Технология визуального контроля: от традиционной обработки изображений до глубокого обучения – революционизирует промышленный контроль качества.

Как обеспечить безупречное качество каждой банки, когда через производственную линию каждую минуту проходят тысячи банок? Технология визуального контроля незаметно улучшает контроль качества потребляемых нами напитков.

В современной пищевой промышленности банки являются распространенным видом упаковки, и их качество напрямую влияет на герметичность и безопасность продукта. Традиционный ручной контроль качества неэффективен и подвержен пропускам дефектов, что привело к появлению технологии машинного зрения.

Первые системы в основном основывались на традиционных алгоритмах обработки изображений, анализируя изображения ключевых областей, таких как отверстие банки, дно и внутренняя стенка, для выявления дефектов. С развитием технологий, особенно с появлением глубокого обучения, точность и эффективность визуального контроля банок значительно повысились.

1. Распространенные дефекты банок и проблемы их обнаружения.

В процессе производства банки могут иметь различные дефекты, в основном это зазубрины, деформации и неровные края в области горлышка банки; масляные пятна и металлические стружки на дне и внутренней стенке; а также царапины, вмятины, деформации, ошибки печати и неравномерная толщина материала на корпусе банки.

Эти дефекты влияют не только на внешний вид, но и могут привести к снижению герметичности, угрожая качеству продукции и безопасности потребителей.

Система обнаружения сталкивается с множеством проблем: отражающие свойства поверхности банки могут маскировать реальные дефекты. Высокоскоростные производственные линии требуют, чтобы система обнаружения имела возможности обработки в реальном времени (например, работа со скоростью 10 банок в секунду) при сохранении высокой точности (погрешность 99,89%). Кроме того, получение изображения изогнутой поверхности цилиндрического корпуса банки и выявление едва заметных дефектов на сложном фоне также являются техническими проблемами, которые необходимо решить.

2. Аппаратные компоненты и оптимизация обработки изображений системы обнаружения

Аппаратная конфигурация системы визуального контроля банок является важнейшей основой. Рациональная система освещения может эффективно подавлять отражения и выделять дефектные элементы. Разработанная компанией Kangshida комбинированная светодиодная система освещения сочетает в себе трехкольцевой бестеневой светильник, куполообразный бестеневой светильник, низкоугловой кольцевой светильник и коаксиальный светильник для удовлетворения потребностей в обнаружении различных деталей. Для получения изображений требуются разные стратегии для разных областей контроля:

• Для осмотра дна часто используется высокоразрешающая сканирующая камера с кольцевой подсветкой.

• Для осмотра тела можно использовать линейную сканирующую камеру или три комплекта синхронно запускаемых модулей 2D-3D-сканирования, установленных с интервалом в 120 градусов для обеспечения полного охвата сканирования.

Для обнаружения печатных изображений на внешней поверхности банки можно использовать высокоточный серводвигатель, который вращает банку с постоянной скоростью, в сочетании с призменной линейной сканирующей камерой для получения высококачественных изображений изогнутой поверхности. Правильный выбор оборудования и оптимизация процесса получения изображений обеспечивают высококачественную основу данных для последующей алгоритмической обработки.

3. Применение традиционных методов обработки изображений в обнаружении

До широкого применения глубокого обучения традиционные алгоритмы обработки изображений играли важную роль в контроле качества банок с напитками. Эти методы обычно разрабатывались и оптимизировались для конкретных типов дефектов.

Для области открытия банки, после разделения этой области с использованием метода максимальной межклассовой дисперсии OTSU, можно проанализировать контур на наличие признаков, а затем использовать алгоритм эллипса наименьших квадратов для аппроксимации целевой эллиптической кривой. Путем дискретизации и выборки эллипса, а также расчета карты анализа эксцентриситета и отклонения, можно эффективно обрабатывать различные дефекты в области открытия банки.

Для обнаружения дефектов в области дна банки в основном используется метод градиента Хафа, который разделяет область обнаружения на несколько концентрических круговых областей. На основе метода анализа связанных компонентов пикселей бинаризованного изображения отдельно обнаруживаются точечные дефекты, линейные дефекты и поверхностные дефекты.

В случае дефектов внутренней стенки, поскольку средняя и нижняя области сжимаются при вертикальной съемке, алгоритм обнаружения должен сначала решить проблему сжатия изображения с помощью преобразования в полярные координаты, а затем определить местоположение дефектов с помощью анализа связанных компонентов.

Что касается распознавания символов, то двухмерный метод пороговой энтропии Аримото эффективно справляется с задачами сегментации символов при низком контрасте, а его вычислительная сложность низка, что соответствует требованиям реального времени.

4. Прорывные достижения глубокого обучения в обнаружении дефектов.

В последние годы технологии глубокого обучения значительно повысили точность и обобщающую способность обнаружения дефектов в банках для напитков. Системы обнаружения, основанные на FCOS (Fully Convolutional One-Stage) и HRNet (High-Resolution Network), продемонстрировали значительные преимущества.

FCOS, как алгоритм обнаружения объектов без привязки к якорям, упрощает процесс обнаружения, избегает сложности проектирования якорных боксов и отлично справляется с обнаружением мелких объектов. HRNet может поддерживать представление высокого разрешения, представляя признаки с разным разрешением посредством параллельной многоветвевой структуры, что особенно подходит для задач обнаружения промышленных дефектов. Улучшения по сравнению с оригинальной HRNet включают введение механизмов внимания для повышения чувствительности к дефектным областям, оптимизацию стратегий слияния признаков и разработку легковесных модулей для снижения вычислительной сложности. Эксперименты показывают, что этот метод глубокого обучения достигает mAP (средней точности) 0,889 в задаче обнаружения дефектов банок, превосходя многие традиционные методы.

Для распознавания дефектов корпуса банки модель HPFST-YOLOv5, благодаря использованию гибридного механизма внимания и направляющей высокочастотной фильтрации, достигает точности распознавания 93,9% для таких дефектов, как вмятины, царапины и деформации, при этом поддерживая скорость обработки 28 кадров в секунду.

Для символов, нанесенных лазерной меткой с низким контрастом, семантическая сегментационная сеть Res18-UNet в сочетании с механизмом множественного внимания эффективно повышает способность модели фокусироваться на областях символов.

5. Вопросы внедрения системы и промышленного развертывания.

Для преобразования алгоритмической модели в практическую систему обнаружения требуется всестороннее рассмотрение архитектуры аппаратного и программного обеспечения. Распределенная архитектура позволяет развернуть две независимые рабочие станции обнаружения, соответствующие обнаружению дефектов символов на дне банки и распознаванию дефектов внешнего вида корпуса банки, соответственно.

Архитектура программного обеспечения должна использовать многопоточную параллельную обработку, предусматривающую основной управляющий поток, поток получения изображений, поток обработки алгоритмов и поток вывода результатов. Для обеспечения быстрого обмена большими объемами данных изображений используется технология отображения памяти, а для оптимизации развертывания алгоритмов глубокого обучения применяется технология ускорения на графическом процессоре (GPU).

Производительность в реальном времени является ключевым показателем систем промышленного контроля. Механизм прерывания по таймеру строго ограничивает цикл проверки одной банки, чтобы система могла соответствовать скорости производственной линии. Кроме того, система должна интегрировать функцию обучения параметров, позволяющую операторам настраивать параметры проверки в соответствии со спецификациями продукта, и создать модуль базы данных для хранения результатов проверки и информации о продукте, обеспечивая поддержку данных для отслеживания качества.

В реальных производственных условиях система также должна обладать возможностями защиты от помех, чтобы справляться с изменениями освещения и фоновыми помехами в заводской среде. Аппаратное резервирование и механизмы отказоустойчивости программного обеспечения обеспечивают стабильную работу системы, а модульная программная архитектура упрощает техническое обслуживание и модернизацию системы.

6. Будущие тенденции развития и вызовы

Технология визуального контроля по-прежнему сталкивается со многими проблемами и возможностями для развития. Отражение остается существенным фактором, влияющим на точность обнаружения; новые алгоритмы улучшения изображения, такие как адаптивное гамма-преобразование на основе многокадровых изображений в оттенках серого, могут предложить решения.

Дальнейшее изучение облегченных сетевых структур для повышения скорости обработки данных и снижения требований к аппаратному обеспечению позволит расширить применение технологии на малых и средних предприятиях. Глубокая интеграция системы обнаружения с системой управления производственной линией для автоматического отбраковывания дефектной продукции также является важным направлением развития.

В будущем системы визуального контроля качества банок для напитков могут развиваться в направлении многофункциональной интеграции, добавляя функции оценки степени серьезности дефектов и прогнозирования качества в дополнение к обнаружению распространенных дефектов. В то же время, эта технология может быть распространена на обнаружение дефектов и других видов промышленной продукции, таких как металлические банки и пластиковые бутылки, способствуя развитию интеллектуального производства и Индустрии 4.0.

С ускорением развития промышленного интеллекта технология визуального контроля банок с напитками перешла из лабораторных условий в практическое применение. Отечественные исследовательские группы добились значительных успехов в этой области; например, система, разработанная Гуандунским технологическим университетом, достигла точности 99,89% и скорости обнаружения до 10 банок в секунду.

В будущем, благодаря непрерывной оптимизации алгоритмов глубокого обучения и улучшению характеристик оборудования, технология визуального контроля будет играть важную роль в более широком спектре сценариев контроля качества в промышленности. Она не только улучшит качество продукции, но и снизит производственные затраты предприятий, что в конечном итоге позволит потребителям наслаждаться более безопасными и надежными напитками.