Визуальный контроль маркировки бутылок с напитками: как «проницательные глаза» машины обеспечивают качество продукции и безопасность потребителей
На производственной линии, производящей 300 бутылок в минуту, крошечный дефект кода может привести к серьёзному кризису бренда. Системы контроля, основанные на глубоком обучении и машинном зрении, становятся незаметными героями этого контрольно-пропускного пункта.
На высокоскоростной линии производства напитков бутылки движутся непрерывным потоком. Перед упаковкой и отправкой специальный «глаз» внимательно изучает кодировку на каждой таре: дату производства, номер партии, срок годности… Этот «глаз» принадлежит системе машинного зрения.
В ситуациях, когда ручной контроль приводит к усталости и упущениям, он неустанно и точно защищает последнюю линию обороны качества продукции.
1. Важность и сложности инспекции кодирования. Кодирование на упаковке напитков — важнейший информационный канал между производителями и потребителями. Эта маркировка, содержащая такие данные, как дата производства, срок годности и номер партии, — не только основной канал получения потребителями информации о продукте, но и основа для построения компаниями систем прослеживаемости.
Любая проблема с качеством струйной печати может иметь серьезные последствия: размытые даты могут привести к тому, что потребители случайно выпьют просроченную продукцию; неправильные номера партий могут вызвать путаницу при отзыве продукции; отсутствие кодов струйной печати может даже помешать продаже всей партии продукции.
В реальных производственных условиях на качество струйной печати влияет ряд факторов. Например, вогнутая структура в нижней части принтера может легко скапливать воду, и если устройство подачи воды не настроено должным образом, это может привести к размытию или отсутствию струйной маркировки. Засорение сопел струйного принтера чернилами может привести к пропуску печати или неполной маркировке. Неправильное выравнивание датчика или печатающей головки может привести к неправильному расположению маркировки.
Традиционные методы ручного контроля плохо подходят для высокоскоростных производственных линий. При производительности 300 бутылок в минуту время, отводимое инспектору на каждый продукт, составляет менее 0,2 секунды, что значительно превышает возможности непрерывного распознавания человеческого глаза. Поэтому автоматизированные системы визуального контроля постепенно становятся необходимым оборудованием для производителей напитков.
2. Технологическая эволюция: от традиционных методов к глубокому обучению. На ранних этапах контроля качества струйной печати в основном использовались традиционные технологии машинного зрения. Эти методы хорошо зарекомендовали себя при обработке простых фонов и высококонтрастных изображений, быстро выявляя очевидные дефекты струйной печати. Традиционные методы обычно основаны на предопределенных шаблонах и правилах, применяя предварительную обработку изображений, извлечение признаков и распознавание образов для обнаружения дефектов. Например, некоторые системы используют такие алгоритмы, как морфологическая обработка, выделение контуров и сопоставление с шаблоном, для идентификации и проверки символов, напечатанных струйным принтером.
Однако с ростом разнообразия дизайна упаковки напитков и усложнением производственных условий ограничения традиционных методов становятся всё более очевидными. Сложный фон, отражающие поверхности и меняющиеся условия освещения существенно влияют на эффективность обнаружения традиционными алгоритмами.
В последние годы появились методы обнаружения, основанные на глубоком обучении, которые демонстрируют значительные преимущества. Модели глубокого обучения способны автоматически изучать признаки на основе больших объёмов данных, демонстрируя более высокую адаптивность к сложным условиям и меняющимся условиям.
Исследовательская группа из Университета Хунань разработала сеть обнаружения целей под названием BBE, оптимизированную для символов, напечатанных на струйной печати, на сложном фоне. В экспериментах он достиг точности 0,9985 при времени обнаружения одного изображения всего 72 миллисекунды.
В другом исследовании исследователи предложили использовать CodeNet в сочетании с алгоритмом SSD, что позволило достичь точности прогнозирования 0,994 при времени обработки кадра около 36 миллисекунд. Эти показатели производительности уже отвечают требованиям современных высокоскоростных производственных линий.
3. Основные компоненты системы визуального контроля
Полная система визуального контроля струйной печати обычно состоит из двух частей: аппаратной и программной. Аппаратная часть включает в себя систему формирования изображений, систему подсветки и блок обработки данных, а программное обеспечение отвечает за анализ изображений и принятие решений.
Система визуализации — это «глаз» визуального контроля. Для получения изображений струйной печати на высокой скорости промышленным камерам требуются высокое разрешение и высокая частота кадров. Интеллектуальные камеры, такие как Cognex In-Sight Micro 1400, компактны и могут быть интегрированы в ограниченные по площади производственные линии, обеспечивая при этом мощные возможности обработки данных.
Система освещения критически важна для качества изображения. Правильное освещение позволяет выделить область струйной печати и уменьшить помехи от отражений и теней. Для металлических ёмкостей, таких как алюминиевые банки, часто используются сферические источники света, поскольку их полусферические внутренние стенки, благодаря своему интегрирующему эффекту, способны равномерно отражать свет, обеспечивая равномерное изображение.
С точки зрения программных алгоритмов современные системы контроля обычно используют многоэтапный процесс обработки. Сначала определяется область струйной печати с помощью модели обнаружения цели, затем выполняется предварительная обработка изображения и, наконец, используется технология оптического распознавания символов (OCR) для распознавания содержимого.
Методы глубокого обучения часто определяют обнаружение струйной печати как задачу обнаружения цели, выполняя локализацию и распознавание за один шаг. Например, модель на основе YOLOv5s может определять наличие дефектов, одновременно определяя область струйной печати.
Системная интеграция также является ключевым фактором. Качественная система обнаружения должна легко интегрироваться с промышленными системами управления, такими как ПЛК, обеспечивая автоматическую отбраковку дефектной продукции, а также сбор статистических данных и создание отчетов для информационного обеспечения управления производством.
4. Основные типы дефектов струйной печати и соответствующие стратегии алгоритмов обнаружения
Дефекты струйной печати разнообразны, поэтому система обнаружения должна обладать многогранными возможностями оценки. К основным типам дефектов относятся пропуски печати, частичные пропуски печати, неполная печать, размытая печать, неправильное позиционирование и ошибки в содержании.
Для обнаружения пропусков печати системе необходимо сначала определить, есть ли следы струйной печати на поверхности изделия. Обычно это достигается путём обучения модели обнаружения целей; такие алгоритмы, как YOLOv5s, позволяют быстро и точно определить область струйной печати. Если область символа не обнаружена, система классифицирует это как дефект «пропуск печати».
В случае частичной пропуска печати системе необходимо проверить, соответствует ли фактическое количество символов ожидаемому. Технология оптического распознавания символов играет решающую роль на этом этапе. Такие механизмы, как Tesseract-OCR, могут идентифицировать и подсчитывать количество символов в изображении; если количество символов не совпадает, это считается частичной пропущенной печатью.
Оценка качества иллюстрации – более сложная задача. Системе необходимо проверить четкость и целостность каждого символа. Методы сопоставления шаблонов на основе формы могут вычислять степень соответствия между целевым символом и символом шаблона, обычно используя 0,85 в качестве порога для определения приемлемости.
В случае ошибок в содержании система должна сравнить выявленное содержимое символа с ожидаемой информацией. Для этого системе требуется доступ к корректной информации в базе данных и выполнение сравнения в режиме реального времени.
Преимущество методов глубокого обучения заключается в их способности одновременно обнаруживать несколько типов дефектов. Благодаря сквозному обучению модель может изучать различные характеристики дефектов, достигая более полного и точного обнаружения.
5. Инновационные применения глубокого обучения в обнаружении иллюстраций
Глубокое обучение внесло революционные изменения в обнаружение струйных принтеров, позволив ему справляться со сложными сценариями, которые ранее было сложно контролировать. Сеть обнаружения объектов BBE — типичный пример применения глубокого обучения в этой области; эта сеть состоит из сети извлечения признаков, сети слияния признаков, а также сетей классификации и регрессии.
Сеть извлечения признаков построена на основе основных модулей EfficientNet, сочетая в себе лёгкую архитектуру и мощные возможности извлечения признаков. Такая архитектура позволяет модели точно распознавать символы, отпечатанные струйным принтером, на сложном фоне, сохраняя при этом высокую скорость обработки.
Дополнение данных — ключевая стратегия повышения эффективности моделей глубокого обучения. Решая проблемы ограниченности наборов данных струйных изображений и несбалансированности положительных и отрицательных образцов, исследователи использовали морфологические операции и другие алгоритмы для создания большого количества дефектных образцов, а также комбинировали различные методы дополнения данных для повышения их разнообразия.
Перенос обучения также является эффективным методом повышения эффективности модели. Предварительное обучение модели на большом наборе данных и её последующая тонкая настройка для задачи обнаружения струйных принтеров позволяют значительно повысить скорость сходимости и обобщающую способность модели.
Метод, разработанный исследовательской группой Университета Хохай, сочетает в себе преимущества традиционных методов машинного зрения и глубокого обучения. Они использовали YOLOv5 для определения области струйного ввода, а затем применили традиционные методы оптического распознавания символов (OCR) и сопоставления с шаблонами для детальной оценки качества. Этот гибридный подход показал хорошие результаты на практике.
Ещё одно инновационное направление — лёгкая разработка сетей. Сеть CodeNet Университета Хунань, оптимизированная для задач контроля струйной печати, достигает времени обработки одного кадра 36 миллисекунд на процессоре Intel i5, сохраняя при этом точность прогнозирования 0,994, эффективно балансируя требования к скорости и точности.
6. Практические примеры промышленного применения и оценка эффективности. Система визуального контроля успешно применяется на производственных линиях нескольких компаний по производству напитков, обеспечивая значительные преимущества. Например, крупная компания по производству продуктов питания и напитков производит 300 бутылок напитков в минуту. Ранее она использовала ручной выборочный контроль, что приводило к таким проблемам, как высокий процент пропусков и трудности с прослеживаемостью.
Внедрив замкнутую систему «лазерный струйный принтер + система визуального контроля», компания достигла 100% полной онлайн-инспекции, полностью исключив жалобы клиентов, связанные с дефектами маркировки. Система способна в режиме реального времени определять качество струйной печати каждого изделия и оперативно отбраковывать некачественные изделия.
С точки зрения эффективности, автоматизированная инспекция позволяет полностью задействовать мощности производственной линии, избегая простоев, вызванных проблемами струйной печати. Кроме того, статистические отчёты по контролю процесса, генерируемые системой, помогают компании проводить предиктивное обслуживание, переходя от «модернизированного ремонта» к «предпродажному обслуживанию».
Экономические преимущества не менее значительны. Лазерные маркировочные машины устраняют необходимость в расходных материалах, таких как чернила, что снижает долгосрочные эксплуатационные расходы. Автоматизированный контроль снижает зависимость от персонала, отвечающего за контроль качества, и исключает отходы упаковочных материалов.
Система контроля маркировки дна алюминиевых банок достигла скорости обработки 72 000 банок в час с точностью 99,99%. Благодаря интеллектуальным камерам Cognex и программному обеспечению для машинного зрения In-Sight система способна адаптироваться к изменениям содержания и расположения маркировки, надежно выявляя различные дефекты маркировки.
Эти истории успеха показывают, что системы визуального контроля не только повышают качество продукции, но и приносят значительную экономическую выгоду, помогая предприятиям осуществлять интеллектуальную трансформацию и модернизацию производства.
7. Тенденции и проблемы будущего развития
Несмотря на значительный прогресс в технологиях визуального контроля, сохраняется ряд проблем и возможностей для развития. Качество изображения на специальной упаковке, такой как металлические поверхности и светоотражающие материалы, по-прежнему нуждается в улучшении, что требует оптимизации источников света и схем визуализации.
Обучение на малом количестве образцов — ещё одно важное направление. В реальном производстве количество дефектных образцов ограничено; обучение высокопроизводительных моделей на малом количестве образцов представляет собой серьёзную проблему для промышленного применения.
Тенденции будущего развития включают более тесную системную интеграцию. Например, лазерные маркировочные машины и системы визуального контроля образуют интеллектуальный замкнутый контур, корректируя параметры маркировки в режиме реального времени, что позволяет перейти от «обнаружения» к «предотвращению».
Встроенное развертывание — ещё одна важная тенденция. Внедрение алгоритмов на периферийных устройствах, таких как смарт-камеры, снижает нагрузку на центральные процессоры, повышая скорость отклика и надёжность системы.
Кроме того, мультимодальное слияние имеет широкие перспективы применения. Сочетание технологий 2D- и 3D-зрения позволяет проводить более комплексную оценку качества маркировки. Внедрение алгоритмов глубокого обучения для обнаружения аномалий потенциально может выявить малозаметные дефекты, трудноразличимые человеческим глазом.
По мере развития технологий системы визуального контроля будут становиться все более интеллектуальными и эффективными, обеспечивая более надежную поддержку контроля качества в индустрии напитков.
На линии производства напитков участок, оснащённый системой визуального контроля, работает без сбоев. Каждая бутылка с напитком останавливается на короткое время перед камерой видеоконтроля, которая фиксирует изображение высокой чёткости. Система выполняет анализ и выносит решение за миллисекунды; годная продукция продолжает производство, а бракованная автоматически отбраковывается.
Эта производственная линия может обрабатывать более 50 000 бутылок для напитков в час с точностью проверки 99,99%, что значительно превышает показатели ручной проверки.
С популяризацией интеллектуальных производственных технологий эта замкнутая система контроля качества «идентификация-инспекция-обратная связь-исполнение» расширяется от производства напитков до многих областей, таких как пищевая промышленность, фармацевтика и электроника.
