APRESENTAÇÃO DO MÓDULO · 20 HORAS
Sistemas de Visão Artificial
Aplicações Práticas de Visão Artificial em Engenharia e Indústria
Projeto ROBINTECH · Erasmus+ KA220-VET · Autor: FORAVE
2024-1-EE01-KA220-VET-000248262
Usa as setas ← → do teclado, clica ou desliza para navegar · tecla M : índice de diapositivos
Percurso Formativo — 20 horas 1
Fundamentos da Visão Artificial 3h
3
Câmara Omron FQ2-S15100N 4h
5
Câmara do Robô FANUC ER-4iA 3h
Como vais ser avaliado? Instrumento Escala Peso Fichas de Trabalho 1 a 5 — uma por tema 0–20 5 × 10% = 50% Teste Final do Módulo (última sessão, 60 min) 0–20 50% Projeto Final (Tema 6) — formativo, prepara o teste — —
CF = 0,10 × (F1+F2+F3+F4+F5) + 0,50 × Teste · Aprovação com CF ≥ 10 valores
1
Fundamentos da Visão Artificial 3 horas
O que é a visão artificial e como evoluiu Componentes do sistema: câmaras, iluminação, software Píxeis, resolução, framerate, calibração e cor Visita de estudo: WEG e ESI
O que é a Visão Artificial? Tecnologias que permitem a um sistema captar, processar e interpretar imagens para decidir automaticamente Na indústria: verificar montagens, medir, ler códigos, guiar robôs Não “vê” como um humano: mede luz em milhões de píxeis e aplica algoritmos Ideia-chave: a qualidade depende tanto da ótica e iluminação como do software.
Evolução 1960–70Primeiros estudos de processamento de imagem → 1980–90Primeiros sistemas industriais → 2000sSmart cameras + OpenCV → 2012→Deep learning
Aplicações por setor 🚗 Automóvel Soldaduras, montagem, guiamento de robôs
🔌 Eletrónica AOI de PCB, soldadura SMD
💊 Saúde/Farma Blisters, rótulos, enchimento
🏭 Manufatura Controlo dimensional, defeitos, triagem
🍎 Alimentar Embalagens, validade, calibre
📦 Logística Códigos, volumes, AGV/AMR
🏭 Visita de estudo: WEG e ESI — observa as tarefas de visão, câmaras, iluminação e a ação sobre o processo.
Componentes do sistema de visão 📷 Câmarasensor + ótica → 💡 Iluminação → 🧠 Processamento → 🔗 Comunicação → ⚙️ Atuação
A falha de um único bloco compromete todo o sistema.
Tipos de câmaras Matriciais (area scan) Imagens 2D completas — as mais comuns
Lineares (line scan) Linha a linha — materiais em movimento contínuo
Smart cameras Sensor + processador + comunicações num só corpo (FQ2, VE)
3D Triangulação laser, luz estruturada, ToF — bin picking
CMOS vs CCD CMOS domina: velocidade, consumo, custo
Mono vs Cor Mono: + sensível; cor só quando é o critério
Iluminação — o fator crítico Frontal Difusa/direcional — superfícies
Backlight Silhuetas — medições dimensionais
Rasante Relevos e riscos
Anel Uniforme, à volta da objetiva
Domo Superfícies brilhantes
Cor da luz Realça/atenua cores; filtros contra luz ambiente
🎯 Objetivo: maximizar o contraste da característica a inspecionar e mantê-lo estável.
Píxel, resolução e framerate Píxel: 0–255 em 8 bits (cinzentos) ou 3 canais RGBResolução espacial: FOV ÷ n.º píxeis — ex.: 160 mm / 1600 px = 0,1 mm/px Regra dos 3 píxeis: o defeito mínimo deve cobrir ≥ 3 pxFramerate: compatível com a cadência; exposição curta evita motion blur
Calibração e espaços de cor Calibração dimensional px ↔ mm com padrão conhecido
Distorção da lente “Barril”/“almofada” — corrigível
Pose (robô) Referencial câmara ↔ robô → Tema 5
RGB / BGR OpenCV usa BGR !
Cinzentos 1 canal — mais rápido
HSV Separa matiz da luminosidade — segmentação robusta por cor
QUIZ
Uma câmara de 1600 px observa um FOV de 160 mm. Qual é a resolução espacial?
1 mm/px 0,1 mm/px 10 mm/px 0,3 mm/px
2
Introdução ao OpenCV 4 horas
A biblioteca e o seu potencial Instalação e configuração Operações básicas com imagens Filtros, arestas e contornos
O que é o OpenCV? Biblioteca open source de visão por computador — a mais usada no mundo +2500 algoritmos : filtragem, contornos, medição, deteção, calibração, 3D, MLC++, Python , Java · Windows/Linux/macOS/Android/iOS Licença Apache 2.0 — livre, mesmo em produtos comerciais
Instalação e configuração # Ambiente virtual
python -m venv visao
visao\Scripts\activate # Windows
# Instalar bibliotecas
pip install opencv-python numpy
# Verificar
python -c "import cv2; print(cv2.__version__)" Extras (módulos contrib): opencv-contrib-python — nunca os dois em simultâneo
Ler, mostrar e guardar import cv2
img = cv2.imread("peca.jpg")
print(img.shape) # (altura, largura, canais)
cv2.imshow("Imagem", img)
cv2.waitKey(0)
cv2.imwrite("copia.png", img) ⚠ O OpenCV devolve os canais na ordem BGR , não RGB!
Manipulação de imagens cinz = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
roi = img[100:300, 200:400] # recorte (linhas, colunas)
pequena = cv2.resize(img, None, fx=0.5, fy=0.5)
cv2.rectangle(img, (200,100), (400,300), (0,255,0), 2)
cv2.putText(img, "OK", (210,90),
cv2.FONT_HERSHEY_SIMPLEX, 1, (0,255,0), 2)
Filtros e binarização # Suavizar (reduzir ruído)
blur = cv2.GaussianBlur(cinz, (5,5), 0)
# Binarizar — limiar automático (Otsu)
_, b = cv2.threshold(blur, 0, 255,
cv2.THRESH_BINARY + cv2.THRESH_OTSU)
# Arestas
arestas = cv2.Canny(blur, 50, 150)
Contornos — contar e medir cont, _ = cv2.findContours(b, cv2.RETR_EXTERNAL,
cv2.CHAIN_APPROX_SIMPLE)
for c in cont:
if cv2.contourArea(c) > 500: # ignorar ruído
x, y, w, h = cv2.boundingRect(c)
cv2.rectangle(img, (x,y), (x+w,y+h), (0,0,255), 2) Suavizar → Binarizar → Contornos → Medir/decidir
QUIZ
No OpenCV, cv2.imread() devolve as imagens a cores na ordem…
RGB BGR HSV CMYK
3
Câmara Omron FQ2-S15100N 4 horas
Características e especificações Ligação a um PLC e configuração Projeto prático de inspeção
Omron FQ2 — smart camera Tipo Sensor de visão compacto com iluminação LED integrada Imagem CMOS mono/cor · 752×480 (alta resolução: 1280×1024) Ferramentas Presença/ausência, posição, largura/diâmetro, área/cor, contagem, shape search Comunicações EtherNet/IP · TCP/UDP · RS-232C · I/O Configuração TouchFinder / PC Tool Alimentação 24 V DC
Ligação ao PLC — 6 passos Montar e fixar a câmara à distância de trabalho Ligar 24 V DC + cabo Ethernet Definir endereços IP coerentes com a rede Configurar EtherNet/IP ou E/S paralelas (trigger, OK/NG) Ajustar foco, exposição e iluminação Testar o trigger e o resultado no PLC
Configurar uma inspeção — 4 passos 1. Imagemcaptação → 2. Ferramentasitens de inspeção → 3. SaídasOK/NG → PLC → 4. Testarpeças boas + NG
🛠 Prática: cada grupo cria um projeto de inspeção — montagem, controlo dimensional ou deteção de posição — e documenta parâmetros e resultados (10 peças).
QUIZ
Qual destas ferramentas da FQ2 usarias para verificar se um furo tem o diâmetro correto?
Shape search Medição de largura/diâmetro Contagem Leitura de códigos
4
Câmara Turck VE202G1A 3 horas
Especificações e aplicações Configuração e utilização Exercício prático de triagem
Turck VE202G1A Tipo Smart camera industrial (Turck | Banner, série VE) Imagem CMOS monocromático 2 MP (1600×1200) · objetiva C-mount Ferramentas Match, presença/ausência, blob (contagem), medição, códigos Comunicações EtherNet/IP · Modbus/TCP · PROFINET · I/O Configuração Vision Manager (PC) Aplicações Contagem, presença, controlo de qualidade
Fluxo de configuração LigarEthernet → Imagemexposição/ganho/foco → Ferramentas → Saídas → PLC → Gravar + testar
Contagem: blob + comparação com valor esperadoPresença: correspondência de padrões (orientação)Qualidade: combinar ferramentas numa decisão global OK/NG
Exercício prático — triagem Distinguir dois tipos de peça (forma/dimensão) Acionar a saída correspondente para o atuador de triagem Testar com 10 peças e registar a taxa de acerto Discutir limitações e melhorias 📋 Este exercício é o ponto de partida da Ficha de Trabalho 4.
5
Câmara do Robô FANUC ER-4iA 3 horas
iRVision — visão integrada no controlador Calibração e configuração Pick-and-place guiado por visão
FANUC iRVision ER-4iA: robô de 6 eixos, 4 kg de carga, 550 mm de alcanceCâmara no punho ou fixa, ligada diretamente ao controlador (R-30iB) — sem PC externo Localização 2D (X, Y, R), vision offset, inspeção, (des)paletização Resultados entram diretamente nos registos do programa do robô ⚠ Requisito essencial: calibração rigorosa câmara ↔ robô (grelha FANUC).
Configuração — pick-and-place Montar e ligar a câmara; ajustar foco/exposição Calibrar com a grelha (px ↔ mm + pose) Criar processo 2D e treinar o modelo (GPM) Definir plano de trabalho e referencial Programa TP com RUN_FIND / GET_OFFSET / VOFFSET Testar em várias posições e validar a precisão
Programa TP com visão 1: VISION RUN_FIND 'PECAS' ;
2: VISION GET_OFFSET 'PECAS' VR[1] JMP LBL[99] ;
3: L P[1] 500mm/sec FINE VOFFSET,VR[1] ; ! aproximação
4: L P[2] 200mm/sec FINE VOFFSET,VR[1] ; ! preensão
99: LBL[99] ; ! peça não encontrada RUN_FIND localiza · GET_OFFSET guarda o desvio em VR[1] (ou salta) · VOFFSET aplica-o ao movimento
QUIZ
No iRVision, o que faz a instrução VOFFSET,VR[1]?
Dispara a captação de imagem Aplica o desvio calculado pela visão ao movimento Calibra a câmara Abre a garra
6
Projeto Final 2h + 1h teste
Desenvolvimento em grupos de 2–3 Apresentação e discussão coletiva Preparação para o teste final (50%)
Projeto final — integrar tudo 🎯 Temas possíveis Triagem por forma/cor · inspeção de montagem · contagem de kits · pick-and-place · leitura de códigos
🧰 Plataformas OpenCV · Omron FQ2 · Turck VE · FANUC iRVision
📈 Etapas Problema → solução de visão → implementação → resultados
📄 Entregáveis Demonstração + memória descritiva (2–4 págs.)
🗣 Apresentação: 5 min por grupo + discussão de desafios e soluções. Carácter formativo — prepara o teste!
Reta final — avaliação Instrumento Peso Estado Fichas 1–5 (uma por tema) 50% ✔ Teste final — 60 min, sem consulta 50% última sessão
🍀 CF = 0,10 × ΣFichas + 0,50 × Teste · Aprovação: CF ≥ 10. Boa sorte!
Obrigado! Bom trabalho!
Sistemas de Visão Artificial · Projeto ROBINTECH · FORAVE
2024-1-EE01-KA220-VET-000248262