Исследование и применение технологии обнаружения дефектов на основе машинного зрения для пустых алюминиевых банок
В современной пищевой промышленности качество пустых алюминиевых банок напрямую влияет на герметичность и безопасность продукции. Традиционная ручная инспекция характеризуется низкой эффективностью и высоким уровнем ошибок, в то время как технологии машинного зрения, благодаря высокоскоростной обработке изображений и интеллектуальным алгоритмам, обеспечивают автоматизированное и высокоточное обнаружение дефектов в пустых банках. Ниже представлен анализ принципа обнаружения, конструкции системы, ключевых технологий и эффективности её применения.
I. Принцип обнаружения и состав системы
Система машинного зрения использует технологию оптической визуализации и обработки изображений, имитируя работу человеческого глаза при сканировании горлышка, корпуса и дна пустых банок со всех сторон. Её основной принцип работы заключается в следующем: банка освещается светодиодным источником света, изображение формируется высокоскоростной ПЗС- или КМОП-камерой, после чего выполняется предварительная обработка, извлечение характеристик и выявление дефектов на основе алгоритмов, таких как OpenCV. При обнаружении дефекта система немедленно активирует устройство отбраковки (например, пневматический толкатель) для удаления бракованной продукции с производственной линии.
Аппаратные компоненты системы включают в себя:
* **Блок формирования изображений:** Промышленные камеры высокой четкости (например, камеры зонального сканирования) и специализированные оптические объективы обеспечивают четкость изображения даже при высокоскоростном получении данных (до 36 000 резервуаров/час).
* **Система освещения:** Специальные оптические пути (например, кольцевые источники света с малым углом) разработаны для учета отражательных характеристик резервуаров, повышения контрастности дефектов и предотвращения отражательных помех.
* **Узел транспортировки и позиционирования:** Для фиксации резервуаров используется конвейерная лента отрицательного давления, предотвращающая раскачивание; оптоволоконный датчик запускает камеру для синхронной съемки, обеспечивая точность позиционирования.
* **Блок управления и исполнения:** Промышленная система управления на базе ПЛК координирует камеру, устройство отбраковки и другие модули для обеспечения реагирования в режиме реального времени.
II. Ключевые области обнаружения и разработка алгоритма
Дефекты в разных областях требуют особых алгоритмов.
В следующей таблице обобщены основные элементы обнаружения и технические решения:
| Зона обнаружения | Тип дефекта | Алгоритм и методы |
| Открытие банки | Зазубрины, деформация, длинные и короткие стороны, грязь | Сегментация алгоритма OTSU, аппроксимация эллиптических кривых методом наименьших квадратов, анализ эксцентриситета для определения деформации; сканирование спиц для обнаружения трещин |
| Может тело | Царапины, вмятины, прилипшие посторонние предметы | Преобразование полярных координат для разворачивания изображения корпуса банки в сочетании с расчетом градиента и бинарным анализом складок и посторонних веществ |
| Может дно | Масляные пятна, железные опилки, дефекты струйной печати | Метод градиента Хафа для сегментации областей концентрических окружностей, анализ связанных компонентов для обнаружения точечных, линейных и поверхностных дефектов |
| Область шеи | Грязь, структурные аномалии | Многоракурсная отражающая структура в сочетании с кольцевым источником света для устранения слепых зон обнаружения |
Кроме того, осмотр внутренней стенки представляет собой одну из технических сложностей. Из-за большой глубины резервуара нижняя часть изображения легко сжимается. В исследовании предлагается использовать преобразование Хафа для определения внутреннего и внешнего колец, затем использовать преобразование в полярных координатах для разворачивания изображения в прямоугольник и, наконец, использовать анализ связанных компонентов для выявления дефектов.
III. Технические проблемы и инновационные решения
Проблема высокоскоростной синхронизации: Скорость производства может достигать 10 танков в секунду, и система должна выполнять съемку, обработку и принятие решений в течение миллисекунд. Возможные решения включают: использование высокоскоростных камер с гигабитной сетью (например, DALSA CR-GEN3) для снижения задержки передачи изображений; и использование нескольких промышленных ПК для параллельной обработки, при этом ПК высокой конфигурации предназначены для вычисления алгоритмов, а ПК низкой конфигурации — для управления интерфейсом.
Проблемы визуализации сложных конструкций: Изогнутая поверхность горловины резервуара и отражения от корпуса резервуара могут значительно снизить качество изображения. Инновационные конструкции оптических путей (например, косые источники света) позволяют устранить помехи от конструкции и выделить дефекты. Например, для обнаружения корпуса резервуара используется широкоугольный объектив в сочетании с алгоритмом аппроксимации эллипса RANSAC для точного определения центра горловины и днища резервуара.
Дефицит образцов дефектов: алгоритмам глубокого обучения требуется большой объём данных о дефектах для обучения, но в реальном производстве большинство продуктов проходят проверку. Платформы машинного зрения с низким объёмом кода (например, Matrix Intelligence) синтезируют образцы дефектов с помощью генеративно-состязательных сетей, что повышает обобщающую способность алгоритма.
IV. Эффективность и показатели производительности приложения
Фактические производственные данные показывают, что система машинного зрения значительно повышает эффективность и точность контроля:
Скорость инспекции: до 36 000 банок/час, что значительно превышает ручную инспекцию (примерно 5 000 банок/час);
Точность: при скорости 10 банок в секунду точность системы достигает 99,89%, а уровень ложных срабатываний составляет менее 0,5%;
Экономическая эффективность: после единовременных инвестиций долгосрочные затраты ниже, чем при ручной проверке, и поддерживают отслеживаемость данных (например, статистику типов дефектов), способствуя оптимизации качества.
V. Тенденции будущего развития
Интеллектуальное обновление: интеграция глубокого обучения и анализа больших данных для прогнозирования дефектов и самонастройки процесса.
Гибкая конструкция: адаптация к различным типам банок путем регулировки параметров, сокращение времени переналадки оборудования.
Интегрированная система: бесшовное соединение системы контроля с системами ПЛК и MES производственной линии для создания сети мониторинга качества по всей цепочке.
Заключение
Технология машинного зрения стала основным средством обнаружения дефектов пустых банок. Благодаря точной оптической конструкции, эффективным алгоритмам и стабильной системе управления она обеспечивает качество продукции и безопасность производства. В будущем, благодаря глубокой интеграции искусственного интеллекта и промышленного интернета вещей, контроль пустых банок будет развиваться в более интеллектуальном и адаптивном направлении, что будет способствовать дальнейшей автоматизации индустрии упаковки пищевых продуктов.
