Sistema inteligente aplicado ao controle de qualidade de chapas de granito no mercado de rochas ornamentais capixaba

O setor capixaba de rochas ornamentais é reconhecido tanto nacional como internacionalmente e desempenha um papel crucial nas exportações brasileiras nesse segmento. Contudo, apesar de sua relevância no cenário global, enfrenta desafios significativos em termos de modernização tecnológica e controle dos processos manuais. A dependência da percepção humana na cadeia produtiva pode levar à inconsistência e ineficiência na detecção de defeitos e imperfeições nas chapas de granito, impactando negativamente a avaliação correta de seu valor de venda. A avaliação das chapas é, atualmente, realizada visualmente ao longo de todo o processo produtivo, culminando na fotografia das chapas para divulgação no mercado externo. Diante desse panorama, propõe-se o uso de ferramentas de inteligência artificial para obter um processo automatizado de classificação destes defeitos e imperfeições para as chapas de granito. Tal melhoria aproveitará o vasto acervo fotográfico já existente nas empresas do setor como base para o treinamento de um modelo capaz de efetuar esta classificação de acordo com suas características distintas. O processo de classificação será conduzido por meio de técnicas de visão computacional, utilizando aprendizado profundo (Deep Learning), com foco em redes neurais convolucionais (CNN) e o uso do YOLOv8 para a identificação e categorização das características específicas destes defeitos e imperfeições das chapas. Além disso, o desempenho do YOLOv8 foi comparado com o YOLOv10, utilizando as mesmas técnicas de otimização, para avaliar melhorias no reconhecimento e classificação dos defeitos. A implementação desta automatização pode proporcionar benefícios significativos para o setor, como redução de custos, aumento de eficiência e padronização do processo de classificação.

The ornamental stone sector in Espírito Santo is recognized both nationally and internationally, playing a crucial role in Brazilian exports within this segment. However, despite its global relevance, it faces significant challenges in terms of technological modernization and control of manual processes. The reliance on human perception in the production chain can lead to inconsistency and inefficiency in detecting defects and imperfections in granite slabs, negatively impacting the accurate assessment of their market value. Currently, the evaluation of slabs is performed visually throughout the entire production process, culminating in photographing the slabs for marketing purposes. Given this scenario, the use of artificial intelligence tools is proposed to achieve an automated process for classifying these defects and imperfections in granite slabs. This improvement will leverage the vast photographic archives already available in the sector's companies as a basis for training a model capable of performing this classification according to their distinct characteristics. The classification process will be conducted using computer vision techniques, employing deep learning, with a focus on convolutional neural networks (CNN) and the use of YOLOv8 for the identification and categorization of specific characteristics of these defects and imperfections in the slabs. Additionally, advanced hyperparameter tuning methods, were incorporated to optimize the model's performance. Furthermore, YOLOv8's performance was compared with YOLOv10, using the same advanced optimization techniques, to assess improvements in defect recognition and classification. Implementing this automation can provide significant benefits to the sector, such as cost reduction, increased efficiency, and standardization of the classification process. Keywords: Convolutional Neural Networks CNN, YOLOv8, Ornamental Stones, Defect Detection, Applied Artificial Intelligence.