Resumo
A identificação de defeitos em bordados e estampas durante o processo de produção representa um desafio crítico para o controle de qualidade na indústria de customização têxtil, especialmente devido à variabilidade dos padrões e da dependência de inspeção visual humana, que é suscetível à subjetividade e à fadiga. Nesse sentido, a aplicação de técnicas de visão computacional com o uso de câmeras inteligentes configura-se como uma alternativa promissora para automatizar e padronizar esse processo. Este estudo visa o desenvolvimento e a validação de um sistema automatizado para a detecção de anomalias em tempo real, utilizando técnicas de visão computacional. Trata-se de um estudo de caráter aplicado, com abordagem tecnológica, desenvolvido a partir da integração de técnicas de visão computacional e frameworks consolidados no mercado. A metodologia compreendeu a definição da arquitetura do sistema, a pesquisa bibliográfica, o treinamento de modelos de Deep Learning, a validação em um ambiente simulado, bem como a análise de repositórios técnicos e a validação de padrões de detecção. O sistema proposto demonstrou ser capaz de identificar falhas com alta precisão, contribuindo para a potencial redução de retrabalho, o aumento da padronização dos produtos e a otimização do controle de qualidade. Conclui-se que a visão computacional é uma estratégia eficaz para elevar a eficiência produtiva e a competitividade das empresas do setor.
Referências
ABADI, M. et al. TensorFlow: Large-scale machine learning on heterogeneous systems. 2015. Software available from: https://www.tensorflow.org. Acesso em: 15 jan. 2026.
BAI, J. et al. ONNX: Open Neural Network Exchange. GitHub repository, 2019. Disponível em: https://onnx.ai. Acesso em: 15 jan. 2026.
BARBOSA DE OLIVEIRA, G. DESEMPREGO TECNOLÓGICO NA INDÚSTRIA: UMA ANÁLISE SOBRE O SETOR TÊXTIL NO BRASIL. Revista Economia e Políticas Públicas, v. 9, n. 1, p. 1–35, 27 out. 2021.
BEWLEY, A. et al. Simple Online and Realtime Tracking. In: IEEE International Conference on Image Processing (ICIP), 2016. Anais [...]. IEEE, 2016.
BRADSKI, G.; KAEHLER, A. Learning OpenCV: Computer Vision with the OpenCV Library. Sebastopol: O’Reilly Media, 2008.
BROMLEY, J., Guyon, I., LeCun, Y., S¨ackinger, E., and Shah, R. Signature verification using a “siamese” time delay neural network. In Advances in neural information processing systems, 737–744, 1994.
CHOLLET, F. et al. Keras. 2015. Disponível em: https://keras.io. Acesso em: 15 jan. 2026.
CHOLLET, F. Deep Learning with Python. Shelter Island: Manning Publications, 2018.
CHOPRA, S., Hadsell, R., and LeCun, Y. Learning a Similarity Metric Discriminatively, with Application to Face Verification. 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR’05), 1, 539–546. doi:10.1109/CVPR.2005.202. 2005.
FIEG. Relatório sobre o posicionamento da Indústria Brasileira. 2018. Goiana.
HARANDI, M., Roy Kumar, S., and Nock, R. Siamese Networks: A Thing or Two to Know. Technical report. 2017.
JACOB, B. et al. Quantization and training of neural networks for efficient integer-arithmetic-only inference. In: Conference on Computer Vision and Pattern Recognition (CVPR), 2018. Anais [...]. IEEE, 2018.
JOCHER, G.; CHAURASIA, A.; QIU, J. YOLO by Ultralytics. 2023. Disponível em: https://docs.ultralytics.com/. Acesso em: 16 jan. 2026.
KHANG, Alex et al. Machine Vision and Industrial Robotics in Manufacturing: approaches, technologies, and applications. Boca Raton: Crc Press, 2025.
LECUN, Y.; BENGIO, Y.; HINTON, G. Deep learning. Nature, v. 521, p. 436‑444, 2015.
MITCHELL, T. M. Machine Learning. New York: McGraw‑Hill, 1997.
PEREIRA, Filipe et al. Intelligent Computer Vision System for Analysis and Characterization of Yarn Quality. Electronics, v. 12, n. 5, p. 1134, 2023.
SZELISKI, R. Computer Vision: Algorithms and Applications. 2. ed. Cham: Springer, 2022.
ULTRALYTICS. Ultralytics YOLOv8: state-of-the-art real-time object detection and vision models. PyPI, 2024. Disponível em: https://pypi.org/project/ultralytics/8.2.64//. Acesso em: 08 dez. 2025.
ULTRALYTICS. Explore Ultralytics YOLOv8 – models and documentation. 2025. Disponível em: https://docs.ultralytics.com/models/yolov8/ . Acesso em: 08 dez. 2025.
ULTRALYTICS. Explore Ultralytics YOLO26 – models and documentation. 2026. Disponível em: https://docs.ultralytics.com/pt/models/yolo26/ . Acesso em: 23 jan. 2026.
ULTRALYTICS. Ultralytics YOLO – official GitHub repository. 2022. Disponível em: https://github.com/ultralytics/ultralytics/ . Acesso em: 08 dez. 2025.

Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Copyright (c) 2026 Bruno Lucas Rodrigues da Silva, Diogo David Macêdo Sena, Jose Lucas da Silva Gomes, Rafael Avelino dos Santos, Stanley de Oliveira Souza, Filipe de Carvalho Pinto Raulino, Ivanilson França Vieira Júnior, Diego da Silva Pereira (Autor)