unitária, é aplicada a erosão desta borda para se obter uma curva com um pixel de largura.

[060] Os defeitos de materiais procurados na inspeção ocasionam uma ondulação de tamanho mediano nas franjas. Deste modo, ondulações de pequeno comprimento (alta frequência) decorrentes de ruído, rugosidade da peça ou quantização da imagem (a imagem digitalizada tem as coordenadas dos seus pontos truncadas em valores inteiros de pixels) são retirados através de filtros de ruído espaciais 307 como, por exemplo, filtros gaussianos espaciais, filtros de média, filtros passa-baixa ou outros filtros que atendam à mesma função. Acrescentam-se aos filtros espaciais 307, filtros passa-alta, que excluem as ondulações de baixa frequência (alto comprimento) decorrentes da geometria da peça.

[061] Ao longo de cada uma destas curvas 205, cada uma representando uma franja, é feito o cálculo da curvatura 308. Um defeito de material é correlacionado com uma variação abrupta da curvatura da franja. Cada franja é dividida em segmentos. O critério de divisão da franja em segmentos pode ser simplesmente dividir cada franja em segmentos de mesmo tamanho de pixels. Alternativamente, pode ser usado como pontos de divisão da franja os pontos cuja curvatura calculada é nula. É possível, também, considerar sobreposição entre os segmentos ou, ainda, análisar cada pixel da franja como um se fosse um segmento.

[062] A partir da geometria e das curvaturas 308 são extraídas características 309 que alimentam um algoritmo de classificação de defeitos 304. As características aqui mencionadas podem ser carateristicas geométricas do segmento: a distância ao longo do segmento e a distância euclidiana entre o inicio e o fim do segmento. Podem também ser características as estatísticas das curvaturas calculadas para cada ponto do segmento tais como: a soma das curvaturas, a média, a variância, o desvio padrão, a obliquidade, o curtose ou combinações destas estatísticas. As curvaturas dos pontos podem ser utilizadas considerando o seu sinal ou em módulo no cálculo das características . Adicionalmente, pode ser descontado das curvaturas um valor de tolerância, abaixo do qual as curvaturas seriam desconsideradas no cálculo dos defeitos. Caso a distância e ângulo entre a iluminação 100 ou 400, peça 110 ou 410 e câmera 120 ou 420, respectivamente, não sejam fixos, estes parâmetros também podem ser adicionados como entradas do algoritmo de classificação de defeitos 304. Podem-se ainda considerar as características dos segmentos na franja do segmento analisado, bem como nas suas franjas vizinhas, estabelecendo uma região de contexto. Este contexto pode fornecer informações se o segmento analisado está com características com valores próximos de seu entorno ou se destoa dos mesmos. As características extraídas da região de contexto podem ser, por exemplo, distâncias ou estatísticas das curvaturas calculadas, tais como a soma das curvaturas, a média, a variância, o desvio padrão, a obliquidade, o curtose ou combinações destas estatísticas. As características do contexto podem ser ponderadas pela distância ao segmento analisado. O contexto pode ser subdividido em regiões, gerando diferentes características que servirão como entradas do algoritmo de classificação 310.

[063] As caraterísticas calculadas 309 para cada segmento de franja servem de entrada para uma rede neural artificial 310, que tem como saída a classificação dos defeitos superficiais 311. Uma possível implementação da rede neural artificial é através de perceptrons com uma camada ou camadas múltiplas, como ilustrado na FIGURA 5 e na FIGURA 6. A classificação 310 pode ser implementada, por exemplo, por perceptrons de camada única, perceptrons multicamadas, árvores de decisão, redes neurais convolucionais , ou combinações destes algoritmos. Detalhes sobre redes neurais artificiais são apresentados no livro Neural Networks and Learning Machines (Haykin, 2009) . Os pesos sinápticos da rede neural artificial são treinados através de um conjunto de imagens com defeitos identificados, ou seja, através de um treinamento supervisionado realizado na fase de calibração do software. Após o treinamento desta rede, ela é capaz de classificar objetos semelhantes no que diz respeito à identificação e classificação de defeitos de materiais. A FIGURA 5 ilustra uma possível implementação da rede neural artificial com somente um neurônio 500 denominado perceptron, onde as características 501 nomeadas xi, X2, . . . xn calculadas em 309 são multiplicadas por pesos sinápticos 502 denominados wo, wi, ... wn, somados na operação 503 e multiplicados pela função de ativação 504, gerando o resultado da classificação de defeitos 505.

[064] A FIGURA 6 demonstra um exemplo de rede neural artificial 600 com múltiplas camadas 601, 602 e 603 que interagem para a formação da classificação do defeito 604, onde cada neurônio nestas camadas é representado por um círculo e têm uma estrutura interna com pesos sinápticos semelhante à estrutura 500. O número de entradas, saídas, neurónios e camadas podem ser alterados dependendo das caraterísticas extraídas em 309, classes de defeitos e complexidade desejada.

[065] Os segmentos 206 classificados como defeito 311 são sobrepostos sobre a imagem original 201-202 ou 431-432 na forma de um relatório para o inspetor de qualidade.

[066] Adicionalmente, é possível a captura de várias imagens, cada uma com o conjunto de franjas levemente translado em relação à anterior, de forma que todos os pontos da peça, ou material, sejam iluminados em algum instante. O processamento destas imagens seguindo os etapas 301-312 fornece um conjunto de segmentos de defeitos encontrados para cada imagem, que podem ser fundidos em uma única imagem, de forma a gerar um relatório com as áreas de defeito identificados .

[067] Para garantir que qualquer região defeituosa na peça seja devidamente iluminada e que o padrão de luz evidencie os defeitos, além da translação dos padrões de luz, os padrões de luz podem ser rotacionados entre si, ampliados em tamanho, ou diferir em formato. Adicionamelmente, um único aparelho captador de imagem 120 pode não captar toda a área de inspeção em uma única imagem. Portanto, é previsível que sejam utilizados um conjunto de aparelhos captadores 120, ou que o foco de visão do aparelho seja deslocado em relação à peça inspecionada 110. São passíveis de movimentação entre si, a fonte de iluminação 100, a peça inspecionada 110 e os aparelhos captadores 120.

[068] A propósito, a FIGURA 7A e a FIGURA 7B apresentam possíveis concretizações, na forma de uma célula de inspeção, que compreendem um sistema onde a peça inspecionada 110 é uma carroceria automotiva 720, a fonte de iluminação 100 tem o formato de um portal curvo 710 com iluminação na sua parte interna, o aparelho captador 120 é constituído de pelo menos uma câmera 730 e o aparelho para processamento de software 200 é constituído de um computador 750. Os aparelhos captadores podem ser fixas ou móveis, por exemplo, utilizando um braço robótico 740.

[069] A FIGURA 4 apresenta uma outra possível concretização, que consiste em um sistema para a inspeção automática de qualidade de distorção óptica em materiais translúcidos, transparentes ou semitransparentes . 0 material inspecionado 410 pode ser vidro, cristal, acrílico ou qualquer outro tipo de material que apresente transparência. O material 401 pode ser plano ou curvo. O sistema de inspeção contém uma fonte luminosa 400 que gera um padrão de luz, por exemplo, criando linhas paralelas de luz 401 sobre um fundo negro 402. A iluminação pode ser criada por: um conjunto de lâmpadas fluorescentes tubulares; ou lâmpadas LED tubulares; ou uma tela iluminada por um projetor ou laser; ou uma tela LCD, plasma, OLED ou LED; ou um conjunto de lâmpadas que têm à sua frente uma lâmina de material que alterna regiões translúcidas e regiões foscas negras; ou qualquer dispositivo capaz de criar um padrão de luz e sombra.

[070] Os raios luminosos das luzes 401 incidem através do material inspecionado 410 e são distorcidos devido ao índice de refração do material 401. Um aparelho captador de imagem 420 capta os raios refratados através do material 401. O aparelho captador de imagem 420 pode ser, por exemplo, uma câmera de vídeo e/ou fotográfica, uma câmera infravermelha, uma câmera ultravioleta ou qualquer matriz de sensores eletromagnéticos capaz de captar uma imagem. A faixa de frequência das ondas eletromagnéticas emitidas pelo aparelho luminoso 400 e captadas pelo aparelho captador 420 está preferencialmente no espectro visível, contudo, pode estar compreendida no espectro infravermelho ou ultravioleta. A imagem captada pelo dito aparelho captador de imagem 420 é transmitida a um aparelho 430 capaz de processar a imagem captada, identificar e classificar os defeitos. O aparelho 430 é, por exemplo, um computador, dispositivo móvel, microprocessador ou qualquer outro aparelho com capacidade de processamento e análise de dados .

[071] Variações no índice refração ao longo do material 401 provocam ondulações nos padrões de listras claras 431 e escuras 432 captados pelo aparelho captador 420 e repassados ao aparelho 430. O aparelho 430 contém um software para o processamento da imagem, assim como a classificação de defeitos de distorção óptica, conforme descrito na FIGURA 2 e FIGURA 3.

[072] No caso de 410 ser um vidro plano, é apresentada uma forma de automatização da medição do nível de defeito de distorção óptica devido à variação do índice de refração ao longo da peça, substituindo a verificação subjetiva feita atualmente na indústria de produção de vidros, que é a inspeção visual por um operador. Ainda, no caso de 410 ser um vidro plano, uma implementação preferencial do sistema da FIGURA 4 segue as dimensões da norma brasileira de inspeção de vidros float (ABNT NBR NM 294, 2004) : a distancia entre a fonte luminosa 400 e a peça inspecionada 410 é 4,5 metros; a distância entre a peça inspecionada 410 e o aparelho captador 420 é de 4,5 metros; a fonte luminosa 400 apresenta listras claras com largura de 25 mm e escuras com largura de 25 mm; e, preferencialmente, a tela 410 consiste de um fundo branco translúcido atravessado por faixas paralelas negras e iluminado por trás com lâmpadas fluorescentes. Considerando-se que a peça pode ter uma rotação de um ângulo OÍ no plano XZ, espera-se que a medição do nível de defeito de distorção óptica devido à variação do índice de refração ao longo da peça seja mínimo no ângulo nulo e aumente conforme a rotação se aproxime de 90 graus (ou n/2 radianos) . Classifica-se a qualidade do vidro float pelo ângulo a partir do qual a distorção das listras refratas 431 e 432 estão acima de uma tolerância. O processamento e cálculo da distorção segue os etapas 301-312. O principal indicativo de defeito de distorção é um conjunto de pontos vizinhos com alta curvatura em uma franja. No caso de uma estria em um vidro, esta distorção é percebida em diversas franjas, em uma mesma linha vertical ao longo do vidro, na direção de que ele saiu do alto-forno.

[073] Em uma concretização os métodos e sistemas descritos no presente pedido de patente servem para a inspeção automática da superfífie de automóveis, como de carrocerias, chassis, vidros, retrovisores, parachoques, lâmpadas e outras peças de automóveis. Contudo, os exemplos descritos neste relatório não são limitativos, permitindo que um técnico no assunto altere alguns aspectos ou componentes dos métodos e sistemas descritos, equivalentes às soluções aqui descritas, sem se distanciar do escopo ora reivindicado .