Pemeriksaan Visual Kecacatan Permukaan dalam Penutup Botol Plastik: Prinsip Teknikal, Pembinaan Sistem dan Amalan Aplikasi

Pada barisan pembungkusan berkelajuan tinggi untuk minuman, makanan, farmaseutikal dan produk kimia harian, penutup botol plastik, sebagai komponen utama yang menghubungi terus kandungan dan memastikan pengedap yang selamat, adalah amat penting dari segi kualiti. Malah kecacatan permukaan yang kecil—seperti calar, kesan, buih, bahan yang hilang atau ralat pencetakan—bukan sahaja menjejaskan penampilan produk dan imej jenama tetapi juga boleh menyebabkan masalah kualiti yang serius seperti pengedap yang lemah, kebocoran atau pencemaran. Kaedah pensampelan manual tradisional adalah tidak cekap, terdedah kepada keletihan, sangat subjektif, dan mempunyai kadar pemeriksaan yang tidak dijawab yang tinggi, gagal memenuhi usaha industri moden untuk "kecacatan sifar." Oleh itu, teknologi pemeriksaan kecacatan permukaan automatik berdasarkan penglihatan mesin telah menjadi elemen teras yang amat diperlukan dalam memastikan kualiti pengeluaran penutup botol.

I. Jenis Kecacatan dan Cabaran Pengesanan

Sebelum mereka bentuk teknologi, adalah penting untuk mengenal pasti jenis kecacatan permukaan biasa pada penutup botol plastik dan ciri-cirinya:

1. Kecacatan Penampilan:

Calar/Lecet: Berlaku semasa pengangkutan atau pengacuan, kelihatan sebagai jalur terang/gelap yang tidak teratur.

1. Noda/Benda Asing: Lekatan minyak, habuk atau kekotoran lain, kelihatan sebagai bintik-bintik yang tidak konsisten dengan warna latar belakang.

2. Bubbles/Silver Streaks: Disebabkan oleh proses pengacuan suntikan yang tidak betul; buih muncul sebagai bintik gelap bulat, dan jalur perak sebagai garis terang jejari.

3. Kekurangan/Pengecutan: Disebabkan oleh pengacuan suntikan yang tidak lengkap, mengakibatkan bentuk penutup tidak lengkap atau kemek setempat.

4. Burr/Flashes: Lebihan tepi plastik yang disebabkan oleh celah acuan, selalunya muncul pada garisan atau tepi perpisahan.

2. Kecacatan Dimensi dan Struktur:

3. Sisihan Dimensi: Di ​​luar Toleransi: Dimensi utama seperti diameter dalam/luar, ketinggian dan bilangan gigi tidak memenuhi piawaian.

4. Meleding/Ubah bentuk: Penutup dibengkokkan, sama ada sepenuhnya atau sebahagian, menjejaskan pengedap skru.

5. Merapatkan Pecah/Ketidaklengkapan: Untuk penutup dengan berbilang ikatan (seperti penutup air mineral), jambatan penghubung (titik sambungan gelang anti-kecurian) hilang atau terlalu lemah.

3. Kecacatan Pencetakan dan Pelabelan:

Cetakan Tersalah/Salah: Maklumat hilang atau salah seperti logo jenama, tarikh pengeluaran dan nombor kelompok.

Watak/Ghosting Tidak Jelas: Pencetakan kabur, garis putus, resapan dakwat.

Silap pendaftaran: Salah jajaran warna semasa pencetakan berbilang warna.

Sisihan Warna: Perbezaan warna yang ketara daripada sampel warna standard.

Cabaran Teras:

• Pemantulan Tinggi: Permukaan plastik licin boleh mencipta bintik-bintik sorotan dengan mudah jika sumber cahaya tidak diletakkan dengan betul, menutupi kecacatan sebenar.

• Pemeriksaan Kelajuan Tinggi: Kelajuan barisan pengeluaran selalunya mencecah 1000-3000 keping seminit, memerlukan sistem penglihatan menyelesaikan pengimejan, pemprosesan dan pertimbangan dalam masa yang sangat singkat.

• Kepelbagaian Kecacatan: Bentuk kecacatan, saiz, lokasi dan kontras sangat berbeza-beza, memerlukan algoritma dengan keupayaan generalisasi yang kuat.

• Gangguan Latar Belakang: Penutup botol itu sendiri mungkin mempunyai tekstur, corak atau warna yang kompleks, yang perlu dibezakan daripada kecacatan sebenar.

II. Komponen Teras Sistem Pemeriksaan Penglihatan

Sistem pemeriksaan visual yang lengkap untuk kecacatan permukaan penutup botol biasanya terdiri daripada dua bahagian utama: perkakasan dan perisian.

(I) Sistem Perkakasan

1. Unit Pengimejan:

Kamera Industri: "Mata" sistem. Pilih yang berikut berdasarkan keperluan pemeriksaan anda:

▪ Kamera Imbas Kawasan: Digunakan untuk memeriksa rupa, cetakan dan dimensi bahagian atas dan sisi penutup botol. Resolusi tinggi untuk menangkap kecacatan minit.

▪ Kamera Imbasan Talian: Melakukan pengimbasan berterusan apabila penutup botol melalui pada kelajuan tinggi, terutamanya sesuai untuk pengimejan panorama 360° dinding sisi, memberikan jahitan imej yang lancar.

Kanta Industri: Panjang fokus yang sesuai mesti dipilih berdasarkan medan pandangan (FOV), jarak kerja (WD) dan resolusi. Kanta telesentrik mengurangkan ralat perspektif dan merupakan pilihan pilihan untuk ukuran dimensi ketepatan.

2. Sistem Pencahayaan: "Jiwa" pemeriksaan visual yang berjaya. Tugas terasnya adalah untuk menyerlahkan ciri kecacatan dan menyekat gangguan latar belakang.

Jenis Sumber Cahaya Biasa:

▪ Sumber Cahaya Cincin: Bercahaya secara seragam dari semua sisi, sesuai untuk pemeriksaan umum kawasan rata di permukaan atas.

▪ Sumber Cahaya Kubah/Sumber Cahaya Kubah Tanpa Bayangan: Menyediakan pencahayaan yang sangat seragam melalui peresap hemisfera, alat yang berkuasa untuk menyelesaikan masalah pemantulan tinggi dalam penutup botol plastik, menghapuskan pantulan dengan sempurna dan menyerlahkan tekstur permukaan serta kecacatan tiga dimensi (seperti calar dan penyok).

▪ Sumber Cahaya Sepaksi: Pancaran cahaya selari dengan paksi optik kamera melalui pemisah rasuk, terutamanya sesuai untuk mengesan calar dan ketidaksamaan pada permukaan licin.

▪ Lampu latar: Penutup botol diletakkan di antara sumber cahaya dan kamera untuk menghasilkan garis besar kontras tinggi, digunakan untuk pengukuran dimensi, pengesanan kekurangan bahan dan pengesanan objek asing.

▪ Sumber Cahaya Gabungan Berbentuk Bar: Lampu dipancarkan dari sudut tertentu untuk meningkatkan kontras aksara dinding sisi atau struktur 3D.

Strategi Pencahayaan: Skim pencahayaan gabungan berbilang sumber, berbilang sudut biasanya digunakan. Contohnya, lampu kubah digunakan untuk memeriksa penampilan permukaan atas, lampu bar menyala dari sisi untuk memeriksa percetakan dinding sisi, dan lampu latar digunakan untuk pengesanan garis besar. Melalui pencetusan pembahagian masa, satu sistem boleh melaksanakan pelbagai tugas.

3. Unit Penyegerakan dan Kawalan:

Penderia: Penderia fotoelektrik atau pengekod digunakan untuk mencetuskan kamera untuk mengambil gambar apabila penutup botol mencapai kedudukan yang tepat.

PC Industri (IPC): Otak teras menjalankan perisian pemprosesan imej dan program kawalan logik, memerlukan keupayaan pengkomputeran yang berkuasa (CPU berbilang teras, GPU berprestasi tinggi) dan kestabilan gred industri.

PLC dan Mekanisme Isih: PLC menerima keputusan pemeriksaan (OK/NG) daripada komputer kawalan industri dan mengawal injap solenoid, rod tolak atau lengan robot untuk menolak produk yang rosak secara automatik.

4. Struktur Mekanikal:

Trek penghantar yang direka dengan tepat, mekanisme kedudukan (seperti roda bintang, blok V), dan peranti penolakan memastikan postur penutup botol yang stabil dan boleh diulang pada kedudukan pengimejan.

(II) Perisian dan Algoritma

Perisian adalah "otak" sistem, bertanggungjawab untuk analisis imej, pengekstrakan ciri, dan membuat keputusan akhir. Aliran pemprosesan biasanya diseragamkan ke dalam langkah-langkah berikut:

1. Pemerolehan dan Prapemprosesan Imej:

Pemerolehan: Dicetuskan oleh perkakasan, imej mentah diperoleh.

Prapemprosesan: Tujuannya adalah untuk meningkatkan kualiti imej dan bersedia untuk analisis seterusnya. Ini termasuk:

▪ Penapisan dan Denoising: Menggunakan penapisan Gaussian, penapisan median, dsb., untuk menghapuskan hingar rawak.

▪ Peningkatan Imej: Meningkatkan kontras antara kecacatan dan latar belakang melalui regangan kontras, penyamaan histogram, dsb.

▪ Pembetulan Herotan: Menghapuskan herotan kanta untuk memastikan ketepatan pengukuran.

2. Penyetempatan Wilayah Menarik (ROI) dan Pembahagian Imej:

Menggunakan padanan templat, analisis gumpalan (analisis komponen bersambung) atau alat carian geometri, cari dengan cepat kedudukan setiap penutup botol dalam imej dan bahagikannya ke dalam kawasan pengesanan yang berbeza seperti bahagian atas, sisi dan gigi.

3. Algoritma Pengekstrakan Ciri dan Pengesanan Kecacatan:

Ini adalah teras teknologi, biasanya menggunakan strategi gabungan pelbagai peringkat, pelbagai algoritma.

Untuk Kecacatan Saiz/Geometrik:

▪ Pengesanan Tepi (Canny, Sobel): Ekstrak kontur dan lakukan perbandingan aras piksel dengan templat standard atau ukuran dimensi geometri (diameter, bulat, sudut).

Untuk Kecacatan Rupa/Tekstur (Calar, Noda, Buih, dll.):

▪ Segmentasi Ambang: Binarikan imej untuk memisahkan latar depan (kecacatan) dan latar belakang. Sesuai untuk kecacatan dengan kontras yang ketara.

▪ Analisis Tekstur: Menganalisis keseragaman tekstur permukaan menggunakan algoritma seperti Grey-Level Co-occurrence Matrix (GLCM) dan penapisan Gabor untuk mengenal pasti kawasan anomali tekstur.

▪ Analisis Domain Frekuensi: Melakukan transformasi Fourier pada imej untuk mengesan kecacatan berkala atau komponen frekuensi anomali dalam domain frekuensi.

▪ Kaedah Pembezaan/Perbandingan Templat: Melakukan analisis perbezaan piksel demi piksel antara imej yang akan diuji dan imej templat standard "sempurna". Kawasan yang mempunyai perbezaan melebihi ambang dianggap kecacatan. Kaedah ini mudah dan berkesan, tetapi memerlukan konsistensi yang sangat tinggi dalam lokasi dan pencahayaan.

Untuk Pencetakan dan Kecacatan Aksara:

▪ Pengecaman Aksara Optik (OCR): Membaca dan mengesahkan ketepatan dan kesempurnaan aksara seperti tarikh pengeluaran dan nombor kelompok.

▪ Analisis Warna: Membandingkan perbezaan warna antara kawasan yang akan diuji dan tampalan warna standard dalam ruang warna tertentu (seperti Lab).

▪ Padanan Titik Ciri: Membandingkan sama ada titik ciri utama logo dan corak sepadan.

4. Integrasi Kepintaran Buatan dan Pembelajaran Mendalam:

Algoritma tradisional berprestasi baik pada kecacatan dengan ciri yang jelas dan tetap, tetapi ia sukar untuk ditentukan untuk kecacatan yang tidak jelas dan berubah-ubah (seperti kesan pelbagai bentuk dan calar kecil). Pembelajaran mendalam, terutamanya teknik visual berdasarkan Rangkaian Neural Konvolusi (CNN), telah menjadi arus perdana dan hala tuju masa hadapan.

◦ Prinsip Kerja: Model CNN dilatih menggunakan sejumlah besar sampel imej penutup botol "OK" dan "NG" (mengandungi pelbagai kecacatan). Rangkaian secara automatik belajar untuk mengekstrak ciri abstrak berbilang lapisan daripada piksel, dari rendah ke tinggi (tepi -> tekstur -> corak -> objek), akhirnya belajar membezakan antara normal dan tidak normal.

Model Biasa:

▪ Rangkaian Pengelasan: Kelaskan keseluruhan penutup botol atau rantau sebagai "boleh diterima" atau "tidak boleh diterima" (dan jenis kecacatan).

▪ Rangkaian Pengesanan Objek: Seperti YOLO dan R-CNN Lebih Pantas, yang boleh mengesan secara langsung kedudukan kecacatan dalam imej dan menggariskannya, sambil turut menyediakan kategori.

▪ Rangkaian Segmentasi Semantik: Seperti U-Net, yang boleh mengklasifikasikan setiap piksel dalam imej, menggambarkan garis besar kecacatan dengan tepat, dan amat sesuai untuk menganalisis bentuk dan kawasan kecacatan.

Kelebihan: Keupayaan anti-gangguan yang kuat, kebolehsuaian kepada latar belakang yang kompleks, keupayaan untuk mengesan jenis kecacatan yang tidak diketahui (dengan mempelajari daripada sampel biasa, sebarang corak yang menyimpang daripada "biasa" dinilai sebagai tidak normal, iaitu, "pengesanan anomali") dan mengurangkan kerumitan penyahpepijatan algoritma.

5. Penghakiman dan Pengurusan Data:

Berdasarkan kesimpulan daripada setiap stesen pemeriksaan, penghakiman "lulus/gagal" terakhir dibuat, dan isyarat dikeluarkan untuk mengawal pengisihan.

Merekod dan menyimpan semua data pemeriksaan (imej, keputusan, masa), menjana laporan statistik (hasil lulus pertama, pengedaran jenis kecacatan, dll.), dan mencapai kebolehkesanan kualiti dan pemantauan proses pengeluaran.

III. Pertimbangan Pelaksanaan Sistem dan Integrasi

1. Integrasi Barisan Pengeluaran: Penyepaduan lancar dengan masa kitaran barisan pengeluaran sedia ada dan logik kawalan diperlukan. Stesen pemeriksaan biasanya terletak selepas mesin pengacuan suntikan (pemeriksaan dalam talian) atau sebelum pembungkusan (pemeriksaan pensampelan luar talian).

2. Penetapan Standard Pemeriksaan: Tentukan piawaian pemeriksaan yang jelas dan boleh diukur dengan kerjasama jurutera berkualiti. Sebagai contoh, apakah yang boleh diterima untuk panjang calar (dalam milimeter), kawasan noda (dalam milimeter persegi), dan perbezaan warna Delta E (di bawah nilai tertentu)? Piawaian ini akan diterjemahkan ke dalam ambang penghakiman algoritma atau label data latihan.

3. Antara Muka Manusia-Mesin: Reka bentuk antara muka operasi yang ringkas dan jelas untuk penetapan parameter yang mudah, pensuisan standard, pemantauan masa nyata dan pertanyaan keputusan.

4. Pengesahan dan Penentukuran Sistem: Tentukur dan sahkan sistem secara kerap menggunakan bahagian standard atau sampel kecacatan untuk memastikan kestabilan pengesanan.

IV. Faedah Permohonan dan Trend Masa Depan

Faedah Permohonan:

• Peningkatan Kualiti: Mencapai 100% pemeriksaan penuh, dengan ketara mengurangkan aduan pelanggan dan risiko kualiti.

• Penjimatan Kos: Kurangkan kos buruh, kos kerja semula dan sisa bahan.

• Peningkatan Kecekapan: Menyesuaikan diri dengan barisan pengeluaran berkelajuan tinggi, membolehkan operasi berterusan tanpa keletihan.

• Didorong Data: Data besar berkualiti terkumpul boleh digunakan untuk pengoptimuman proses, penyelenggaraan ramalan dan pengurusan rantaian bekalan.

Aliran Masa Depan:

1. Aplikasi Teknologi Penglihatan 3D: Menggunakan triangulasi laser atau teknologi cahaya berstruktur untuk memperoleh data awan titik 3D permukaan penutup botol membolehkan pengukuran kecacatan 3D yang sangat tepat seperti ketinggian, kerataan dan lengkungan, memberikan tambahan yang berkuasa kepada penglihatan 2D.

2. Cip AI Penyepaduan Lebih Tinggi dan Pengkomputeran Tepi: Menggunakan algoritma AI dalam kamera pintar atau komputer kawalan industri dengan NPU mencapai masa tindak balas yang lebih pantas dan kependaman sistem yang lebih rendah.

3. AI berasaskan awan dan Pembelajaran Berterusan: Muat naik data barisan pengeluaran ke awan, gunakan keupayaan pengkomputeran yang lebih berkuasa untuk melatih dan mengoptimumkan model umum, dan menggunakan ciri kecacatan yang baru dipelajari dengan pantas ke semua barisan pengeluaran, mencapai "belajar sekali, tingkatkan seluruh rangkaian."

4. Gabungan Maklumat Cross-modal: Menggabungkan maklumat daripada berbilang penderia, termasuk penglihatan, akustik (mengesan rekahan struktur dalaman), dan juga penciuman (mengesan pencemaran bau), untuk penilaian kualiti yang menyeluruh.

Kesimpulan

Pemeriksaan visual kecacatan permukaan dalam penutup botol plastik ialah teknologi kejuruteraan komprehensif yang menyepadukan optik, mekanik, elektronik, perisian dan kecerdasan buatan. Daripada pemilihan perkakasan yang tepat dan reka bentuk laluan optik kepada pemprosesan imej yang mantap dan algoritma pintar, setiap langkah adalah penting. Dengan pematangan berterusan teknologi pembelajaran mendalam dan pendalaman Industri 4.0, sistem pemeriksaan visual berkembang daripada alat automatik yang "menggantikan mata manusia" kepada pusat membuat keputusan berkualiti pintar yang "melebihi otak manusia," memberikan jaminan teknikal yang kukuh dan boleh dipercayai untuk pembangunan industri pembuatan yang berkualiti tinggi.