Технология контроля струйной печати Can: страж качества в интеллектуальном производстве

#Инспекция струйной печати #Инспекция дефектов струйной печати

В пищевой промышленности алюминиевые банки являются распространённой формой упаковки, и струйная печать на их дне несёт важные данные, такие как дата производства, номер партии и информацию о прослеживаемости. Качество струйной печати напрямую влияет на точность прослеживаемости продукции и имидж бренда. Традиционная ручная инспекция легко подвержена влиянию субъективных факторов, что приводит к низкой эффективности и высокому риску пропуска дефектов. С развитием промышленной автоматизации технология струйной печати на основе машинного зрения стала основным средством обеспечения качества продукции. В данной статье систематически рассматриваются ценность, технические принципы, инновационные решения и примеры применения струйной печати на банках, демонстрируя её ключевую роль в интеллектуальном производстве.

I. Необходимость проверки струйной печати: потребности автоматизации с точки зрения затрат и рисков

Может ли проверка струйной печати

Дефекты струйной печати (такие как пропуски печати, размытость, несовпадение и т. д.) могут привести к потере информации о продукте, что вызовет жалобы потребителей или отзывы продукции. Исследование компании Budweiser показывает, что производственная линия без автоматизированной инспекции требует ежегодной изоляции около 8000 коробок с продукцией из-за дефектов струйной печати, при этом ручная повторная инспекция занимает около 1600 часов, что приводит к общим убыткам, превышающим 200 000 юаней. Более того, струйная маркировка является основой прослеживаемости продукции. Появление дефектной продукции на рынке увеличит риски несоответствия для предприятий. Традиционный ручной выборочный контроль медленный (обычно в минуту можно проверить всего несколько десятков банок) и имеет уровень ложноположительных результатов, превышающий 0,2%, в то время как автоматизированные системы визуального контроля могут достигать скорости инспекции более 1350 банок в минуту с точностью, превышающей 99,9%, что принципиально решает противоречие между эффективностью и точностью.

II. Типы дефектов струйной печати и технические проблемы

Дефекты струйной кодировки можно разделить на несколько типов, требующих целенаправленной разработки алгоритмов обнаружения:

• Отсутствующий контент: включая полное отсутствие кодировки, частичное отсутствие символов или отсутствие целых строк. Эти дефекты часто возникают из-за засорения струйного принтера или неисправности датчика.

• Дефекты качества: размытые, искажённые или сломанные символы. Основные причины — остатки воды на дне банки или нестабильная подача чернил.

• Позиционное отклонение: общее смещение, поворот или печать на нецелевых участках, таких как кольцевые вытяжные кольца. Обычно вызывается механической вибрацией или ошибками позиционирования.

Основные технические проблемы обусловлены физическими характеристиками алюминиевых банок и условиями производства:

1. Помехи от отражения металла: высокая отражательная способность дна алюминиевой банки снижает контрастность изображения, поэтому для подавления бликов требуется специальный источник света.

2. Высокоскоростная динамическая съемка: скорость производственной линии может достигать 72 000 банок в час, что требует чрезвычайно короткого времени экспозиции камеры и использования стробоскопического источника света для фиксации изображения.

3. Различные стили символов: Содержимое струйной печати, такое как даты и номера партий, постоянно меняется, что делает традиционные методы сопоставления с шаблонами непригодными. Необходимы динамические алгоритмы обучения.

III. Основные технические решения для системы визуального контроля

1. Конфигурация оборудования: основа точности и стабильности изображений

Система обычно включает в себя промышленную камеру, источник света, контроллер и устройство отбраковки. Для решения проблемы бликов часто используются кольцевые или сферические источники света, равномерно освещающие вогнутую поверхность дна банки. Для обеспечения чёткой детализации символов требуются камеры с высокой частотой кадров (например, серии Cognex In-Sight) и разрешением не менее 1280×1024 пикселей. Блок синхронизации использует фотоэлектрические датчики или энкодеры для синхронной съёмки изображений с погрешностью менее 1 миллисекунды.

2. Алгоритмы обработки изображений и распознавания символов

Поток алгоритма включает предварительную обработку изображения, локализацию области, сегментацию символов и обнаружение дефектов:

• Этап предварительной обработки: адаптивное шумоподавление и растяжение гистограммы используются для повышения контрастности и снижения влияния колебаний освещения.

• Локализация области: сначала определяется круговой контур дна банки с помощью преобразования Хафа, затем извлекается область интереса (ROI). Для области струйной печати используются морфологические операции (например, операции замыкания) для соединения областей символов, после чего извлекается минимальный ограничивающий прямоугольник.

• Распознавание символов: традиционные методы основаны на проекционной сегментации и извлечении признаков, но новейшие решения сочетают глубокое обучение. Например, свёрточные нейронные сети (CNN) используются для классификации отдельных символов. Их структура включает входные слои, свёрточные слои, полносвязные слои и т. д., и они могут распознавать сложные деформированные символы. Система, разработанная Budweiser, использует перенос обучения моделей CNN для снижения уровня ложноположительных результатов до менее 0,2%.

• Обнаружение дефектов: решения принимаются на основе комплексного анализа ширины, площади и количества символов в зоне струйной печати. ​​Например, если ширина зоны меньше порогового значения, это оценивается как «пропущенная строка»; если количество символов недостаточно, это отмечается как «печать не по центру».

IV. Инновационные решения: повышение адаптивности и интеллекта обнаружения

В последние годы фокус технологий сместился с оптимизации отдельных алгоритмов на инновации системного уровня:

• Технология одновременной съемки под разными углами: благодаря использованию нескольких камер для получения изображений с разных направлений устраняются слепые зоны в отдельных точках обзора, что повышает скорость выявления дефектов.

• Стратегия динамической настройки порога: запатентованное решение, предложенное Университетом Гуанчжоу, автоматически настраивает порог сегментации на основе пикового значения оттенков серого изображения, избегая помех от внешнего освещения.

• Интеграция глубокого обучения и традиционных алгоритмов: например, решение, принятое Budweiser, использует сверточную нейронную сеть для первоначальной локализации символов в сочетании с морфологической обработкой для более точного распознавания, обеспечивая баланс скорости и точности. Патент Тяньцзиньского китайско-немецкого университета прикладных наук дополнительно вводит механизм внимания, позволяющий системе фокусироваться на ключевых признаках и снижать частоту ложных срабатываний при перекрывающихся символах.

• Модульная конструкция системы: модульность функций получения, обработки и управления изображениями обеспечивает быструю переналадку производства (переключение спецификаций продукта в течение 2 минут), что снижает затраты на техническое обслуживание на 50%.

V. Примеры применения и анализ экономической выгоды

Опыт завода Budweiser в Фошане служит успешным примером. Разработанная ими система контроля обошлась всего в 80 000 юаней за единицу (импортное оборудование стоит около 800 000 юаней), что позволило полностью автоматизировать контроль, заменив ручной отбор проб. После внедрения системы уровень дефектов при струйной печати снизился на 95%, что позволило сэкономить около 220 000 юаней на производственную линию в год и увеличить скорость контроля до 1350 банок в минуту. Другой пример – система, разработанная Исследовательским институтом автоматизированных технологий Ханчжоу, которая использует камеры Cognex и источники света OPT, обеспечивая точность 99,99% при скорости 72 000 банок в час и отбраковывая бракованную продукцию в режиме реального времени с помощью устройства отбраковки, подключенного к ПЛК.

VI. Будущие тенденции и вызовы

Несмотря на растущую зрелость технологии, остаётся ряд проблем: во-первых, недостаточная способность к обучению на малых выборках, требующая обширного обучения данным для новых шаблонов струйной печати; во-вторых, проблема динамического размытия на высокоскоростных линиях не решена полностью. В число будущих направлений входят:

• Легкие модели глубокого обучения: разработка алгоритмов с низким потреблением вычислительной мощности, подходящих для малых и средних предприятий, снижающих зависимость от графических процессоров.

• Многомерное слияние данных: объединение 3D-обнаружения высоты тиснения струйной печати для улучшения возможностей защиты от помех.

• Архитектура совместной работы «облако-периферия»: непрерывная оптимизация системы достигается за счет обновления моделей в облаке и выполнения обнаружения на периферии.

Заключение

Технология контроля качества струйной печати банок превратилась из «опциональной» в «необходимую» для контроля качества. Сочетание машинного зрения и искусственного интеллекта не только разрешает конфликт между эффективностью и точностью, но и стимулирует цифровую трансформацию производственных процессов. Благодаря расширенным возможностям обобщения алгоритмов и оптимизации затрат эта технология, несомненно, станет краеугольным камнем интеллектуального производства, придав отрасли новый импульс.

Данная статья представляет собой сборник отраслевых технических отчётов, патентной литературы и примеров применения на предприятиях, призванный предоставить систематический технический обзор. Конкретная реализация требует проверки на основе фактических параметров производственной линии.