1. Обзор

1.1 Важность контроля качества заготовок

Заготовка — это промежуточный продукт ПЭТ-бутылки, из которого в конечном итоге методом выдувного формования изготавливаются упаковочные бутылки различной спецификации. Как «полуфабрикат» ПЭТ-бутылок, качество заготовки напрямую определяет характеристики конечного продукта. Дефектная заготовка может привести к:

• Сбои в процессе выдувного формования снижают эффективность производства.

• Структурные дефекты готовой бутылки, влияющие на безопасность использования.

• Недостаточная герметичность, приводящая к протечкам и порче продукта.

• Дефекты внешнего вида, наносящие ущерб имиджу бренда и рыночному признанию.

В цепочке контроля качества проверка заготовок относится к звену «предотвращения дефектов на начальном этапе». По сравнению с проверкой готовых бутылок, проверка заготовок обеспечивает более высокую экономическую выгоду и эффективность, позволяя своевременно удалять некачественную продукцию до того, как дефекты усугубятся, тем самым избегая потерь ресурсов в последующей обработке.

1.2 Технические преимущества визуального контроля

Традиционный контроль качества заготовок в основном основан на ручном визуальном осмотре, который имеет присущие ему недостатки, такие как низкая эффективность, плохая согласованность, сильная субъективность и высокая трудоемкость. С развитием технологий машинного зрения автоматизированные системы визуального контроля постепенно стали широко распространены, и их основные преимущества включают в себя:

Точность контроляСпособен выявлять едва заметные дефекты размером до 0,1 мм.

Скорость проверки: До 20-30 заготовок в секунду

ПоследовательностьНе подвержен влиянию субъективных человеческих факторов.

Исчерпывающая информация: Может одновременно обнаруживать несколько типов дефектов.

Отслеживание данных: Цифровое хранение результатов проверок, облегчающее отслеживание качества и анализ.

2. Компоненты системы визуального контроля заготовок

2.1 Проектирование аппаратной системы

2.1.1 Блок визуализации

Выбор камерыОбычно используются промышленные CCD или CMOS-камеры с разрешением от 2 до 12 мегапикселей. В зависимости от потребностей контроля, варианты включают:

• Камеры с сканированием поверхности: для общего осмотра внешнего вида.

• Линейные сканирующие камеры: для высокоскоростной вращательной инспекции.

• 3D-камеры: для размерного и морфологического контроля.

Конфигурация объективаПромышленные линзы с соответствующим фокусным расстоянием выбираются исходя из поля зрения и рабочего расстояния. Типичные конфигурации включают:

• Телецентрические линзы: устраняют ошибки перспективы, повышая точность измерения размеров.

• Макрообъективы: для получения изображений высокого разрешения с детальной детализацией.

• Зум-объективы: адаптируются к заготовкам различных спецификаций.

Система освещенияОсвещение является важнейшей частью визуального контроля. Учитывая прозрачность заготовок, обычно используются следующие решения для освещения:

• Коаксиальное освещение: для обнаружения царапин и пятен на поверхности.

• Подсветка: для контроля контура и равномерности толщины стенок.

• Купольное освещение: устраняет блики, используется для осмотра резьбы и горлышка бутылки.

• Специальный структурированный свет: для трехмерного морфологического исследования.

2.1.2 Механическая система транспортировки

Механизм кормленияВибрационные чаши, конвейерные ленты, роботизированные манипуляторы и т. д.

Механизм позиционированияПоворотные столы с сервоприводом, прецизионные позиционирующие приспособления.

Механизм сортировки: Пневматические или механические устройства отбраковки.

Система управления: ПЛК или промышленный ПК, координирующий действия различных компонентов.

2.2 Архитектура программной системы

2.2.1 Алгоритмы обработки изображений

Предварительная обработка изображений:

• Фильтрация и шумоподавление: устранение шума на изображении.

• Улучшение контрастности: выделение целевых объектов.

• Сегментация изображений: выделение областей интереса.

• Морфологическая обработка: заполнение отверстий, удаление заусенцев.

Алгоритмы извлечения признаков:

• Обнаружение границ: операторы Кэнни и Собеля

• Анализ текстуры: матрица совместной встречаемости уровней серого.

• Цветовой анализ: преобразование пространства RGB/HSV

• Анализ формы: преобразование Хафа, сопоставление контуров.

Алгоритмы распознавания дефектов:

• Пороговая сегментация: на основе разницы оттенков серого.

• Сопоставление шаблонов: сравнение со стандартными образцами

• Машинное обучение: машины опорных векторов, случайные леса

• Глубокое обучение: Сверточные нейронные сети

2.2.2 Программное обеспечение управления системой

Управление процессом инспекцииКоординирует весь процесс получения, обработки, оценки и сортировки изображений.

Интерфейс настройки параметровПредоставляет удобный интерфейс для настройки параметров.

Система управления даннымиХранение, запросы, статистика и экспорт результатов проверки.

Сигнализация и оповещениеСвоевременные оповещения о нештатных ситуациях, направляющие на техническое обслуживание.

3. Основные пункты проверки и технические требования

3.1 Проверка на наличие дефектов внешнего вида

3.1.1 Поверхностные дефекты

Обнаружение царапинЛинейные дефекты длиной > 0,5 мм и глубиной > 0,05 мм.

Примеси типа «черное пятно»Загрязнение посторонними предметами диаметром > 0,3 мм

ПузыриПузырьки диаметром > 0,5 мм, плотностью > 3/см²

Серебряные полосыМикротрещины, вызванные напряжением или влажностью.

ТуманПрозрачность не соответствует требованиям.

Проблемы обнаружения: Прозрачные материалы чувствительны к свету, что приводит к значительным помехам от отражения от поверхности. Решения включают использование поляризованного света, многоугловой съемки и рассеянного отраженного освещения.

3.1.2 Цветовые аномалии

Обнаружение цветовых различий: значение ΔE > 1,5 по сравнению со стандартной цветовой шкалой.

Цветовые полосы: Неравномерное распределение цвета.

ОбесцвечиваниеВызвано разложением или загрязнением сырья.

Метод обнаружения: Высокоточные цветные камеры захватывают изображения при стандартных источниках света (D65, D50 и т. д.), используя формулы преобразования цветового пространства и вычисления разницы цветов.

3.2 Контроль точности размеров

3.2.1 Критические параметры

Общая высотаДопуск ±0,3 мм

Наружный диаметр горлышка бутылкиДопуск ±0,1 мм

Размеры резьбыШаг зуба, профиль зуба, полнота

Размеры шеиДиаметр опорного кольца, положение

МассаОтклонение веса < 0,5 г

3.2.2 Геометрические допуски

КонцентричностьСоосность горлышка и корпуса бутылки < 0,2 мм

Вертикальность: Прямолинейность корпуса бутылки

Равномерность толщины стенкиИзменение толщины стенки в разных местах < 0,1 мм

Технология обнаружения: системы 3D-зрения позволяют точно измерять различные части заготовки, получая трехмерную информацию посредством обработки данных облака точек.

3.3 Проверка структурной целостности

3.3.1 Дефекты горлышка бутылки

Отсутствующие темыОтсутствующие или порванные нити

Деформация горлышка бутылки: Отклонение овальности от допустимого значения

Дефекты опорного кольца: Неполный, заусенцы

Герметизация дефектов поверхностиЦарапины, вмятины

3.3.2 Дефекты корпуса бутылки

Аномалии толщины стенкиМестами слишком тонкий или слишком толстый слой

Стрессовое отбеливаниеНеравномерная молекулярная ориентация

Дефекты воротОстатки литника, следы усадки

Линия разделенияСлишком очевидно или не совпадает

3.4 Специальная проверка на наличие дефектов

3.4.1 Дефекты, связанные с сырьем

Включение посторонних материаловПримеси различных материалов

Избыточное содержание влагиПузырьки, образующиеся в процессе литья под давлением.

Продукты разложения: Разложение из-за перегрева сырья

3.4.2 Дефекты, связанные с технологическим процессом

Короткий выстрелНедостаточное давление впрыска приводит к нехватке материала.

ВспышкаИзбыточный зазор в пресс-форме приводит к переливу.

Раковины: Неравномерная усадка при охлаждении

Линии сваркиСлабость в точках схождения расплава

4. Алгоритмы контроля и технологические инновации

4.1 Традиционные методы обработки изображений

4.1.1 Сегментация на основе пороговых значений

Отделите дефектные участки от фона, установив соответствующие пороговые значения оттенков серого. Подходит для дефектов с явным контрастом, таких как черные пятна и пузырьки.

ОграниченияЧувствителен к изменениям освещения, с трудом адаптируется к сложным фонам.

4.1.2 Сопоставление шаблонов

Используйте стандартное изображение заготовки в качестве шаблона, выполните корреляционное сопоставление с проверяемым изображением и вычислите разницу.

Методы улучшения: Многошаблонный поиск, деформируемые шаблоны, поиск локальных признаков.

4.1.3 Анализ текстуры

Обнаружение дефектов поверхности путем анализа текстурных особенностей изображения, подходит для выявления царапин, помутнений и т.д.

Общие особенностиКонтраст, корреляция, энергия, однородность.

4.2 Подходы к машинному обучению

4.2.1 Разработка функций

Извлекайте из изображений форму, текстуру, цвет и другие характеристики для построения векторов признаков, используемых для обучения классификаторов.

Общие классификаторы: машины опорных векторов, случайные леса, AdaBoost.

4.2.2 Перенос знаний

Используйте модели, предварительно обученные на крупномасштабных наборах данных, и доработайте их для задач контроля качества готовых изделий, уменьшив тем самым потребность в обучающих данных.

4.3 Методы глубокого обучения

4.3.1 Сверточные нейронные сети (CNN)

Системы обнаружения:

• Faster R-CNN: двухэтапное обнаружение, высокая точность.

• Серия YOLO: одноэтапное обнаружение, высокая скорость.

• SSD: баланс между скоростью и точностью.

Сценарии примененияПодходит для общего обнаружения множественных дефектов, особенно тех, которые трудно определить традиционными методами.

4.3.2 Генеративные состязательные сети (GAN)

Синтез дефектовСгенерируйте различные примеры дефектов для расширения обучающего набора данных.

Обнаружение аномалийВыявление аномалий на основе ошибок реконструкции

4.3.3 Механизм внимания

Позвольте сети сосредоточиться на ключевых областях, повышая эффективность и точность обнаружения, особенно при обнаружении небольших целевых дефектов.

4.4 Объединение данных с нескольких датчиков

4.4.1 Зрение + 3D

2D-зрение обнаруживает дефекты внешнего вида, 3D-зрение обнаруживает размерные и морфологические дефекты, дополняя друг друга.

4.4.2 Зрение + Спектроскопия

Сочетание видимого света и ближнеинфракрасной спектроскопии позволяет определять внутренние характеристики, такие как чистота сырья и содержание влаги.

5. Внедрение и оптимизация системы

5.1 Этапы реализации

5.1.1 Анализ требований

• Определите цели проверки: типы дефектов, стандарты проверки.

• Определите показатели эффективности: уровень обнаружения, уровень ложных срабатываний, скорость проверки.

• Оцените условия на объекте: пространство, освещение, электроснабжение, источник воздуха.

5.1.2 Проектирование системы

• Выбор оборудования: камеры, объективы, осветительные приборы, механическая конструкция.

• Архитектура программного обеспечения: алгоритмы обработки изображений, логика управления, человеко-машинный интерфейс.

• План интеграции: Метод взаимодействия с производственной линией.

5.1.3 Монтаж и ввод в эксплуатацию

• Механический монтаж: Обеспечение точности позиционирования.

• Оптическая наладка: оптимизация освещения и качества изображения.

• Калибровка параметров: установление соответствия между пикселями и фактическими размерами.

• Оптимизация алгоритма: Настройка параметров обнаружения для достижения оптимальной производительности.

5.1.4 Проверка и приемка

• Тестирование производительности: проверка коэффициента обнаружения с использованием стандартных образцов.

• Тестирование стабильности: Для проверки надежности системы необходимо непрерывно запускать ее.

• Обучение пользователей: обучение эксплуатации и техническому обслуживанию.

5.2 Оптимизация ключевых параметров

5.2.1 Оптимизация освещения

• Угол: угол падения, угол отражения

• Интенсивность: Избегайте переэкспозиции или недоэкспозиции.

• Равномерность: устранение неравномерного освещения.

• Спектр: Сопоставление характеристик камеры и материала.

5.2.2 Параметры камеры

• Разрешение: Баланс между полем зрения и точностью.

• Время экспозиции: Избегайте размытия изображения из-за движения.

• Усиление: балансировка отношения сигнал/шум

• Частота кадров: Соответствует требованиям цикла проверки.

5.2.3 Параметры алгоритма

• Пороги: Пороги сегментации

• Параметры фильтрации: Интенсивность шумоподавления

• Параметры признаков: Веса признаков формы и текстуры.

• Пороги классификации: пороги дискриминации

5.3 Техническое обслуживание системы

5.3.1 Ежедневное техническое обслуживание

• Чистка: линз, осветительных приборов, защитных стекол.

• Калибровка: Стандартная калибровка размеров.

• Резервное копирование: резервное копирование параметров и программы.

• Ведение журналов: журналы операций, статистика дефектов.

5.3.2 Периодическая калибровка

• Проверка производительности: проверка уровня обнаружения с использованием стандартных образцов.

• Оптимизация параметров: корректировка параметров в зависимости от производственных условий.

• Обновление программного обеспечения: обновление алгоритмов и функций.

• Проверка оборудования: осмотрите состояние компонентов.

6. Применение в промышленности и проблемы.

6.1 Индустрия упаковки напитков

Характеристики примененияВысокая скорость, высокая точность, широкий выбор вариантов.

Особые требованияМатериалы пищевого качества, соответствие стандартам FDA и EFSA.

Тенденции развития: Легкий контроль качества заготовок, совместимость с перерабатываемыми материалами

6.2 Косметическая упаковка

Требования к качеству: Идеальный внешний вид, точная цветопередача

Проблемы инспекцииРазнообразие цветов, форм, прозрачности.

Тенденции развития: Индивидуальный контроль качества заготовок, адаптация к мелкосерийному производству, множество разновидностей

6.3 Фармацевтическая упаковка

Нормативные требованияСоответствие требованиям GMP и стандартам фармакопеи.

Специальные проверки: Целостность уплотнения, чистота, однородность материала

Тенденции развитияКонтроль стерильной упаковки, интеграция с системами отслеживания.

6.4 Технические проблемы

6.4.1 Визуализация прозрачных материалов

• Интерференция отражения и преломления

• Трудности с визуализацией внутренних структур.

• Решения: поляризованный свет, многоугловая визуализация, специальные покрытия.

6.4.2 Высокоскоростная проверка

• Изображение с высокой частотой кадров

• Обработка в реальном времени

• Решения: аппаратное ускорение, параллельные вычисления, оптимизация алгоритмов.

6.4.3 Сложные дефекты

• Микродефекты

• Дефекты с размытыми границами

• Решения: Высокоразрешающая визуализация, глубокое обучение, многомасштабный анализ

6.4.4 Адаптируемость

• Быстрое переключение между несколькими вариантами

• Адаптивная настройка параметров

• Решения: управление рецептами, автоматическая калибровка, онлайн-обучение.

7. Тенденции будущего развития

7.1 Интеллектуальные обновления

Адаптивная проверкаСистема может автоматически корректировать параметры в зависимости от производственных условий.

Прогнозируемое обслуживаниеАнализ состояния оборудования на основе данных осмотра, прогнозирование отказов.

Онлайн обучениеСистема способна обучаться на новых примерах, постоянно оптимизируя модели.

7.2 Комплексное развитие

Глубокая интеграция с производственными линиями.Данные контроля напрямую используются для управления параметрами литья под давлением.

Качественные большие данныеОбширные данные инспекций используются для оптимизации процессов и анализа качества.

Цифровой двойник: Создание виртуальных систем контроля для прогнозирования и оптимизации.

7.3 Интеграция новых технологий

Гиперспектральная визуализацияОдновременное получение пространственной и спектральной информации.

Терагерцовые технологииВыявление внутренних дефектов и расслоения

Квантовая визуализацияПреодоление традиционных оптических ограничений.

Периферийные вычисленияОбработка завершается на стороне устройства, что снижает задержку.

7.4 Стандартизация и модульность

Стандартизация интерфейсаОблегчает интеграцию и модернизацию систем.

Модульная конструкцияГибкая конфигурация в зависимости от потребностей.

Облачные сервисыОбновление алгоритмов, удаленная диагностика, анализ данных.

8. Анализ экономических выгод

8.1 Прямые выгоды

Улучшение качестваУровень брака снизился на 30–70%.

Экономия средств: Сокращение трудозатрат более чем на 80%, снижение потерь от переделок и брака.

Повышение эффективностиСкорость осмотра увеличена в 3-5 раз, возможна круглосуточная работа (7×24).

8.2 Косвенные выгоды

Значение данныхКачественные данные используются для оптимизации процесса.

Защита брендаИзбегайте ущерба репутации бренда, вызванного проблемами с качеством.

Обеспечение соответствия требованиямСоответствовать все более строгим стандартам качества.

Технологические резервы: Накопить основные технологии контроля качества

8.3 Рентабельность инвестиций

Инвестиционная стоимостьЦены на системы варьируются от сотен тысяч до миллионов.

Срок окупаемостиОбычно от 6 до 18 месяцев, в зависимости от масштабов производства.

Долгосрочная ценностьТехнологические усовершенствования, накопление данных, премиальный бренд.

9. Рекомендации по внедрению

9.1 Поэтапная стратегия внедрения

1. Пилотный этапПилотный проект на ключевых станциях для проверки эффективности.

2. Фаза продвиженияОбобщить полученный опыт и постепенно распространить его на другие производственные линии.

3. Этап интеграцииИнтеграция с системами MES и ERP для обмена данными.

4. Фаза оптимизацииПостоянно оптимизировать алгоритмы и параметры для повышения производительности.

9.2 Ключевые факторы успеха

Поддержка управленияСтратегический акцент, гарантия ресурсов.

Межведомственное сотрудничествоКоординация между производственными, контрольно-качественными, технологическими и ИТ-отделами.

Выбор поставщика: Технические возможности, опыт работы в отрасли, сервисные возможности

Обучение персоналаРазвивать навыки эксплуатации, технического обслуживания и анализа данных.

Непрерывное совершенствование: Создать механизмы оптимизации для адаптации к меняющимся потребностям.

9.3 Контроль рисков

Технические рискиНезрелая технология, низкая адаптивность.

Риски реализацииЗадержки в сроках, неэффективные результаты.

Операционные рискиСложное техническое обслуживание, частые поломки.

КонтрмерыТщательная проверка, поэтапное внедрение, планы резервного копирования, профессиональная поддержка.

10. Заключение

Технология визуального контроля заготовок развивается от традиционного контроля отдельных функций к интеллектуальным, интегрированным и сетевым системам. Благодаря интеграции и применению новых технологий, таких как искусственный интеллект, Интернет вещей и большие данные, системы визуального контроля могут не только обеспечить более точное распознавание дефектов, но и предоставлять данные для оптимизации производственных процессов, становясь важным компонентом интеллектуального производства.

Для производителей ПЭТ-упаковки инвестиции в передовые системы визуального контроля преформ могут не только улучшить качество продукции и снизить производственные затраты, но и стать важным шагом в цифровой трансформации и повышении конкурентоспособности. В будущем, по мере повышения точности контроля, увеличения скорости контроля и улучшения адаптивности системы, технология визуального контроля, несомненно, будет играть все более важную роль в контроле качества преформ, выводя всю отрасль на более высокий уровень развития.

При выборе и внедрении систем визуального контроля заготовок компаниям следует учитывать свои реальные потребности, проводить всестороннюю оценку с таких аспектов, как технологический прогресс, стабильность системы, окупаемость инвестиций и сервисная поддержка, применять научно обоснованные стратегии внедрения и обеспечивать, чтобы система действительно приносила пользу и создавала устойчивую конкурентоспособность предприятия.