A inteligência artificial tem deixado sua marca em vários setores, e a indústria do plástico não é exceção. Qualidade e eficiência são essenciais, isso é indiscutível, por isso, a capacidade de identificar defeitos de maneira rápida se tornou fundamental. 

No caso dos polímeros, pequenos erros podem afetar não só a aparência, mas também a funcionalidade dos produtos, e é aí que a IA entra como um divisor de águas. 

Durante a Plástico Brasil 2025, o professor Guilherme Duarte de Barros, da Universidade Anhembi Morumbi, apresentou uma palestra sobre o uso de IA para a detecção de defeitos em materiais poliméricos. 

Segundo ele, através da aplicação de visão computacional, é possível identificar defeitos que podem comprometer a qualidade das peças, oferecendo uma solução eficiente para o setor. 

Defeitos comuns em polímeros 

Os defeitos nos polímeros podem se manifestar de diversas formas, seja durante o processo de injeção, extrusão ou sopro. Segundo o professor, os defeitos mais comuns incluem: 

  • Estrias marrons: Degradação do polímero durante o processo de injeção; 
  • Pontos pretos: Carbonização do material; 
  • Delaminação: Quando as camadas de material não se unem corretamente, causando descolamento; 
  • Rebarbas: Formadas quando o material fundido é forçado para fora das cavidades do molde; 
  • Manchas de queimado e umidade: Degradação térmica ou presença de umidade no molde.

“Por que esses defeitos são críticos? Se minha empresa fornece uma peça com defeito, muitas vezes ela não vai montar e meu cliente não vai querer. Eu vou ter que moer novamente, reprocessar e a qualidade não vai ser mais a mesma. Vou perder dinheiro, material e tempo de mão de obra”, destacou. 

A solução: visão computacional e IA 

A visão computacional, um campo da ciência da computação, é uma das soluções mais promissoras para identificar esses defeitos de forma rápida e precisa. O processo envolve a obtenção de imagens da peça, a identificação de objetos, o treinamento de modelos e a validação dos resultados. 

“Ao treinar a máquina com padrões específicos, ela é capaz de identificar defeitos automaticamente e, à medida que o sistema aprende, ele se torna mais eficiente”, explicou o professor. 

Ele exemplificou o uso de ferramentas como YOLOv8, TensorFlow e Roboflow, que permitem o treinamento de modelos de visão computacional com low code. “Essas ferramentas são acessíveis e podem ser utilizadas para criar modelos personalizados para a detecção de defeitos”, afirmou, destacando que plataformas como o Roboflow oferecem até três modelos gratuitos para iniciar o treinamento. 

Estudo de caso: detecção de tampas de garrafas PET 

Como estudo de caso, o professor apresentou um projeto orientado por ele que envolveu a detecção de tampas plásticas de garrafas de refrigerante usando visão computacional. Para esse estudo, foram coletadas 160 imagens de tampas vermelhas, e a análise foi realizada utilizando a rede neural YOLOv8, com o apoio de ferramentas como Google Colab e o Computer Vision Annotation Tool (CVAT). 

Os resultados mostraram uma acurácia entre 83% e 88%, com o modelo YOLOv8 obtendo os melhores resultados. No entanto, o professor ressaltou que esses resultados ainda são uma prova de conceito. 

“Para um refinamento significativo, precisamos de mais treinamento com uma maior variação de imagens, além de implementar redes neurais mais recentes”, explicou. 

Perspectivas no uso de IA 

Com esses estudos, o professor demonstrou ao público como a visão computacional pode transformar a realidade das empresas que trabalham com polímeros. A capacidade de identificar defeitos em tempo real aumenta a eficiência, reduz desperdícios e garante maior qualidade nas peças produzidas. 

No entanto, ele ressaltou que a implementação completa da tecnologia ainda demanda aprimoramentos nos modelos de treinamento e maior diversidade nas imagens utilizadas. 

“Com o avanço contínuo da inteligência artificial, podemos esperar um futuro em que a detecção de defeitos seja mais rápida e muito mais precisa, reduzindo o custo e o tempo de produção”, concluiu. 

Saiba mais sobre os defeitos mais comuns em peças injetadas.