Технология визуального контроля дефектов стеклянных бутылок: принципы, применение и тенденции развития

1. Введение: важность обнаружения дефектов стеклянных бутылок

Стеклянные бутылки, как традиционная упаковка, широко используются в пищевой, фармацевтической и косметической промышленности благодаря превосходной герметичности, химической стабильности и пригодности к переработке. Однако в процессе производства, транспортировки и переработки неизбежны различные дефекты, такие как трещины, пузырьки и неравномерная толщина. Эти дефекты не только портят внешний вид, но и могут привести к возникновению опасных ситуаций, например, взрыву бутылки, что ставит под угрозу безопасность потребителей, а также к значительным экономическим потерям и рискам для бренда производителей. Поэтому эффективное и точное выявление дефектов стеклянных бутылок является важнейшим этапом производственного процесса.

Традиционное обнаружение дефектов стеклянных бутылок основано преимущественно на ручном визуальном осмотре, который характеризуется низкой эффективностью, высокой трудоёмкостью, высокой субъективностью и утомляемостью. Ручной осмотр, особенно на высокоскоростных производственных линиях, больше не может отвечать требованиям качества и эффективности современной промышленности. С развитием технологий машинного зрения появились системы обнаружения дефектов стеклянных бутылок на основе компьютерного зрения. Имитируя функции зрения человека и сочетая оптические, электронные, компьютерные технологии, обработку изображений, эти системы обеспечивают автоматизированное, высокоточное и эффективное обнаружение дефектов стеклянных бутылок, значительно повышая уровень автоматизации производственных линий и стабильность качества продукции.

2 типа и причины дефектов стеклянных бутылок

2.1 Распространенные типы дефектов и их классификации

Дефекты стеклянных бутылок можно классифицировать различными способами в зависимости от их локализации и характера. Дефекты чаще всего возникают на горлышке, корпусе и дне бутылки. В зависимости от степени тяжести дефекты можно разделить на существенные и несущественные. Ниже приведены распространённые типы дефектов стеклянных бутылок и их характеристики:

Таблица: Распространенные типы дефектов и характеристики стеклянных бутылок

2.2 Анализ причин дефектов

Дефекты стеклянных бутылок в основном возникают из-за различных факторов, возникающих в процессе производства. Неравномерная температура капли может привести к неравномерному распределению стекла. Высокотемпературные области обладают низкой вязкостью и склонны к истончению, в то время как низкотемпературные области обладают большим сопротивлением и большей толщиной, что приводит к неравномерной толщине. Чрезмерно низкая температура формы может привести к образованию холодных пятен на поверхности стекла – дефекту, который часто возникает в начале производства или во время его остановки. Кроме того, неправильная эксплуатация (например, слишком позднее поднятие верхнего сердечника) может привести к сдавливанию или выдуванию стекла, что приводит к образованию выступов. Поврежденные формы или загрязнения на поверхности стыка могут привести к таким дефектам, как заусенцы на линии стыка.

Понимание типов и причин возникновения этих дефектов критически важно для эффективного визуального контроля и обеспечивает теоретическую основу для разработки алгоритмов целенаправленного обнаружения и конфигураций систем. Различные типы дефектов требуют различных оптических конфигураций и стратегий обработки изображений, что является одной из основных проблем при разработке систем визуального контроля стеклянных бутылок.

3 технических принципа систем визуального контроля

Системы визуального контроля стеклянных бутылок основаны на технологии машинного зрения, имитирующей возможности человеческого глаза для автоматизированного контроля продукции. Система получает изображения целевых объектов с помощью датчиков изображения и преобразует их в цифровые сигналы. Эти сигналы затем анализируются с помощью специализированных алгоритмов обработки изображений для окончательного выявления и классификации дефектов. Эта система объединяет передовые технологии из различных областей, включая оптику, электронику, обработку изображений, механическую автоматизацию и компьютерное управление.

3.1 Компоненты системы визуального контроля

Полная система визуального контроля стеклянных бутылок обычно включает в себя следующие пять основных компонентов:

Система освещения: Освещение — ключевой фактор, влияющий на качество входных данных системы машинного зрения, напрямую влияющий на качество изображений и эффективность обработки. Правильная схема освещения позволяет получать высококонтрастные изображения, четко отделяя целевые объекты от фона. К распространённым методам освещения относятся подсветка сзади, подсветка спереди, структурированный свет и стробоскопическое освещение. Подсветка сзади чётко выделяет контуры объектов, а подсветка спереди упрощает монтаж и наладку.

Промышленный объектив. Качество объектива является отправной точкой для получения изображений и напрямую определяет четкость изображения. Выбор объектива требует учета множества параметров, включая фокусное расстояние, высоту цели, высоту изображения, увеличение и расстояние от изображения до цели. Крепления объективов различаются, включая байонет C, байонет CS и байонет F. Выберите совместимое крепление в зависимости от типа камеры.

Промышленная камера: камера, выполняющая функции «глаз» системы, получает изображения поверхности стеклянной бутылки. В зависимости от требований к применению можно выбрать линейную ПЗС-камеру, ПЗС-камеру с матрицей, монохромную или цветную камеру. Разрешение камеры напрямую влияет на точность контроля. Как правило, чем выше разрешение, тем меньше размер обнаруживаемого дефекта.

Плата сбора кадров: этот компонент преобразует аналоговый сигнал, полученный камерой, в цифровой и передает его на компьютер для обработки. Хотя некоторые современные камеры выводят цифровые сигналы напрямую, плата сбора кадров по-прежнему играет важную роль связующего звена в системе.

Процессор обработки изображений: являясь мозгом системы, процессор обработки изображений использует специализированные алгоритмы для анализа и обработки цифровых изображений, извлечения информации о характеристиках и выявления дефектов на основе заданных критериев. С ростом вычислительной мощности современные процессоры обработки изображений могут реализовывать всё более сложные интеллектуальные алгоритмы.

3.2 Как работает визуальный осмотр

Визуальный контроль стеклянных бутылок представляет собой точный многоэтапный процесс: когда стеклянная бутылка по конвейерной ленте попадает в зону контроля, датчик обнаруживает её присутствие и запускает систему получения изображений. Система освещения обеспечивает стабильное освещение, а промышленная камера в нужный момент времени фиксирует изображение стеклянной бутылки, преобразуя оптический сигнал в электрический. Полученные изображения сначала проходят предварительную обработку, включая удаление шумов и улучшение качества, для повышения качества изображения. Затем алгоритмы обработки изображений выделяют такие характеристики продукта, как контур, размер, форма и отклонения цвета. Затем система сравнивает эти характеристики с заданными стандартами для выявления дефектов, их локализации и классификации.

Наконец, система выполняет соответствующие контрольные действия на основе оценки: если бутылка проходит проверку, она переходит на следующий этап производства; если обнаружен дефект, исполнительный механизм (например, роботизированная рука) удаляет дефектную бутылку с производственной линии. Система также регистрирует и хранит данные контроля для отслеживания качества и анализа производства.

4 ключевых технических процесса визуального контроля

4.1 Получение и предварительная обработка изображений

Получение изображения — первый этап визуального контроля и основа всей системы. Высококачественное изображение значительно повышает точность обнаружения дефектов. При визуальном контроле стеклянных бутылок обычно используются промышленные камеры высокого разрешения (например, ПЗС- или КМОП-камеры) для получения изображений бутылок с разных ракурсов. Например, в современных системах контроля несколько камер (например, восемь промышленных видеокамер) размещаются вокруг стеклянной бутылки для обеспечения кругового контроля без слепых зон, точно фиксируя дефекты на каждой поверхности, включая горлышко, корпус и дно бутылки.

Полученные необработанные изображения часто содержат шум и помехи, поэтому для улучшения качества изображения требуется предварительная обработка. Предварительная обработка в основном состоит из двух этапов: шумоподавления и улучшения изображения. Шумоподавление использует алгоритмы для устранения случайного шума на изображении и улучшения соотношения сигнал/шум. Продвинутые методы шумоподавления используют такие методы, как многомерное извлечение признаков, очистка и улучшение признаков, а также слияние признаков для удаления шума с сохранением детализации изображения. Улучшение изображения корректирует такие параметры изображения, как оттенки серого и контрастность, для более чёткого выделения целевых объектов. Например, вычисляя разницу в оттенках серого между соседними пикселями и применяя весовые коэффициенты, можно улучшить информацию о краях и текстуре.

4.2 Алгоритмы обнаружения и идентификации дефектов

Обнаружение дефектов является ключевым компонентом систем визуального контроля и основано на передовых алгоритмах обработки изображений. Для разных типов дефектов и мест расположения стеклянных бутылок требуются разные алгоритмы обнаружения:

Проверка горлышка бутылки: Горлышко бутылки является одной из самых критических зон стеклянной бутылки, напрямую влияющей на ее герметичность. Для проверки горлышка бутылки исследователи предложили несколько специализированных алгоритмов, таких как алгоритм локализации горлышка бутылки, который использует обнаружение нескольких случайных окружностей и оценку соответствия окружности. Этот метод использует пороговую сегментацию, метод центроида и радиальное сканирование для получения граничных точек. Затем он использует случайно выбранные граничные точки для определения окружности и использует соответствие окружности в качестве критерия оценки для поиска оптимального результата локализации. Более того, метод, сочетающий динамическую пороговую сегментацию, основанную на анализе остатков, с глобальной пороговой сегментацией, может эффективно обнаруживать дефекты горлышка бутылки, преодолевая влияние вариаций в оттенках серого и отсутствующих горлышек бутылки на результаты проверки.

Проверка корпуса бутылки: Проверка корпуса бутылки сталкивается с такими трудностями, как большая кривизна поверхности и высокая отражательная способность. Для решения этих проблем можно использовать метод локализации стенки бутылки, основанный на бинарном сопоставлении с шаблоном. Этот метод уменьшает разрешение входного изображения и использует горлышко или стенку бутылки в качестве шаблона для бинарного сопоставления с шаблоном для определения осевой линии стенки бутылки. Это эффективно решает проблему неточной локализации при просмотре нескольких стенок бутылки под одним углом.

Проверка дна бутылки: Дна бутылки имеют сложную структуру и часто имеют текстуру, например, противоскользящие канавки, что затрудняет обнаружение дефектов. Для проверки дна бутылки многообещающие результаты показал метод, основанный на улучшенном геодезическом преобразовании расстояний и сопоставлении с шаблоном. Этот метод разделяет дно бутылки на несколько областей контроля, включая центральную плоскость, кольцевую плоскость и кольцевую текстуру, и использует различные стратегии контроля для каждой из них. Более того, методы, основанные на обнаружении выпуклостей и вейвлет-преобразованиях, позволяют эффективно преодолевать влияние помех, связанных с текстурой дна, и ошибки позиционирования, повышая точность обнаружения небольших малоконтрастных дефектов.

С развитием технологий искусственного интеллекта машинное обучение, особенно глубокое, продемонстрировало значительные преимущества в обнаружении дефектов стеклянных бутылок. Алгоритмы глубокого обучения, такие как свёрточные нейронные сети (CNN), способны автоматически изучать характеристики дефектов посредством обучения, адаптироваться к различным типам дефектов и поддерживать высокую точность распознавания даже в сложных условиях. Например, модель обнаружения дефектов YOLOv5, обученная с помощью глубокого обучения в сочетании с оптимизацией TensorRT, обеспечивает высокоскоростное и высокоточное обнаружение дефектов в режиме реального времени.

4.3 Вывод и контроль результатов

Конечная цель обнаружения дефектов — управление процессом производства и обеспечение качества. Когда система обнаруживает дефектный продукт, она выводит результаты на дисплей или в базу данных и активирует сигнал тревоги, когда дефект превышает заданный порог. Одновременно система управляет исполнительными механизмами (например, роботизированными манипуляторами) для удаления дефектных бутылок с производственной линии. Современные системы визуального контроля также обладают функциями управления данными, регистрируя результаты контроля каждой партии продукции, включая тип, количество и местоположение дефекта. Эти данные обеспечивают прочную основу для прослеживаемости производственного процесса и анализа качества, помогая компаниям оптимизировать производственные процессы и повышать общее качество.

5 примеров применения и анализ результатов

Применение технологии визуального контроля в производстве стеклянных бутылок дало впечатляющие результаты. Ниже приведены несколько типичных примеров, иллюстрирующих её практическое применение:

В области проверки фармацевтических стеклянных бутылок компания Chongqing Shouhan Intelligent Technology Research Institute Co., Ltd. разработала систему визуального контроля на основе искусственного интеллекта. Эта система использует восемь камер промышленного обзора для проведения 360-градусного осмотра фармацевтических стеклянных бутылок, всесторонне проверяя размеры бутылок, точность, наличие примесей, посторонних веществ и дефектов под восемью углами: сверху, сбоку, снизу и фаски. Используя запатентованный алгоритм искусственного интеллекта, система отображает параметры каждой бутылки и результаты проверки на визуальном экране в реальном времени. Используя технологию глубокого обучения, система создает набор обучающих данных, используя большое количество образцов стеклянных бутылок, постоянно оптимизируя свою способность выявлять дефекты продукции. Результаты применения показывают, что система значительно повышает точность выявления и отбраковки дефектной продукции, тем самым повышая общее качество фармацевтической упаковки. Системы визуального контроля также играют ключевую роль на линиях по производству бутылок для напитков. В ходе исследования, направленного на визуальный контроль стеклянных бутылок на интеллектуальных линиях по производству напитков, была разработана полноценная платформа машинного зрения и предложено несколько инновационных алгоритмов контроля. Например, алгоритм обнаружения множественных случайных кругов и оценки соответствия круга для проверки горлышка бутылки решает задачу высокоскоростного и высокоточного позиционирования при наличии серьезных дефектов горлышка бутылки. Улучшенное преобразование геодезического расстояния и метод сопоставления шаблонов для проверки дна бутылки позволяют точно обнаруживать небольшие, малоконтрастные дефекты на основании бутылки. Эти алгоритмы хорошо зарекомендовали себя в реальном производстве, отвечая требованиям высокоскоростного контроля в режиме реального времени на линиях по производству напитков.

Применение систем визуального контроля даёт множество преимуществ. Во-первых, оно позволяет проводить полностью автоматизированный контроль, значительно снижая трудозатраты и повышая эффективность контроля. Например, после внедрения системы визуального контроля одна компания отметила повышение эффективности контроля более чем в три раза и снижение количества ложноположительных результатов примерно на 50%. Во-вторых, система способна обнаруживать едва заметные дефекты, трудноразличимые человеческим глазом, такие как мелкие трещины и мельчайшие пузырьки, что значительно повышает качество и безопасность продукции. Кроме того, система работает стабильно и непрерывно, не подвержена влиянию субъективных факторов, таких как усталость и эмоции, обеспечивая стабильные и надёжные результаты контроля. 6. Проблемы и тенденции развития

Несмотря на значительный прогресс в области технологий визуального контроля стеклянных бутылок, они по-прежнему сталкиваются с рядом проблем. Во-первых, отражающая способность стекла затрудняет получение изображений, что требует тщательного проектирования световых решений для минимизации помех, связанных с отражением. Во-вторых, высокоскоростная работа производственных линий требует, чтобы системы контроля выполняли получение, обработку и оценку изображений в кратчайшие сроки, что предъявляет высокие требования к производительности системы в режиме реального времени. Кроме того, разнообразие стеклянных бутылок (различных форм, размеров и цветов) также требует от системы высокой универсальности и адаптивности.

В перспективе технология визуального контроля стеклянных бутылок будет развиваться в следующих направлениях:

Интеллектуальные возможности и самообучение: Благодаря использованию технологии глубокого обучения системы визуального контроля будут обладать более развитыми возможностями изучения признаков и адаптивностью. Постоянно обучаясь на новых образцах дефектов, система сможет постепенно повышать точность распознавания и адаптироваться к новым типам продукции и моделям дефектов. В частности, внедрение методов обучения без учителя и с частичным учением позволит снизить зависимость от большого количества маркированных образцов и снизить затраты на обслуживание системы.

Технология 3D-визуального контроля: Традиционные системы 2D-визуального контроля не справляются с получением данных о толщине и глубине стеклянных бутылок. Технология 3D-визуального контроля может предоставить более подробную трехмерную информацию, обеспечивая высокоточное измерение сложных параметров, таких как распределение толщины стенок бутылки и толщина основания, что дополнительно повышает полноту и точность контроля.

Мультиспектральная и гиперспектральная визуализация: Различные дефекты могут проявлять разные характеристики на разных длинах волн. Технологии мультиспектральной и гиперспектральной визуализации позволяют получать более богатую спектральную информацию, выявляя характеристики дефектов, невидимые человеческому глазу, и улучшая обнаружение небольших и скрытых дефектов.

Повышение производительности и скорости обработки в режиме реального времени: с развитием периферийных вычислений и специализированных процессоров машинного зрения (таких как VPU) скорость обработки данных в системах визуального контроля будет ещё больше повышаться, что позволит удовлетворить требования к контролю в режиме реального времени на высокоскоростных производственных линиях. Более того, лёгкие модели нейронных сетей значительно снизят вычислительную сложность, сохранив при этом точность.

Системная интеграция и миниатюризация: Будущие системы визуального контроля будут более компактными и простыми в интеграции. С развитием аппаратных технологий размеры систем будут продолжать уменьшаться, а производительность — расти, адаптируясь к более разнообразным производственным условиям.

Связь данных и интеллектуальное производство: системы визуального контроля больше не будут изолированными единицами контроля качества, а будут тесно интегрированы с системами управления предприятием и производственными линиями для обмена данными и принятия интеллектуальных решений. Анализируя данные контроля, система может предоставлять ценную обратную связь для оптимизации производственного процесса, формируя замкнутую систему управления от контроля до оптимизации.

Заключение

Благодаря интеграции передовых технологий, таких как оптика, электроника, обработка изображений и искусственный интеллект, технология визуального контроля дефектов стеклянных бутылок обеспечивает автоматизированный, высокоточный и высокоэффективный контроль качества стеклянных бутылок. Она не только эффективно решает проблему низкой эффективности и стабильности результатов традиционного ручного контроля, но и выявляет едва заметные дефекты, незаметные человеческому глазу, значительно повышая качество и безопасность продукции. Благодаря постоянному развитию технологий системы визуального контроля будут продолжать совершенствоваться, повышая интеллектуальность, производительность в режиме реального времени и адаптивность, предоставляя производителям стеклянных бутылок более комплексные решения в области качества.

В условиях жесткой рыночной конкуренции и постоянно растущих требований к качеству, внедрение передовых технологий визуального контроля стало неизбежным выбором для производителей стеклянных бутылок. В будущем, с развитием Индустрии 4.0 и интеллектуального производства, технология визуального контроля будет тесно интегрирована с другими интеллектуальными производственными технологиями, формируя более интеллектуальную и эффективную систему управления качеством, что будет способствовать технологическому прогрессу и модернизации всей отрасли.