Visão computacional para inspeção

Detecção de anomalias

F1 0,94Detecção de anomalias

Esforço de inspeção manual

−75%Esforço de inspeção manual

Latência de inferência

<300msLatência de inferência

Contexto

A inspeção visual era 100% manual, com fadiga do avaliador e critério variável entre turnos. Havia acervo de imagens rotuladas suficiente para treinar um classificador, mas nenhum caminho pronto para produção.

Evolução do impacto

Abordagem

1. 01

   Preparação do dataset

   Curadoria e balanceamento das classes, com data augmentation para casos raros de anomalia.

2. 02

   Treinamento

   CNNs com transfer learning, tuning e ajuste de limiar de decisão priorizando recall das anomalias.

3. 03

   Inferência em produção

   API em FastAPI com pré-processamento em OpenCV, empacotada em container e servida em nuvem com monitoramento de latência.

Stack completa

Impacto & resultados

• F1-Score evoluiu de 0,81 para 0,94 entre a versão base e a final.
• Critério de avaliação passou a ser consistente entre turnos.
• Inspeção humana concentrada nos casos sinalizados pelo modelo.