Inteligência Artificial para a identificação, reconhecimento e cotagem automática de desenhos técnicos

Situação Inicial

A Schulz Automotiva se consagra como referência mundial em fundição de ferro nodular e cinzento, usinagem, pintura e montagem de peças e subsistemas automotivos. A empresa é considerada a maior fundição com usinagem integrada do Brasil em seu segmento de atuação. Por este motivo, é reconhecida como a melhor fornecedora global de vários clientes. Esses clientes provocam a cadeia produtiva Schulz na origem, pois deles provém o projeto das peças. Nosso trabalho de engenharia se dá para garantir a fabricação dos componentes e atender a todas as suas especificações. Somente com a avaliação técnica sobre a viabilidade de produção de cada solicitação, suas revisões e alterações, o fluxo de produção se inicia. Por isso, as dimensões da peça, suas tolerâncias e parâmetros de usinagem são de fundamental análise e devem ser inseridas no sistema de controle e gestão da qualidade para que sejam certificados as condições e os requisitos de fabricação na execução de novos projetos. O trabalho de conferência e cotagem era feito por dois analistas e dois engenheiros que realizavam o recebimento dos documentos, a identificação com carimbos de cada cota e a transcrição de seus valores identificados para o banco de qualidade. Frequentemente cada folha de desenho possui centenas de cotas e é usual que cada projeto passe por mais de uma revisão. Além de representar uma tarefa que demanda grande carga horária do time, algo em torno de 2500 horas/ano, retém ativos de engenharia em processos morosos e altamente repetitivos sem acrescentar valor aos processos de desenvolvimento. Entretanto, posta a grande diversidade de peças produzidas e de padronização nos desenhos recebidos, o desafio de extrair as cotas e identificar suas especificações para o projeto se mostrava inerente à execução humana.

SITUAÇÃO FINAL

O processo de conferência e identificação de cotas passou a ser automatizado através de uma aplicação desenvolvida internamente. Os desenhos recebidos em PDF ou arquivos de imagem têm suas cotas automaticamente identificadas e suas informações reconhecidas (valores nominais, tolerâncias dimensionais e geométricas, rugosidade superficial e tipo de cota), além disso, passou a ser automática também a disposição dos carimbos que indicam cada cota e a inserção dos valores obtidos no banco de gerenciamento de qualidade. O tempo de processamento leva não mais que alguns minutos permitindo simultânea interação humana para supervisão dos resultados, visto a sensibilidade da operação. Assim, conseguimos uma redução estimada em 96% na demanda dos recursos de engenharia para essa atividade, que agora somada a operação de inspeção dos resultados é de aproximadamente 100 horas/ano. Por fim, percebemos a aderência da solução em outras demandas de desenvolvimento da empresa e conseguimos ganhos de escalabilidade nos resultados.

METODOLOGIAS E FERRAMENTAS UTILIZADAS

O planejamento do projeto possuía dois objetivos principais: promover uma solução ponta-a-ponta através RPA (Robotic Process Automation) para o trabalho de conferência e cotagem, e também testar novos modelos de contratação e internalização de conhecimentos através do programa INOVA Talentos, junto a Fapesc. Uma vez selecionado o bolsista-pesquisador responsável pela execução das atividades, partimos para a verificação das capacidades internas relacionadas à ferramenta de RPA no escopo da transformação digital da empresa. Essa alternativa não se mostrou capaz já que se destina a processos com alto grau de padronização, e não abrange tecnologias que permitam a construção de uma inteligência operacional abstrata para os diferentes tipos de informação e padrões de desenho. O benchmarking com outras soluções comerciais para o processo de cotagem também identificou insuficiências dessas ferramentas que geralmente são vinculadas a softwares específicos que ou demandam informações nativas do projeto CAD ou fixam a extensão dos documentos suportados sem integração com diferentes plataformas. Por isso, o desenvolvimento do projeto se deu de forma a integrar capacidades já estabelecidas e o banco de dados interno com metodologias que corresponderam a inovações introduzindo ferramentas de inteligência artificial e visão computacional para o rol de recursos tidos como expertise da empresa. Começamos por analisar o fluxograma do processo de conferência e cotagem de desenhos e avaliar etapas viáveis para a inferência dos modelos de machine learning: a identificação das cotas do desenho e o reconhecimento/transcrição dos valores das cotas. Trabalhamos também na identificação da construção do valor agregado em cada etapa da tarefa, estabelecendo parâmetros críticos que correspondiam a exigências de satisfação mínimas, como por exemplo: a solução deveria atender aos desenhos vindos do cliente sem alterações nos formatos PDF ou arquivos de imagem. A partir da revisão da literatura específica selecionamos as ferramentas que exibiam maior capacidade de gerar resultados de forma robusta e realizamos uma prova de conceito (PoC) que superou os resultados obtidos no benchmarking. Seguimos então com a obtenção, sanitização e validação dos dados para treinamento dos modelos a partir do banco de dados da empresa e do padrão estabelecido para seleção de informações, identificando clientes com maior representatividade que pudessem abranger a maior parte dos cenários possíveis. Os modelos de detecção de objetos utilizados para identificação das cotas atingiram uma precisão de 90% e correspondem a uma performance em torno de 85%. Estes modelos geralmente têm sido aplicados para identificação de objetos em cenários do mundo real, humanos, animais ou quaisquer outros objetos que possam ser identificados em vídeos ou imagens. Porém, sua aplicação não era amplamente descrita na análise de documentos computadorizados especialmente para o processo de conferência de desenhos técnicos. Já para os modelos de reconhecimento ótico de caracteres (OCR), geramos dados simulados e treinamos os algoritmos com segmentação de caracteres e identificação da semântica dos elementos, atingindo uma precisão de cerca de 85%, o que atende de forma satisfatória elementos com texto e semântica simples. Melhorias ainda estão sendo feitas, especialmente para aumentar a taxa de acerto na identificação de símbolos não alfanuméricos e arquivos com menor resolução. Todo esse desenvolvimento foi realizado em Python e resultou na construção de uma aplicação gráfica para interação humana que habilita os usuários a fazerem correções quando necessário, retroalimentando os algoritmos de treinamento com as novas inspeções. Isso ajuda a construir confiança na aplicação além de contribuir com a melhoria contínua da solução. Outras ferramentas também tiveram que ser implementadas sintetizando as etapas manuais do processo de conferência inicial numa solução ponta-a-ponta automatizada. Nosso software identifica as cotas, reconhece e transcreve as informações, faz a disposição dos balões de identificação, com visão computacional, e também trata do versionamento das revisões do desenho. Por fim, todos os dados identificados são salvos no próprio documento conferido e as informações são inseridas automaticamente no banco de gestão da qualidade da empresa através RPA da empresa que nessa etapa sim consegue manipular os dados que já se encontram estruturados.

IMPACTO NO CLIENTE

Este trabalho envolveu diretamente duas áreas da empresa: o desenvolvimento se deu junto ao time de Tecnologia da Informação e Comunicações e a demanda principal correspondeu às solicitações do time de Desenvolvimento de Produtos, que é identificado como cliente primário da solução. Entretanto, como a atividade desenvolvida por estes também é a resposta para o time de Inspeção da Qualidade, podemos identificar aí um cliente secundário. Para os usuários diretos a implantação da solução correspondeu a ganhos mais significativos, a automatização do processo reduziu a carga horária da atividade que inicialmente levava de 12 a 16h por peça para cerca de 30 minutos, um ganho de 96% no tempo desses recursos de engenharia, o que equivale a um ganho de 2400 horas/ano liberadas para outras atividades. Isso ainda significa pouco, levado em conta o ganho em qualidade da execução por ser um processo altamente repetitivo, moroso e com pouca geração de valor para o trabalho dos colaboradores. Além disso, a internalização do desenvolvimento da solução permitirá a finalização de licenças dos programas que eram utilizados anteriormente para a operação. Para os clientes secundários, também há o ganho no tempo de resposta o que torna a macroprocesso mais dinâmico e com resultados mais padronizados.

LIÇÕES APRENDIDAS/COMPARTILHADAS

O desenvolvimento do projeto contribuiu expressivamente com o avanço da trilha de inovação na Schulz. Conseguimos mostrar a viabilidade da execução de tecnologias inovadoras, do desenvolvimento de talentos internos e da construção de expertise de ponta dentro da empresa. Sob o aspecto estratégico, o desenvolvimento e a introdução de novas ferramentas tornaram tecnologias de inovação mais familiares ao ambiente interno Schulz, especialmente as de inteligência artificial, machine learning, visão computacional e python; o que, no panorama anterior ao projeto eram tratados como atividades de desenvolvimento externo. Isso representou uma ampliação das possibilidades tecnológicas e know-how, trazendo o desenvolvimento das soluções para o ambiente interno. Assim, e justamente por isso, foi necessário desenvolver competências que não estavam inicialmente no escopo. Deve-se lembrar também que o projeto como um todo pretendeu testar novos formatos de contratação, os resultados foram satisfatórios a ponto de motivar a contratação de novos profissionais pelo mesmo programa. O nível de aprendizado construído com o projeto também implicou na ampliação da utilização das ferramentas de machine learning para outras demandas da empresa. Tudo isso se converteu na capacitação dos colaboradores para novas ferramentas tecnológicas de integração digital e esclareceu alguns dos caminhos possíveis para a automatização de processos e inteligência artificial, ampliando o horizonte da inovação e das novas transformações digitais na indústria 4.0.

INFORMAÇÕES ADICIONAIS

Este trabalho participou do Prêmio Inova Talentos realizado junto ao IEL e à Fiesc e foi vencedor na categoria Projeto Inovador, etapa estadual de Santa Catarina, que contempla como um todo o melhor projeto desenvolvido no escopo do programa, bem como o bolsista pesquisador e a empresa como responsáveis pelas melhores práticas de inovação.