Detecção de Defeitos em Placas de Baterias Chumbo-Ácido Utilizando Visão Computacional e Deep Learning

Abstract

Este trabalho tem como objetivo desenvolver um sistema automatizado de visão computacional para análise da qualidade de placas de chumbo utilizadas na fabricação de baterias chumbo-ácido automotivas. A proposta busca substituir a inspeção manual realizada por operadores, garantindo maior padronização, precisão e eficiência na identificação de falhas no processo de empaste. Para isso, foram utilizadas imagens capturadas diretamente da linha de produção, sendo posteriormente selecionadas para análise com base em critérios de nitidez e enquadramento. Inicialmente, adotou-se uma abordagem baseada em técnicas clássicas de visão computacional, como limiarização, operações morfológicas e análise de contornos. Em seguida, visando maior robustez frente a ruídos e variações visuais, foi incorporado o modelo YOLOv8, fundamentado em aprendizado profundo, para a segmentação da placa. Os dois métodos foram comparados de forma quantitativa por meio de métricas como acurácia, precisão, recall e F1-score, e qualitativa com base na localização correta dos defeitos e na classificação final das placas. Os resultados demonstraram que a abordagem com Deep Learning obteve desempenho superior em ambientes com interferências visuais e placas sobrepostas. O sistema também armazena automaticamente os resultados das inspeções e gera arquivos estruturados, promovendo rastreabilidade e contribuindo para a melhoria contínua do processo.

This work presents the development of an automated computer vision system for the quality analysis of lead plates used in manufacturing automotive lead-acid batteries. The system is designed to replace manual inspection by operators, thereby ensuring greater standardization, accuracy, and efficiency in identifying pasting process defects. For this purpose, images were acquired directly on the production line and subsequently selected for analysis based on sharpness and framing criteria. Initially, an approach using classical computer vision techniques was employed, including thresholding, morphological operations, and contour analysis. Later, to achieve greater robustness against visual noise and variations, the deep learning-based YOLOv8 model was implemented for plate segmentation. The two methods were compared quantitatively using metrics such as accuracy, precision, recall, and F1-score, and qualitatively based on the correct localization of defects and the final classification of the plates. The results demonstrated that the deep learning approach achieved superior performance in environments with visual interference and overlapping plates. Furthermore, the systemautomatically logs inspection results and outputs structured reports, enabling traceability and contributing to continuous process improvement.