|
Abstract:
|
A usinagem é um conjunto de processos de fabricação por remoção de material na
forma de cavaco, nos quais o desgaste da ferramenta de corte ocorre de maneira
progressiva e pode comprometer a estabilidade do processo, a qualidade superficial
e a precisão dimensional da peça produzida. O monitoramento desse desgaste é
relevante para evitar tanto a substituição prematura da ferramenta quanto sua
utilização além do limite adequado de vida, situações que podem gerar aumento de
custos, paradas de máquina, refugo e retrabalho. Nesse contexto, técnicas de visão
computacional apresentam potencial para apoiar a inspeção da condição da
ferramenta, permitindo a identificação e a quantificação da região desgastada a partir
de imagens. Considerando isso, apresenta-se neste trabalho uma avaliação do uso
de modelos de segmentação de imagens na identificação de desgaste em ferramentas
de corte, com ênfase no Segment Anything Model (SAM) e em um pipeline híbrido
baseado em U-Net e SAM. As regiões de desgaste foram anotadas manualmente e
utilizadas como referência para comparação com as máscaras geradas pelos
modelos. A avaliação foi realizada por meio das métricas de interseção sobre união
(IoU), precisão, recall e diferença percentual de desgaste de flanco (VB). Inicialmente,
o SAM foi avaliado a partir de caixas delimitadoras manuais, apresentando
concordância com as anotações de referência. Em seguida, desenvolveu-se um
pipeline híbrido no qual a U-Net foi treinada para identificar automaticamente a região
provável de desgaste e fornecer entrada ao SAM. No conjunto de teste, o pipeline
híbrido alcançou IoU médio de 81,22%, precisão média de 90,09%, recall médio de
89,16% e diferença percentual absoluta média de VB de 7,83%. Os resultados indicam
que a abordagem proposta foi capaz de segmentar regiões de desgaste de forma
consistente, especialmente em imagens com maior extensão de desgaste,
demonstrando potencial para apoiar aplicações de monitoramento visual da condição
de ferramentas de corte. |
