Технология визуального контроля качества с помощью струйной печати на стеклянных бутылках: точный и эффективный инструмент контроля качества.

В пищевой, фармацевтической и напиточной промышленности стеклянные бутылки являются распространенной упаковочной тарой, а нанесенные на них струйным методом коды и этикетки содержат важную информацию, такую ​​как дата производства, номер партии и срок годности. Четкость, полнота и точность этой информации напрямую влияют на качество продукции, безопасность и репутацию компании. Традиционные методы ручной проверки подвержены усталости и субъективным факторам, что затрудняет их применение на высокоскоростных производственных линиях. Автоматизированная технология контроля, основанная на машинном зрении, посредством получения, обработки и интеллектуального анализа изображений, позволяет быстро и точно выявлять дефекты струйных кодов и этикеток, значительно повышая эффективность производства и контроль качества. В следующих разделах будут подробно рассмотрены технические принципы, состав системы, процесс обнаружения, преимущества и тенденции развития.

I. Технические принципы: Слияние обработки изображений и глубокого обучения

Суть системы визуального контроля заключается в имитации совместной работы человеческого глаза и мозга: промышленная камера захватывает изображения поверхности стеклянной бутылки, а затем алгоритмы используются для извлечения признаков и определения дефектов. Ее техническая реализация в основном основана на сочетании двух типов методов:

1. Традиционные технологии обработки изображений: это включает этапы предварительной обработки, такие как преобразование изображения в оттенки серого, фильтрация и шумоподавление, а также бинаризация для повышения качества изображения. Затем используются морфологические операции (такие как дилатация и эрозия) для сегментации областей символов, а для вычисления степени соответствия между целевым символом и стандартным шаблоном используется метод сопоставления шаблонов (обычно с порогом ≥0,85 для принятия).

2. Алгоритмы глубокого обучения: Для сложных дефектов, которые трудно обработать традиционными методами (например, незначительная деформация символов и помехи от фона), модели глубокого обучения (например, YOLOv5) автоматически изучают закономерности признаков, обучаясь на большом объеме выборочных данных. Например, обучение модели после применения аугментации данных Mosaic к изображениям образцов бутылок позволяет точно идентифицировать область струйной печати и извлечь целевую область обнаружения (ROI), эффективно решая такие проблемы, как вращение и деформация.

Сочетание этих двух технологий позволяет как количественно оценивать простые признаки (такие как отсутствующие символы и отклонения в положении), так и выявлять сложные дефекты, такие как размытие и слипание, формируя иерархическую систему обнаружения.

II. Состав системы: совместная настройка аппаратного и программного обеспечения.

Полная система визуального контроля требует тесного взаимодействия между аппаратными и программными модулями, включая:

• Блок получения изображений:

• Промышленная камера: Обычно для обеспечения отсутствия размытия изображения при динамической съемке выбирается камера с глобальным затвором и разрешением более 1,3 миллиона пикселей. Для решения проблемы отражающих свойств изогнутых стеклянных бутылок можно использовать несколько камер (например, четыре камеры, охватывающие 360° корпуса бутылки) или вращающийся механизм съемки для устранения слепых зон обнаружения.

• Источник света и оптическая конструкция: Белый кольцевой или чашеобразный светильник равномерно освещает корпус бутылки, используя принцип рассеянного отражения, что уменьшает блики и темные углы. Некоторые системы оснащены структурой мягкого света для дальнейшего повышения однородности изображения.

• Вспомогательные механизмы: Включая узел втулки, который перемещает камеру вверх и вниз (для регулировки фокусного расстояния при фотографировании крышки бутылки), механизм прерывистого вращения (позволяющий камере фотографировать корпус бутылки под разными углами) и компонент формирования изображения (для расширения диапазона одиночных снимков).

• Блок обработки и управления:

• Основной процессор: Высокопроизводительный контроллер с графическим процессором (например, хост-система TNP-01) поддерживает параллельную обработку данных с нескольких камер, обеспечивая скорость обнаружения до 75 000 бутылок в час.

• Платформа программных алгоритмов: интегрирует механизм распознавания символов OCR (например, Tesseract-OCR) и пользовательские алгоритмы обнаружения, а также такие функции, как управление шаблонами, классификация дефектов и статистика данных. Система может хранить более 1000 параметров продукции и автоматически извлекать соответствующий шаблон при изменении категории продукции.

• Исполнительный блок:

После того, как фотоэлектрический датчик запускает камеру для съемки, система анализирует изображение в режиме реального времени. Если обнаруживается дефект (например, отсутствие или размытие печати), система немедленно управляет механизмом отбраковки (например, пневматическим толкателем) через интерфейс ввода-вывода для удаления дефектного изделия и запускает звуковую и визуальную сигнализацию.

III. Процесс обнаружения: от получения изображения до оценки его качества.

Системный рабочий процесс взаимосвязан, что обеспечивает высокую эффективность и точность:

1. Получение и улучшение изображений:

После того, как стеклянная бутылка попадает в рабочую станцию, кольцевая подсветка освещает область, подлежащую проверке, а камера делает снимки корпуса бутылки или крышки. Для уменьшения шума используется медианная фильтрация, а для выделения контуров символов — бинаризация. При необходимости для коррекции угла изображения используется аффинное преобразование.

2. Извлечение признаков и распознавание дефектов:

• Обнаружение печати: Сначала определяется наличие или отсутствие печати (отсутствует печать), а затем проверяется количество и содержание символов (например, полнота даты и номера партии). Если количество символов меньше стандартного шаблона, это считается «частичным отсутствием»; если степень совпадения одного символа ниже порогового значения (например, 0,85), он помечается как «размытый» или «неправильный». • Обнаружение этикеток: Выполняется многоракурсный анализ положения и целостности этикеток для выявления дефектов, таких как отсутствующие этикетки, смещенные этикетки, мятые этикетки и перфорации. Алгоритм обнаружения склейки от Mingjia Technology использует изображения 360° для исключения ложных срабатываний, вызванных вращением бутылок.

3. Результат выполнения и отклонение:

Результаты проверки отображаются в режиме реального времени на человеко-машинном интерфейсе (например, на сенсорном экране), и регистрируются такие данные, как процент прохождения проверки и типы дефектов. Дефектная продукция автоматически отбраковывается в конце производственной линии. Система также поддерживает загрузку данных в облако для отслеживания качества.

IV. Технологические преимущества: основная ценность автоматизированного контроля

По сравнению с ручной проверкой, система визуального контроля обладает тремя основными преимуществами:

1. Повышенная точность и эффективность: Алгоритмы глубокого обучения обеспечивают точность распознавания дефектов, превышающую 99,9%, со скоростью обнаружения десятков тысяч бутылок в час, что значительно превосходит возможности человека.

2. Контроль затрат и рисков: Одно устройство может заменить нескольких инспекторов качества, снижая долгосрочные затраты на рабочую силу; оно также позволяет избежать рисков для безопасности, связанных с ручным контактом с высокотемпературными и высокоскоростными производственными линиями.

3. Адаптируемость и отслеживаемость: Система может быть адаптирована к различным типам бутылок (например, ПЭТ-бутылки, стеклянные бутылки) и типам кодирования (чернильное, лазерное) путем настройки параметров. Все изображения и данные контроля автоматически архивируются, что способствует анализу качества и оптимизации процесса.

V. Вызовы и будущие тенденции развития

Несмотря на зрелость технологии, некоторые проблемы остаются: например, необходимость улучшения оптической конструкции для устранения отражательных помех от стеклянных бутылок и трудности распознавания лазерной маркировки на темных бутылках. Будущие тенденции будут сосредоточены на:

• Гибкие системы контроля: Как описано в патенте CN202310153197, оборудование, объединяющее подъемные и вращательные механизмы, позволяет осуществлять многофункциональные операции, одновременно проверяя крышки бутылок, корпуса бутылок и этикетки.

• Непрерывная эволюция алгоритмов ИИ: модели глубокого обучения будут и дальше интегрировать технологию 3D-зрения для повышения чувствительности к незначительным дефектам, таким как небольшие вмятины и пузырьки.

• Интегрированные с облаком решения: Благодаря Интернету вещей система подключается к корпоративной облачной платформе для мониторинга состояния оборудования, удаленного обслуживания и прогнозного анализа больших данных, создавая замкнутый цикл обеспечения качества на «умном заводе».

Заключение

Технология визуального контроля качества маркировки и кодирования стеклянных бутылок, интегрирующая машинное зрение, оптическое распознавание символов и глубокое обучение, стала краеугольным камнем контроля качества в современном промышленном производстве. Она не только решает проблемы эффективности и точности ручной проверки, но и оптимизирует производственные процессы с помощью подходов, основанных на данных. Благодаря итерациям алгоритмов и аппаратным инновациям эта технология будет продолжать развиваться в направлении большей интеллектуальности и гибкости, обеспечивая надежную гарантию качества и безопасности в промышленности.