Instance Segmentation via Deep Learning for Machinery Monitoring in Industry 5.0

• Carlos Alves Lavor Neto UEA
• Elloá B. Guedes UEA

DOI: https://doi.org/10.5753/eniac.2026.29866

Resumo

Visando contribuir para a inspeção visual automatizada na Indústria 5.0, este trabalho apresenta uma análise comparativa de modelos inteligentes para segmentação de instâncias de defeitos em fusos de esfera. O benchmark BSData foi utilizado para avaliar modelos especializados treinados de ponta a ponta (YOLO26-seg) e modelos de fundação em regime zero-shot (SAM2 e SAM3). Sob um protocolo experimental unificado, foi possível identificar a arquitetura SAM2 Hiera-T como solução candidata com mAP@0,5 de 0,799, mIoU de 0,632 e taxa de inferência de 8,6FPS. O modelo selecionado apresenta robustez adaptativa e supera o baseline de segmentação de instâncias previamente reportado para o BSData.

Referências

Carion, N., Gustafson, L., Hu, Y.-T., Debnath, S., Hu, R., Suris, D., Ryali, C., Alwala, K. V., Khedr, H., Huang, A., Lei, J., Ma, T., Guo, B., Kalla, A., Marks, M., Greer, J., Wang, M., Sun, P., Rädle, R., Afouras, T., Mavroudi, E., Xu, K., Wu, T.-H., Zhou, Y., Momeni, L., Hazra, R., Ding, S., Vaze, S., Porcher, F., Li, F., Li, S., Kamath, A., Cheng, H. K., Dollár, P., Ravi, N., Saenko, K., Zhang, P., and Feichtenhofer, C. (2025). SAM 3: Segment anything with concepts. arXiv preprint arXiv:2511.16719.

Landgraf, J., Kompenhans, M., Christ, T., Roland, T., and Heinig, A. (2023). Computer vision for industrial defect detection. In Materials Research Proceedings, volume 25 of Sheet Metal 2023, pages 371–378. Materials Research Forum LLC.

Leng, J., Sha, W., Wang, B., Zheng, P., Zhuang, C., Liu, Q., Wuest, T., Mourtzis, D., and Wang, L. (2022). Industry 5.0: Prospect and retrospect. Journal of Manufacturing Systems, 65:279–295.

Padilla, R., Netto, S. L., and da Silva, E. A. B. (2020). A survey on performance metrics for object-detection algorithms. In 2020 International Conference on Systems, Signals and Image Processing (IWSSIP), page 237–242. IEEE.

Ravi, N., Gabeur, V., Hu, Y.-T., Hu, R., Ryali, C., Ma, T., Khedr, H., Rädle, R., Rolland, C., Gustafson, L., Mintun, E., Pan, J., Alwala, K. V., Carion, N., Wu, C.-Y., Girshick, R., Dollár, P., and Feichtenhofer, C. (2024). SAM 2: Segment anything in images and videos. arXiv preprint arXiv:2408.00714.

Ryali, C., Hu, Y.-T., Bolya, D., Wei, C., Fan, H., Huang, P.-Y., Aggarwal, V., Chowdhury, A., Poursaeed, O., Hoffman, J., Malik, J., Li, Y., and Feichtenhofer, C. (2023). Hiera: A hierarchical vision transformer without the bells-and-whistles. In Proceedings of the 40th International Conference on Machine Learning (ICML), pages 29441–29454.

Schlagenhauf, T., Landwehr, M., and Fleischer, J. (2021). Industrial machine tool component surface defect dataset. Data in Brief, 39:107643.

Singh, T., Singh, D., Singh, C. D., and Singh, K. (2023). Industry 5.0, chapter 2, pages 21–45. John Wiley & Sons, Ltd.

Teodoro, G. S. and Guedes, E. B. (2023). Detecção inteligente de defeitos para indústria 4.0: Um estudo de caso com modelos Single-Shot YOLO. In Proceedings do Simpósio Brasileiro de Sistemas Elétricos, Manaus - AM, Brasil. SBA Sociedade Brasileira de Automática.

Ultralytics (2026). Instance segmentation with ultralytics yolo26. Acesso em: 27 maio 2026.

Zhu, Y. and Lin, Y.-C. (2026). Lims-net: Lightweight metal surface defect detection network. Displays, 91:103227.