A indústria de painéis compensados apresenta uma grande flexibilidade no ajuste de seus processos produtivos e esta vantagem permite absorver matérias-primas de espécies florestais não-convencionais disponíveis no mercado, mesmo aquelas que não foram originalmente desenvolvidas para seu segmento. Contudo, é necessário verificar se os novos produtos disponibilizados ao consumidor atendem aos requisitos técnicos regulamentados. Dentre as formas de avaliação de compensados destacam-se os ensaios mecânicos da resistência, rigidez e qualidade de colagem. Entretanto, para a qualidade de colagem é solicitada a mensuração visual do percentual de falha na madeira. Esta etapa é subjetiva, morosa, de difícil treinamento e normalmente negligenciada pelas indústrias. Contudo, nas últimas duas décadas o intenso desenvolvimento da ciência de visão computacional permitiu a automatização de inúmeras análises visuais, oferecendo resultados com acurácia e velocidade superior à classificação humana. Na indústria florestal estes sistemas já são utilizados para a classificação qualitativa de tábuas e lâminas, entretanto, ainda não existem sistemas desenvolvidos para a avaliação visual da qualidade de colagem de painéis compensados. O presente trabalho teve por objetivo desenvolver uma metodologia automatizada para a avaliação visual da qualidade de colagem de painéis compensados com acurácia igual ou superior à classificação humana. Para o desenvolvimento do sistema de visão computacional de determinação da qualidade de colagem foram produzidos 32 painéis de cinco lâminas de 2 mm de espessura com duas espécies não-convencionais, o Pinus kesiya (30 anos) e o Eucalyptus grandis X Eucalyptus urophylla (9 anos). O experimento 1 utilizou o adesivo fenol-formaldeído (FF), enquanto o experimento 2 utilizou ureia-formaldeído (UF). Nos experimentos foram utilizadas as gramaturas de 200 e 175 g/m² e o ciclo de prensagem de 10 minutos para P. kesiya e 11 minutos para E. grandis x E. urophylla. A temperatura de prensagem foi de 150°C para FF, e 130°C para UF. Nos experimentos foram avaliadas a massa específica dos painéis (ME) (ABNT NBR 9.485, 2011), a resistência e rigidez à flexão estática (ABNT NBR 9.533, 2012) em módulo de ruptura (MOR) e o módulo de elasticidade (MOE). A qualidade de colagem foi verificada pelo cisalhamento na linha de cola (ABNT NBR 12.466-1, 2012), pela tensão máxima (Tmax) e percentual de falha na madeira (WF%). A análise dos dados foi realizada pelo teste T de Student (5%) e os resultados foram comparados aos requisitos das normas citadas e do Catálogo Técnico n° 1 da ABIMCI (2002). O experimento 3 desenvolveu um sistema de visão computacional com uso de redes neurais convolucionais (CNN) em que foi utilizado um banco de imagens das amostras de WF% dos experimentos anteriores (n = 4.800). Foram avaliados cinco modelos (Pinus, Eucalyptus, FF, UF e Generalista), para o reconhecimento de cinco classes de qualidade (C1, C2, C3, C4 e C5), adaptado da norma NBR 12.466-1 (ABNT, 2012). Todos os cinco modelos utilizaram 75% das imagens para treinamento e 25% para validação. Como resultados do primeiro experimento, os painéis fenólicos produzidos com lâminas de E. grandis X E. urophylla apresentaram maiores valores para ME e MOE, enquanto para MOR houve equivalência entre os tratamentos avaliados. Para Tmax e WF%, os painéis produzidos com P. kesiya foram superiores nas três condições avaliadas (seco, água fria e ciclo BDB) e apenas o tratamento que utilizou E. grandis X E. urophylla e a gramatura de 200 g/m² não atingiu os requisitos da norma NBR 12.466 (2012). Para o segundo experimento, foi verificado que em todas as propriedades avaliadas (ME, MOR, MOE, Tmax e WF%) os tratamentos da espécie E. grandis X E. urophylla foram superiores aos tratamentos da espécie P. kesiya. No terceiro experimento os modelos apresentaram acurácia de classificação superior à classificação humana, Pinus (92,46%), Eucalyptus (91,84%), FF (94,96%), UF (60,90%) e generalista (94,36%). Os modelos apresentaram maior acurácia para as classes extremas (C1 e C5) e apenas o modelo UF não foi capaz de classificar imagens da classe C1. Como conclusões, no experimento 1 recomenda-se o uso da gramatura de 175 g/m² para as duas espécies na produção de compensados fenólicos. Para o experimento 2, todos os tratamentos atenderam aos requisitos normativos para compensados de uso interno. No experimento 3, foi verificado que a utilização de CNNs para a classificação visual da qualidade de colagem de compensados é eficiente e bastante promissora. No entanto, é necessário expandir o banco de imagens para equilibrar o número amostral entre as classes e possibilitar a classificação entre 10 classes como solicita a NBR 12.466 (ABNT, 2012).

The plywood industry has great flexibility in adjusting its production processes, this advantage allows it to absorb raw-materials from non-conventional forest species available on the market, even those that were not originally developed for its segment. However, it is necessary to verify that the new products made available to the consumer fulfill the regulated technical requirements. Among the manners of plywood evaluation, the mechanical tests of resistance, stiffness, and bonding quality of the panels stand out. However, for the bonding quality, a visual measurement of the of wood failure percentage is required. This step is subjective, time-consuming, difficult to train and often neglected by industries. However, in the last two decades, the intense development of computer vision science allowed the automation of several visual analyses, providing results with higher speed and accuracy than human classification. In the forest industry, these systems are already used for qualitative classification of boards and veneers. However, there are still no systems developed for the visual assessment of the plywood bonding quality. This study aimed to develop an automated methodology for visual assessment of the plywood bonding quality that presents an accuracy equal to or greater than human classification. The development of the computer vision system for bonding quality determination, were produced 32 five-ply panels of 2 mm thick veneer, two non-conventional species were used, the Pinus kesiya (30 years) and the Eucalyptus grandis x Eucalyptus urophylla (9 years). Experiment 1 used the phenol-formaldehyde (FF) adhesive, and the experiment 2 used urea-formaldehyde (UF). The experiments used weights of 200 and 175 g/m² and a pressing cycle of 10 minutes for P. kesiya and 11 minutes for E. grandis x E. urophylla, the pressing temperature was 150°C for FF, and 130°C for UF. The experiments evaluated the specific mass of the panels (ME) (ABNT NBR 9.485, 2011), the resistance and stiffness to static bending (ABNT NBR 9.533, 2012) in modulus of rupture (MOR) and modulus of elasticity (MOE). Bonding quality was verified by shear test in the glue line (ABNT NBR 12.466-1, 2012), by maximum tension (Tmax) and percentage of wood failure (WF%). Data analysis was performed by Student's t test (5%) and the results were compared to the requirements of the aforementioned standards and the ABIMCI Catálogo Técnico N 1 (2002). The experiment 3 developed a computer vision system using convolutional neural networks (CNN), using an image bank of WF% samples from previous experiments (n = 4800). Five models were evaluated (Pinus, Eucalyptus, FF, UF and generalist), for the recognition of five bonding quality classes (C1, C2, C3, C4 and C5), adapted from the NBR 12.466-1 (ABNT, 2012) standard. All five models used 75% of the images for training and 25% for validation. As a result of the first experiment, the phenolic panels produced with E. grandis x E. urophylla veneer presented higher values for ME and MOE, while for MOR there was equivalence between the evaluated treatments. For Tmax and WF%, the panels produced with P. kesiya were superior in the three conditions evaluated (dry, cold water, and BDB cycle). Only the treatment that used E. grandis x E. urophylla and the weight of 200 g/m² did not reach the requirements of NBR 12.466 (2012) standard. For the second experiment, it was verified that in all evaluated properties (ME, MOR, MOE, Tmax and WF%) the treatments of the species E. grandis x E. urophylla were superior to the treatments of the species P. kesiya. In the third experiment, the models presented classification accuracy superior to the human classification, Pinus (92.46%), Eucalyptus (91.84%), FF (94.96%), UF (60.90%) and generalist (94. 36%). The models were more accurate for the extreme classes (C1 and C5) and only the UF model was not able to classify images from the C1 class. As conclusions, in experiment 1 it is recommended to use the weight of 175 g/m² for both species in the production of phenolic plywood. For experiment 2, all treatments met the normative requirements for interior use plywood. In experiment 3, it was verified that the use of CNNs for visual classification of the plywood bonding quality is efficient and very promising. However, it is necessary to expand the image bank and balance the sample number between classes and enable classification of 10 classes as required by NBR 12.466 (ABNT, 2012).