Computador para visão artificial: como escolher a GPU, as câmaras e o formato

O que faz o computador num sistema de visão

Recebe as imagens das câmaras, prepara-as (recorte, correção de luz, alinhamento), executa o algoritmo ou o modelo de IA e devolve uma decisão: peça boa ou defeituosa, uma medida dentro ou fora da tolerância, um código lido ou não. Essa decisão vai para o PLC da linha, que rejeita a peça ou para a máquina.

Tudo isto acontece dentro de um tempo máximo por peça, definido pela velocidade da linha. Por isso, o computador não se escolhe pela ficha técnica mais longa, mas pelo que tem de fazer nesse tempo, com todas as câmaras ao mesmo tempo e durante turnos inteiros.

A GPU: dimensione-a pelo modelo, não pelo catálogo

Se o sistema usa deep learning (classificar, detetar ou segmentar defeitos), a inferência corre na GPU. O que a limita é a sua memória (VRAM): tem de conter o modelo, as imagens processadas ao mesmo tempo e, se houver vários modelos, todos eles.

Como referência: um modelo de deteção ou classificação com uma ou duas câmaras corre bem numa placa de 8 a 16 GB; várias câmaras de alta resolução, segmentação ou vários modelos ao mesmo tempo pedem 16 a 32 GB. Em linhas que trabalham 24 horas por dia, as placas RTX PRO trazem memória ECC, consumo moderado (a RTX PRO 2000 Blackwell consome 70 W e é de perfil baixo) e versões de uma só ranhura para caixas compactas.

Câmaras e interfaces: cada uma precisa de uma porta diferente

O GigE Vision é o mais comum na indústria: câmaras por cabo de rede, muitas vezes alimentadas por PoE. Uma placa de rede com uma porta por câmara (ou um switch dedicado) e jumbo frames ativados evitam que as imagens concorram com outro tráfego.

O USB3 Vision é simples e barato, mas cada câmara precisa da sua própria largura de banda: controladores USB independentes são melhores do que um hub. O CoaXPress e o Camera Link usam uma placa de captura numa ranhura PCIe, por isso é preciso contar ranhuras e linhas PCIe livres além das da GPU.

Processador, memória e disco

O processador prepara as imagens, gere as câmaras e executa a visão clássica (medições, padrões, leitura de códigos), que muitas vezes não precisa de GPU. Com várias câmaras, mais núcleos ajudam. Memória: 32 a 64 GB consoante o número de câmaras e o tamanho das imagens.

O disco depende de quanto guarda: uma câmara monocromática de 5 megapíxeis a 20 imagens por segundo produz cerca de 100 MB/s. Guardar tudo exige NVMe rápido e muita capacidade; o habitual é guardar só as peças rejeitadas e uma amostra das boas, para voltar a treinar o modelo.

Formato: quadro, máquina ou secretária

Sem deep learning, um PC industrial sem ventoinhas vai dentro do quadro elétrico, numa calha DIN ou na própria máquina, sem peças móveis que acumulem pó. Com GPU, um compacto com fluxo de ar filtrado ou uma torre no armário de controlo. Se o ambiente for exigente (vibração, pó, humidade), uma gama industrial testada segundo a MIL-STD-810H.

Verifique também a alimentação (muitos quadros fornecem 24 V DC), o arranque automático após um corte de energia e que o equipamento é testado dentro da caixa definitiva, não numa bancada.

Ligação ao PLC e à fábrica

A decisão tem de chegar ao PLC: por E/S digitais (para disparar a câmara e rejeitar a peça) ou por um bus industrial como Profinet, EtherNet/IP, Modbus TCP ou OPC UA, consoante o que a linha usa. Se for preciso, acrescenta-se uma placa de E/S ou uma segunda porta de rede dedicada.

Além disso, um watchdog que reinicia o equipamento se bloquear e uma imagem de sistema congelada, para que todos os equipamentos da fábrica sejam idênticos e se troquem em minutos.

Pontos de partida indicativos

Se o sistema é o seu produto: o mesmo equipamento durante anos

Quando o sistema de visão é o que vende, o problema muda: precisa de que o computador seja igual na unidade um e na unidade cem, durante anos, com a sua imagem carregada e um número de série rastreável. É para isso que serve o programa OEM: plataforma congelada, teste de 24 horas por unidade e substituição imediata.