Визуальный осмотр дефектов поверхности пластиковых крышек для бутылок: технические принципы, конструкция системы и практическое применение.

На высокоскоростных упаковочных линиях для напитков, продуктов питания, фармацевтических препаратов и бытовой химии пластиковые крышки для бутылок, как ключевые компоненты, непосредственно контактирующие с содержимым и обеспечивающие надежное уплотнение, имеют первостепенное значение с точки зрения качества. Даже незначительный дефект поверхности — такой как царапины, пятна, пузырьки, недостающий материал или ошибки печати — не только влияет на внешний вид продукта и имидж бренда, но и может привести к серьезным проблемам с качеством, таким как плохое уплотнение, протечки или загрязнение. Традиционные методы ручного отбора проб неэффективны, подвержены усталости, крайне субъективны и имеют высокий процент пропущенных проверок, не отвечая современной промышленной цели «нулевого дефекта». Поэтому автоматизированная технология контроля дефектов поверхности на основе машинного зрения стала незаменимым ключевым элементом обеспечения качества производства крышек для бутылок.

I. Типы дефектов и проблемы их обнаружения

Прежде чем разрабатывать технологию, необходимо сначала определить распространенные виды дефектов поверхности крышек от пластиковых бутылок и их характеристики:

1. Дефекты внешнего вида:

Царапины/потертости: возникают во время транспортировки или формовки и проявляются в виде нерегулярных светлых/темных полос.

1. Пятна/посторонние предметы: следы масла, пыли или других загрязнений, проявляющиеся в виде пятен, не соответствующих цвету фона.

2. Пузырьки/серебристые полосы: Возникают из-за неправильного процесса литья под давлением; пузырьки выглядят как круглые темные пятна, а серебристые полосы — как радиальные яркие линии.

3. Недостаток/усадка: вызваны неполным литьем под давлением, что приводит к неполной форме крышки или локальным вмятинам.

4. Заусенцы/облой: Излишки пластика по краям, образующиеся из-за зазоров в пресс-форме, часто появляющиеся на линиях разъема или кромках.

2. Дефекты размеров и структуры:

3. Отклонения от допусков: Несоответствие основным размерам, таким как внутренний/внешний диаметр, высота и количество зубьев, не соответствует стандартам.

4. Деформация: Крышка деформирована полностью или частично, что влияет на герметичность завинчивающейся крышки.

5. Нарушение целостности/неполнота соединительного элемента: У крышек с несколькими креплениями (например, у крышек для минеральной воды) соединительный элемент (точка соединения противоугонного кольца) отсутствует или слишком слаб.

3. Дефекты печати и маркировки:

Опечатка/некорректная печать: отсутствует или указана неверная информация, такая как логотип бренда, дата производства и номер партии.

Нечеткие символы/эффект "двоения изображения": размытый текст, ломаные линии, растекание чернил.

Несовпадение цветов: смещение цветов при многоцветной печати.

Отклонение цвета: Значительное отклонение цвета от стандартного образца цвета.

Основные проблемы:

• Высокая отражательная способность: на гладких пластиковых поверхностях при неправильном расположении источника света могут легко образовываться блики, маскирующие реальные дефекты.

• Высокоскоростной контроль качества: скорость производственной линии часто достигает 1000-3000 изделий в минуту, что требует от системы машинного зрения выполнения процесса получения изображения, обработки и оценки в очень короткие сроки.

• Разнообразие дефектов: формы, размеры, расположение и контрастность дефектов сильно различаются, что требует от алгоритмов высокой обобщающей способности.

• Фоновые помехи: Сами крышки бутылок могут иметь сложную текстуру, узоры или цвета, которые необходимо отличать от реальных дефектов.

II. Основные компоненты системы визуального контроля

Полная система визуального контроля дефектов поверхности крышек бутылок обычно состоит из двух основных частей: аппаратной и программной.

(I) Аппаратная система

1. Блок визуализации:

Промышленная камера: «глаза» системы. Выберите одну из следующих камер в зависимости от ваших потребностей в контроле:

▪ Камера с сканированием поверхности: используется для проверки внешнего вида, печати и размеров верхней и боковых сторон крышек бутылок. Высокое разрешение позволяет обнаруживать мельчайшие дефекты.

▪ Линейная сканирующая камера: выполняет непрерывное сканирование по мере прохождения крышек от бутылок с высокой скоростью, особенно подходит для панорамной съемки боковых стенок на 360°, обеспечивая бесшовную сшивку изображений.

Промышленные объективы: соответствующее фокусное расстояние должно быть выбрано на основе поля зрения (FOV), рабочего расстояния (WD) и разрешения. Телецентрические объективы уменьшают перспективные ошибки и являются предпочтительным выбором для точных измерений размеров.

2. Система освещения: «душа» успешного визуального контроля. Ее основная задача — выделить дефектные элементы и подавить фоновые помехи.

Распространенные типы источников света:

▪ Кольцевой источник света: обеспечивает равномерное освещение со всех сторон, подходит для общего осмотра плоских участков верхней поверхности.

▪ Купольный источник света/Бестеневой купольный источник света: Обеспечивает чрезвычайно равномерное освещение благодаря полусферическому рассеивателю, являясь мощным инструментом для решения проблемы высокой отражательной способности пластиковых крышек от бутылок, идеально устраняя блики и подчеркивая текстуру поверхности и трехмерные дефекты (такие как царапины и вмятины).

▪ Коаксиальный источник света: световой луч направляется параллельно оптической оси камеры через разделитель лучей, что особенно подходит для обнаружения царапин и неровностей на гладких поверхностях.

▪ Подсветка: Крышка от бутылки располагается между источником света и камерой для создания высококонтрастного контура, используемого для измерения размеров, обнаружения нехватки материалов и обнаружения посторонних предметов.

▪ Комбинированный источник света в виде полосы: свет излучается под определенным углом для повышения контрастности боковых элементов или трехмерных структур.

Стратегии освещения: обычно используются схемы комбинированного освещения с несколькими источниками и разными углами. Например, освещение купола используется для проверки внешнего вида верхней поверхности, освещение полосы освещается сбоку для проверки печати на боковой стенке, а подсветка используется для обнаружения контуров. Благодаря триггеру с разделением времени одна система может выполнять несколько задач.

3. Блок синхронизации и управления:

Датчики: Фотоэлектрические датчики или энкодеры используются для запуска камеры и съемки изображения, когда крышка бутылки достигает определенного положения.

Промышленный ПК (ПК): основной «мозг», на котором работает программное обеспечение для обработки изображений и программы логического управления, требующий мощных вычислительных возможностей (многоядерный процессор, высокопроизводительный графический процессор) и стабильности промышленного уровня.

ПЛК и механизм сортировки: ПЛК получает результаты проверки (ОК/НН) от промышленного управляющего компьютера и управляет электромагнитным клапаном, толкателем или роботизированной рукой для автоматической отбраковки дефектной продукции.

4. Механическая структура:

Точно спроектированные конвейерная дорожка, механизм позиционирования (например, звездообразное колесо, V-образный блок) и устройство отбраковки обеспечивают стабильное и воспроизводимое положение крышек бутылок в точке получения изображения.

(II) Программное обеспечение и алгоритм

Программное обеспечение является «мозгом» системы, отвечающим за анализ изображений, извлечение признаков и принятие окончательных решений. Процесс обработки обычно стандартизирован и включает следующие этапы:

1. Получение и предварительная обработка изображений:

Процесс получения изображения: Исходное изображение захватывается по аппаратному запросу.

Предварительная обработка: Цель состоит в улучшении качества изображения и подготовке к последующему анализу. Это включает в себя:

▪ Фильтрация и шумоподавление: использование гауссовой фильтрации, медианной фильтрации и т. д. для устранения случайного шума.

▪ Улучшение изображения: повышение контраста между дефектами и фоном за счет растяжения контраста, выравнивания гистограммы и т. д.

▪ Коррекция искажений: устранение искажений объектива для обеспечения точности измерений.

2. Локализация области интереса (ROI) и сегментация изображения:

Используя сопоставление шаблонов, анализ связанных компонентов или инструменты геометрического поиска, можно быстро определить положение каждой крышки на изображении и разделить его на различные области обнаружения, такие как верхняя часть, боковые стороны и зубцы.

3. Алгоритмы извлечения признаков и обнаружения дефектов:

Это и есть суть технологии, которая, как правило, использует многоуровневую стратегию объединения данных с применением нескольких алгоритмов.

Для дефектов размера/геометрических параметров:

▪ Обнаружение границ (Канни, Собеля): Извлечение контуров и выполнение сравнения на уровне пикселей со стандартными шаблонами или измерением геометрических размеров (диаметр, округлость, угол).

Для устранения дефектов внешнего вида/текстуры (царапины, пятна, пузырьки и т. д.):

▪ Пороговая сегментация: Бинаризация изображения для разделения переднего плана (дефекта) и фона. Подходит для дефектов со значительным контрастом.

▪ Анализ текстуры: Анализ однородности текстуры поверхности с использованием таких алгоритмов, как матрица совместной встречаемости уровней серого (GLCM) и фильтр Габора, для выявления областей с аномалиями текстуры.

▪ Анализ в частотной области: Выполняет преобразование Фурье изображения для обнаружения периодических дефектов или аномальных частотных составляющих в частотной области.

▪ Дифференциальный метод/сравнение шаблонов: Выполняет попиксельный анализ различий между тестируемым изображением и «идеальным» стандартным изображением-шаблоном. Области с различиями, превышающими пороговое значение, считаются дефектами. Этот метод прост и эффективен, но требует чрезвычайно высокой точности в расположении и освещении.

Для исправления ошибок печати и символов:

▪ Оптическое распознавание символов (OCR): считывает и проверяет правильность и полноту символов, таких как даты производства и номера партий.

▪ Анализ цвета: Сравнивает разницу в цвете между тестируемой областью и стандартным цветовым образцом в определенном цветовом пространстве (например, Lab).

▪ Сопоставление ключевых элементов: Сравнивает, совпадают ли основные элементы логотипов и узоров.

4. Интеграция искусственного интеллекта и глубокого обучения:

Традиционные алгоритмы хорошо справляются с дефектами, имеющими очевидные и правильные характеристики, но их сложно применять к неоднозначным и изменчивым дефектам (таким как пятна различной формы и мелкие царапины). Глубокое обучение, особенно методы визуализации на основе сверточных нейронных сетей (CNN), стало основным и перспективным направлением.

◦ Принцип работы: Модель CNN обучается на огромном количестве образцов изображений крышек бутылок с маркировкой «OK» и «NG» (содержащих различные дефекты). Сеть автоматически учится извлекать многослойные абстрактные признаки из пикселей, от нижнего уровня к верхнему (край -> текстура -> узор -> объект), в конечном итоге обучаясь различать нормальные и аномальные состояния.

Общие модели:

▪ Сети классификации: Классифицируйте всю крышку бутылки или ее область как «приемлемую» или «неприемлемую» (и укажите тип дефекта).

▪ Сети обнаружения объектов: такие как YOLO и Faster R-CNN, которые могут напрямую определять местоположение дефектов на изображении и выделять их контуры, а также указывать категорию.

▪ Сети семантической сегментации: например, U-Net, которая может классифицировать каждый пиксель изображения, точно определяя контуры дефектов, и особенно подходит для анализа формы и площади дефектов.

Преимущества: высокая помехоустойчивость, адаптивность к сложным условиям окружающей среды, способность обнаруживать неизвестные типы дефектов (путем обучения на нормальных образцах, любое отклонение от «нормы» оценивается как аномальное, т.е. «обнаружение аномалий»), а также снижение сложности отладки алгоритма.

5. Оценка ситуации и управление данными:

На основании выводов, полученных на каждом контрольном пункте, выносится окончательное решение «пройдено/не пройдено», и подается сигнал для управления сортировкой.

Записывать и хранить все данные контроля (изображения, результаты, время), генерировать статистические отчеты (процент выхода годной продукции с первого раза, распределение типов дефектов и т. д.), а также обеспечивать прослеживаемость качества и мониторинг производственного процесса.

III. Вопросы внедрения и интеграции системы

1. Интеграция с производственной линией: Требуется бесшовная интеграция с существующей логикой управления и временем цикла производственной линии. Пункты контроля качества обычно располагаются после литьевой машины (оперативный контроль) или перед упаковкой (выборочный контроль вне линии).

2. Установление стандартов контроля: В сотрудничестве с инженерами по качеству необходимо определить четкие и поддающиеся количественной оценке стандарты контроля. Например, какие значения допустимы для длины царапины (в миллиметрах), площади пятна (в квадратных миллиметрах) и разницы цветов Delta E (ниже определенного значения)? Эти стандарты будут преобразованы в пороговые значения для алгоритмов или метки обучающих данных.

3. Человеко-машинный интерфейс. Разработайте простой и понятный рабочий интерфейс для простой настройки параметров, стандартного переключения, мониторинга в реальном времени и запроса результатов.

4. Проверка и калибровка системы: Регулярно калибруйте и проверяйте систему, используя стандартные детали или образцы дефектных материалов, чтобы обеспечить стабильность обнаружения.

IV. Преимущества применения и будущие тенденции

Преимущества применения:

• Повышение качества: Достижение 100% полной проверки качества, что значительно сократит количество жалоб клиентов и рисков, связанных с качеством.

• Экономия затрат: снижение затрат на рабочую силу, переделки и отходов материалов.

• Повышение эффективности: Адаптация к высокоскоростным производственным линиям, обеспечивающая непрерывную работу без усталости.

• Ориентированность на данные: Накопленные качественные большие данные могут быть использованы для оптимизации процессов, прогнозирующего технического обслуживания и управления цепочками поставок.

Будущие тенденции:

1. Применение технологии 3D-зрения: Использование лазерной триангуляции или технологии структурированного света для получения 3D-облака точек поверхности крышек бутылок позволяет чрезвычайно точно измерять 3D-дефекты, такие как высота, плоскостность и деформация, что является мощным дополнением к 2D-зрению.

2. Более высокая степень интеграции чипов ИИ и граничных вычислений: внедрение алгоритмов ИИ в интеллектуальные камеры или промышленные управляющие компьютеры с нейронными процессорами обеспечивает более быстрое время отклика и меньшую задержку системы.

3. Искусственный интеллект на основе облачных технологий и непрерывное обучение: загрузка данных производственной линии в облако, использование более мощных вычислительных возможностей для обучения и оптимизации общих моделей, а также быстрое внедрение вновь изученных признаков дефектов на все производственные линии, что позволяет реализовать принцип «обучиться один раз, обновить всю сеть».

4. Межмодальное слияние информации: объединение информации от нескольких датчиков, включая визуальные, акустические (для обнаружения внутренних структурных трещин) и даже обонятельные (для обнаружения запахов), для всесторонней оценки качества.

Заключение

Визуальный контроль дефектов поверхности пластиковых крышек для бутылок — это комплексная инженерная технология, объединяющая оптику, механику, электронику, программное обеспечение и искусственный интеллект. От точного выбора оборудования и проектирования оптического пути до надежной обработки изображений и интеллектуальных алгоритмов — каждый этап имеет решающее значение. Благодаря непрерывному развитию технологий глубокого обучения и углублению концепции «Индустрия 4.0», системы визуального контроля эволюционируют от автоматизированных инструментов, «заменяющих человеческий глаз», к интеллектуальным центрам принятия решений в области качества, «превосходящим человеческий мозг», обеспечивая надежную техническую гарантию высококачественного развития обрабатывающей промышленности.