Визуальный контроль дефектов бутылок для напитков: технические принципы, внедрение системы и перспективы применения

Введение

С быстрым развитием индустрии напитков контроль качества продукции стал ключевым элементом конкурентоспособности предприятий. Бутылки для напитков являются основной формой упаковки продукции, и их качество напрямую влияет на безопасность продукции, герметичность и имидж бренда. Традиционные методы ручного контроля отличаются низкой эффективностью, сильной субъективностью и высоким уровнем ложноположительных результатов, особенно на высокоскоростных производственных линиях (например, на линиях, обрабатывающих 72 000 или даже 120 000 бутылок в час), где ручной контроль больше не справляется с требованиями. Технология машинного зрения, благодаря своим преимуществам в виде высокой точности, высокой эффективности и бесконтактной работы, стала основным решением для проверки дефектов бутылок с напитками.

Системы машинного зрения для инспекции, имитируя функцию человеческого глаза, используют оптические системы, алгоритмы обработки изображений и интеллектуальные системы принятия решений для автоматизации проверки различных параметров качества бутылок с напитками, включая внешний вид, размер и герметичность. В данной статье будут подробно рассмотрены технические принципы, состав системы, основные методы, практика применения и будущие тенденции развития в области визуального контроля дефектов бутылок для напитков.

Я. Распространенные дефекты и опасности бутылок для напитков

В процессе производства в бутылках для напитков могут возникать различные дефекты, которые можно классифицировать следующим образом:

1.1 Дефекты горлышка бутылки

Горлышко бутылки является важной частью, обеспечивающей герметичность бутылки для напитков. Распространенные дефекты включают:

• Поврежденная уплотнительная поверхность: влияет на герметичность крышки, что может привести к утечке или загрязнению.

• Дефекты резьбы: препятствуют правильному затягиванию крышки.

• Сколы/заусенцы: влияют на внешний вид и могут царапать потребителей.

• Деформация/трещины: Непосредственно влияют на герметичность.

1.2 Дефекты корпуса бутылки

Дефекты корпуса бутылки напрямую влияют на внешний вид и прочность конструкции продукта:

• Царапины/трещины: снижают прочность бутылки и могут привести к поломке.

• Пятна/черные пятна: влияют на эстетический вид продукта и могут вызывать беспокойство у потребителей.

• Воздушные пузырьки/примеси: Особенно заметны в прозрачных бутылках, влияют на прозрачность.

• Деформация/неравномерная толщина: влияет на точность наполнения и однородность продукта.

1.3 Дефекты дна бутылки

Дефекты дна бутылки влияют на её устойчивость и прочность:

• Повреждения/трещины: Могут привести к разрушению бутылки.

• Грязь и посторонние вещества: влияют на чистоту продукции

• Остатки прозрачной пленки: пленка, которая может оставаться после процесса выдувного формования.

1.4 Функциональные дефекты

• Ненормальный уровень жидкости: недостаточное или избыточное заполнение, влияющее на стабильность характеристик продукта.

• Дефекты крышек бутылок: высокая крышка, кривая крышка, сломанная крышка, отсутствие крышки и т.д.

• Проблемы с маркировкой: неправильная маркировка, отсутствие маркировки, кривая маркировка, складки, размытая печать и т.д.

Эти дефекты не только влияют на внешний вид продукта, но также могут вызвать проблемы с безопасностью пищевых продуктов. Например, плохая герметизация может привести к порче напитков, трещины могут вызвать разрушение бутылок и травмы, а ненормальный уровень жидкости влияет на точность измерений и права потребителей.

II. Основные компоненты системы визуального контроля

Полная система визуального контроля дефектов бутылок для напитков обычно состоит из следующих основных компонентов:

2.1 Система получения изображений

Сбор изображений является основой визуального контроля и в основном включает в себя:

• Промышленная камера: камера с высоким разрешением для сканирования области или линейного сканирования, например, камера для сканирования области с разрешением 1280×1024. Современные системы обычно используют камеры с высоким разрешением, имеющие 5 мегапикселей или более, способные выявлять дефекты размером всего 0,3 мм².

• Оптические линзы: промышленные линзы с фокусным расстоянием 35 мм и соответствующим углом обзора, подобранные в соответствии с требованиями инспекции.

• Системы освещения: кольцевые источники света, коаксиальные источники света, источники подсветки и т. д., используемые для устранения отражений и улучшения контрастности. Для проверки прозрачных бутылок особенно важны технологии высококонтрастного освещения и управления подсветкой пленки.

2.2 Блок обработки изображений

• Процессор изображений: Специализированное оборудование, например, процессоры изображений Siemens

• Промышленный компьютер: оснащён высокопроизводительным процессором, например, AMD Ryzen. ™ процессор, обеспечивающий вычислительную мощность 3,3 ТФЛОПС

• Программное обеспечение для обработки: включает алгоритмические модули, такие как предварительная обработка изображений, извлечение признаков и идентификация дефектов.

2.3 Система управления

• ПЛК (программируемый логический контроллер): Например, Allen Bradley CompactLogix PLC, отвечающий за координацию и управление системой.

• Сенсорная система: фотоэлектрические датчики, энкодеры и т.д., используемые для позиционирования и запуска продукции.

• Приводы: устройства для сортировки, механизмы отсечки и т. д.

2.4 Человеко-машинный интерфейс

• Человеко-машинный интерфейс (HMI): Например, Cognex VisionView HMI, используемый для настройки параметров, мониторинга состояния и отображения результатов.

• Система управления данными: фиксирует результаты инспекций, обеспечивает отслеживаемость качества и анализ.

III. Ключевые технологии и методы

3.1 Технология получения изображений и их предварительной обработки

Высококачественная съемка изображений является необходимым условием для успешного инспектирования. В связи с уникальными характеристиками бутылок для напитков требуются специализированные решения в области освещения:

• Обнаружение прозрачных бутылок: используется высококонтрастное освещение и пленка для управления подсветкой для коллимирования света и создания более высокого контраста изображения.

• Многоугольная съемка: 360 градусов ° Полноугольное изображение достигается за счет плоскостного зеркального отражения, например, когда первое и второе плоские зеркала симметрично расположены по обе стороны от датчика обнаружения.

• Ротационная визуализация: группа камер поворачивается в соответствии с углом поворота заранее заданных эталонных точек для получения многонаправленных изображений.

Предварительная обработка изображений включает в себя этапы шумоподавления, улучшения качества и сегментации, что создает основу для последующей идентификации дефектов.

3.2 Алгоритмы обнаружения дефектов

3.2.1 Традиционные алгоритмы обработки изображений

• Обнаружение краев: используются операторы Canny и другие инструменты для определения контура бутылки и границ дефектов.

• Сопоставление с шаблоном: Дефектные участки определяются путем сравнения с эталонными изображениями бутылок.

• Сегментация по пороговым значениям: выделяется область горлышка бутылки и анализируется целостность резьбы.

• Морфологическая обработка: используется для выявления дефектов и их изоляции.

Для обнаружения дефектов горлышка бутылки часто используется преобразование полярных координат (cv2.warpPolar), которое преобразует кольцевые дефекты в полосообразные структуры, упрощая пространственное моделирование. Чёрный контур области горлышка бутылки точно выделен с помощью преобразования цветового пространства HSV, а координаты центра и радиус горлышка бутылки автоматически определяются с использованием преобразования по методу Хауфа.

3.2.2 Алгоритмы глубокого обучения

С развитием технологий искусственного интеллекта глубокое обучение все чаще используется для обнаружения дефектов:

• Алгоритмы серии YOLO: например, система обнаружения бутылок с холодным чаем, основанная на YOLO13-C3k2-RFAConv, обеспечивающая mAP 92,6%.

• Улучшенная версия YOLOv7: Оригинальная пирамидальная структура пуллинга SPPCSPC усовершенствована до более быстрой структуры SPPFCSPC с использованием функции потерь SIoU, что обеспечивает точность распознавания уровня жидкости на уровне 96,3% для ПЭТ-бутылок с напитками.

• Инструмент поиска геометрических узоров PatMax: Современные алгоритмы обработки изображений автоматически определяют и находят геометрические элементы на бутылке.

3.3 Специальные технологии обнаружения

3.3.1 Обнаружение прозрачной упаковки

Прозрачные упаковочные материалы практически не пропускают видимый свет, что приводит к тому, что на непосредственно полученных изображениях практически не остается информации о самой упаковке. Запатентованная технология анализирует эффект оптического искажения прозрачной упаковки на фоновом рисунке, превращая невидимые дефекты в заметные изменения фона, и использует различные стратегии улучшения для разных типов областей.

3.3.2 Определение уровня жидкости

Технология передачи изображений в сочетании с градационным анализом используется для измерения высоты уровня жидкости. Алгоритм роста в области отсека отделяет взвешенные примеси, а классификатор определяет тип примесей.

3.3.3 Обнаружение маркировки и этикеток

• Технология OCR: определяет содержимое маркировки и проверяет такую информацию, как дата производства и срок годности.

• Сопоставление шаблона: проверяет положение метки с точностью ±0,5 мм.

• Анализ цветовых различий: гарантирует соответствие цветов этикеток стандартам.

IV. Внедрение системы и примеры её применения

4.1 Проектирование архитектуры системы

Системы обнаружения дефектов бутылок с напитками на основе машинного зрения обычно имеют модульную конструкцию, включающую четыре основных модуля: механическое исполнение, электрическое управление, обработку изображений и программное обеспечение для главного компьютера. Система интегрирует ПЛК, систему машинного зрения и систему управления производственной линией через Ethernet.

4.2 Процесс инспекции

Типичный процесс визуального осмотра бутылок для напитков включает в себя:

1. Инспекция бутылок: Бутылка освещается источником света, устройство для обработки изображений фиксирует изображение, а система компьютерного зрения анализирует наличие дефектов, таких как повреждения или деформации.

2. Проверка крышек: обнаруживает ослабленные, поврежденные или несоответствующие стандартам крышки.

3. Проверка уровня жидкости: определяет, находится ли уровень жидкости в допустимых пределах.

4. Проверка этикеток: обнаруживает неправильные, размытые или отсутствующие этикетки.

4.3 Практические примеры применения

4.3.1 Система инспекции высокоскоростной производственной линии

Линия производства кукурузного сиропа пищевой компании использует систему проверки этикеток, разработанную компанией EPIC Vision Systems, с скоростью проверки более 500 бутылок в минуту. Система использует микроскопические системы Cognex In-Sight 5400 и In-Sight 1400, проверяя правильность шаблонов этикеток и штрихкодов с помощью методов геометрического сопоставления шаблонов, проверяя более 20 различных типов этикеток продукции.

4.3.2 Интеллектуальное интегрированное линейное решение

Интеллектуальное интегрированное решение компании Yuzhen Technology для визуального контроля фармацевтических бутылок обеспечивает интеллектуальное управление по принципу "от горлышка бутылки до коробки". Система включает в себя визуальный контроль с использованием искусственного интеллекта, высокоточное обнаружение утечек и автоматизированную систему гибкой упаковки, обеспечивая точность проверки до 0,1 мм и максимальную скорость проверки до 300 бутылок в минуту.

4.3.3 Система контроля бутылок с пивом

Линии производства пива могут достигать скорости более 36 000 бутылок в час, что недостижимо для традиционных методов контроля. Система визуального контроля использует камеры для получения изображений горлышка, дна и стенок бутылки, выявляя дефекты, такие как уплотнение горлышка бутылки, резьба, загрязнения на внутренних и внешних поверхностях стенок бутылки, загрязнения на дне и трещины. Пивные бутылки с обнаруженными дефектами автоматически отбрасываются.

4.4 Показатели эффективности

Основные показатели производительности современных систем визуального контроля бутылок с напитками включают:

• Скорость проверки: до 400 бутылок в минуту или более, некоторые системы могут достигать 500 бутылок в минуту.

• Точность инспекции: способна выявлять дефекты размером всего 0,3 мм² с уровнем точности ≥99,9%.

• Адаптивность: Может проверять бутылки различных форм, включая круглые, квадратные и бутылки неправильной формы.

• Стабильность: Может работать непрерывно более 24 часов.

V. Технические преимущества и экономические выгоды

5.1 Технические преимущества

По сравнению с традиционным ручным контролем, системы машинного зрения имеют значительные преимущества:

1. Высокая эффективность: Скорость инспекции значительно превышает скорость ручного контроля, что позволяет адаптироваться к требованиям высокоскоростных производственных линий.

2. Высокая точность: позволяет обнаруживать мельчайшие дефекты, которые трудно заметить невооруженным глазом.

3. Объективность: Не зависит от человеческого фактора, с едиными стандартами инспекции.

4. Прослеживаемость: Автоматически записывает данные инспекций, обеспечивая возможность отслеживания и анализа качества.

5. Адаптивность: Может быть адаптировано к различным типам продукции с помощью программных настроек, время конвертации составляет всего две минуты.

5.2 Экономические выгоды

1. 1. Сокращение затрат на рабочую силу: сокращение количества должностей, занимающихся ручной проверкой качества, более чем на 60%, что позволяет экономить более 200 000 юаней в год.

2. Улучшение качества продукции: устраните основные ошибки, такие как перекоординированные этикетки и размытая маркировка, что позволит повысить стабильность продукции.

3. Сокращение отходов: Незамедлительно удаляйте дефектные изделия, избегая последующих затрат на упаковку и транспортировку.

4. Улучшение имиджа бренда: Обеспечьте соответствие каждой бутылки стандартам качества, укрепляя доверие потребителей.

VI. Тенденции развития и вызовы

6.1 Тенденции технологического развития

1. Интеграция глубокого обучения и искусственного интеллекта: алгоритмы обнаружения дефектов на основе глубокого обучения станут более распространены, например, применение алгоритмов серии YOLO при проверке бутылок с напитками.

2. Технология 3D-визуализации: инспекция с использованием 3D-визуализации может предоставить более полную пространственную информацию, что повышает точность обнаружения.

3. Мультисенсорное объединение: использование нескольких датчиков, таких как визуальные, лазерные и ультразвуковые, для достижения более комплексной инспекции.

4. Облачное взаимодействие и платформы с низким уровнем программирования: например, платформа Matrix Intelligent Machine Vision Low-Code Platform, обеспечивающая универсальный инструментарий для получения изображений, аннотации и разработки алгоритмов.

5. Эдж-компью팅: обработка данных в режиме реального времени на стороне устройства, что снижает задержку передачи данных.

6.2 Тенденции в применении в промышленности

1. 1. Полный цикл интеллектуального контроля:** Контроль качества на всех этапах производства, от сырья до готовой продукции, например, интеллектуальное управление с замкнутым циклом компании Yuzhen Technology «от узкого места в производственном процессе до упаковки».

2. Гибкое производство:** Быстрая адаптация к изменениям продукции и категорий, сокращение времени простоя производственной линии.

3. Оптимизация на основе данных:** Использование данных инспекций для оптимизации производственных процессов и достижения предиктивного технического обслуживания.

6.3 Проблемы, с которыми сталкиваются:

1. Инспекция прозрачных материалов:** Обнаружение дефектов в прозрачных бутылках остается технически сложной задачей, требующей специального освещения и обработки алгоритмами.

2. Высокоскоростная инспекция:** Увеличение скорости производственной линии предъявляет более высокие требования к скорости получения и обработки изображений.

3. Адаптивность к сложным условиям:** Условия на производственных линиях подвержены воздействию таких факторов, как вибрация, колебания температуры и световые помехи.

4. Контроль затрат: Высокопроизводительные системы визуального контроля стоят дорого, что создает финансовое напряжение для малых и средних предприятий.

5. Способность к обобщению алгоритмов:** Система должна адаптироваться к требованиям инспекции различных типов бутылок, материалов и цветов.

VII. Заключение:

После многолетней разработки технология визуального контроля дефектов бутылок для напитков эволюционировала от простой обработки изображений до интеллектуальных систем, интегрирующих глубокое обучение и искусственный интеллект. Современные системы визуального контроля могут эффективно и точно выявлять дефекты в различных аспектах производства бутылок, включая их отверстие, корпус, дно, уровень жидкости и этикетки. Скорость инспекции может достигать сотен бутылок в минуту, а уровень точности превышает 99%, что играет незаменимую роль в производстве напитков.

Благодаря постоянному развитию технологий, визуальный контроль бутылок с напитками будет становиться более интеллектуальным, быстрым и точным. Применение алгоритмов глубокого обучения позволит еще больше повысить точность и адаптивность системы обнаружения дефектов. Технологии 3D-визуализации и многосенсорного слияния обеспечат более комплексные возможности инспекции; Облачное взаимодействие и платформы с низким уровнем программирования снизят технические барьеры, способствуя широкому распространению визуального контроля в малых и средних предприятиях (МСП).

Для производителей напитков инвестиции в системы визуального контроля являются не только необходимым средством для повышения качества продукции, но и стратегическим решением для повышения эффективности производства, снижения эксплуатационных затрат и укрепления конкурентоспособности на рынке. По мере того как требования потребителей к качеству продукции продолжают расти, а затраты на рабочую силу продолжают увеличиваться, перспективы применения технологий визуального контроля в индустрии напитков станут еще шире.

В будущем технологии визуального контроля дефектов бутылок для напитков будут продолжать интегрироваться с новыми технологиями, такими как Интернет вещей, большие данные и облачные вычисления, что позволит осуществить переход от одной точки контроля к всей производственной линии, от оффлайн-анализа к оптимизации в реальном времени и от пассивного сброса брака к проактивному предотвращению, обеспечивая надежную техническую поддержку для высококачественного развития индустрии напитков.