Numa linha que produz milhares de peças por turno, o inspetor de qualidade não olha cada uma. Ele olha uma amostra, definida por um plano de amostragem estatística (a norma brasileira NBR 5426, base do antigo MIL-STD-105E). O plano aceita o lote inteiro depois de examinar uma fração dele. O defeito que cai fora da amostra segue para a caixa, para o cliente, para o custo de garantia.
O mercado de inspeção visual por IA saltou de US$ 32,66 bilhões em 2025 para uma projeção acima de US$ 40 bilhões em 2026, crescendo 22,88% ao ano (IIoT World, ago/2026). O mercado mais amplo de machine vision deve ir de US$ 22,6 bilhões em 2025 a US$ 61 bilhões em 2033 (Grand View Research). O investimento não é exotismo tecnológico: é a distância entre o que a amostragem estatística consegue ver e o que passa pela linha.
O limite matemático da amostragem
Um plano de amostragem por atributos define o tamanho da amostra e o número de defeitos que reprovam o lote. Para um lote de 3.200 unidades num nível de inspeção geral, o plano típico examina uma fração baixa do total e aceita o lote inteiro se a amostra tiver poucos ou nenhum defeito. A lógica é estatisticamente sólida para decidir "aceitar ou rejeitar o lote". Ela não foi desenhada para dizer quais unidades específicas têm defeito, porque a maioria delas nunca é olhada.
Isso muda o tipo de defeito que o processo consegue prevenir. Um plano de amostragem detecta bem um problema sistêmico que afeta o lote inteiro (a máquina descalibrada, o insumo fora de especificação). Ele detecta mal o defeito esporádico: aquele que aparece em uma peça a cada duzentas, de forma aparentemente aleatória. Esse é justamente o padrão de muitos defeitos de acabamento, contaminação e falha de componente.
O que muda quando a câmera olha cada peça
Um sistema de visão computacional para inspeção não troca a amostra por outra amostra maior. Ele elimina a amostragem: cada peça que passa pela câmera é avaliada, na mesma velocidade da esteira. A câmera não fica cansada na última hora do turno, não varia o critério entre um inspetor e outro, e registra a decisão com timestamp e imagem, o que a amostragem visual nunca gerou.
Isso não é a mesma coisa que "acurácia maior". Um plano de amostragem bem desenhado é matematicamente confiável para o que ele promete: uma decisão sobre o lote. A visão computacional muda o que é possível prometer, porque desloca a granularidade da decisão do lote para a peça. Uma linha de inspeção de peças cerâmicas, por exemplo, pode contar e classificar cada unidade da esteira e sinalizar o defeito no instante em que ele aparece, sem esperar o fim do turno para descobrir a taxa de refugo.
O que decide se funciona: iluminação, não o modelo
A pergunta que decide se um piloto de inspeção por visão computacional funciona não é "qual rede neural". É iluminação e fixação de câmera. Um defeito que muda de cor sob luz natural, uma peça que vibra alguns milímetros na esteira, um reflexo que aparece só às 15h quando o sol bate na janela do galpão: qualquer um desses fatores derruba a acurácia de um modelo tecnicamente correto. A engenharia de iluminação (difusa, direcional, ultravioleta, conforme o defeito) e o suporte mecânico da câmera consomem, na prática, mais tempo de projeto do que o treinamento do modelo em si.
Sistemas bem calibrados chegam perto de 99% de acurácia em inspeção visual, contra algo em torno de 80% num inspetor humano fazendo a mesma tarefa por horas seguidas (estimativas recorrentes na literatura de inspeção industrial por deep learning). A diferença não vem de a câmera "enxergar melhor": vem de ela não perder atenção na peça 4.000 do turno. O ponto de atenção desloca para o outro lado do problema, o falso positivo: um sistema calibrado de forma conservadora demais para "nunca deixar passar defeito" pode parar a linha por peças boas, e isso tem custo operacional tão real quanto o defeito não capturado.
Na prática, a barreira raramente é técnica. É o piloto mal desenhado: uma câmera instalada numa estação isolada, sem integração com o MES e sem um critério claro de "o que fazer quando o sistema sinaliza um defeito". O ganho de cobertura só vira ROI quando a inspeção contínua está conectada a uma ação (parar a linha, separar a peça, abrir um apontamento) e quando alguém definiu, antes de ligar a câmera, qual taxa de falso positivo é tolerável para o processo não travar.
Perguntas antes do próximo piloto
- Qual é o volume de peças por turno que justifica trocar amostragem por inspeção contínua?
- Existe uma estação com iluminação estável o suficiente para calibrar o modelo, ou isso vai exigir engenharia adicional?
- Quem decide, e em quanto tempo, o que fazer quando a câmera sinaliza um defeito, e essa ação está de fato integrada à linha?
- Qual taxa de falso positivo a operação tolera antes que parar a linha por peças boas vire um problema maior que o defeito original?
- O piloto vai medir cobertura e acurácia, ou só "a câmera está rodando"?
