Análise comparativa de modelos de aprendizado de máquina aplicados à triagem de componentes automotivos para reaproveitamento

Abstract

A crescente demanda pelo remanufaturamento de componentes automotivos tem impulsionado o desenvolvimento de métodos capazes de tornar o processo de inspeção mais rápido, confiável e padronizado, permitindo identificar componentes aptos à reutilização e reduzir descartes desnecessários. Nesse contexto, a visão computacional apresenta-se como uma alternativa para automatizar essa etapa do processo. Assim, este trabalho teve como objetivo avaliar comparativamente o desempenho do modelo especializado YOLOv8n e do Vision-Language Model InternVL 3.5 8B na classificação de bicos injetores e velas de ignição quanto à aprovação e rejeição. Para isso, foi construída uma base de imagens adquiridas por câmera digital do tipo webcam Logitech C922 PRO HD, posteriormente dividida em conjuntos de treinamento, validação e teste, sendo este último utilizado na avaliação de ambos os modelos. O InternVL 3.5 8B foi empregado em modo zero-shot, utilizando engenharia de prompt, sem necessidade de treinamento adicional. A comparação foi realizada por meio das métricas de acurácia, precisão, recall, F1-score e matriz de confusão, além de indicadores de custo computacional, incluindo tempo de inferência, taxa de processamento, consumo de memória e tamanho do modelo. Os resultados demonstraram que o YOLOv8n apresentou melhor desempenho na classificação de bicos injetores e maior eficiência computacional, enquanto o InternVL 3.5 8B obteve melhores resultados na classificação de velas de ignição. Conclui-se que ambas as abordagens apresentam potencial para aplicações de inspeção automatizada em processos de remanufaturamento, sendo a escolha do modelo dependente das características dos componentes analisados e dos requisitos da aplicação.