Análise de desgaste de ferramentas de corte por segmentação de imagens utilizando segment anything model e u-net

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.