Teknologi Pemeriksaan Visual Boleh: Daripada Pemprosesan Imej Tradisional kepada Pembelajaran Mendalam – Merevolusikan Kawalan Kualiti Perindustrian

Dengan beribu-ribu tin mengalir melalui barisan pengeluaran setiap minit, bagaimanakah kita memastikan setiap tin itu sempurna? Teknologi pemeriksaan visual secara senyap-senyap meningkatkan jaminan kualiti minuman yang kami ambil.

Dalam industri makanan dan minuman moden, tin ialah bekas pembungkusan biasa, dan kualitinya secara langsung mempengaruhi pengedap dan keselamatan produk. Pemeriksaan kualiti manual tradisional adalah tidak cekap dan terdedah kepada kecacatan yang terlepas, yang membawa kepada kemunculan teknologi pemeriksaan penglihatan mesin.

Sistem awal terutamanya berdasarkan algoritma pemprosesan imej tradisional, menganalisis imej kawasan utama seperti pembukaan tin, bahagian bawah dan dinding dalam untuk mengenal pasti kecacatan. Dengan kemajuan teknologi, terutamanya pembangunan pembelajaran mendalam, ketepatan dan kecekapan pemeriksaan visual tin telah meningkat dengan ketara.

1. Kecacatan Tin Biasa dan Cabaran Pengesanan

Tin boleh mempunyai pelbagai kecacatan semasa proses pengeluaran, terutamanya termasuk takuk, ubah bentuk, dan tepi tidak rata pada pembukaan tin; kesan minyak dan pencukur logam di bahagian bawah dan dinding dalam; dan calar, penyok, ubah bentuk, ralat pencetakan, dan ketebalan bahan yang tidak sekata pada badan tin.

Kecacatan ini bukan sahaja menjejaskan estetika tetapi juga boleh menyebabkan penurunan prestasi pengedap, mengancam kualiti produk dan keselamatan pengguna.

Sistem pengesanan menghadapi pelbagai cabaran: sifat reflektif permukaan tin boleh menutupi kecacatan sebenar. Barisan pengeluaran berkelajuan tinggi memerlukan sistem pengesanan mempunyai keupayaan pemprosesan masa nyata (seperti beroperasi pada kelajuan 10 tin/saat) sambil mengekalkan ketepatan yang tinggi (kadar ketepatan 99.89%). Selain itu, pengimejan permukaan melengkung badan tin silinder dan pengenalpastian kecacatan halus terhadap latar belakang yang kompleks juga merupakan cabaran teknikal yang perlu ditangani.

2. Komponen Perkakasan dan Pengoptimuman Pengimejan Sistem Pengesanan

Konfigurasi perkakasan sistem pemeriksaan visual tin adalah asas yang penting. Sistem pencahayaan yang munasabah boleh menyekat pantulan dan menyerlahkan ciri kecacatan dengan berkesan. Sistem sumber cahaya LED komposit yang dibangunkan oleh Kangshida menggabungkan cahaya tanpa bayang tiga cincin, cahaya tanpa bayang berbentuk kubah, lampu cincin sudut rendah dan cahaya sepaksi untuk memenuhi keperluan pengesanan bahagian yang berbeza. Untuk pemerolehan imej, strategi yang berbeza diperlukan untuk kawasan pemeriksaan yang berbeza:

• Pemeriksaan bahagian bawah selalunya menggunakan kamera imbasan kawasan resolusi tinggi dengan lampu cincin.

• Pemeriksaan badan boleh menggunakan kamera imbasan garisan atau tiga set modul pemerolehan gabungan 2D-3D yang dicetuskan serentak, dipasang pada selang 120 darjah untuk mencapai pengimbasan liputan penuh.

Untuk pengesanan corak bercetak pada bahagian luar tin, motor servo berketepatan tinggi boleh digunakan untuk memutar tin pada kelajuan malar, digabungkan dengan kamera imbasan garis pemisah rasuk prisma untuk mendapatkan imej permukaan melengkung berkualiti tinggi. Pemilihan perkakasan dan pengoptimuman pengimejan yang sesuai menyediakan asas data berkualiti tinggi untuk pemprosesan algoritma seterusnya.

3. Aplikasi Teknik Pemprosesan Imej Tradisional dalam Pengesanan

Sebelum penerapan pembelajaran mendalam secara meluas, algoritma pemprosesan imej tradisional memainkan peranan penting dalam pemeriksaan tin minuman. Kaedah ini biasanya direka dan dioptimumkan untuk jenis kecacatan tertentu.

Untuk kawasan pembukaan tin, selepas mengasingkan kawasan pembukaan tin menggunakan kaedah varians antara kelas maksimum OTSU, kontur boleh dianalisis untuk ciri, dan kemudian algoritma elips kuasa dua terkecil boleh digunakan untuk menyesuaikan lengkung elips sasaran. Dengan mendiskrisikan dan mensampel elips dan mengira peta analisis kesipian dan sisihan, pelbagai kecacatan dalam pembukaan tin boleh diproses dengan berkesan.

Pengesanan kecacatan di kawasan bawah tin kebanyakannya menggunakan kaedah kecerunan Hough untuk membahagikan kawasan pengesanan kepada berbilang kawasan bulatan sepusat. Berdasarkan kaedah analisis piksel komponen bersambung bagi imej terdua, kecacatan titik, kecacatan garisan dan kecacatan permukaan dikesan secara berasingan.

Untuk kecacatan dinding dalam, memandangkan kawasan tengah dan bawah dimampatkan semasa penangkapan menegak, algoritma pengesanan perlu terlebih dahulu menyelesaikan masalah mampatan imej melalui transformasi koordinat kutub, dan kemudian mengesan kecacatan melalui analisis komponen yang disambungkan.

Dari segi pengecaman aksara, kaedah ambang entropi Arimoto dua dimensi boleh menangani masalah pembahagian aksara kontras rendah dengan berkesan, dan kerumitan pengiraannya adalah rendah, memenuhi keperluan masa nyata.

4. Kemajuan Terobosan Pembelajaran Mendalam dalam Pengesanan Kecacatan

Dalam tahun-tahun kebelakangan ini, teknologi pembelajaran mendalam telah banyak meningkatkan ketepatan dan keupayaan generalisasi minuman boleh menyebabkan kecacatan pengesanan. Sistem pengesanan berdasarkan FCOS (Fully Convolutional One-Stage) dan HRNet (Rangkaian Resolusi Tinggi) telah menunjukkan kelebihan yang ketara.

FCOS, sebagai algoritma pengesanan objek tanpa sauh, memudahkan proses pengesanan, mengelakkan kerumitan reka bentuk kotak sauh dan berprestasi cemerlang dalam pengesanan objek kecil. HRNet boleh mengekalkan perwakilan resolusi tinggi, mewakili ciri pada resolusi berbeza melalui struktur berbilang cawangan selari, yang amat sesuai untuk tugas pengesanan kecacatan industri. Penambahbaikan kepada HRNet asal termasuk memperkenalkan mekanisme perhatian untuk meningkatkan sensitiviti kepada kawasan yang rosak, mengoptimumkan strategi gabungan ciri dan mereka bentuk modul ringan untuk mengurangkan kerumitan pengiraan. Eksperimen menunjukkan bahawa kaedah pembelajaran mendalam ini mencapai mAP (min purata ketepatan) 0.889 dalam tugas pengesanan kecacatan tin, mengatasi banyak kaedah tradisional.

Untuk kecacatan badan tin, model HPFST-YOLOv5, dengan memperkenalkan mekanisme perhatian hibrid dan panduan penapis laluan tinggi, mencapai ketepatan pengecaman sebanyak 93.9% untuk kecacatan seperti penyok, calar dan ubah bentuk sambil mengekalkan kelajuan pemprosesan 28 bingkai sesaat.

Untuk aksara bertanda laser kontras rendah, rangkaian segmentasi semantik Res18-UNet, digabungkan dengan mekanisme berbilang perhatian, secara berkesan meningkatkan keupayaan model untuk memfokus pada kawasan watak.

5. Pertimbangan Pelaksanaan Sistem dan Penerapan Perindustrian

Mengubah model algoritma kepada sistem pengesanan praktikal memerlukan pertimbangan menyeluruh terhadap reka bentuk seni bina perkakasan dan perisian. Seni bina yang diedarkan boleh menggunakan dua stesen kerja pengesanan bebas, sepadan dengan pengesanan kecacatan aksara bawah tin dan pengecaman kecacatan penampilan badan, masing-masing.

Seni bina perisian harus menggunakan teknologi pemprosesan selari berbilang benang, mereka bentuk benang kawalan utama, benang pemerolehan imej, benang pemprosesan algoritma dan benang output hasil. Teknologi pemetaan memori digunakan untuk mencapai pertukaran pantas data imej berkapasiti besar, dan teknologi pecutan GPU digunakan untuk mengoptimumkan penggunaan algoritma pembelajaran mendalam.

Prestasi masa nyata ialah penunjuk teras sistem pemeriksaan industri. Mekanisme gangguan pemasa mengekang kitaran pengesanan satu tin dengan ketat untuk memastikan sistem dapat bersaing dengan kelajuan barisan pengeluaran. Di samping itu, sistem harus menyepadukan fungsi pengajaran parameter, membenarkan pengendali melaraskan parameter pengesanan mengikut spesifikasi produk, dan mewujudkan modul pangkalan data untuk menyimpan keputusan pengesanan dan maklumat produk, menyediakan sokongan data untuk kebolehkesanan kualiti.

Dalam persekitaran pengeluaran sebenar, sistem juga perlu mempunyai keupayaan anti-gangguan untuk menghadapi perubahan pencahayaan dan gangguan latar belakang dalam persekitaran kilang. Lebihan perkakasan dan mekanisme toleransi kerosakan perisian memastikan operasi sistem yang stabil, manakala seni bina perisian modular memudahkan penyelenggaraan dan peningkatan sistem.

6. Trend dan Cabaran Pembangunan Masa Depan

Bolehkah teknologi pemeriksaan visual masih menghadapi banyak cabaran dan peluang pembangunan. Refleksi kekal sebagai faktor penting yang mempengaruhi ketepatan pengesanan; algoritma peningkatan imej baru seperti transformasi gamma adaptif berdasarkan imej skala kelabu berbilang bingkai mungkin memberikan penyelesaian.

Penerokaan lanjut struktur rangkaian ringan untuk meningkatkan kelajuan inferens dan mengurangkan keperluan perkakasan akan membolehkan penggunaan teknologi yang lebih luas dalam perusahaan kecil dan sederhana. Penyepaduan mendalam sistem pengesanan dengan sistem kawalan barisan pengeluaran untuk mencapai penolakan automatik produk yang rosak juga merupakan arah pembangunan yang penting.

Sistem pemeriksaan visual minuman masa hadapan boleh berkembang ke arah penyepaduan pelbagai fungsi, menambahkan penilaian keterukan kecacatan dan fungsi ramalan kualiti selain daripada mengesan kecacatan biasa. Pada masa yang sama, teknologi ini juga boleh diperluaskan kepada pengesanan kecacatan jenis produk industri lain, seperti tin logam dan botol plastik, menyumbang kepada pembangunan pembuatan pintar dan Industri 4.0.

Dengan pecutan kecerdasan industri, teknologi pemeriksaan visual tin minuman telah beralih dari makmal kepada aplikasi praktikal. Pasukan penyelidikan domestik telah mencapai kemajuan yang ketara dalam bidang ini; contohnya, sistem yang dibangunkan oleh Universiti Teknologi Guangdong telah mencapai kadar ketepatan 99.89% dan kelajuan pengesanan sehingga 10 tin sesaat.

Pada masa hadapan, dengan pengoptimuman berterusan algoritma pembelajaran mendalam dan penambahbaikan dalam prestasi perkakasan, teknologi pemeriksaan visual akan memainkan peranan penting dalam rangkaian senario pemeriksaan kualiti industri yang lebih luas. Ia bukan sahaja akan meningkatkan kualiti produk tetapi juga mengurangkan kos pengeluaran untuk perusahaan, akhirnya membolehkan pengguna menikmati produk minuman yang lebih selamat dan boleh dipercayai.