Технология визуального контроля качества стеклянных бутылок с помощью этикеток и струйной печати: интеллектуальный путь к повышению качества упаковки.

1. Введение

В современных условиях высокоавтоматизированного промышленного производства стеклянные бутылки, как важная упаковочная тара для многочисленных отраслей, таких как фармацевтика, производство напитков и косметика, имеют внешний вид, а точность идентификационной информации, напрямую влияющие на имидж продукта, соответствие требованиям безопасности и репутацию бренда. Среди них качество нанесения этикеток и точность струйной печати информации являются критически важными аспектами, требующими строгого контроля в процессе производства. Традиционные методы ручной визуальной проверки не только неэффективны, но и подвержены таким факторам, как усталость человека и субъективная оценка, что затрудняет удовлетворение требований современных производственных линий к эффективной и точной проверке. Благодаря быстрому развитию технологий машинного зрения и алгоритмов искусственного интеллекта, появились системы визуальной проверки этикеток на стеклянных бутылках и струйной печати кодов, ставшие значительным прорывом в области промышленной автоматизации.

Технология визуального контроля имитирует человеческое зрение, используя аппаратные устройства, такие как камеры, линзы и источники света, для получения изображений, а затем компьютеры обрабатывают и анализируют изображения для обнаружения, распознавания и измерения целевых объектов. Эта технология обладает такими характеристиками, как бесконтактность, высокая точность, высокая эффективность и надежность, что делает ее очень подходящей для контроля качества в условиях промышленного производства. Система визуального контроля этикеток на стеклянных бутылках и струйной печати кода может автоматически определять наличие этикетки, правильность ее положения, четкость и читаемость содержимого, а также точность информации струйного кода, что значительно повышает эффективность производства и контроль качества продукции.

В данной статье всесторонне рассматриваются последние разработки и перспективы применения технологии визуального контроля этикеток для стеклянных бутылок и струйной печати кодов с точки зрения технологической эволюции, основных технологических инноваций, системных приложений, проблем и будущих тенденций, что послужит техническим ориентиром для смежных отраслей промышленности в целях достижения высокого качества продукции.

2. Технологическая эволюция: от ручного контроля к интеллектуальному обнаружению

Технология контроля качества стеклянной упаковки претерпела эволюцию от традиционного ручного контроля к автоматизированному визуальному контролю. На традиционных производственных линиях проверка этикеток и струйных кодов в основном основывалась на визуальном осмотре рабочими. Этот метод контроля не только трудоемок и неэффективен, но и результаты проверки легко зависят от технического уровня, рабочего состояния и психологических факторов инспекторов, что приводит к высокому проценту пропущенных проверок и низкой согласованности результатов. По мере увеличения скорости производства ручной контроль становится узким местом, ограничивающим эффективность производства.

Появление автоматизированных технологий визуального контроля решило эту проблему. Первоначальные системы визуального контроля использовали простые фотоэлектрические датчики или отдельные промышленные камеры, которые могли осуществлять обнаружение лишь в ограниченном диапазоне, например, для обнаружения наличия этикетки. С развитием технологий в промышленном производстве все чаще применяются многокамерные системы совместного обнаружения. Например, для комплексного осмотра корпуса бутылки используются четыре промышленные камеры, каждая из которых отвечает за диапазон съемки в 90°. Однако эта система требует совместной работы нескольких промышленных камер, что приводит к увеличению производственных затрат, и по-прежнему испытывает трудности с комплексным обнаружением этикеток на корпусе бутылки и печатной информации на крышке.

Таблица: Эволюция технологий проверки этикеток и кодов на стеклянных бутылках.

В последние годы, благодаря комплексному развитию технологий машинного зрения и искусственного интеллекта, интеллектуальные системы визуального контроля достигли значительных успехов. Современные системы обнаружения требуют всего одной промышленной камеры в сочетании с механизмами подъема и вращения для обеспечения всестороннего контроля всей этикетки и печати на крышке бутылки. Эта система регулирует высоту камеры с помощью механизма подъема для захвата информации, напечатанной на крышке, и использует механизм вращения для периодического вращения камеры, захватывая информацию с этикетки в разных местах на корпусе бутылки. Кроме того, внедрение компонентов обработки изображений расширяет диапазон однократного снимка камеры, обеспечивая эффективность обнаружения при одновременном сокращении количества камер.

В то же время непрерывное развитие программных платформ машинного зрения (таких как HALCON, EVISION и др.) обеспечивает мощные возможности обработки и анализа изображений для визуального контроля. Эти программные платформы интегрируют множество алгоритмов обработки изображений, таких как анализ объектов, морфологическая обработка, распознавание образов и измерение, что значительно повышает эффективность разработки и гибкость применения систем визуального контроля.

3. Ключевые технологии и инновационные решения

3.1 Многокамерная система взаимодействия и система многоракурсной съемки с использованием одной камеры

В системах контроля этикеток и кодов на стеклянных бутылках система визуализации является одной из ключевых технологий. Традиционные системы обнаружения обычно используют четыре промышленные камеры для съемки корпуса бутылки с разных ракурсов, обеспечивая всесторонний охват. Однако это решение не только дорогостоящее, но и требует сложной системной интеграции, а синхронизация и координация между камерами представляют собой технические проблемы.

В новом поколении оборудования для контроля качества используется система многоракурсной съемки с одной камерой. Благодаря продуманной механической конструкции и оптической схеме одна камера обеспечивает всесторонний осмотр как корпуса, так и крышки контейнера. Такие системы обычно включают основной корпус устройства, платформу для крепления камеры, подъемный приводной механизм для подъема и опускания платформы при фотографировании крышки контейтера, а также вращающийся приводной механизм, который периодически поворачивает платформу для фотографирования корпуса контейнера. Вращающийся приводной механизм использует эксцентриковое колесо и зубчатую передачу для обеспечения прерывистого вращения камеры, что позволяет четко фотографировать корпус контейнера под фиксированным углом, избегая размытия изображения, вызванного вращением.

Механизм подъемного привода обычно включает в себя узел втулки и компонент подъемной передачи. Резьбовая передача преобразует вращательное движение приводного стержня в линейное движение подъемной втулки, тем самым приводя камеру в движение вверх и вниз, точно позиционируя ее над крышкой контейнера для фотографирования напечатанной на крышке информации. Такая конструкция позволяет точно регулировать положение камеры, обеспечивая получение изображений высокого разрешения напечатанной информации на крышке контейнера.

Система освещения является ключевым фактором, влияющим на качество изображения. Правильное освещение позволяет выделить целевые объекты и уменьшить отражения и помехи от теней. В современных системах обнаружения обычно используется кольцевой источник света, расположенный по периметру монтажной платформы и на высоте над конвейерной лентой. Это обеспечивает достаточное и равномерное освещение для фотосъемки корпуса и крышки контейнера, значительно улучшая четкость получаемых изображений. Для стеклянных бутылок из специальных материалов (таких как прозрачные и полупрозрачные) также используются ближнеинфракрасное освещение и источники света с фиксированным углом для повышения контрастности изображения и улучшения точности распознавания краев этикеток.

3.2 Алгоритмы обработки изображений и распознавания дефектов

Алгоритмы обработки изображений — это «мозг» системы визуального контроля, отвечающий за извлечение полезной информации из полученных изображений и вынесение суждений. Традиционные методы обработки изображений включают обнаружение границ, пороговую сегментацию и морфологическую обработку. Эти методы хорошо работают в определенных условиях, но их адаптивность к факторам помех, таким как изменения освещения и сложный фон, оставляет желать лучшего.

Для обнаружения дефектов на этикетках стеклянных бутылок современные системы используют многоуровневые и многомасштабные методы анализа данных. Сначала полученное изображение высокого разрешения обрабатывается с помощью фильтрации с усилением градиента для подавления шума и усиления краевых характеристик этикетки. Затем используется алгоритм обнаружения краев для определения границ области этикетки, что позволяет точно выделить область этикетки. Этот шаг имеет решающее значение для последующего обнаружения дефектов; только точное выделение области этикетки позволяет эффективно проводить анализ и оценку дефектов.

На основе выделенной области метки система разделяет локальные блоки обнаружения, анализирует направление расположения волокон, вычисляет главный угол направления и анализирует скорость изменения градиента направления, чтобы определить, является ли расположение волокон аномальным. Путем обнаружения точек изменения направления волокон в аномальных областях поверхности метки вычисляется значение пространственной плотности точек изменения, и плотность точек изменения фильтруется в соответствии с пороговым значением плотности разрывов для идентификации областей разрыва волокон.

Многомасштабный анализ является важной особенностью современных алгоритмов обнаружения. Получая индикаторы согласованности направления волокон и плотность точек разрушения в разных масштабах, вычисляя разницу значений степени аномалии в каждом масштабе и фильтруя аномальные области, где разница значений превышает пороговое значение, можно более полно и точно идентифицировать дефекты. Наконец, анализируя суммарную амплитуду флуктуаций и значение отклонения концентрации направления в каждой аномальной области, достигается классификация и идентификация различных типов дефектов, таких как мелкие царапины, разрывы, капли и смещение этикетки.

Для распознавания струйных кодов, особенно таких символов, как номера партий и даты производства, широко используется технология оптического распознавания символов (OCR). Традиционные методы OCR обычно включают этапы предварительной обработки изображений, сегментации символов и сопоставления признаков, но на практике из-за таких факторов, как качество струйных кодов и условия освещения, гарантировать точность распознавания сложно. Усовершенствованный алгоритм сопоставления шаблонов повышает точность и надежность распознавания символов за счет включения методов адаптивной бинаризации и обнаружения контуров.

3.3 Применение глубокого обучения для распознавания струйных кодов

В последние годы технология глубокого обучения совершила прорыв в области распознавания изображений, предоставив новые решения для распознавания струйных кодов на стеклянных бутылках. Традиционные методы обработки изображений часто основаны на признаках, разработанных вручную, что делает их плохо приспособленными к сложным задачам распознавания дефектов струйных кодов. Алгоритмы глубокого обучения, напротив, могут автоматически изучать представления признаков в изображениях и обладают большей устойчивостью к изменениям освещения, повороту и масштабированию.

Методы распознавания струйных кодов на основе глубокого обучения обычно включают следующие этапы: создание шаблона обнаружения и определение области обнаружения таким образом, чтобы она соответствовала положению струйного кода; сбор большого количества образцов струйных кодов и их аннотирование для создания обучающего и тестового наборов данных; разработка архитектуры модели глубокого обучения, а также обучение и оптимизация модели; использование обученной модели для распознавания струйного кода и вывода результата распознавания. В процессе обучения модели используются методы аугментации данных (такие как вращение, масштабирование и добавление шума) для увеличения разнообразия обучающих выборок и улучшения обобщающей способности модели. Одновременно применяются стратегии обучения, такие как регулировка скорости обучения и установка размера пакета, для пакетного обучения и оптимизации модели, что обеспечивает стабильную сходимость и хорошую производительность.

Модели глубокого обучения способны выявлять различные дефекты струйной печати, включая искажения печати, неполную печать, отклонения в положении, дублирование печати и отсутствие печати. ​​По сравнению с традиционными методами, технология глубокого обучения демонстрирует лучшие результаты в сложных условиях, таких как сложный фон, низкий контраст и слипание символов.

В практических приложениях глубокое обучение часто сочетается с традиционными алгоритмами обработки изображений. Традиционные алгоритмы отвечают за предварительную обработку изображений и выделение областей, в то время как алгоритмы глубокого обучения занимаются распознаванием и классификацией в сложных ситуациях. Такой комбинированный подход использует высокую вычислительную эффективность традиционных алгоритмов и мощные возможности распознавания глубокого обучения, обеспечивая эффективное и точное обнаружение следов струйной печати.

4. Результаты применения и внедрения системы

4.1 Системная интеграция и рабочий процесс

Комплексная система визуального контроля струйной печати этикеток на стеклянных бутылках объединяет множество компонентов, включая механические, оптические, электронные и программное обеспечение, образуя эффективную и стабильную автоматизированную систему контроля. Типичная система включает в себя основные компоненты, такие как механизм транспортировки, систему визуализации, блок обработки изображений и механизм сортировки.

Обычно система включает следующие этапы: сначала конвейерная лента транспортирует стеклянные бутылки к станции контроля качества. После того, как фотоэлектрический датчик обнаруживает прибытие бутылки, он запускает систему обработки изображений для получения изображения. Затем блок получения изображений передает полученное изображение в блок обработки изображений, где алгоритмы обработки изображений анализируют и оценивают изображение. Наконец, на основе результатов оценки система управления принимает решение о том, следует ли запускать механизм сортировки для удаления дефектной продукции.

В процессе обнаружения поступающих материалов компонент контроля играет решающую роль. Как правило, он включает в себя фотоэлектрический датчик, реагирующий на контейнер, и первый контроллер, который принимает сигнал и управляет открытием и закрытием поворотного привода, привода подъема и опускания, съемкой камерой, а также открытием и закрытием кольцевого источника света. Когда фотоэлектрический датчик обнаруживает контейнер, первый контроллер автоматически управляет запуском и выполнением процесса контроля на основе полученного сигнала, обеспечивая автоматическое обнаружение.

Программная платформа системы обнаружения обычно предоставляет графический пользовательский интерфейс, позволяющий операторам легко устанавливать параметры, отслеживать состояние и запрашивать результаты. Программные платформы, как правило, включают такие модули, как настройка параметров, предварительная обработка, обработка изображений, интеллектуальная оценка, отбраковка, связь и пользовательский интерфейс. Модуль настройки параметров обеспечивает настройку и операции хранения данных в базе данных; модуль предварительной обработки выполняет операции инициализации в соответствии с заданными значениями; модуль цифровой обработки изображений выполняет цифровую обработку изображений, полученных в реальном времени; модуль интеллектуальной оценки и принятия решений выполняет сравнение и обработку данных изображений; модуль отбраковки управляет механизмом отбраковки для выполнения сортировочных действий; модуль связи обеспечивает двустороннюю связь между системой обнаружения, главным компьютером и базой данных; а пользовательский интерфейс использует графический метод для предоставления пользователям удобных функций управления и отображения статистических данных.

4.2 Примеры применения в различных отраслях

Технология визуального контроля широко применяется для проверки этикеток на стеклянных бутылках и струйной печати кодов в различных отраслях промышленности, каждая из которых имеет свои специфические потребности и характеристики.

В фармацевтической промышленности проверка этикеток и струйных кодов на стеклянных флаконах напрямую связана с безопасностью лекарственных препаратов и отслеживаемостью лекарств. Системы контроля на основе машинного зрения могут обнаруживать множество индикаторов, таких как объем жидкости, номер партии флакона и состояние этикетки. Определение объема жидкости фактически включает в себя определение уровня жидкости во флаконе. Система использует алгоритм морфологического анализа в оттенках серого для анализа изображений в реальном времени, определяя, соответствует ли объем жидкости требованиям, путем измерения относительного положения поверхности жидкости. Определение номера партии флакона использует методы обработки изображений OCR для идентификации и проверки отдельных цифр в номере партии. Проверка этикетки определяет область интереса (ROI) для определения положения и наличия этикетки, обеспечивая правильное ее размещение.

В индустрии алкогольных напитков высокое качество и имидж бренда, создаваемые упаковкой, предъявляют чрезвычайно высокие требования к качеству этикеток и струйной печати. ​​Система визуального контроля должна обнаруживать не только наличие и правильное расположение этикетки, но и незначительные различия в качестве печати и однородности цвета. В то же время информация, напечатанная струйным методом на крышке бутылки (например, дата производства и номер партии), также должна быть точно идентифицирована и проверена. Системы контроля на основе глубокого обучения могут адаптироваться к различным формам, размерам и материалам винных бутылок, обеспечивая эффективное и точное обнаружение.

В производстве напитков и пищевых масел высокая скорость производства и большие объемы выпуска требуют от системы визуального контроля чрезвычайно высокой скорости и стабильности. Система визуального контроля может адаптироваться к высокоскоростным производственным линиям, в режиме реального времени определяя качество этикеток и струйных кодов каждой бутылки, гарантируя, что на следующий этап поступают только качественные продукты. Система также может собирать такие данные, как количество произведенной продукции и процент годных изделий, предоставляя поддержку в принятии решений для управления производством.

Таблица: Требования и решения по контролю качества этикеток для стеклянных бутылок и струйной печати в различных отраслях промышленности.

4.3. Эффекты от внедрения и экономические выгоды

После внедрения системы визуального контроля качества этикеток для стеклянных бутылок и струйной печати производственные компании добились значительного улучшения качества и экономической выгоды. С одной стороны, система контроля может работать непрерывно 24/7, не подвергаясь влиянию таких факторов, как усталость или отвлечение внимания, что значительно повышает стабильность и согласованность контроля. С другой стороны, скорость и точность обнаружения намного превосходят ручной контроль, что отвечает потребностям высокоскоростных производственных линий.

С точки зрения качества, современные системы визуального контроля позволяют достичь показателя соответствия более 99,9% при скорости обнаружения более 4000 единиц в час, что значительно превосходит возможности ручного контроля. Система может отображать статистические данные в режиме реального времени, такие как скорость производства, общее количество проверок, количество годной продукции, количество бракованной продукции и показатель соответствия, что служит основой для управления качеством.

С экономической точки зрения, хотя системы визуального контроля требуют определенных первоначальных инвестиций, они могут значительно снизить долгосрочные эксплуатационные расходы. С одной стороны, система снижает зависимость от квалифицированных инспекторов, уменьшая затраты на рабочую силу. С другой стороны, система позволяет оперативно выявлять проблемы качества в процессе производства, предотвращая выпуск большого количества бракованной продукции и сокращая потери и затраты на переделку.

Кроме того, система визуального контроля может записывать и хранить изображения и соответствующую информацию о каждом дефектном продукте, что облегчает отслеживание качества и улучшение процесса. Система обычно имеет функции хранения данных и запроса, а также может автоматически сохранять изображения дефектных продуктов. Количество сохраняемых изображений и количество дней сохранения можно настроить, что упрощает выполнение исторических запросов и анализ качества.

5 вызовов и будущие тенденции развития

Несмотря на значительный прогресс в технологии визуального контроля при печати этикеток на стеклянных бутылках, в практическом применении остаются некоторые проблемы. Во-первых, отражательные свойства и разнообразные формы стеклянных материалов создают трудности для получения изображений. Различные формы и размеры стеклянных бутылок требуют различных схем визуализации и настроек параметров, что усложняет отладку системы. Во-вторых, мешающие факторы, такие как вибрация, пыль и изменения температуры в производственной среде, могут влиять на стабильность обнаружения. Кроме того, разнообразие материалов этикеток (таких как бумага, пластик, металл и т. д.) и различия в методах печати (таких как лазерная печать, струйная печать и т. д.) также требуют от системы обнаружения достаточной адаптивности и гибкости.

В будущем технология визуального контроля при печати этикеток на стеклянных бутылках будет развиваться в более интеллектуальном, эффективном и интегрированном направлении. К конкретным тенденциям относятся:

Дальнейшее совершенствование возможностей адаптивного распознавания криволинейных поверхностей. Благодаря оптимизации алгоритмов и технологии 3D-визуализации, системы визуального контроля смогут лучше адаптироваться к различным криволинейным контейнерам, точно выявлять дефекты на криволинейных этикетках и печатной продукции, а также повышать точность и применимость обнаружения.

Расширенные возможности обработки в реальном времени. Благодаря развитию технологий граничных вычислений и специализированного оборудования для обработки изображений, скорость обработки систем визуального контроля будет дополнительно улучшена, что позволит удовлетворить потребности в обнаружении дефектов в реальном времени на высокоскоростных производственных линиях.

Улучшенные возможности обобщения алгоритмов. Благодаря передовым технологиям искусственного интеллекта, таким как трансферное обучение и метаобучение, системы визуального контроля смогут быстрее адаптироваться к новым продуктам и условиям окружающей среды, что снизит трудозатраты на переобучение и настройку параметров.

Углубление взаимодействия человека и машины. Будущие системы обеспечат более удобный интерфейс взаимодействия человека и машины, сочетая такие технологии, как дополненная реальность (AR), чтобы позволить операторам более интуитивно выполнять настройку параметров, мониторинг состояния и диагностику неисправностей.

Углубленный анализ данных. Большой объем данных, генерируемых системами визуального контроля, посредством анализа искусственного интеллекта может выявить потенциальные проблемы и области для улучшения производственного процесса, обеспечивая поддержку оптимизации процесса и интеллектуального принятия решений.

Улучшенная системная интеграция. Будущие системы визуального контроля будут более модульными и компактными, что упростит их установку и обслуживание. В то же время, системы будут легче интегрироваться с другим оборудованием на производственной линии (например, роботами, ПЛК-контроллерами и т. д.), обеспечивая более совершенные функции автоматизации.

6. Заключение

Визуальный контроль качества печати этикеток на стеклянных бутылках, являясь важным компонентом промышленной автоматизации, превратился в комплексную технологию, объединяющую оптику, механику, электронику и информатику. От первоначальной простой оценки «прошел/не прошел» до современных возможностей распознавания сложных дефектов и проверки символов, технология визуального контроля значительно продвинулась вперед. Благодаря интеграции новых технологий, таких как искусственный интеллект и граничные вычисления, возможности систем визуального контроля постоянно расширяются, а их эффективность применения непрерывно повышается.

В будущем, с развитием концепции «Индустрия 4.0» и интеллектуального производства, технология визуального контроля при печати этикеток на стеклянных бутылках будет продолжать развиваться в направлении повышения точности, скорости и адаптивности. Система контроля качества перестанет быть отдельным инструментом контроля качества и станет ключевым узлом в цифровизации, интеграции и интеллектуализации производственного процесса, оказывая предприятиям мощную поддержку в повышении качества продукции, оптимизации производственных процессов и достижении интеллектуального производства.

Для производственных предприятий внедрение передовых технологий визуального контроля является не только важным средством повышения качества продукции, но и стратегическим решением для повышения эффективности производства, снижения производственных затрат и усиления конкурентоспособности на рынке. По мере совершенствования технологий и постепенного снижения затрат, технологии визуального контроля будут применяться в более широком спектре областей, придавая новый импульс развитию промышленной автоматизации.