Deep learning vs regra fixa pra detectar defeito em injeção plástica

Gerente de qualidade de fábrica de injeção plástica avalia automação de inspeção visual. Dois caminhos no mercado:

• Sistema baseado em regra fixa: algoritmo programado pra detectar padrão específico (ex: contorno de rebarba, descoloração)
• Deep learning treinado: rede neural treinada com fotos de peças boas e defeituosas

Vendedor de regra fixa diz "explicável, determinístico". Vendedor de deep learning diz "generaliza, melhora com dado". Resposta honesta: cada um tem janela própria, e a escolha não é trivial.

O que regra fixa entrega

Sistema com regra programada explicitamente:

Pontos fortes:

• Determinístico: mesma foto, mesmo resultado, sempre
• Explicável: engenheiro lê o código, sabe o que decide
• Calibração explícita: muda regra = muda comportamento
• Auditável: decisão rastreável
• Sem treinamento: funciona sem amostras
• Estável: não "deriva" com tempo

Pontos fracos:

• Frágil em variação: se peça vier com iluminação diferente, regra falha
• Não generaliza: regra pra peça A não funciona pra peça B
• Manutenção contínua: cada novo defeito = nova regra
• Limitado em defeito sutil: difícil escrever regra pra "padrão estranho"

O que deep learning entrega

Modelo de visão treinado com fotos de peças boas e defeituosas:

Pontos fortes:

• Generaliza: aprende padrão visual sem explicitar
• Pega defeito sutil: padrão estranho que regra não consegue codificar
• Melhora com dado: mais amostras = melhor desempenho
• Adapta a variação: iluminação diferente, ângulo diferente, modelo aguenta melhor
• Modelo moderno (vision foundation): generaliza entre tipos de peça

Pontos fracos:

• Caixa preta: decisão difícil de explicar pra qualidade
• Não-determinístico em casos limite: mesma foto pode dar resultado diferente em margem
• Treinamento custa dado: precisa amostras (centenas a milhares)
• Drift de modelo: desempenho cai se dado de produção mudar muito
• Difícil de auditar: "por que reprovou essa peça?" — modelo não explica claramente

A comparação direta

| Critério | Regra fixa | Deep learning | |---|---|---| | Determinismo | Sim | Não (probabilístico) | | Explicabilidade | Sim | Limitada | | Generalização | Não | Sim | | Defeito sutil | Limitado | Forte | | Variação de iluminação/ângulo | Frágil | Robusto | | Treinamento inicial | Zero | Necessário | | Manutenção | Cada regra nova | Treinar com novo dado | | Auditabilidade | Forte | Fraca |

Cada modelo tem janela própria.

Quando regra fixa faz sentido

Sinais consolidados:

• Defeito bem definido e explicável (ex: dimensão fora de tolerância específica)
• Peça com geometria estável e iluminação controlada
• Auditoria regulatória obrigatória (precisa explicar decisão)
• Sem amostras suficientes pra treinamento
• Norma técnica define critério explicitamente

Tipicamente: defeito dimensional clássico (medida fora de tolerância), inspeção em peça crítica regulada.

Quando deep learning faz sentido

Sinais consolidados:

• Defeito visual mas difícil de explicitar (rebarba sutil, padrão estranho, "não parece normal")
• Peça com variação natural (cor, iluminação, posição)
• Multiplos tipos de peça similares na mesma linha
• Volume alto que justifica investimento em treinamento
• Aceitação de "caixa preta" pela qualidade

Tipicamente: maioria dos defeitos visuais subjetivos em injeção plástica moderna.

O modelo híbrido

Em fábrica de injeção madura, faz sentido camadas:

Camada 1: regra fixa pra dimensional crítico.

• Diâmetro, altura, espessura: medida exata, tolerância clara, regra simples

Camada 2: deep learning pra defeito visual.

• Rebarba, porosidade superficial, deformação, padrão estranho

Camada 3: inspetor humano em exceção.

• O que nenhum dos dois pegou
• Calibração contínua do critério

Cada um faz o que faz bem. Combinados, cobrem o universo.

Por que isso mudou em 2024-2026

Antes de 2024, deep learning pra inspeção industrial:

• Exigia modelo dedicado por peça (caro, lento)
• Treinamento custava semanas-meses
• Hardware especializado (GPU industrial)

Em 2024-2026:

• Modelo de visão genérico (foundation model) generaliza
• Treinamento com poucas amostras (few-shot) ou zero (zero-shot)
• Hardware: API na nuvem, sem investimento físico

A barreira de entrada do deep learning caiu drasticamente. Hoje é viável pra fábrica de tamanho médio, não só pra Tier 1 automotivo.

O erro comum

Erro 1: gerente compra só deep learning. Em 6 meses descobre que dimensional crítico passa porque modelo é probabilístico. Cliente Tier 1 reprova.

Erro 2: gerente fica em só regra fixa. Defeito sutil escapa, retrabalho cresce.

A virada certa é combinar, não escolher um.

O que NÃO resolve

• Substituir inspetor humano por deep learning. Casos limite escapam.
• Substituir deep learning por mais regras. Não escala em defeito sutil.
• Treinar modelo sem dado de qualidade. Garbage in, garbage out.

O que resolve é regra pra dimensional + deep learning pra visual + humano pra exceção.

Quando vale priorizar deep learning

Sinais consolidados:

• Defeito visual sub-milimétrico passando
• Volume alto, inspeção 100% humana inviável
• Aceitação de "caixa preta" pela qualidade
• Investimento em IA disponível

Quando 2+ presentes, deep learning vira camada estratégica.

Próximo passo

Inspeção visual combinando regra fixa pra dimensional + deep learning pra defeito visual + humano pra exceção é o modelo realista em injeção plástica moderna. A FELGOR Check implementa essa arquitetura combinada. Se quiser ver aplicado no contexto da sua planta, agende um diagnóstico de 30 minutos com os fundadores.