Технология визуального контроля горлышка ПЭТ-бутылки: даем упаковке напитков «умный глаз»

Бутылки из ПЭТ широко используются в производстве напитков, косметики и фармацевтической промышленности благодаря своему лёгкому весу, высокой прозрачности и превосходным физическим свойствам. Однако горлышко бутылки, являясь важнейшей частью, обеспечивающей герметичность, напрямую влияет на безопасность и срок годности содержимого. Традиционная ручная инспекция неэффективна и подвержена ошибкам, не отвечая требованиям современных высокоскоростных производственных линий (до 36 000 бутылок в час). Технология автоматизированной инспекции на основе машинного зрения стала основным средством обеспечения качества продукции. В данной статье систематически проанализированы технические принципы, классификации методов, сферы применения и тенденции развития визуальной инспекции горлышек ПЭТ-бутылок.

I. Технические проблемы: почему проверка «бутылочных горлышек» так сложна?

Проверка горлышка ПЭТ-бутылки сталкивается с рядом технических проблем, в первую очередь обусловленных требованиями высокой скорости и точности в промышленной среде:

Требования к исключительно высокой точности: Дефекты горлышка бутылки разнообразны, включая выемки, заусенцы, сколы, заусенцы и черные пятна, имеющие мельчайшие размеры (например, сколы на уровне миллиметра), что требует точности контроля более 99,9%.

Скорость и давление в режиме реального времени: скорость производственной линии часто достигает нескольких бутылок в секунду, что требует сокращения времени проверки до 50 миллисекунд. Любая задержка может привести к появлению на рынке большого количества бракованной продукции.

Сложные факторы помех: окружающие шумы, такие как отражения от горлышка бутылки, жидкая пена, тени этикеток и механические вибрации, могут легко помешать получению изображения, что требует оптимизированной оптической конструкции и алгоритмов борьбы с помехами.

Разнообразие дефектов: дефекты неправильной формы (например, внешние дефекты, внутренние дефекты, сквозные дефекты) и низкий контраст между прозрачными бутылками и дефектами приводят к тому, что традиционные методы пороговой сегментации склонны к пропуску обнаружений.

II. Классификация методов обнаружения: от традиционной обработки изображений до глубокого обучения

Методы визуального контроля горлышка ПЭТ-бутылки на основе технологического развития можно разделить на три категории:

Традиционные методы обработки изображений: основанный на пороговой сегментации, локализации областей и контрастности оттенков серого, этот метод выделяет область интереса (ROI) на горлышке бутылки и выполняет дифференциальные вычисления с использованием бездефектного шаблона. Например:

Метод самостоятельного шаблона: создает кольцеобразный шаблон на торце горлышка бутылки и определяет дефекты путем вычитания значений в градациях серого, достигая точности обнаружения 99,9% менее чем за 50 миллисекунд.

Метод согласованности уровней серого: этот метод использует алгоритм RANSAC для аппроксимации эллиптического контура горлышка бутылки, а затем анализирует однородность уровней серого в этой области. Скорость обнаружения может достигать 10 миллисекунд на кадр.

Преимущества: простота вычислений, подходит для регулярных дефектов;

Недостатки: Зависит от устанавливаемых вручную пороговых значений, плохая адаптируемость к сложным дефектам.

Метод классификации с помощью машинного обучения: этот метод использует такие модели, как метод опорных векторов (SVM) и нейронные сети, требующие большого количества выборок для обучения классификатора. Например: SVM используется для определения типов дефектов, извлекая признаки дефектов (такие как текстура и форма).

Преимущества: Возможность выявления различных дефектов;

Недостатки: требуется переобучение при смене типа бутылки, более низкая производительность в реальном времени.

**Глубокое обучение и дифференциальные модели**: Новые методы объединяют глубокие сети и механизмы внимания для повышения скорости обнаружения сложных дефектов:

**Дифференциальная модель:** Получаются изображения проверяемой бутылки и эталонной бутылки без дефектов. Характеристики извлекаются с помощью двойного кодировщика, затем рассчитывается карта дифференциальных признаков для оптимизации различительной способности. Наконец, для определения результата используется классификатор. Этот тип метода может эффективно подавлять помехи передержки и подходит для сцен с отражениями.

Преимущества: Сильная помехоустойчивость, подходит для небольших дефектов;

Недостатки: высокие требования к вычислительным ресурсам.

В таблице ниже сравниваются типичные решения и производительность трех типов методов:

III. Сценарии применения: Охват всей производственной линии

Система визуального контроля интегрирована во всю цепочку производства ПЭТ-бутылок. Ключевые области применения:

Проверка преформ (перед выдувным формованием)

Перед выдувной машиной устанавливается станция, оснащенная шестью ПЗС-камерами высокого разрешения для получения изображений горловины, плеч и дна преформы на 360°, выявляя такие дефекты, как облой, зазоры и темные пятна. Камера над горловиной предназначена для проверки дефектов поверхности герметизации, чтобы предотвратить их увеличение после выдувной формовки.

Проверка полной бутылки (после наполнения)

После наполнения четыре комплекта ПЗС-камер проверяют уровень жидкости, состояние крышки бутылки (поломка предохранительного кольца, высокая крышка, перекошенная крышка) и качество кодировки. Используется круговая схема освещения 120°, сочетающая переднюю и заднюю подсветку для компенсации помех от пены и повышения точности определения уровня жидкости.

Проверка этикетки и упаковки

После маркировки четыре камеры, расположенные под углом 90°, используются для обнаружения смещения этикеток и ошибок печати; после упаковки используется онлайн-контроллер весов для проверки веса и отбраковки недостающей продукции.

IV. Системный поток и ключевые технологии

Полная система визуального контроля включает в себя следующие основные компоненты:

Получение изображения

Конфигурация оборудования: для съемки горлышка бутылки с близкого расстояния используются промышленные гигабитные сетевые камеры Basler и кольцевые или ленточные светодиодные источники света. Конструкция источника света должна подавлять отражения; например, ленточные источники света могут уменьшить пересвет.

Оптическая оптимизация: переэкспонированные изображения корректируются с помощью автоматического кодировщика-декодера для улучшения согласованности оттенков серого.

Обработка изображений

Расположение области интереса: область горлышка бутылки точно извлекается с помощью преобразования Хафа, аппроксимации эллипсом RANSAC или методов позиционирования оси симметрии.

Извлечение признаков: ROI обрабатывается путем преобразования в оттенки серого, фильтрации и бинаризации, а затем признаки дефектов усиливаются с помощью механизмов дифференциальных вычислений или пространственного внимания.

Классификация и удаление дефектов: дефекты идентифицируются на основе пороговых значений карты признаков или результатов классификатора (например, Softmax), что приводит в действие пневматическое устройство отбраковки для удаления дефектных изделий.

V. Тенденции и проблемы развития

Будущее технологии визуального контроля горлышек ПЭТ-бутылок будет развиваться в следующих направлениях:

Интеллектуальное обновление: Модели глубокого обучения будут дополнительно оптимизированы, например, за счет использования облегченных сетей для обнаружения границ в режиме реального времени, что снизит зависимость от вычислительной мощности облачных вычислений.

Мультимодальное слияние: объединение 3D-зрения и рентгеновской визуализации для обнаружения скрытых дефектов, таких как внутренние трещины и пузырьки.

Замкнутый цикл контроля качества: данные обнаружения передаются обратно на производственную линию, что позволяет в режиме реального времени корректировать параметры выдувного формования и розлива, обеспечивая переход от «обнаружения» к «предотвращению».

Краткое содержание

Технология визуального контроля горлышка ПЭТ-бутылок заменяет человеческий глаз машинным зрением, решая задачи контроля качества в условиях высокоскоростного производства. От традиционной обработки изображений до дифференциального глубокого обучения, точность и эффективность обнаружения постоянно повышаются, становясь краеугольным камнем интеллектуального производства в таких отраслях, как производство напитков и фармацевтика. В будущем, благодаря синергетической эволюции алгоритмов и аппаратного обеспечения, эта технология продолжит развиваться в сторону большей интеллектуальной составляющей и замкнутого цикла сквозного процесса.