Sistema de inspeção inteligente aplicado a processos de manufatura de placas eletrônicas

Abstract

A crescente adoção dos conceitos de Indústria 4.0 e Qualidade 4.0 tem impulsionado o desenvolvimento de sistemas inteligentes voltados à qualidade, à confiabilidade e à eficiência dos processos produtivos. Na manufatura de placas eletrônicas, observa-se uma lacuna na integração entre visão computacional e inteligência artificial em operações de inspeção ainda dependentes da avaliação visual humana, sujeita à fadiga, à variabilidade e a limitações perceptivas. Esta tese teve como objetivo desenvolver um sistema inteligente de inspeção baseado em aprendizado de máquina e visão computacional para processos de manufatura de placas eletrônicas, visando aumentar a confiabilidade da detecção de defeitos e contribuir para a excelência operacional no setor automotivo. Adotou-se a pesquisa-ação, estruturada em cinco fases principais: revisão sistemática da literatura; desenvolvimento de um framework conceitual integrando Indústria 4.0, Qualidade 4.0, aprendizado de máquina e visão computacional; seleção e implementação de algoritmos de classificação e detecção; realização de experimentos computacionais com 1.400 imagens industriais de placas eletrônicas, distribuídas igualmente entre as classes conforme (OK) e não conforme (NOK); e validação em ambiente industrial real. Foram avaliados os algoritmos Support Vector Machine (SVM), K-Nearest Neighbors (KNN), à rvore de Decisão e You Only Look Once (YOLOv11), mediante métricas de acurácia, precisão, recall, F1-score, matriz de confusão, curva ROC, curva AUC e First Pass Yield (FPY). Entre os classificadores, o SVM apresentou o melhor desempenho, com acurácia de 99%, AUC de 0,987 e recall de 1,00 para a classe NOK. Na detecção de objetos, o YOLOv11 alcançou mAP@0.5 de 94,3% para terminais Pin Through Hole (PTH) e de 96,1% para parafusos, além de detectar corretamente 98% dos terminais avaliados. A implementação industrial do sistema de visão computacional resultou em indicadores de qualidade expressivos, com FPY atingindo 99,99% na inspeção de solda. Esses resultados evidenciam a capacidade do sistema inteligente de reduzir a variabilidade associada à inspeção manual e de aumentar a confiabilidade da identificação de defeitos em processos produtivos reais com requisitos do setor automotivo. O SVM demonstrou ser a alternativa mais adequada para problemas de classificação binária que exigem alta confiabilidade, enquanto o YOLOv11 destacou-se em tarefas que requerem localização e identificação espacial de defeitos. Sua arquitetura funcional é transferível para novas aplicações; contudo, essa transferência requer a reavaliação e a revalidação dos requisitos ópticos, mecânicos, computacionais e de automação, especialmente quanto à infraestrutura de hardware, à estabilidade da iluminação e à representatividade dos dados. A implantação também deve considerar o nível de maturidade digital da organização, incluindo a governança de dados, as competências técnicas, a integração de sistemas e a gestão da mudança. Assim, a generalização proposta refere-se ao framework e ao procedimento de desenvolvimento. Conclui-se que o modelo desenvolvido apresenta elevada aplicabilidade à manufatura eletrônica e constitui uma contribuição teórica, metodológica e tecnológica para a Qualidade 4.0 e Industria 4.0.

Abstract: The increasing adoption of Industry 4.0 and Quality 4.0 principles has driven the development of intelligent systems that enhance quality, reliability, and efficiency in manufacturing processes. In electronic board manufacturing, a significant gap remains in integrating computer vision and artificial intelligence into inspection operations that still rely on human visual assessment and are therefore susceptible to fatigue, variability, and perceptual limitations. This thesis aimed to develop an intelligent inspection system for electronic board manufacturing processes, based on machine learning and computer vision, to improve defect-detection reliability and support operational excellence in the automotive sector. An action research approach was adopted and structured into five main phases: a systematic literature review; the development of a conceptual framework integrating Industry 4.0, Quality 4.0, machine learning, and computer vision; the selection and implementation of classification and detection algorithms; computational experiments using 1,400 industrial images of electronic boards, equally distributed between conforming (OK) and nonconforming (NOK) classes; and validation in a real industrial environment. Support Vector Machine (SVM), K-Nearest Neighbors (KNN), Decision Tree, and You Only Look Once (YOLOv11) algorithms were evaluated using accuracy, precision, recall, F1-score, confusion matrix, Receiver Operating Characteristic curve (ROC), Area Under the Curve (AUC), and First Pass Yield (FPY). Among the classifiers, SVM achieved the best performance, with 99% accuracy, an AUC of 0.987, and 1.00 recall for the NOK class. In object detection tasks, YOLOv11 achieved mAP@0.5 values of 94.3% for Pin Through Hole (PTH) terminals and 96.1% for screws, while correctly detecting 98% of the evaluated terminals. The industrial implementation of the computer vision system yielded significant quality indicators, with FPY reaching 99.99% in solder joint inspection. These results demonstrate the intelligent system's ability to reduce variability associated with manual inspection and improve defect-identification reliability under real manufacturing conditions and automotive industry requirements. SVM proved the most suitable alternative for high-reliability binary classification, whereas YOLOv11 was particularly effective for tasks requiring spatial localization and defect identification. The functional architecture is transferable to new applications; however, transfer requires reassessing and revalidating optical, mechanical, computational, and automation requirements, particularly hardware infrastructure, lighting stability, and data representativeness. Implementation must also consider the organizationâ s level of digital maturity, including data governance, technical competencies, systems integration, and change management. Therefore, the proposed generalization applies to the framework and the development procedure rather than to a fixed system configuration. The proposed model is substantially applicable to electronics manufacturing and contributes theoretically, methodologically, and technologically to Quality 4.0 and Industry 4.0.