Комплексный анализ технологии струйной маркировки для контроля качества стеклянных крышек бутылок.

I. Отраслевая спецификация и требования к инспекции

В секторах товаров повседневного спроса (FMCG), включая напитки, алкогольные напитки и приправы, стеклянные бутылки остаются основным выбором для упаковки продукции премиум-класса благодаря высокой химической стабильности и возможности вторичной переработки. Крышка бутылки, являясь важным компонентом для герметизации, содержит важные данные, нанесенные струйным принтером, такие как даты производства, номера партий и коды отслеживания. С введением в действие *Закона о безопасности пищевых продуктов* и ростом осведомленности потребителей о защите своих прав, контроль качества этих струйных кодов стал неотъемлемым требованием контроля качества на производственных линиях.

II. Принципы технологии струйной маркировки кода

2.1 Состав системы технического зрения

Современные системы контроля струйной печати обычно используют промышленные ПЗС-камеры с линейным или площадным сканированием в сочетании с высокоравномерными кольцевыми или коаксиальными источниками света. Для решения проблемы уникальных отражающих поверхностей стеклянных крышек бутылок используются специальные поляризационные фильтры, устраняющие помехи, вызванные зеркальным отражением. Компания Jinan Maotong Vision Inspection Equipment использует в этой области многоугловую комбинированную схему освещения: основной источник света освещает поверхность под низким углом 30°, чтобы выделить выпуклые или углубленные текстуры струйного кода; это дополняется рассеянным верхним освещением для устранения теней, а боковой структурированный свет помогает точно определить положение краев крышки бутылки.

2.2 Рабочий процесс обработки изображений

1. Этап получения изображения: Разрешение камеры обычно превышает 2 мегапикселя, что позволяет запечатлеть всю площадь крышки бутылки за один снимок. При скорости производственной линии 1500 бутылок в минуту время экспозиции должно контролироваться с точностью до 0,1 миллисекунды, при этом для предотвращения размытия изображения из-за движения используется глобальный затвор.

2. Алгоритмы предварительной обработки: Для уменьшения влияния распространенных факторов помех, связанных со стеклянными крышками бутылок, таких как отражения и царапины, применяется адаптивное выравнивание гистограммы (CLAHE) для повышения контрастности в сочетании со средней фильтрацией для удаления шума типа «соль и перец». Для крышек бутылок, изготовленных из специальных материалов (например, матового стекла или металла), требуется применение отдельных шаблонов параметров предварительной обработки.

3. Сегментация и распознавание символов: Анализ связанных компонентов в сочетании с сегментацией на основе проекции позволяет выделить область струйного кода на отдельные символьные единицы. Механизм оптического распознавания символов на основе глубокого обучения способен распознавать различные форматы, включая печатный текст и матричные коды, и обеспечивает отказоустойчивый уровень распознавания более 99,5% даже для поврежденных или неполных символов. Система также поддерживает одновременное считывание нескольких типов кодов, таких как стандартные буквенно-цифровые коды, QR-коды и коды DataMatrix. 4. Модель классификации дефектов: Создан классификатор дефектов на основе машинного обучения для классификации проблем кодирования на четыре основные группы:

• Дефекты целостности: отсутствующие символы, разорванные строки/сегменты, недостаточное покрытие чернилами.

• Дефекты четкости: размытие, растекание/засветка чернил, двоение/двойное изображение.

• Точность позиционирования: отклонение смещения > 0,3 мм, угол поворота > 2°

• Ошибки содержимого: несоответствие кода пакета записям в базе данных, ошибки логики дат.

III. Решение по интеграции производственной линии

3.1 Архитектура развертывания оборудования

На типичной линии розлива напитков контрольно-измерительная станция обычно располагается после укупорочной машины и перед этикетировочной машиной. Оборудование серии Jinan Maotong MT-VS3000 использует портальную конструкцию крепления, обеспечивающую оптимальное рабочее расстояние 80 мм между камерой и крышкой бутылки. Фотоэлектрические датчики установлены с обеих сторон конвейерной ленты; когда бутылка срабатывает на датчик, поворотный энкодер одновременно запускает камеру для захвата изображения, обеспечивая, чтобы отклонение между центром изображения и центром крышки бутылки оставалось менее 0,1 мм.

3.2 Управление синхронизацией движения

Самой большой проблемой на высокоскоростных производственных линиях является размытие изображения, вызванное вибрацией бутылки. Решение включает в себя:

• Использование механизма слежения за фокусом с сервомотором для точной настройки высоты камеры в реальном времени на основе сигналов энкодера.

• Установка виброгасящей платформы на воздушных подушках для изоляции основного контрольно-измерительного блока от механических вибраций, исходящих от производственной линии.

• Разработка алгоритма прогнозирования движения, который предсказывает точное положение четвертой бутылки на основе траекторий движения трех предыдущих бутылок.

3.3 Многоуровневый механизм обработки

Система контроля качества взаимодействует в режиме реального времени с ПЛК производственной линии по протоколам PROFINET или EtherCAT, выполняя трехступенчатую обработку результатов контроля:

• Уровень 1 (Пройдено): Зеленый световой сигнал для выпуска; данные загружаются в систему MES.

• Уровень 2 (Подозрительный): Сигнализация желтого цвета; запускает вторичную проверку на специально оборудованном пункте повторного осмотра.

• Уровень 3 (Неудовлетворительно): Сигнализация красного света; пневматический толкатель выталкивает неисправную бутылку в специально отведенную зону для доработки в течение 0,2 секунды.

IV. Ключевые технологические прорывы

4.1 Технология получения изображений поверхностей с высоким коэффициентом отражения

Для работы с материалами с высокой отражательной способностью, такими как алюминиевые колпачки золотистого цвета и колпачки с гальваническим покрытием, компания Jinan Maotong разработала технологию многоспектрального слияния изображений. Эта технология использует призму для разделения падающего света на отдельные каналы RGB; изображения для каждого канала захватываются с использованием разных углов поляризации, а затем восстанавливаются с помощью алгоритмов слияния изображений для получения четкого изображения без бликов и помех от яркого света. Экспериментальные данные показывают, что этот метод повышает точность распознавания областей с высокой отражательной способностью с 78% до 99,2%.

4.2 Динамическая оптимизация с помощью глубокого обучения

Встроенный в устройство механизм MT-AI обладает возможностью онлайн-обучения: при обнаружении нового типа дефекта система автоматически захватывает более 100 образцов изображений. Затем эти изображения обрабатываются периферийным вычислительным блоком для обучения и создания дополнительной модели признаков, что позволяет добавить новый тип дефекта в библиотеку обнаружения в течение 48 часов — без необходимости удаленного обновления программного обеспечения от производителя.

4.3 Надежное обнаружение в сложных фоновых условиях

Производственные линии по выпуску напитков работают в сложных условиях, часто подверженных воздействию пятен от воды, пены и бликов от этикеток. С помощью генеративно-состязательных сетей (GAN) был создан набор данных из 100 000 аннотированных синтетических изображений, на основе которого была обучена модель обнаружения, продемонстрировавшая 40% улучшение устойчивости к помехам по сравнению с традиционными алгоритмами в ходе реальных испытаний на производственной линии.

V. Система анализа качественных данных

5.1 Панель мониторинга в реальном времени

Система предоставляет веб-интерфейс мониторинга, отображающий следующую информацию в режиме реального времени:

• Кривые общей эффективности оборудования (OEE) производственной линии

• Графики динамики показателей успешности кодирования (сгруппированные по часам или сменам)

• Парето-анализ типов дефектов

• Комплексные показатели использования оборудования и среднее время безотказной работы (MTBF).

5.2 Функции отслеживания и раннего предупреждения

Каждое изображение напечатанного кода на крышке бутылки хранится в связи с соответствующим результатом проверки, с периодом хранения не менее трех лет. В случае обнаружения колебаний качества в конкретной партии продукции система может:

• Проследите за временным распределением всех бутылок с аналогичными дефектами за предыдущие 24 часа.

• Провести корреляционный анализ 32 ключевых параметров процесса, таких как температура и влажность окружающей среды, вязкость чернил и напряжение печатающей головки.

• Автоматически отправлять уведомления о раннем предупреждении обслуживающему персоналу всякий раз, когда у пяти бутылок подряд выявляется дефект одного и того же типа.

5.3 SPC (Статистический контроль процессов)

Система включает в себя встроенные контрольные карты Шеухарта для проведения анализа SPC в реальном времени по критически важным для качества характеристикам, таким как смещение позиции кодирования, высота символа и плотность чернил. Если точки данных выходят за пределы верхнего/нижнего контрольного предела (UCL/LCL) или если наблюдается восходящая тенденция по семи последовательным точкам данных, система автоматически уведомляет инженеров-технологов о необходимости корректировки параметров кодировочной машины. VI. Примеры применения в реальных условиях

6.1 Проект модернизации линии по производству пива

В 2025 году крупный пивоваренный конгломерат внедрил систему контроля качества Jinan Maotong на своем заводе в Циндао, применив ее к линии производства пива в стеклянных бутылках объемом 330 мл. Сравнение данных до и после модернизации показывает следующие улучшения:

• Процент пропущенных обнаружений кодов дат снизился с 1,2% (при выборочной проверке вручную) до 0,0015%.

• Количество жалоб клиентов, связанных с проблемами маркировки даты производства, сократилось на 92% по сравнению с аналогичным кварталом прошлого года.

• Скорость производственной линии увеличилась с 1200 бутылок в минуту до 1500 бутылок в минуту.

• Штат сотрудников отдела контроля качества был сокращен с двух человек на смену до 0,5 человек (занятых для проведения выездных проверок на разных производственных линиях).

6.2 Индивидуальное решение для производителя соков

Для решения проблемы, связанной с разнообразием цветов крышек бутылок (прозрачные, янтарные и зеленые), используемых для соков с NFC-фильтрацией, компания Jinan Maotong разработала адаптивный цветовой механизм. При первом обнаружении крышки неизвестного цвета оборудование автоматически выполняет следующий процесс:

1. Делает снимки пяти образцов крышек от бутылок.

2. Анализирует пространственное распределение доминирующего цветового тона в формате HSV.

3. Подбирает оптимальную комбинацию освещения из заранее созданной библиотеки источников света.

4. Генерирует специальный набор параметров контроля для данного цвета.

Весь этот адаптивный процесс завершается в течение 30 секунд, что обеспечивает бесперебойное переключение между различными линейками продукции.

VII. Перспективы развития технологий будущего

7.1 Интеграция 5G и граничных вычислений

Следующее поколение контрольно-измерительного оборудования будет включать в себя промышленные модули 5G для передачи изображений высокого разрешения (20 МБ на изображение) в режиме реального времени на кластер периферийных серверов для обработки; само устройство сохранит только облегченный механизм обработки данных. Тестирование показало, что такая архитектура может сократить время анализа сложных дефектов с 50 мс до 8 мс, заложив тем самым основу для увеличения скорости производственной линии до 2000 бутылок в минуту.

7.2 Прогнозирование качества на основе цифрового двойника

Используя данные производственной линии в режиме реального времени, создается модель цифрового двойника для моделирования влияния таких факторов, как износ печатающих сопел и изменения характеристик чернил, на качество печати даты. Если модель прогнозирует, что процент прохождения печати даты, вероятно, упадет ниже 99% в течение следующих четырех часов, она автоматически генерирует заявку на профилактическое обслуживание, тем самым осуществляя кардинальный переход от простого «обнаружения дефектов» к «предотвращению дефектов». 7.3 Межмодальная корреляция качества

Разрабатываемая интеллектуальная система управления качеством сопоставляет и анализирует данные визуального контроля с данными других рабочих станций, такими как точность наполнения, момент затяжки крышек и уровень жидкости. С помощью анализа больших данных система выявляет скрытые корреляции в качестве; например, она может обнаружить, что при влажности окружающей среды выше 75% частота дефектов при диффузии струйного кода утраивается, что побуждает систему автоматически рекомендовать включение осушительного оборудования.

Заключение

Проверка струйных кодов на крышках стеклянных бутылок эволюционировала от простой проверки «наличие/отсутствие» до интеллектуальной системы оценки качества, интегрирующей оптическую визуализацию, искусственный интеллект и анализ больших данных. Благодаря непрерывным инновациям, отечественные производители, такие как Jinan Maotong, не только достигли мирового уровня точности контроля (с показателем обнаружения дефектов, превышающим 99,99%), но и получили уникальные преимущества с точки зрения адаптивности производственной линии, простоты использования и общей интеллектуальности. По мере развития эпохи Индустрии 4.0 технология визуального контроля готова стать ключевым элементом систем обеспечения качества в пищевой промышленности, гарантируя безопасность и отслеживаемость каждой бутылки — от производственной линии до потребителя.