Como escolher a toolchain de visão de máquina: Halcon, VisionMaster, OpenCV, YOLO — a que cenário cada uma serve

Feche o cenário primeiro, depois escolha a ferramenta

A primeira pergunta não é «software de qual fornecedor», e sim se o defeito que este posto precisa julgar pode ser escrito como regras. Sobredimensão, um parafuso faltando, um código de barras não lido — geometria, contraste e matching de template conseguem codificar isso. Riscos de superfície que mudam de forma, falhas em textura de tecido, se um movimento de montagem cumpre o padrão — isso é difícil de enumerar como regras e em geral precisa de treino com amostras.

Erre essa cisão e trocar de ferramenta depois não salva o projeto. Empurrar deep learning para um cenário de regras transforma coleta de amostras, rotulagem e manutenção do modelo num fardo duradouro. Escrever regras para defeitos de aparência que continuam mudando de forma leva a falsos alarmes e perdas que fazem a inspeção desligar o sistema.

• Descritível por regras: tamanho, posição, presença/ausência, leitura de código de barras e de caracteres — algoritmos convencionais servem
• Difícil de enumerar: defeitos de aparência que mudam de forma, fundos texturizados, se uma sequência de movimento cumpre o padrão — precisa de amostras e deep learning
• Postos mistos são comuns: o mesmo posto pode medir tamanho e olhar falhas de superfície; rode duas toolchains em paralelo em vez de forçar uma a cobrir tudo

A que cada uma das quatro toolchains serve

A comparação abaixo segue trabalho de engenharia que de fato assumimos, não o marketing do fornecedor. O desenvolvimento de visão de máquina industrial cobre Halcon, Hikrobot VisionMaster (VM), OpenCV, YOLO deep learning e toolchains relacionadas. Por cenário assumimos defeitos de aparência, medição dimensional, guiagem de posicionamento, OCR, poka-yoke de montagem e inspeção de embalagem em postos de manufatura geral, e levamos os dados de visão para a cadeia de rastreabilidade.

• Halcon: biblioteca de algoritmos completa para cenários de regras como medição dimensional, guiagem de posicionamento, geometria e morfologia; altamente engenheirada, e serve a postos com requisitos explícitos de repetibilidade e calibração
• Hikrobot VisionMaster: configuração gráfica, itens padrão de inspeção sobem rápido, e serve a engenheiros de linha mantendo parte do fluxo de inspeção eles mesmos; fica perto do ecossistema de câmeras e iluminação Hikrobot
• OpenCV: alta liberdade, fácil de embutir numa HMI ou cliente MES já existente; serve a projetos que já têm arquitetura de software e só precisam de um módulo de julgamento de visão; algoritmos e o framework de engenharia têm de ser construídos internamente
• YOLO e deep learning semelhante: serve a defeitos de aparência e detecção de objetos que as regras não enumeram; amostras, padrões de rotulagem e capacidade de processamento precisam estar no lugar, e alguém tem de continuar mantendo falsos alarmes e perdas depois do go-live

Toolchains, cenários a que servem e pré-requisitos a preparar

Coloque «a que serve» e «não comece sem estes pré-requisitos» na mesma tabela e a seleção fica prática. Faltar qualquer pré-requisito estica o cronograma do projeto, em geral fora do software em si.

O mesmo posto pode rodar duas toolchains juntas. Por exemplo, tamanho em Halcon, aparência em YOLO, com os dois julgamentos escritos no mesmo registro de rastreabilidade. Não sacrifique a confiabilidade de cada julgamento só para cobrir tudo com uma ferramenta.

Cinco coisas fora da escolha de marca que decidem se funciona

• Iluminação e dispositivos: ângulo de luz, cor, polarização e repetibilidade de posicionamento da peça muitas vezes decidem se a detecção permanece estável mais do que o algoritmo; deixe isso indefinido e qualquer toolchain é uma aposta
• Escreva o padrão de NG em palavras: o que conta como defeito, como se tratam as amostras limítrofes, quem pode mudar limiares — combine isso por escrito antes do aceite, ou qualidade e processo vão discutir depois do go-live
• Acumule amostras da linha real: o deep learning em particular depende de amostras depois de trocas de modelo, trocas de material e trocas de turno; fotos de laboratório não representam o chão
• Restrição de tempo de ciclo: o tempo do trigger até OK/NG precisa ser menor que o ciclo do posto, com folga para o movimento mecânico; um sistema que estoura o tempo será desligado no campo
• Os resultados de visão precisam entrar na cadeia de rastreabilidade: julgamento, captura de NG, posto, ID da peça e carimbo de tempo escritos juntos, ou reclamações posteriores e análise de qualidade não os usam

Na linha de poka-yoke de montagem, a capacidade precisa ser dita por rota; uma afirmação genérica de que «o AI-SOP já está maduro» não é uma que fazemos. HkVisionPro montagem em camadas, inspeção ponto a ponto de características camada a camada — fluxo automático quando a camada atual está toda OK, alarmes de NG com captura e arquivamento de evidência — está implantado. A rota standalone de reconhecimento de movimento OrpaonVision está próxima do uso comercial, mas ainda exige aceite de cenário contra dados do posto, tempo de ciclo e critérios de aceite; não deve ser escrita como já entregue em escala. A rota de plugin Hikrobot VM do OrpaonSOP ainda está em P&D e validação conjunta, e não é oferecida como entregável padrão. A acurácia precisa ser confirmada no aceite de cenário contra o posto específico, as amostras e os critérios de aceite; este artigo não faz afirmações numéricas.