# Visão computacional na linha de produção: o que mede, por que importa e por onde começar

> Visão computacional na linha de produção é usar as câmeras da fábrica, com modelos de inteligência artificial, para medir o que hoje depende de apontamento manual: quantas peças saíram, quando e por que a máquina parou, e quais unidades saíram fora do padrão. O resultado é um OEE calculado sobre o que aconteceu na linha.

## O que é visão computacional aplicada à linha de produção?

É a leitura automática de imagens de câmera por modelos de inteligência artificial treinados para reconhecer o que interessa no processo: uma peça cruzando o fim da linha, uma máquina sem movimento, um rótulo torto, uma tampa faltando. Cada vez que o modelo reconhece um desses eventos, ele gera um registro com horário, linha e imagem.

A diferença em relação à visão de máquina tradicional, aquela câmera dedicada com iluminação controlada instalada num ponto de inspeção, está no alcance. Os modelos atuais conseguem trabalhar com as câmeras IP que a planta já tem para segurança patrimonial, desde que o ângulo e a distância permitam ver o que precisa ser medido. Uma mesma infraestrutura passa a servir contagem, paradas, qualidade e segurança.

## Por que isso importa para quem gerencia a produção?

Porque a maior parte das decisões de chão de fábrica ainda é tomada sobre dado apontado à mão, no fim do turno. E esse dado tem três problemas conhecidos de qualquer gerente de produção:

- **Chega tarde.** A produção do turno só é conhecida quando o turno acabou, e a perda já aconteceu.
- **Não bate.** O apontamento manual raramente fecha com o que saiu da linha, e a diferença vira discussão entre produção, PCP e qualidade.
- **Esconde as pequenas perdas.** Microparadas de dois ou três minutos não entram na planilha, mas somadas ao longo do dia viram horas.

Enquanto isso, a planta costuma ter dezenas de câmeras gravando a linha o tempo todo, usadas só para investigar depois que algo deu errado. A visão computacional transforma esse vídeo, que já existe, em dado de produção em tempo real.

## O que a câmera consegue medir na linha?

Três medidas cobrem a maior parte do que a gestão de produção precisa, e cada uma corresponde a um módulo da uAiLook:

**Quantas peças saíram.** O [uAiCount](https://uailook.com/modulos/contagem-de-producao) conta a produção peça a peça na saída da linha, na esteira ou no posto de embalagem, por SKU, por turno e por hora. O modelo é treinado com imagens do seu produto, na sua iluminação e na velocidade da sua linha, e validado contra a contagem de referência antes de entrar em operação.

**Quando e por que a máquina parou.** O [uAiStop](https://uailook.com/modulos/monitoramento-de-paradas-de-maquina) detecta quando a máquina ou a linha para e quando volta a produzir. O critério de parada é definido por máquina: sem peça saindo, sem movimento do equipamento ou sem operador no posto. Cada parada fica com duração, imagem e motivo. Os motivos que a imagem permite distinguir, como falta de material ou setup, são classificados automaticamente; nos demais, o operador confirma no painel.

**Quais unidades saíram fora do padrão.** O [uAiCheck](https://uailook.com/modulos/inspecao-visual-de-qualidade) faz a inspeção visual em todas as unidades que passam pelo ponto de inspeção, e não por amostragem: ausência de componente, montagem invertida, falha de rótulo, selagem ou preenchimento. Cada ocorrência gera alerta com imagem, horário e lote.

Na mesma infraestrutura, a planta pode ativar depois a verificação de EPI ([uAiSafety](https://uailook.com/modulos/monitoramento-de-epi)) e o alerta de pessoa em zona de risco de máquina ([uAiZone](https://uailook.com/modulos/zona-de-risco-em-maquinas)). A visão geral dos módulos está em [/modulos](https://uailook.com/modulos).

## Como a visão computacional muda o cálculo do OEE?

O OEE (eficiência global do equipamento) multiplica três fatores: disponibilidade, desempenho e qualidade. Cada um dos três módulos alimenta um deles:

| Fator do OEE | Pergunta que responde | Quem mede |
| --- | --- | --- |
| Disponibilidade | Quanto do tempo planejado a máquina produziu? | uAiStop |
| Desempenho | Produziu na velocidade que deveria? | uAiCount |
| Qualidade | Quanto do que saiu estava bom? | uAiCheck |

Um exemplo ilustrativo mostra por que a origem do dado importa. Imagine um turno de 480 minutos, com ciclo ideal de 30 segundos por peça:

- A máquina ficou 60 minutos parada. Disponibilidade = 420 / 480 = **87,5%**.
- Em 420 minutos, a capacidade era de 840 peças, e saíram 756. Desempenho = 756 / 840 = **90%**.
- Das 756, 740 estavam boas. Qualidade = 740 / 756 = **97,9%**.
- OEE = 87,5% x 90% x 97,9% = **77,1%**.

Agora suponha que o apontamento manual tenha registrado só 30 dos 60 minutos de parada, porque as microparadas não entraram na planilha. A disponibilidade sobe para 93,75%, a capacidade calculada vai para 900 peças, e o desempenho cai para 84%. O OEE final continua em 77,1%.

O número total não mudou, mas a perda foi parar no lugar errado. A equipe passa a atacar velocidade de máquina, quando o problema real são paradas curtas que ninguém registrou. É por isso que medir cada fator na fonte vale mais do que ter um OEE bonito no fim do mês.

## Câmera ou sensor: quando cada um faz sentido?

Sensor de contagem e sinal do CLP continuam sendo boas soluções em muitos casos. A escolha depende da máquina e do que se quer saber:

| Situação | Sensor ou CLP | Câmera com IA |
| --- | --- | --- |
| Máquina moderna, com sinal de produção disponível | Resolve bem a contagem | Agrega imagem e motivo da parada |
| Máquina antiga ou linha manual | Exige instalação em cada ponto | Usa a câmera que já cobre a área |
| Saber por que parou, e não só que parou | Não mostra | Registra a imagem do momento |
| Contagem por SKU em linha com vários produtos | Exige integração com a programação | Modelo treinado com cada produto |
| Inspeção de defeito visível | Não cobre | Cobre o que aparece na imagem |

Na prática, as duas tecnologias convivem. A câmera costuma entrar primeiro onde o sensor não chega ou onde a pergunta é "por quê", não "quanto".

## O que a visão computacional não resolve?

Limite declarado é parte do projeto, e evita expectativa errada:

- **Não mede o que a câmera não vê.** Peças sobrepostas ou encobertas no ponto de contagem, máquinas enclausuradas e faces da peça fora do campo de visão exigem ajuste de posição ou mais de um ponto de câmera.
- **Não faz metrologia.** Medição dimensional com tolerância de cota continua no calibrador e na máquina de medição. A contagem é por unidade visível.
- **Não diagnostica a falha interna da máquina.** O registro mostra que parou e o que era visível no momento; o defeito elétrico ou hidráulico continua com a manutenção.
- **Não vê defeito interno.** Trinca interna e contaminação invisível ficam fora da inspeção por imagem.
- **Produto novo precisa de treinamento.** Em linhas com troca frequente de produto, cada novo SKU ou novo tipo de defeito entra no modelo antes de ser contado ou inspecionado.

## Processar na planta ou na nuvem?

As duas opções funcionam, e a escolha é do cliente. Com servidor GPU dentro da planta, o vídeo não sai de lá, o que simplifica a conversa com TI e com a LGPD e não depende do link de internet para a linha continuar sendo medida. Com nuvem dedicada, não há servidor para manter na fábrica.

Nos dois casos, o que circula para o painel são eventos e indicadores, não o vídeo contínuo. O dado pode ser exportado para ERP, MES e Power BI.

## Por onde começar?

Projeto de visão computacional que começa pela planta inteira costuma travar. O caminho que funciona é o inverso:

1. **Escolha a perda mais cara.** Pode ser a linha com mais parada sem motivo, o produto com mais reclamação de cliente ou o turno em que a contagem nunca bate.
2. **Faça o levantamento das câmeras.** Verifique quais câmeras já cobrem os pontos de interesse e onde é preciso ajustar ângulo ou instalar uma nova.
3. **Valide contra uma referência.** Antes de confiar no número, compare a contagem ou a detecção do modelo com uma contagem de referência da própria linha.
4. **Amplie na mesma infraestrutura.** Com o primeiro módulo rodando, os demais são ativados no mesmo servidor e nas mesmas câmeras.

Para entender como cada módulo se aplica ao seu setor, veja os [segmentos industriais](https://uailook.com/segmentos).

## Perguntas frequentes

### Preciso trocar as câmeras da fábrica para usar visão computacional?

Na maioria dos casos, não. Os módulos usam as câmeras IP existentes, com integração nativa Hikvision e suporte a ONVIF e RTSP. O levantamento aponta apenas os pontos em que o ângulo ou a distância não permitem a leitura.

### Funciona em linha rápida?

O modelo é treinado com imagens da sua linha, na sua velocidade e iluminação, e validado contra a contagem de referência antes de entrar em operação. É nessa validação que se confirma se o ponto de câmera escolhido dá conta da velocidade.

### A visão computacional substitui o apontamento do operador?

Substitui a parte repetitiva: contar peças e marcar início e fim de parada. Quando o motivo da parada não é visível na imagem, o operador ainda confirma o motivo no painel, mas sobre um evento já registrado, com horário e duração.

### Dá para calcular o OEE só com câmera?

Sim, quando os três fatores são medidos: paradas com o uAiStop, produção com o uAiCount e refugo com o uAiCheck. Também é possível combinar a câmera com dados que já vêm de sensor ou do CLP nas máquinas que têm esse sinal.

### Quanto tempo leva para começar?

Depende do número de linhas, das câmeras disponíveis e de quantos produtos o modelo precisa aprender. O primeiro passo é um diagnóstico de 30 minutos com a engenharia, que define o escopo e a linha piloto.

---

Conteúdo técnico por Luiz Renato Rodrigues Carneiro, Diretor de P&D e cofundador (https://uailook.com/autores/luiz-renato-carneiro). Publicado em 2026-10-20, atualizado em 2026-10-20.

Versão canônica: https://uailook.com/blog/visao-computacional-na-linha-de-producao

Diagnóstico de 30 minutos: https://uailook.com/contact