Технология визуального контроля внешнего вида алюминиевых банок: комплексный анализ от оптической визуализации до глубокого обучения.

Технология визуального контроля внешнего вида алюминиевых банок: комплексный анализ от оптической визуализации до глубокого обучения.

1. Введение: Технические проблемы и значение контроля внешнего вида алюминиевых банок

В связи с быстрым развитием пищевой промышленности и производства напитков спрос на алюминиевые банки как на основной упаковочной таре продолжает расти. Типичные алюминиевые банки, производимые с высокой скоростью (до 15 банок в секунду), подвержены различным дефектам внешнего вида, включая царапины, вмятины, деформации и выпуклости корпуса банки; дефекты печатных надписей на дне банки; неравномерное нанесение герметика на крышку и деформацию язычка для открывания. Эти дефекты не только влияют на эстетику продукта, но и могут привести к разбрызгиванию или загрязнению содержимого, что создает серьезные проблемы с безопасностью.

Контроль внешнего вида алюминиевых банок сталкивается с множеством технических проблем: сильные отражательные свойства металлической поверхности могут маскировать реальные дефекты; цилиндрическая изогнутая структура поверхности делает изображение подверженным искажениям; высокоскоростные производственные линии требуют от системы обнаружения принятия решений в течение миллисекунд; а разнообразие типов дефектов требует алгоритмов с высокой адаптивностью. Традиционные методы ручного контроля страдают от низкой эффективности, субъективности и утомляемости, не отвечая современным требованиям промышленности. Поэтому автоматизированная технология контроля на основе машинного зрения стала неизбежным выбором для промышленности. Она обеспечивает быстрое и точное определение внешнего вида алюминиевых банок за счет высокоточной съемки, обработки и анализа изображений.

В данной статье будет проведен систематический анализ технической системы визуального контроля внешнего вида алюминиевых банок, включая проектирование системы визуализации, алгоритмы обнаружения дефектов, разработку программной платформы и практическое применение в промышленности, что послужит всесторонним справочным материалом для технических специалистов в смежных областях.

2. Проектирование аппаратной части системы визуального контроля

2.1 Конфигурация системы визуализации и источника света

Система визуализации является основой визуального контроля, и её конструкция напрямую определяет качество изображения. Для особой конструкции алюминиевых банок обычно используется распределенная архитектура, где устанавливается несколько независимых инспекционных станций, отвечающих за проверку дна, корпуса и крышки банки соответственно. Станция проверки дна банки использует высокоразрешающую сканирующую камеру с кольцевым источником света, точно контролируя угол падения света для повышения контрастности лазерной печати символов; станция проверки корпуса банки сконфигурирована с тремя комплектами синхронно запускаемых модулей 2D-3D-сканирования, каждый модуль содержит линейную сканирующую камеру и линейный лазерный профилограф, установленные с интервалом в 120 градусов для обеспечения полного сканирования корпуса банки.

Дизайн источника света является ключом к решению проблемы отражения металла. Из-за сильных отражающих свойств алюминиевых банок для напитков широко используются различные специальные источники света: интегрирующий сферический источник света использует полусферическую внутреннюю стенку с интегрирующим эффектом для равномерного отражения света, излучаемого снизу на 360 градусов, что приводит к очень однородному изображению вогнутого дна банки; Система композитного светодиодного источника света состоит из трехкольцевого бестеневого светильника, куполообразного бестеневого светильника, кольцевого светильника под низким углом и коаксиального светильника. Управляя комбинацией этих составных источников света, можно получить четкие контуры и высококонтрастные изображения крышки банки; Двойной конический источник света состоит из двух концентрически расположенных конических источников света, при этом верхний источник света освещает центральную панель, а нижний источник света освещает периферийную область. Перекрывающиеся световые поля значительно улучшают равномерность освещения.

2.2 Аппаратное обеспечение для получения и обработки изображений

Высокоскоростные производственные линии предъявляют строгие требования к оборудованию для захвата изображений. Промышленные интеллектуальные камеры, такие как Cognex In-Sight Micro 1400, широко используются благодаря своим компактным размерам (30 мм x 30 мм x 60 мм) и мощным вычислительным возможностям, что позволяет использовать их на самых высокоскоростных производственных линиях с минимальными габаритами. Эти камеры, как правило, имеют встроенные отработанные алгоритмы машинного зрения, поддерживающие такие функции, как анализ, проверка дефектов поверхности, измерение размеров и распознавание текста (OCR), что значительно ускоряет разработку системы.

Модуль обработки обычно построен на базе промышленного компьютера, оснащенного высокопроизводительным процессором и достаточным объемом памяти. Когда банка с напитком транспортируется к станции обработки изображений, срабатывает фотоэлектрический приемопередатчик, посылающий сигнал на плату ввода/вывода промышленного компьютера. Затем компьютер управляет включением источника света и дает команду камере на получение изображения. Полученное изображение передается на промышленный компьютер через интерфейс 1394 для анализа и обработки.

3. Алгоритмы обнаружения дефектов и их техническая реализация.

3.1 Возможно ли обнаружение дефектов нижних символов?

Обнаружение символов, напечатанных на дне банки, сталкивается с проблемой низкой контрастности, поскольку символы, напечатанные лазером, по материалу похожи на металлическое дно банки, что приводит к слабым признакам. Для решения этой проблемы отлично работает метод, основанный на семантической сегментации. Сеть Res18-UNet использует ResNet18 в качестве базовой структуры кодировщика, внедряя улучшенный модуль внимания к блокам признаков на каждом этапе понижения разрешения. Благодаря пространственной группировке и перекалибровке каналов карт признаков повышается способность модели фокусироваться на области символов. В декодере используется стратегия прогрессивного повышения разрешения, вводящая механизм остаточного обучения в каждом соединении пропуска, что эффективно смягчает проблему затухания градиента. Для решения проблемы непоследовательной ориентации символов, вызванной случайным вращением банок, широко используется алгоритм коррекции вращения на основе преобразования полярных координат. Этот алгоритм сначала определяет центроид области символа с помощью анализа связных компонентов, вычисляет относительный угол между центроидом и центром изображения, а затем выполняет аффинное преобразование для коррекции ориентации символа. Для классификации отдельных символов используется облегченная структура сверточной нейронной сети. Поглубоко разделяемые свертки уменьшают количество параметров, а операции перемешивания каналов повышают повторное использование признаков, обеспечивая скорость обработки 300 символов в секунду при сохранении точности классификации 99,5%.

3.2 Обнаружение дефектов кузова

Дефекты корпуса банки в основном включают царапины, вмятины и деформации. Трудности в обнаружении этих дефектов заключаются в искажении изображения, вызванном цилиндрической изогнутой поверхностью, и помехах от сложных фоновых узоров. Метод улучшения изображений дефектов корпуса банки с использованием информации о глубине повышает точность обнаружения выпуклых и вогнутых дефектов за счет многомодального слияния данных. Этот метод сначала создает систему получения трехмерного изображения, выполняет совместную калибровку с использованием высокоточной калибровочной платы и устанавливает соответствие между двумерными координатами пикселей изображения и пространственными координатами трехмерного облака точек.

Для решения проблем, связанных с особенностями сбора данных в цилиндрических банках, предлагается улучшенная модель цилиндрической обратной проекции. Эта модель отображает данные облака точек в параметризованную цилиндрическую систему координат, устраняя искажения проекции, вызванные ошибками установки, путем решения задачи оптимального соответствия облака точек цилиндрической модели. На этапе улучшения изображения стратегия многомасштабного слияния признаков выполняет взвешенное слияние 2D текстурных изображений и карт глубины с различным разрешением. Она выделяет особенности разрывов глубины для дефектов вмятин и усиливает особенности градиента краев для дефектов царапин.

Алгоритм HPFST-YOLOv5 повышает точность обнаружения на сложном фоне благодаря инновационной структуре нейронной сети. В основе сети разработан гибридный механизм внимания, встраивающий многоголовочный модуль самовнимания Swin Transformer в слои извлечения признаков на разных масштабах. В неглубоких сетях используется локальное оконное внимание для захвата тонких особенностей дефектов, а в глубоких сетях — глобальное внимание для моделирования зависимостей на больших расстояниях. Для решения проблемы ослабления информации о краях, вызванной размытием при движении, на вход добавлен высокочастотный фильтр. Обучаемый дифференциальный оператор первого порядка извлекает карту отклика краев дефектов, которая затем подается параллельно с исходным изображением на вход основной сети.

3.3 Выявление дефектов крышки/торца банки

Конструкция крышки банки сложна и включает множество функциональных частей, таких как центральная панель, периферийные края, шовная панель и завиток, каждая из которых может иметь определенные дефекты. Для решения этой проблемы доказала свою эффективность региональная стратегия обнаружения. Исследования Университета Хунани предлагают разделить зону обнаружения крышки банки на круглую и кольцевую области. Для круговой области используется метод обнаружения дефектов на основе Blob-анализа, а для обнаружения дефектов в кольцевой области используется алгоритм, основанный на аппроксимации вертикальной кривой проекции в оттенках серого по методу наименьших квадратов.

Алгоритм кластеризации по энтропийной скорости в сочетании с предварительными ограничениями формы эффективно определяет целевой объект — конец банки — и разделяет его на несколько областей измерения. Этот алгоритм основан на графическом представлении изображения и обеспечивает точное отделение конца банки от фона путем оптимизации целевой функции. При количестве кластеров k=2 конец банки и фон точно разделяются; по мере увеличения k постепенно выделяются центральная панель, внешний край, шов и завиток. Для обеспечения надежности результатов сегментации в постобработке используются предварительные ограничения формы. Исходя из того, что конец банки и все его области измерения представляют собой концентрические окружности или кольца, центр конца банки c(x,y) и радиус r вычисляются с помощью алгоритма аппроксимации окружностью.

Для обнаружения дефектов в центральной области панели алгоритм группировки и выбора суперпикселей показывает отличные результаты. Сначала используется алгоритм кластеризации по энтропийной скорости для генерации большого количества суперпикселей (Ni>6000). Затем строится взвешенный граф смежности областей, где каждый суперпиксель Si является узлом, группируя похожие суперпиксели. Определяется специальный индекс для оценки локального изменения оттенков серого в каждой области, а области дефектов идентифицируются с помощью пороговой обработки.

3.4 Методы обработки отражений и улучшения изображений

Сильное отражение от поверхности металлических банок является основным мешающим фактором, влияющим на точность обнаружения. Для решения этой проблемы запатентованная технология предлагает метод подавления отражений, основанный на анализе многокадровых изображений в оттенках серого. Этот метод сначала получает многокадровые изображения упаковочной банки в оттенках серого, выполняет обнаружение границ на этих изображениях и использует области, образованные обнаруженными замкнутыми границами, в качестве целевых областей; затем вычисляется вероятность того, что целевая область является отражающей. Эта вероятность рассчитывается на основе среднего значения оттенков серого, максимального значения оттенков серого и комплексных характеристик отражения всех пикселей в целевой области.

Адаптивное гамма-преобразование определяет коэффициент гамма на основе вероятности наличия отражающей области. Для каждого пикселя в целевой области соответствующее исходное значение оттенков серого преобразуется с помощью гамма-преобразования для получения последнего значения оттенков серого, в результате чего получается улучшенное изображение упаковки в оттенках серого. Это преобразование может адаптироваться к различным условиям освещения и отражения. В областях с сильным отражением коэффициент гамма будет соответствующим образом скорректирован для уменьшения влияния отражения на обнаружение дефектов. Комплексный расчет отражательных характеристик целевой области учитывает множество факторов, включая первый показатель (среднее изменение оттенков серого), второй показатель (согласованность направления градиента) и сходство между кадрами (согласованность целевой области между разными кадрами). Благодаря всестороннему анализу этих показателей система может точно различать реальные дефекты и псевдодефекты, вызванные отражениями, значительно повышая точность обнаружения.

4. Программная платформа и реализация системы обнаружения

4.1 Архитектура программного обеспечения и рабочий процесс

Система визуального контроля банок с напитками использует многопоточную параллельную обработку, включающую основной управляющий поток, поток получения изображений, поток обработки алгоритмов и поток вывода результатов. Основной управляющий поток отвечает за координацию рабочего процесса каждого модуля, поток получения изображений синхронно получает данные с двух станций посредством внешних триггерных сигналов, поток обработки алгоритмов одновременно выполняет алгоритмы распознавания символов и обнаружения дефектов, а поток вывода результатов интегрирует результаты обнаружения и управляет сортировочным устройством.

Для обеспечения работы системы в режиме реального времени используется механизм прерывания по таймеру, строго ограничивающий цикл обнаружения одной банки, применяется технология отображения памяти для обеспечения быстрого обмена большими объемами данных изображений, а также технология ускорения на графическом процессоре для оптимизации и развертывания алгоритмов глубокого обучения. Система также интегрирует функцию обучения параметрам, позволяющую операторам настраивать параметры обнаружения в соответствии со спецификациями продукта, и создает модуль базы данных для хранения результатов обнаружения и информации о продукте, обеспечивая поддержку данных для отслеживания качества.

Программное обеспечение Maotong In-Sight для обработки изображений обеспечивает удобство разработки системы. Его алгоритмическая структура, основанная на использовании электронных таблиц, позволяет пользователям создавать скриптовые алгоритмы с помощью электронных таблиц без необходимости программирования на сложных языках, обеспечивая такие функции, как анализ и распознавание текста (OCR), что значительно повышает скорость разработки системы. Благодаря интеллектуальным инструментам обработки изображений и функциям чтения и проверки символов OCR в In-Sight Explorer, легко обучать распознавание символов на изображениях и создавать библиотеку символов.

4.2 Системная интеграция и оценка производительности

Комплексная система контроля внешнего вида банок с напитками объединяет три основных компонента: электромеханические устройства, систему визуализации и модуль обработки. Электромеханическое устройство обеспечивает автоматическое управление движением и сортировку банок с напитками, включая входной порт, систему транспортировки и систему сортировки; система визуализации отвечает за получение высококачественных изображений; а модуль обработки анализирует и обрабатывает полученные изображения.

Что касается оценки производительности, разработанная Хунаньским университетом система обнаружения дефектов крышек банок достигает точности обнаружения более 96%, при среднем времени обнаружения 18,6 мс на крышку банки, что соответствует потребностям производственных линий в индустрии напитков. Технология обнаружения дефектов банок, основанная на глубоком обучении, демонстрирует хорошие результаты распознавания после 10 итераций обучения с коэффициентом обучения 0,0005, что приводит к итоговой точности бинарной классификации дефектов 99,7% и времени выполнения алгоритма 119 мс. Система обнаружения торцов банок достигает точности обнаружения до 99,48% для различных круглых торцов банок.

5. Промышленные применения и перспективы на будущее

5.1 Практические примеры применения

Система визуального контроля внешнего вида банок успешно применяется в различных промышленных условиях. Системы машинного зрения Cognex достигли скорости обработки 72 000 банок в час и точности 99,99% при обнаружении донных кодов на банках с напитками, преодолев техническое узкое место, препятствующее увеличению скорости производства в пищевой промышленности.

Устройство машинного зрения для обнаружения концов банок использует пневматическую транспортировку и вакуумную адсорбцию для обеспечения стабильной передачи и точного позиционирования концов банок. Когда конец банки транспортируется к станции обработки изображений, вакуумный насос создает на поверхности конвейера зону низкого давления, и конец банки стабильно адсорбируется на конвейере за счет разницы давлений и перемещается вдоль конвейера, приводимого в движение двигателем переменного тока. Система сортировки классифицирует концы банок на основе результатов проверки, а дефектные концы отделяются от конвейера с помощью сепаратора, приводимого в действие импульсами сжатого воздуха.

5.2 Технические проблемы и тенденции развития

Несмотря на значительный прогресс в существующих технологиях, контроль внешнего вида банок по-прежнему сталкивается с некоторыми проблемами: обнаружение мельчайших дефектов затруднено, особенно идентификация микроцарапин на сложном фоне; проблема отражательной интерференции не решена полностью, особенно для глянцевых поверхностей; баланс между производительностью алгоритма в реальном времени и точностью нуждается в дальнейшей оптимизации; а адаптивность системы ограничена, что требует корректировки параметров при изменении конструкции банки.

К будущим тенденциям развития относятся: технология многомодального слияния данных объединит 2D-текстуру, 3D-морфологию и спектральную информацию для более полного описания характеристик дефектов; адаптивные алгоритмы обучения будут непрерывно оптимизировать модель на основе данных производственной линии, снижая трудозатраты на ручную настройку параметров; комбинированная архитектура граничных и облачных вычислений обеспечит производительность в реальном времени, используя большие данные из облака для обучения более точных моделей; и разработка встроенных чипов искусственного интеллекта приведет к уменьшению размеров и энергопотребления системы обнаружения. 6. Заключение

Технология визуального контроля банок с напитками объединяет передовые достижения из различных областей, включая оптику, механику, электронику и компьютерное зрение, и является важным показателем уровня промышленной автоматизации. От проектирования системы обработки изображений до оптимизации алгоритмов, от выбора оборудования до разработки программной платформы — каждое звено напрямую влияет на конечную эффективность обнаружения. В настоящее время методы обнаружения на основе глубокого обучения во многих аспектах превзошли традиционные алгоритмы, но в практических промышленных приложениях обычно необходимо сочетать преимущества традиционных методов обработки изображений и методов глубокого обучения для создания гибридной системы обнаружения.

В условиях углубленной реализации национальной стратегии «Сделано в Китае 2025» технологии визуального контроля качества банок для напитков будут развиваться в более интеллектуальном, эффективном и надежном направлении. Это не только поможет производителям банок использовать технологии искусственного интеллекта для внедрения интеллектуального производства и снижения трудозатрат, но и будет соответствовать национальной стратегии модернизации обрабатывающей промышленности, имея значительные практические последствия. В будущем, с непрерывным прогрессом в области сенсорных технологий, теории алгоритмов и вычислительных возможностей, системы визуального контроля качества банок для напитков, несомненно, будут играть еще более важную роль в пищевой промышленности, обеспечивая качество продукции.