Penyelidikan dan Aplikasi Teknologi Pemeriksaan Visual untuk Kecacatan Kemasan Botol Kaca

1. Pengenalan

Botol kaca digunakan secara meluas sebagai bekas pembungkusan untuk industri makanan, farmaseutikal dan kosmetik. Kualiti kemasan mereka secara langsung berkaitan dengan pengedap, keselamatan dan hayat perkhidmatan produk. Kecacatan kemasan seperti keretakan, burr dan ketidaksempurnaan bukan sahaja boleh menyebabkan kebocoran dan kemerosotan kandungan, malah boleh menyebabkan kecederaan peribadi kepada pengguna. Kaedah pemeriksaan manual tradisional terdedah kepada batasan resolusi dan keletihan mata manusia, menyebabkan kecekapan rendah dan kebolehpercayaan terhad. Dengan kemajuan teknologi penglihatan mesin, kaedah pemeriksaan dalam talian untuk kecacatan kemasan botol kaca berdasarkan penglihatan komputer telah menjadi tumpuan penyelidikan dalam industri. Kaedah ini menawarkan bukan hubungan, kecekapan tinggi, dan ketepatan tinggi, memenuhi keperluan kawalan kualiti yang ketat bagi pengeluaran perindustrian moden.

Dalam proses pengeluaran botol kaca, kecacatan kemasan boleh timbul daripada pelbagai sumber, termasuk bahan mentah, proses pengeluaran dan pengangkutan. Penyelidikan telah menunjukkan bahawa pemeriksaan manual sahaja sering mengakibatkan kadar pengesanan salah yang tinggi sebanyak 3%-5%, yang tidak boleh diterima untuk pengeluaran perindustrian berskala besar. Teknologi pemeriksaan penglihatan mesin menggunakan peralatan pemerolehan imej untuk menangkap imej kemasan botol dan menggunakan algoritma pemprosesan imej digital untuk menganalisis dan mengenal pasti kecacatan. Ini mengautomasikan dan memperincikan proses pemeriksaan, meningkatkan kecekapan dan ketepatan pemeriksaan dengan ketara.

Artikel ini secara sistematik memperkenalkan jenis utama kecacatan kemasan botol kaca dan impaknya, menganalisis teknologi utama untuk sistem pemeriksaan berasaskan penglihatan mesin, meneroka cabaran teknikal semasa dan menjangka trend pembangunan masa hadapan, menyediakan rujukan untuk penyelidik dan juruteknik dalam bidang berkaitan.

2 Jenis dan Kesan Kecacatan Kemasan

Kecacatan kemasan botol kaca boleh dikategorikan kepada pelbagai jenis berdasarkan morfologi, lokasi dan puncanya. Setiap kecacatan mempunyai tahap kesan yang berbeza-beza terhadap kualiti produk. Pemahaman menyeluruh tentang ciri-ciri kecacatan ini adalah penting untuk membangunkan strategi pemeriksaan yang berkesan.

Retak: Ini adalah kecacatan kemasan yang paling biasa dan boleh dikategorikan kepada pelbagai jenis berdasarkan kedalaman dan lokasinya. Keretakan dalam biasanya lebih daripada 2mm dalam dan menjangkau dari pinggir dalam mulut botol ke tepi luar, menjadikannya mudah dikesan dengan mata kasar. Keretakan cetek, sebaliknya, adalah rekahan cetek di tepi atas mulut botol, kurang daripada 2mm dalam. Mereka memerlukan sudut pencahayaan khusus untuk dikesan dan lebih berkemungkinan terlepas. Keretakan cetek juga merupakan ancaman serius kepada produk dengan keperluan pengedap yang tinggi (seperti botol minuman dan farmaseutikal). Dalam beberapa hari selepas mengisi dan mengehadkan, masalah seperti butang keselamatan vakum yang dinaikkan dan kebocoran udara boleh berlaku, yang membawa kepada kemerosotan kandungan.

Kecacatan ubah bentuk struktur terutamanya menjejaskan geometri dan ketepatan dimensi mulut botol. Bebibir (rim cembung) ialah kepingan kaca yang menonjol secara mendatar dari tepi luar mulut botol. Rim serong dicirikan oleh tidak selari antara mulut botol dan tapak, melebihi piawaian selari. Rim yang membonjol dicirikan oleh mulut botol yang membonjol, mengakibatkan dimensi kepala botol yang berlebihan. Kecacatan ini boleh menjejaskan prestasi pengedap penutup botol, terutamanya pada barisan pengeluaran automatik, dan boleh mengakibatkan kesukaran atau pengedap yang tidak mencukupi. Selain itu, kemasan kasar (burr) pada leher botol (burr) disebabkan oleh kemasan die yang lemah, mengakibatkan kemasan permukaan kasar. Ini tidak boleh diterima untuk produk dengan keperluan kualiti tinggi (seperti botol bir).

Kecacatan seperti rim retak, sumbing atau hilang pada leher disebabkan oleh hentaman atau acuan yang tidak mencukupi. Kecacatan ini bukan sahaja menjejaskan penampilan tetapi juga mengurangkan integriti struktur leher, yang berpotensi membawa kepada kerosakan selanjutnya semasa pengangkutan atau penggunaan. Jadual 1 menyenaraikan klasifikasi terperinci tentang jenis utama kecacatan pada leher botol kaca dan kesannya.

Jadual 1: Jenis Kecacatan Utama pada Leher Botol Kaca dan Kesannya

Sebagai tambahan kepada kecacatan di atas, burr pada leher (kedua-dua leher dalam dan luar) juga merupakan masalah biasa. Ini adalah kepingan kaca berbentuk cincin yang menonjol dari diameter dalam leher. Ia boleh menjejaskan pengedap penutup dan membenarkan serpihan kaca jatuh ke dalam botol, mencemarkan kandungannya. Kecacatan ini memerlukan perhatian khusus semasa pemeriksaan, kerana ia selalunya berbeza sedikit daripada leher biasa dan memerlukan sistem pengimejan resolusi tinggi dan algoritma yang tepat untuk dikesan. 3 Teknologi Utama Sistem Pemeriksaan Visual

Sistem pemeriksaan kemasan botol kaca berasaskan penglihatan mesin biasanya terdiri daripada modul pemerolehan imej, modul pemprosesan imej dan modul klasifikasi dan keputusan. Setiap modul melibatkan pelbagai teknologi utama, pemilihannya secara langsung memberi kesan kepada prestasi dan kebolehpercayaan sistem pemeriksaan.

3.1 Prapemprosesan Imej dan Kedudukan Penamat

Prapemprosesan imej ialah langkah pertama dalam proses pemeriksaan, bertujuan untuk meningkatkan kualiti imej dan meningkatkan ciri kecacatan. Kaedah prapemprosesan biasa termasuk penapisan Gaussian untuk mengeluarkan hingar, perduaan imej untuk memisahkan latar depan dan latar belakang, dan pengisian imej untuk menyambungkan kawasan terputus. Kaedah varians antara kelas maksimum (kaedah Otsu) ialah kaedah yang biasa digunakan untuk menentukan ambang binarisasi secara automatik. Ia mencapai pembahagian optimum dengan mengira varians antara kelas maksimum antara latar belakang imej dan sasaran.

Kedudukan kedudukan penamat ialah asas pengesanan kecacatan seterusnya. Kedudukan yang tidak tepat boleh menyebabkan pengesanan palsu dan pengesanan terlepas. Kaedah penentududukan biasa termasuk:

Purata koordinat piksel: Kaedah ini mengira kedudukan tengah bulatan menggunakan koordinat purata piksel putih di sepanjang tepi penamat. Kaedah ini mudah tetapi mudah terdedah kepada artifak. Transformasi bulatan Hough: Kaedah ini mempunyai prestasi pengesanan yang sangat baik untuk kontur bulat sempurna, tetapi keberkesanannya berkurangan dengan ketara apabila mulut botol mempunyai kecacatan.

Pemasangan bulatan: Kaedah ini menggunakan piksel tepi untuk memuatkan bulatan yang paling hampir, menawarkan keteguhan yang baik terhadap kecacatan kecil.

Pemasangan berulang: Kaedah pemasangan yang dipertingkatkan ini mengisih sisa tepi luar yang dipasang dan menghapuskan piksel yang mengganggu, kemudian berulang dari semasa ke semasa untuk mengatasi pengaruh piksel yang rosak pada pengecaman bulatan dengan berkesan.

Penyelidikan telah menunjukkan bahawa kaedah pemasangan berulang mencapai ketepatan kedudukan yang jauh lebih tinggi daripada kaedah tradisional. Dalam ujian terhadap 500 imej mulut botol dengan pelbagai kecacatan, masa jalan hanya 0.01 saat, menjadikannya sesuai untuk pengesanan masa nyata.

3.2 Pengecaman Kecacatan dan Pengekstrakan Ciri

Setelah mulut botol terletak dengan tepat, langkah seterusnya ialah mengenal pasti dan mengekstrak ciri kecacatan. Kaedah biasa termasuk:

Transformasi koordinat kutub: Kaedah ini menukar imej mulut botol daripada sistem koordinat Cartesan kepada sistem koordinat kutub, mengembangkan mulut botol bulat kepada imej segi empat tepat untuk analisis yang lebih mudah. Selepas transformasi ini, keretakan dan kecacatan boleh dikesan dengan mengimbas perubahan dalam nilai skala kelabu. Contohnya, dengan mengira terbitan tertib kedua bagi nilai skala kelabu (operator Laplacian), perubahan mendadak skala kelabu pada retak boleh diserlahkan.

Kaedah Pengimbasan Pekeliling: Sinar dipancarkan dari tengah mulut botol, mengimbas kawasan mulut botol pada saiz langkah sudut tetap, dan bilangan piksel putih dalam setiap sudut direkodkan. Jika bilangan piksel putih berkurangan dengan ketara pada sudut tertentu, ia mungkin menunjukkan jurang; jika bilangan piksel putih meningkat dengan ketara, ia mungkin menunjukkan keretakan. Untuk meningkatkan kecekapan, julat imbasan boleh dikecilkan untuk hanya mengesan kawasan anulus tertentu antara jejari dalam dan luar mulut botol.

Segmentasi Ambang Dinamik: Disebabkan pencahayaan tidak sekata dan permukaan pemantulan pada mulut botol, segmentasi ambang tetap sering gagal menghasilkan hasil yang ideal. Teknologi ambang dinamik menyesuaikan ambang secara adaptif berdasarkan ciri imej tempatan, meningkatkan ketepatan pembahagian kecacatan.

Untuk pengekstrakan ciri kecacatan, pelbagai parameter ciri boleh diekstrak, seperti varians skala kelabu, ciri tekstur dan ciri bentuk geometri. Penyelidikan telah menunjukkan bahawa dengan mengekstrak enam ciri permukaan dan menggabungkannya dengan algoritma genetik untuk mengoptimumkan parameter input mesin pembelajaran melampau (ELM), klasifikasi ketepatan tinggi boleh dicapai dalam ujian 569 sampel. 3.3 Keputusan Pengelasan dan Gabungan Maklumat

Selepas pengekstrakan ciri, pengelas diperlukan untuk menentukan kualiti kemasan botol. Pengelas ambang mudah boleh mengesan kecacatan yang jelas, tetapi kecacatan kompleks memerlukan algoritma pengecaman corak lanjutan. Penyelidikan telah menunjukkan bahawa mesin pembelajaran melampau (ELM) digabungkan dengan pengoptimuman algoritma genetik mengatasi algoritma LVQ tradisional dan rangkaian saraf BP dalam pengesanan kecacatan kemasan botol kaca.

Teknologi gabungan maklumat adalah cara penting untuk meningkatkan kebolehpercayaan sistem. Dengan menggabungkan berbilang hasil pemeriksaan atau maklumat daripada penderia lain, kebarangkalian positif palsu boleh dikurangkan. Sebagai contoh, sistem mengambil masa kira-kira 400 milisaat untuk memeriksa setiap botol kaca, pada masa itu ia boleh menangkap kira-kira 20 imej kemasan botol (setiap imej adalah lebih kurang 20 milisaat). Dengan menyepadukan hasil pemeriksaan berbilang ini, kebolehpercayaan penilaian yang betul sistem bertambah baik.

4 Cabaran Teknikal dan Trend Pembangunan

Walaupun teknologi penglihatan mesin telah mencapai kemajuan yang ketara dalam pemeriksaan kemasan botol kaca, ia masih menghadapi beberapa cabaran teknikal dan peluang pembangunan. 4.1 Cabaran Teknikal Semasa

Sistem pemeriksaan visual sedia ada menghadapi cabaran utama berikut dalam aplikasi praktikal:

Pengesanan kecacatan kecil: Algoritma sedia ada terdedah kepada retakan kecil, cetek atau retakan halus pada leher botol, terutamanya apabila saiz kecacatan menghampiri had peleraian imej. Penyelidikan telah menunjukkan bahawa apabila kecacatan itu kecil, sistem mungkin menilai ia normal lebih kerap daripada menilai ia rosak. Disebabkan oleh mekanisme gabungan maklumat, ia mungkin tersilap menilai sesuatu produk sebagai layak.

Pencahayaan dan gangguan pantulan tidak sekata: Sifat kaca yang sangat pemantul boleh menyebabkan separa dedahan berlebihan atau bayang-bayang dalam imej, mengaburkan kecacatan sebenar. Walaupun masalah ini boleh dikurangkan melalui reka bentuk sumber cahaya yang dioptimumkan, penyelesaian asas kekal mencabar.

Konflik antara keperluan masa nyata dan kelajuan pemprosesan: Barisan pengeluaran berkelajuan tinggi memerlukan sistem pemeriksaan untuk menyelesaikan pemeriksaan dalam masa yang sangat singkat (biasanya 100-500ms), manakala algoritma pemprosesan imej yang kompleks memerlukan sumber pengkomputeran yang ketara. Mengimbangi ketepatan dan kelajuan adalah isu utama dalam aplikasi praktikal.

Ralat kedudukan tengah bulatan: Kaedah kedudukan tengah bulatan sedia ada mempunyai ralat yang wujud. Khususnya, koordinat pusat yang dikira menggunakan statistik matematik tidak dapat dielakkan mempunyai sisihan tertentu, mengakibatkan kehilangan maklumat tentang retak kecil. Apabila kawasan kecacatan disambungkan ke tepi, ketepatan pemasangan tepi subpiksel berkurangan dengan ketara.

4.2 Trend Pembangunan Masa Depan

Untuk menangani cabaran di atas, teknologi pemeriksaan visual kemasan botol kaca sedang berkembang dalam arah berikut:

Aplikasi Teknologi Pembelajaran Mendalam: Kaedah pembelajaran mesin tradisional memerlukan reka bentuk ciri manual, manakala pembelajaran mendalam secara automatik boleh mempelajari ciri kecacatan, memberikan keupayaan pengecaman yang lebih baik untuk kecacatan yang kompleks dan halus. Khususnya, teknologi seperti Convolutional Neural Networks (CNNs) dan Generative Adversarial Networks (GAN) mencapai pengiktirafan ketepatan tinggi walaupun dengan sebilangan kecil sampel.

Gabungan Maklumat Berbilang Penderia: Menggabungkan penglihatan 2D, penglihatan 3D dan teknologi pengimejan berbilang spektrum untuk mendapatkan maklumat berbilang dimensi tentang kemasan botol, menangani batasan satu sensor. Penglihatan 3D boleh menangkap maklumat mendalam tentang kemasan botol, dengan berkesan membezakan kecacatan sebenar daripada kesan permukaan atau perubahan warna.

Pengoptimuman Platform Pemprosesan Masa Nyata: Dengan pembangunan GPU terbenam dan cip pemprosesan imej khusus, algoritma yang lebih kompleks boleh dilaksanakan pada peranti pengkomputeran tepi untuk memenuhi keperluan pemprosesan masa nyata berkelajuan tinggi. Keupayaan Pembelajaran Adaptif: Sistem pemeriksaan masa hadapan akan memiliki keupayaan pembelajaran kendiri yang lebih kukuh, membolehkan mereka melaraskan dan mengoptimumkan parameter model secara berterusan berdasarkan data barisan pengeluaran sebenar, menyesuaikan diri dengan jenis produk dan corak kecacatan baharu.

Adalah penting untuk ambil perhatian bahawa sistem pemeriksaan berasaskan penglihatan tidak bertujuan untuk menggantikan sepenuhnya pemeriksaan manual, tetapi sebaliknya untuk membentuk sistem pemeriksaan pintar yang bekerjasama dengan manusia. Sistem ini bertanggungjawab untuk penyaringan awal yang cekap dan tanpa jemu, manakala manusia bertanggungjawab untuk penghakiman kes yang kompleks dan pengoptimuman sistem. Kedua-duanya saling melengkapi dan bersama-sama meningkatkan kawalan kualiti produk.

5 Kesimpulan

Teknologi pemeriksaan visual untuk kecacatan kemasan botol kaca mengintegrasikan teknologi termaju dari pelbagai bidang, termasuk pemprosesan imej digital, pembelajaran mesin dan kejuruteraan optoelektronik, untuk membentuk penyelesaian pemeriksaan kualiti yang cekap dan tepat. Daripada algoritma pemprosesan imej tradisional kepada pemeriksaan pintar berasaskan pembelajaran mendalam, bidang ini terus maju, dengan peningkatan berterusan dalam ketepatan dan kecekapan pemeriksaan.

Penyelidikan sedia ada menunjukkan bahawa sistem pemeriksaan visual yang baik boleh mengenal pasti keretakan kemasan botol dengan betul pada kadar 99%, 100% untuk kecacatan kemasan botol, dan 98% untuk herotan badan botol, masing-masing, untuk ketepatan pengecaman keseluruhan melebihi 97.4%. Walau bagaimanapun, penyelidikan dan inovasi lanjut masih diperlukan untuk menangani cabaran seperti mengesan kecacatan kecil dan memproses permukaan reflektif yang kompleks.

Dengan kemajuan teknologi kecerdasan buatan dan penderia baharu, pengesanan kecacatan kemasan botol kaca akan menjadi lebih pintar, cekap dan boleh dipercayai, memberikan perlindungan yang kukuh untuk keselamatan pembungkusan dalam industri seperti makanan dan farmaseutikal. Kemajuan teknologi ini juga akan memacu peningkatan dalam kawalan kualiti dan pengeluaran pintar di seluruh industri pembungkusan.