Технология визуального контроля кодирования дна банок: принципы, применение и будущие тенденции

Каким образом технология визуального контроля может гарантировать качество и безопасность напитков при скорости инспекции 72 000 банок в час и точности более 99,9%?

В современной быстро развивающейся индустрии продуктов питания и напитков банки, как основной формат упаковки, особенно важны для контроля качества продукции. Нижнее кодирование банок, как носитель информации о продукте, является важнейшим средством отслеживания ключевой информации, такой как дата производства и номер партии. Однако дефекты в процессе кодирования могут нанести компаниям значительные убытки.

Традиционные ручные методы контроля больше не способны удовлетворить требования современных высокоскоростных производственных линий, и автоматизированные системы контроля на основе машинного зрения становятся ключевой технологией для решения этой проблемы.

1. Проблемы качества маркировки дна банки

В процессе производства напитков в банках на качество маркировки влияет ряд факторов. Неправильная регулировка или смещение вододува перед принтером может привести к неполному удалению капель воды со дна банки, что приведет к размытию или отсутствию маркировки.

Засорение сопел принтера чернилами также может привести к производственным ошибкам, таким как пропуск или отсутствие кодов. Кроме того, несоосность датчика печати или печатающей головки принтера может привести к таким проблемам, как пропуск символов, отсутствие кодов или их неправильное расположение.

Эти дефекты кодировки не только влияют на прослеживаемость продукции, но и могут привести к жалобам потребителей и негативно повлиять на ценность бренда компании. Статистика показывает, что в среднем на каждой производственной линии ежегодно приходится отправлять на карантин около 8000 ящиков вина из-за дефектов кодировки, что требует около 1600 часов ручной обработки и приводит к затратам на рабочую силу и расходные материалы почти на 200 000 юаней.

2. Состав и принцип работы системы машинного зрения

Комплексная система визуального контроля кодирования дна банки в первую очередь состоит из источника света и системы обработки изображения, системы электрического управления и интерфейса «человек-машина», а также устройства отбраковки дефектных банок.

При прохождении банки через систему визуализации металлический бесконтактный датчик активирует стробоскоп и промышленную смарт-камеру, которая делает высокоскоростное изображение дна банки. После анализа и обработки изображения смарт-камерой, электрическая система управления обрабатывает результаты проверки, что позволяет автоматически отсортировывать бракованную продукцию.

Система источника света

В связи с вогнутой структурой днищ алюминиевых банок и отражающими свойствами металлической поверхности, в системе контроля обычно используется сферический интегрирующий источник света. Полусферическая внутренняя поверхность этого источника света, благодаря своему интегрирующему эффекту, равномерно отражает свет, излучаемый дном, на 360 градусов, обеспечивая равномерное освещение по всему изображению и значительно повышая стабильность получения изображения.

Система получения изображений

Для получения чётких изображений быстро движущихся банок системе требуется высокопроизводительная промышленная смарт-камера. Такие смарт-камеры, как Cognex In-Sight Micro1400, несмотря на компактные размеры (всего 30 x 30 x 60 мм), способны удовлетворить требования к контролю на высокоскоростных производственных линиях, обеспечивая скорость проверки более 1350 изделий в минуту.

Система обработки и исполнения

Система использует промышленный компьютер и ПЛК (например, Siemens S7-200) в качестве основной системы управления, учитывая такие факторы, как скорость, стабильность и экономичность. Эти компоненты отвечают за выполнение алгоритма обработки изображений и выдачу окончательного сигнала сортировки.

3. Эволюция алгоритмов распознавания символов при струйной печати

Благодаря технологическому прогрессу алгоритмы распознавания характера струйных отпечатков на днищах банок претерпели значительную эволюцию, перейдя от традиционной обработки изображений к глубокому обучению. Традиционная технология оптического распознавания символов (OCR)

В ранних системах часто применялись технологии распознавания и верификации символов OCR, разработанные с использованием языков сценариев электронных таблиц. Эти методы используют развитые алгоритмы машинного зрения, встроенные в интеллектуальные камеры, для реализации таких функций, как обнаружение присутствия, проверка дефектов поверхности и измерение размеров, что обеспечивает быстрое развертывание без сложного пользовательского программирования.

Применение сверточных нейронных сетей

В последние годы методы распознавания символов, основанные на сверточных нейронных сетях (СНС), продемонстрировали значительные преимущества. Эти методы сегментируют и классифицируют символы на изображениях в автономном режиме, формируя библиотеку символов, а затем обучают их с помощью усовершенствованного метода обучения СНС для формирования устойчивого классификатора.

При онлайн-инспекции изображения считываются в режиме реального времени, символы сегментируются и затем классифицируются с помощью классификатора. Это значительно повышает точность обнаружения, обеспечивая при этом эффективность в режиме реального времени.

Технология сегментации символов Dot Matrix

Исследователи разработали специализированный алгоритм сегментации символов, адаптированный к характеристикам символов матричных струйных принтеров. Этот алгоритм использует метод MSER (Most Stable Extremal Region) для начальной локализации областей символов и метод связанных доменов для более точной локализации, эффективно решая задачи проекционной сегментации символов матричных принтеров.

4. Ключевые технологические прорывы и инновации в системе

Система инспекции кодирования дна банок достигла многочисленных технологических прорывов, что позволяет ей отвечать высоким требованиям промышленных объектов.

Технология позиционирования персонажа

Чтобы решить проблему легкого вращения банок во время кодирования, современная система контроля использует методы MSER и морфологического анализа областей для определения области символа, устраняя помехи, связанные с масштабированием символов и поворотными преобразованиями. Угол поворота области символа рассчитывается с использованием минимального ограничивающего прямоугольника, а наклонные области символов корректируются до горизонтальной ориентации с помощью аффинного преобразования и линейной интерполяции.

Сочетание глубокого обучения и традиционных алгоритмов

Система инновационно сочетает свёрточные нейронные сети с традиционными методами обработки изображений. СНС выполняет извлечение признаков и распознавание образов в сочетании с методами обнаружения контуров и морфологической обработки, обеспечивая высокоточное распознавание кода и обнаружение дефектов. Такой подход к слиянию не только повышает точность распознавания, но и значительно снижает количество ложноположительных и пропущенных срабатываний.

Интеллектуальная система обучения

Система контроля нового поколения также оснащена функцией интеллектуального обучения, которая непрерывно оптимизирует модель контроля на основе исторических данных контроля, автоматически идентифицирует новые шаблоны кодирования и типы дефектов, а также обновляет правила контроля, значительно повышая адаптивность и масштабируемость системы.

5. Примеры промышленного применения и анализ преимуществ

Реальные промышленные применения показали, что системы машинного зрения достигают значительных результатов при контроле кодировки дна банок.

Компания Jinan Maotong Inspection Equipment Co., Ltd. добилась автоматизации и интеллектуального контроля кодировки с помощью собственной разработки оборудования для контроля кодировки дна банок. Система снизила процент дефектов кодировки на 99%, помогая клиентам экономить около 220 000 юаней на каждой производственной линии в год, сокращая время ручной инспекции на 1600 часов в год и значительно повышая эффективность производства.

Современные системы визуального контроля по техническим показателям позволяют достичь точности распознавания более 99,9%, скорости инспекции более 1350 изделий в минуту и ​​гарантированной стабильности работы оборудования в течение более двух недель. По сравнению с импортным оборудованием, стоимость оборудования собственной разработки значительно ниже: она составляет всего 10% от импортного и менее 50% от отечественного.

6.Тенденции будущего развития

Благодаря постоянному развитию искусственного интеллекта и Интернета вещей технология визуального контроля кодирования дна банок станет более интеллектуальной и эффективной.

Дальнейшая интеграция алгоритмов глубокого обучения повысит способность системы выявлять сложные дефекты. В то же время, применение технологии 5G позволит осуществлять удалённую передачу и анализ данных контроля в режиме реального времени, обеспечивая более своевременную обратную связь по качеству для производственных линий.

Более того, модель совместной работы периферийных и облачных вычислений позволит сбалансировать возможности системы обработки данных в реальном времени с потребностями анализа больших данных. С популяризацией концепций модульного проектирования будущие системы станут более гибкими и смогут быстро адаптироваться к требованиям контроля различных производственных линий и типов продукции.

В перспективе, по мере роста уровня автоматизации в пищевой промышленности и производстве напитков, технология визуального контроля маркировки дна банок будет внедряться и применяться на всё большем количестве производственных линий. Это не только позволит эффективно улучшить контроль качества продукции, но и предоставит ценный опыт для интеллектуальной модернизации всей производственной отрасли.

Развитие и совершенствование этой технологии окажет положительное и далеко идущее влияние на разрушение монополии иностранного оборудования и повышение конкурентоспособности обрабатывающей промышленности моей страны.