Применение интеллектуальной технологии визуального контроля качества при обнаружении протечек в пакетах с приправами.

Пакетики с приправами и маслом являются незаменимым компонентом современной пищевой промышленности, и их герметичность и качество напрямую влияют на безопасность продукта и удобство использования. Традиционные методы обнаружения протечек в основном основаны на ручном визуальном осмотре или простых сенсорных технологиях, которые страдают от низкой эффективности, высокого уровня ложноотрицательных результатов и сложности точной локализации. В последние годы, с быстрым развитием машинного зрения и интеллектуальных технологий обнаружения, решения для обнаружения протечек на основе машинного зрения постепенно стали ключевыми в решении этой проблемы. В данной статье, сочетая новейшие патентные исследования и технические решения, систематически рассматриваются принципы, методы и тенденции развития визуального контроля протечек в пакетиках с приправами и маслом.

1. Технические проблемы и ограничения традиционных методов обнаружения утечек

В процессе производства пакетов с приправами для масла проблемы с протечками могут возникать из-за плохой герметизации упаковки, повреждения материала или дефектов процесса наполнения. Традиционные методы обнаружения, такие как методы впитывания в картон или обнаружение с помощью одноточечного датчика, имеют существенные недостатки: первый основан на ручном наблюдении за влажными следами на картоне, что неэффективно и чревато пропусками обнаружения; второй, например, фотоэлектрические датчики или детекторные тросы, может охватывать только одну точку или линию, не позволяя всесторонне определить местоположение и масштабы протечки. Кроме того, вязкая природа, отражающие свойства или сходство цвета с фоном масла еще больше усложняют визуальный контроль. Например, в производственных условиях с неравномерным освещением следы масла могут быть ошибочно приняты за тени или узоры упаковки, что приводит к ложным срабатываниям или ложным отрицательным результатам.

2. Основные технологии обнаружения утечек на основе машинного зрения

2.1 Технология многозонного зондирования и RFID-меток

Усовершенствованная система обнаружения утечек разделяет платформу обнаружения на несколько независимых областей, в каждой из которых встроен датчик, содержащий электрочувствительные материалы (например, метки радиочастотной идентификации). При попадании утечки в определенную область электрические характеристики метки изменяются. RFID-считыватель собирает эту информацию о состоянии, точно определяя место утечки и рассчитывая такие параметры, как объем и скорость утечки. Это решение обеспечивает полное покрытие всей поверхности обнаружения и повышает точность определения причины утечки за счет обучения модели обнаружения утечек с использованием исторических данных.

2.2 Обработка изображений и двухспектральный анализ флуоресценции/синего света

Для учета физических характеристик масла можно использовать многоспектральную технологию визуализации, повышающую чувствительность обнаружения. Например, область обнаружения освещается источником ультрафиолетового света (длина волны 360 нм) для индуцирования флуоресценции в жидкости, а источник синего света (380–500 нм) используется для получения вспомогательных изображений. Дифференциальная обработка изображений флуоресценции и синего света эффективно отделяет сигнал от жидкости от окружающего шума. Конкретный процесс включает в себя:

1. Предварительная обработка изображений: для снижения шума используется фильтрация Гаусса, а для усиления признаков применяются алгоритмы улучшения изображения (такие как умножение и корректировка оттенков серого).

2. Анализ каналов: изображение RGB преобразуется в цветовое пространство YUV, а дифференциация каналов (например, Y-U, Y-V) используется для выделения области жидкости.

3. Сегментация по пороговому значению и расчет площади: ситуация утечки определяется путем сравнения площади утечки с заданным пороговым значением, что снижает вероятность ошибок, допускаемых человеком.

2.3 Семантическая сегментация на основе контрастивного обучения

Для обнаружения микроутечек в сложных условиях контрастное обучение обеспечивает схему самообучения и извлечения признаков. Благодаря структуре кодировщик-декодер модель может изучать общие характеристики области утечки без большого объема размеченных данных. Например, путем объединения RGB и инфракрасных изображений в качестве входных данных для сети, многомасштабные признаки извлекаются с помощью модуля SD-Block и механизмов внимания (таких как CBAM), и, наконец, результат сегментации выводится путем повышения разрешения. Этот метод хорошо адаптируется к жидкостям комнатной температуры или слабым утечкам и обладает более высокой помехоустойчивостью, чем традиционное обнаружение с помощью тепловизионной съемки.

3. Внедрение системы и интегрированные приложения

Полная система визуального контроля обычно включает следующие модули:

• Блок захвата изображения: Промышленные камеры высокого разрешения со специальными источниками света (например, ультрафиолетовыми или синими модулями) обеспечивают четкость изображения.

• Платформа обработки данных: Контроллер на базе FPGA или встроенных процессоров обеспечивает слияние данных с датчиков и анализ в реальном времени.

• Вспомогательные устройства: модуль автоматической очистки (для удаления остатков жидкости с измерительной пластины), манипулятор (для регулировки положения измерительного прибора) и устройство для впрыскивания жидкости (для имитации условий утечки).

• Механизм оповещения и обратной связи: При обнаружении утечки система автоматически отмечает место и подает сигнал тревоги, одновременно накладывая область утечки на исходное изображение для облегчения ручной проверки.

4. Технические преимущества и будущие тенденции

Технология визуального осмотра обладает значительными преимуществами в контроле качества утечек жидкости:

• Бесконтактное обнаружение: предотвращает вторичное загрязнение упаковки. • Количественный анализ: система может точно рассчитать площадь утечки, ее местоположение и даже скорость утечки.

• Адаптивные возможности: Благодаря моделям глубокого обучения система может адаптироваться к различной вязкости масла, упаковочным материалам и условиям освещения.

В будущем, с распространением мультимодального слияния данных с датчиков (например, объединения инфракрасной и видимой световой съемки) и граничных вычислений, системы визуального контроля будут развиваться в направлении повышения эффективности и снижения энергопотребления. В то же время ожидается, что модели, основанные на самообучении, еще больше снизят зависимость от размеченных данных, что уменьшит затраты на внедрение для предприятий.

Заключение

Технология визуального контроля для обнаружения протечек в пакетах с приправами и маслом, сочетающая мультиспектральную съемку, интеллектуальные датчики и алгоритмы искусственного интеллекта, обеспечивает точную и эффективную локализацию проблем с протечками. Это не только повышает уровень контроля качества пищевой упаковки, но и оказывает решающую поддержку интеллектуальной трансформации всей пищевой промышленности. В будущем, благодаря постоянной оптимизации алгоритмов и аппаратного обеспечения, ожидается, что эта технология будет играть ключевую роль в более широком спектре сценариев упаковки жидких продуктов.