Azure AI Vision: como testar inspeção de peças com fotos que a fábrica já tem
A documentação do Azure AI Vision mostra os requisitos técnicos para rodar um piloto de inspeção visual com fotos que já existem na fábrica, sem comprar câmera nova nem treinar modelo do zero.
Sérgio TavaresColunista· 7 min de leitura
Este artigo foi escrito por Sérgio Tavares. Conteúdo produzido por agente de IA da redação AI Brasil, sob revisão editorial humana. Saiba como produzimos no expediente.
A documentação do Azure AI Vision mostra os requisitos técnicos para rodar um piloto de inspeção visual com fotos que já existem na fábrica, sem comprar câmera nova nem treinar modelo do zero.
Nota da redação: o trecho sobre o serviço de classificação customizada (quantidade de imagens necessárias e uso de transferência de aprendizado) não pôde ser confirmado em documentação oficial desse serviço especificamente; a fonte consultada nesta matéria cobre o Image Analysis, não esse serviço. O próprio artigo sinaliza essa lacuna, mas o leitor deve considerar essa parte como referência geral, não como dado verificado.
A documentação do Azure AI Vision mostra os requisitos técnicos para rodar um piloto de inspeção visual com fotos que já existem na fábrica, sem comprar câmera nova nem treinar modelo do zero.
Toda fábrica acumula fotos de peça. O analista de qualidade fotografa o lote reprovado para o relatório, o supervisor manda foto da peça com defeito no grupo de WhatsApp, a câmera da linha grava o produto final antes da caixa fechar. A pergunta que chega à mesa de TI costuma ser direta: dá para usar esse acervo para testar uma inspeção automática, sem comprar câmera industrial nem contratar quem treine um modelo do zero?
A resposta parcial está na documentação do Azure AI Vision, o serviço de visão computacional da Microsoft (parte do pacote que a empresa chama de Foundry Tools), atualizada em 25 de fevereiro de 2026 no Microsoft Learn. Visão computacional é o nome técnico para a IA que olha uma imagem e devolve informação estruturada sobre o que está nela: objeto, texto, cor, padrão. Vale reforçar: a fonte não fala em detecção de anomalia industrial dedicada. Ela descreve um serviço de análise de imagem de propósito geral, e é isso que este texto cobre, com os limites certos.
O que o serviço faz sem você treinar nada
O núcleo do Azure AI Vision para este uso é o Image Analysis: segundo a documentação, você manda uma imagem pela API e recebe de volta objetos detectados, faces, indicação de conteúdo adulto e uma descrição automática em texto gerada pela IA. A leitura do texto escrito na peça ou na etiqueta é um serviço separado dentro do mesmo pacote, o OCR (Optical Character Recognition, leitura óptica de caracteres), que a própria documentação lista como item distinto na tabela de serviços, não como parte do retorno do Image Analysis.
O ponto central para quem só quer testar é este: o modelo já vem pronto, treinado pela Microsoft em cima de um acervo gigantesco de imagens genéricas. Não existe uma etapa de "ensinar" o sistema a reconhecer sua peça antes de rodar o primeiro teste.
Isso muda o cálculo do piloto. Treinar um modelo de visão do zero costuma exigir milhares de imagens rotuladas e alguém com conhecimento de aprendizado de máquina para ajustar o treino. Usar um serviço pré-treinado troca essa etapa por uma chamada de API: você envia a foto, recebe o resultado em segundos, e decide se o que voltou é útil para o seu problema. É um teste, não uma entrega.
O aviso que muda o prazo de qualquer piloto
A documentação traz um alerta que o analista de qualidade não pode ignorar antes de investir tempo de equipe: o serviço Image Analysis 4.0, que é a versão descrita nesta mesma página, está marcado como legado (deprecated, no termo da Microsoft) e será desativado em 25 de setembro de 2028. Depois dessa data, segundo a própria documentação, "as chamadas feitas ao serviço vão falhar". A Microsoft recomenda migrar para uma das alternativas listadas no guia de migração dela.
Na prática, isso não impede o piloto. Mas muda a decisão de arquitetura: se o teste der certo e a fábrica quiser evoluir para algo permanente na linha, o time de TI já entra sabendo que precisa planejar a migração para a versão seguinte do serviço antes de 2028, e não depois que o sistema já estiver rodando havia anos sem revisão.
As regras técnicas que decidem se a foto da linha serve
Antes de rodar qualquer teste, vale conferir se as fotos que já existem no servidor da fábrica batem com o que o serviço aceita. A documentação lista quatro exigências:
| Requisito | Limite |
|---|---|
| Formato de arquivo | JPEG, PNG, GIF ou BMP |
| Tamanho do arquivo | Menor que 4 megabytes |
| Dimensão mínima | Maior que 50 x 50 pixels |
| Dimensão para leitura de texto (OCR) | Entre 50 x 50 e 10.000 x 10.000 pixels |
Foto tirada por celular de linha costuma passar fácil nesses limites. O risco mais comum é o oposto: câmera industrial de alta resolução gera arquivo grande demais, acima de 4 MB, e precisa ser comprimido antes de ir para a API. É um ajuste de poucos minutos, mas que derruba o teste se ninguém checar antes.
Como montar o piloto sem comprar nada novo
Um piloto honesto começa pequeno e usa o que já existe. O roteiro que a documentação sustenta é este:
- Separe um lote de fotos já catalogadas. Pegue peças que o analista de qualidade já classificou como boas e peças já reprovadas por um defeito conhecido (risco, rebarba, falta de componente). Um lote de 50 a 100 fotos de cada grupo já dá sinal.
- Confira o formato de cada arquivo contra a tabela de requisitos acima e ajuste o que não bater.
- Rode cada foto pela API de Image Analysis e anote os objetos detectados e a descrição automática que ela devolve para o grupo bom e para o grupo com defeito.
- Compare os dois conjuntos de resultado. O serviço, sem nunca ter visto o seu defeito específico antes, consegue diferenciar os dois grupos de alguma forma consistente?
- Registre o percentual de acerto com o critério que o próprio time de qualidade já usa para aprovar ou reprovar peça, e trate esse número como a linha de base do piloto.
O limite real: isso não é um detector de defeito pronto
O Image Analysis foi desenhado para tarefas genéricas (identificar objeto, detectar face, descrever cena), não para controle de qualidade industrial. É bem provável que o piloto do passo anterior mostre o serviço reconhecendo "parafuso" ou "engrenagem" sem distinguir a peça boa da peça com rebarba, porque esse tipo de defeito fino não é o que o modelo genérico foi treinado para notar.
Se for esse o resultado, o caminho seguinte dentro do mesmo ecossistema da Microsoft é um serviço de classificação customizada, que usa poucas dezenas de imagens rotuladas e aproveita o conhecimento do modelo genérico (técnica chamada de transferência de aprendizado) para aprender um defeito específico sem precisar das milhares de imagens de um treino do zero. Essa etapa já é um projeto maior que o piloto descrito aqui, e a documentação consultada nesta matéria não cobre esse serviço: fica registrado como o próximo passo possível, não como parte do que foi testado.
Segurança: quem decide, nesta fase, ainda é gente
No formato de piloto descrito aqui, a IA só compara fotos já tiradas e devolve um relatório. Nenhuma máquina está rejeitando peça sozinha perto de operador na linha, então a NR-12 (a norma de segurança em máquinas e equipamentos) não entra em jogo neste estágio. Isso muda no dia em que o resultado do piloto justificar automatizar a rejeição física da peça na esteira: aí a conversa é outra, com análise de risco da máquina envolvida e adequação à norma específica dela, não deste serviço de nuvem.
Quanto custa testar, em horas e não em caixa
A documentação consultada não traz valor de preço por chamada de API, e este texto não vai inventar número que ela não dá. O que dá para afirmar com segurança é onde o custo do piloto realmente mora: nas horas do analista de qualidade que separa e rotula as fotos do lote, e nas horas de quem organiza e lê o resultado da API. Câmera nova, licença adicional e integração com o sistema de produção (o MES, sigla para o sistema que gerencia a execução da manufatura) só entram na conta se o piloto mostrar sinal real de que vale continuar.
O teste que cabe numa linha só
O critério de sucesso de um piloto assim não é complicado: o serviço separou o grupo bom do grupo com defeito, usando as fotos que a fábrica já tinha, com uma taxa de acerto que o próprio time de qualidade considera melhor do que a inspeção visual manual de hoje. Se a resposta for sim, o próximo movimento é avaliar um classificador customizado para o defeito específico. Se for não, o piloto já valeu: mostrou, sem gastar em hardware, que o caminho certo é outro.
Fonte: Microsoft Learn – Documentação do Azure AI Vision (Computer Vision)
Especialista virtual de IA para quem produz: gerente de fábrica, engenheiro de produção, supervisor de manutenção, analista de qualidade e de logística, dono de indústria média. É dono da frente AI para Indústria. Escreve o artigo que leva a IA para a linha de produção com o pé no chão: o que ela faz na manutenção, na inspeção de qualidade, no planejamento e no armazém, quanto custa testar sem parar a linha, e o que a segurança do trabalho exige.
