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
EU2024-1-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 Artificial3h
2
Introdução ao OpenCV4h
3
Câmara Omron FQ2-S15100N4h
4
Câmara Turck VE202G1A3h
5
Câmara do Robô FANUC ER-4iA3h
6
Projeto Final + Teste3h

Como vais ser avaliado?

InstrumentoEscalaPeso
Fichas de Trabalho 1 a 5 — uma por tema0–205 × 10% = 50%
Teste Final do Módulo (última sessão, 60 min)0–2050%
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?

Ideia-chave: a qualidade depende tanto da ótica e iluminação como do software.

Evolução

1960–70
Primeiros estudos de processamento de imagem
→1980–90
Primeiros sistemas industriais
→2000s
Smart cameras + OpenCV
→2012→
Deep learning

Aplicações por setor

🚗 AutomóvelSoldaduras, montagem, guiamento de robôs
🔌 EletrónicaAOI de PCB, soldadura SMD
💊 Saúde/FarmaBlisters, rótulos, enchimento
🏭 ManufaturaControlo dimensional, defeitos, triagem
🍎 AlimentarEmbalagens, validade, calibre
📦 LogísticaCódigos, 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

📷 Câmara
sensor + 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 camerasSensor + processador + comunicações num só corpo (FQ2, VE)
3DTriangulação laser, luz estruturada, ToF — bin picking
CMOS vs CCDCMOS domina: velocidade, consumo, custo
Mono vs CorMono: + sensível; cor só quando é o critério

Iluminação — o fator crítico

FrontalDifusa/direcional — superfícies
BacklightSilhuetas — medições dimensionais
RasanteRelevos e riscos
AnelUniforme, à volta da objetiva
DomoSuperfícies brilhantes
Cor da luzRealça/atenua cores; filtros contra luz ambiente
🎯 Objetivo: maximizar o contraste da característica a inspecionar e mantê-lo estável.

Píxel, resolução e framerate

Calibração e espaços de cor

Calibração dimensionalpx ↔ mm com padrão conhecido
Distorção da lente“Barril”/“almofada” — corrigível
Pose (robô)Referencial câmara ↔ robô → Tema 5
RGB / BGROpenCV usa BGR!
Cinzentos1 canal — mais rápido
HSVSepara matiz da luminosidade — segmentação robusta por cor
QUIZ

Uma câmara de 1600 px observa um FOV de 160 mm. Qual é a resolução espacial?

2

Introdução ao OpenCV

4 horas

O que é o OpenCV?

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…

3

Câmara Omron FQ2-S15100N

4 horas

Omron FQ2 — smart camera

TipoSensor de visão compacto com iluminação LED integrada
ImagemCMOS mono/cor · 752×480 (alta resolução: 1280×1024)
FerramentasPresença/ausência, posição, largura/diâmetro, área/cor, contagem, shape search
ComunicaçõesEtherNet/IP · TCP/UDP · RS-232C · I/O
ConfiguraçãoTouchFinder / PC Tool
Alimentação24 V DC

Ligação ao PLC — 6 passos

  1. Montar e fixar a câmara à distância de trabalho
  2. Ligar 24 V DC + cabo Ethernet
  3. Definir endereços IP coerentes com a rede
  4. Configurar EtherNet/IP ou E/S paralelas (trigger, OK/NG)
  5. Ajustar foco, exposição e iluminação
  6. Testar o trigger e o resultado no PLC

Configurar uma inspeção — 4 passos

1. Imagem
captação
→2. Ferramentas
itens de inspeção
→3. Saídas
OK/NG → PLC
→4. Testar
peças 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?

4

Câmara Turck VE202G1A

3 horas

Turck VE202G1A

TipoSmart camera industrial (Turck | Banner, série VE)
ImagemCMOS monocromático 2 MP (1600×1200) · objetiva C-mount
FerramentasMatch, presença/ausência, blob (contagem), medição, códigos
ComunicaçõesEtherNet/IP · Modbus/TCP · PROFINET · I/O
ConfiguraçãoVision Manager (PC)
AplicaçõesContagem, presença, controlo de qualidade

Fluxo de configuração

Ligar
Ethernet
→Imagem
exposição/ganho/foco
→Ferramentas→Saídas → PLC→Gravar + testar

Exercício prático — triagem

📋 Este exercício é o ponto de partida da Ficha de Trabalho 4.
5

Câmara do Robô FANUC ER-4iA

3 horas

FANUC iRVision

⚠ Requisito essencial: calibração rigorosa câmara ↔ robô (grelha FANUC).

Configuração — pick-and-place

  1. Montar e ligar a câmara; ajustar foco/exposição
  2. Calibrar com a grelha (px ↔ mm + pose)
  3. Criar processo 2D e treinar o modelo (GPM)
  4. Definir plano de trabalho e referencial
  5. Programa TP com RUN_FIND / GET_OFFSET / VOFFSET
  6. 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]?

6

Projeto Final

2h + 1h teste

Projeto final — integrar tudo

🎯 Temas possíveisTriagem por forma/cor · inspeção de montagem · contagem de kits · pick-and-place · leitura de códigos
🧰 PlataformasOpenCV · Omron FQ2 · Turck VE · FANUC iRVision
📈 EtapasProblema → solução de visão → implementação → resultados
📄 EntregáveisDemonstração + memória descritiva (2–4 págs.)
🗣 Apresentação: 5 min por grupo + discussão de desafios e soluções. Carácter formativo — prepara o teste!

Reta final — avaliação

InstrumentoPesoEstado
Fichas 1–5 (uma por tema)50%✔
Teste final — 60 min, sem consulta50%última sessão
🍀 CF = 0,10 × ΣFichas + 0,50 × Teste · Aprovação: CF ≥ 10. Boa sorte!

Obrigado! Bom trabalho!

Sistemas de Visão Artificial · Projeto ROBINTECH · FORAVE

EU2024-1-EE01-KA220-VET-000248262
RobintechROBINTECH · 2024-1-EE01-KA220-VET-000248262

Índice de diapositivos — clica para saltar