O RaspCam é um protótipo de inspeção visual automatizada de peças: uma placa Raspberry Pi com câmera captura as imagens e um laptop faz o alinhamento, a comparação com um modelo de detecção de anomalias e o laudo. O objetivo do projeto é montar um dataset de peças para visão computacional e, sobre ele, fazer inspeção automática de defeitos aprendendo só com peças boas, porque peça defeituosa é rara por definição.

Em 25 de setembro de 2026 foi feito um teste de fumaça (smoke test) para verificar se o ciclo completo, da captura ao laudo, roda de ponta a ponta sem intervenção manual. A peça foi um protetor térmico em chapa de aço polido, com 250 mm na maior dimensão, e o modelo foi treinado com 20 peças boas. O operador põe a peça sob a câmera e aperta ENTER no laptop; a placa captura a foto e a guarda no dataset; o laptop baixa a imagem, alinha a peça à pose de referência, compara com o modelo e mostra o veredito (aprovada, suspeita ou indeterminada), gravando um mapa de calor quando há suspeita.

Nas duas primeiras rodadas, com a peça sem defeito, o veredito foi aprovada (IoU de 0,910 e 0,908, acima do corte de 0,80). Na terceira, uma tira de fita preta colocada sobre a chapa para simular um defeito fez o sistema apontar uma região suspeita, com 3,75% da peça e 13,9 desvios-padrão fora do normal (o limiar é 4,0), e o mapa de calor cercou exatamente a fita. O sistema não reconhece “fita”: só aponta o que não se parece com as peças boas.

O próprio relatório deixa claro que o protótipo é não funcional e que o teste mede integração, não desempenho. O ensaio foi feito com luz natural de janela, sem gabarito de posição e com um escritório em uso ao redor, sobre uma chapa polida que reflete o ambiente; o modelo foi treinado em outro dia, com outra luz; e três rodadas com um único defeito simulado não dão base estatística. Nenhum veredito deve ser usado para aprovar ou reprovar peça real.

Os próximos passos são escurecer o gabarito e difundir a luz, isolando a bancada da janela; refazer o teste de posicionamento com 10 fotos, exigindo IoU de pelo menos 0,95; recoletar as peças boas e treinar um novo modelo na bancada controlada; e medir falsos positivos e falsos negativos antes de ajustar qualquer limiar.

Relatório completo, com o vídeo do ensaio (79 s): https://cavamura.github.io/raspcam/