Development of a computer vision unit for quality control: a comparative analysis of market-available vision sensors

Abstract

Computer vision encompasses a broad set of techniques that enable machines to interpret and process visual data. Although computer vision tools are widely available, there remains a gap in understanding which type of approach performs more reliably in real industrial contexts requiring both precision and robustness. Therefore, this work presents a comparative analysis of two embedded computer vision systems applied to quality control tasks of an electronic device known as the Rivo Board. The study aims to evaluate the performance and feasibility of rule-based and AI-based vision methodologies in multitask inspection scenarios involving contour detection, component classification, and Optical Character Recognition (OCR). To address this, fifteen applications were implemented using two commercial smart cameras: the IFM O2U542, based on traditional image processing rules, and the Cognex IS-3805, which incorporates pretrained edge learning models. A total of 250 tests were conducted simulating production variability. The results showed that the IFM device reached high accuracy under ideal conditions but was strongly affected by minor positional and lighting variations. In contrast, the Cognex system demonstrated greater consistency in most applications, especially in OCR tasks, although, despite failing less often, the average error rate in unsuccessful tests was higher, highlighting the need for careful configuration and validation. Additionally, the performance differences observed are also partially attributed to the disparity in image sensor resolution between devices. This study highlights the need for controlled lighting environments and alignment systems in embedded vision setups, and it supports the empirical selection of acquisition configurations tailored to each inspection scenario. Lastly, the study contributes to guiding the selection of vision tools in industrial scenarios, considering trade-offs between accuracy, interpretability, and adaptability.

Visão Computacional engloba um conjunto abrangente de técnicas que permitem que máquinas interpretem e processem dados visuais. Apesar da ampla disponibilidade dessas ferramentas, ainda persiste uma lacuna na compreensão sobre qual abordagem apresenta desempenho mais confiável em contextos industriais reais que exigem precisão e robustez. Diante disso, este trabalho apresenta uma análise comparativa entre dois sistemas embarcados de visão computacional aplicados a tarefas de controle de qualidade em um dispositivo eletrônico conhecido como Rivo Board. O objetivo é avaliar o desempenho e a viabilidade de metodologias baseadas em regras e em Inteligência Artificial em cenários de inspeção multitarefa, envolvendo detecção de contornos, classificação de componentes e reconhecimento óptico de caracteres (OCR). Foram implementadas quinze aplicações utilizando duas câmeras inteligentes comerciais: a IFM O2U542, baseada em processamento tradicional de imagens, e a Cognex IS-3805, que incorpora modelos pré-treinados de aprendizado de máquina. Um total de 250 testes foi realizado, simulando variabilidade operacional. Os resultados indicaram que o dispositivo IFM alcançou alta precisão sob condições ideais, mas apresentou forte sensibilidade a pequenas variações de posicionamento e iluminação. Em contraste, o sistema Cognex demonstrou maior consistência na maioria das aplicações, especialmente em tarefas de OCR, embora, apesar de falhar com menor frequência, a taxa média de erro nos testes mal-sucedidos foi mais elevada, evidenciando a necessidade de uma configuração cuidadosa. Assim, este estudo destaca a importância de ambientes com iluminação controlada, sistemas de alinhamento mecânico e da seleção empírica de configurações de aquisição de imagem adaptadas a cada aplicação. Por fim, contribui para a escolha criteriosa de ferramentas de medição óptica em cenários industriais, considerando o equilíbrio entre precisão, interpretabilidade e adaptabilidade.