Kiểm tra trực quan mã hóa chai nước giải khát: Cách máy móc "Đôi mắt sáng suốt" bảo vệ chất lượng sản phẩm và an toàn cho người tiêu dùng

Trên một dây chuyền sản xuất 300 chai mỗi phút, một lỗi mã hóa nhỏ cũng có thể dẫn đến một cuộc khủng hoảng thương hiệu lớn. Các hệ thống kiểm tra dựa trên học sâu và thị giác máy đang trở thành những anh hùng thầm lặng của điểm kiểm tra chất lượng này.

Trên dây chuyền sản xuất đồ uống tốc độ cao, các chai di chuyển theo một dòng liên tục. Ngay trước khi đóng gói và vận chuyển, một "con mắt" đặc biệt sẽ kiểm tra kỹ lưỡng thông tin mã hóa trên mỗi chai: ngày sản xuất, số lô, ngày hết hạn… "Con mắt" này thuộc hệ thống kiểm tra thị giác máy.

Trong những tình huống mà việc kiểm tra thủ công dễ gây mệt mỏi và bỏ sót, thì phương pháp này sẽ bảo vệ tuyến phòng thủ cuối cùng cho chất lượng sản phẩm một cách không mệt mỏi và chính xác.

1. Tầm quan trọng và thách thức của việc kiểm tra mã hóa. Mã hóa trên bao bì đồ uống là cầu nối thông tin thiết yếu giữa nhà sản xuất và người tiêu dùng. Những nhãn mác này, chứa đựng thông tin như ngày sản xuất, hạn sử dụng và số lô, không chỉ là kênh chính để người tiêu dùng tiếp cận thông tin sản phẩm mà còn là nền tảng để các công ty xây dựng hệ thống truy xuất nguồn gốc chất lượng.

Bất kỳ vấn đề nào về chất lượng in phun cũng có thể dẫn đến hậu quả nghiêm trọng: ngày tháng không rõ ràng có thể khiến người tiêu dùng vô tình uống phải sản phẩm hết hạn; số lô không chính xác có thể gây nhầm lẫn trong quá trình thu hồi sản phẩm; mã in phun bị thiếu thậm chí có thể khiến toàn bộ lô sản phẩm không được bán ra.

Trong môi trường sản xuất thực tế, chất lượng in phun bị ảnh hưởng bởi nhiều yếu tố. Ví dụ, cấu trúc lõm ở đáy lon dễ tích tụ nước, và nếu thiết bị thổi nước không được điều chỉnh đúng cách, điều này có thể dẫn đến mã in phun bị mờ hoặc thiếu. Mực bị tắc ở đầu phun máy in phun có thể gây ra lỗi in hoặc mã hóa không đầy đủ. Cảm biến hoặc đầu in bị lệch có thể dẫn đến việc đặt mã hóa không chính xác.

Các phương pháp kiểm tra thủ công truyền thống không phù hợp với những thách thức của dây chuyền sản xuất tốc độ cao. Với tốc độ sản xuất 300 chai/phút, thời gian dành cho nhân viên kiểm tra cho mỗi sản phẩm chỉ dưới 0,2 giây - vượt xa khả năng nhận dạng liên tục của mắt người. Do đó, hệ thống kiểm tra thị giác tự động đang dần trở thành thiết bị thiết yếu cho các nhà sản xuất đồ uống.

2. Tiến hóa Công nghệ: Từ Phương pháp Truyền thống đến Học sâu. Kiểm tra in phun ban đầu chủ yếu sử dụng công nghệ thị giác máy truyền thống. Các phương pháp này hoạt động tốt khi xử lý nền đơn giản và hình ảnh có độ tương phản cao, nhanh chóng phát hiện các lỗi in phun rõ ràng. Các phương pháp truyền thống thường dựa trên các mẫu và quy tắc được xác định trước, sử dụng tiền xử lý ảnh, trích xuất đặc điểm và nhận dạng mẫu để thực hiện phát hiện. Ví dụ, một số hệ thống sử dụng các thuật toán như xử lý hình thái, phát hiện cạnh và khớp mẫu để nhận dạng và xác minh các ký tự in phun.

Tuy nhiên, với sự đa dạng ngày càng tăng của thiết kế bao bì đồ uống và sự phức tạp của môi trường sản xuất, những hạn chế của các phương pháp truyền thống đang ngày càng lộ rõ. Nền phức tạp, bề mặt phản chiếu và điều kiện ánh sáng thay đổi ảnh hưởng đáng kể đến hiệu suất phát hiện của các thuật toán truyền thống.

Trong những năm gần đây, các phương pháp phát hiện dựa trên học sâu đã xuất hiện, chứng minh những lợi thế đáng kể. Các mô hình học sâu có thể tự động học các đặc điểm từ lượng dữ liệu lớn, thể hiện khả năng thích ứng tốt hơn với bối cảnh phức tạp và môi trường luôn thay đổi.

Một nhóm nghiên cứu tại Đại học Hồ Nam đã phát triển một mạng lưới phát hiện mục tiêu gọi là BBE, được tối ưu hóa cho các ký tự in phun trên nền phức tạp. Trong các thử nghiệm, nó đạt độ chính xác 0,9985 với thời gian phát hiện một hình ảnh chỉ 72 mili giây.

Trong một nghiên cứu khác, các nhà nghiên cứu đề xuất CodeNet kết hợp với thuật toán SSD, đạt độ chính xác dự đoán 0,994 với thời gian xử lý khoảng 36 mili giây mỗi khung hình. Các chỉ số hiệu suất này đã đáp ứng được nhu cầu của các dây chuyền sản xuất tốc độ cao hiện đại.

3. Các thành phần cốt lõi của hệ thống kiểm tra trực quan

Một hệ thống kiểm tra hình ảnh in phun hoàn chỉnh thường bao gồm hai phần: phần cứng và phần mềm. Phần cứng bao gồm hệ thống hình ảnh, hệ thống chiếu sáng và bộ xử lý, trong khi phần mềm chịu trách nhiệm phân tích hình ảnh và đưa ra quyết định.

Hệ thống hình ảnh là "con mắt" của quá trình kiểm tra trực quan. Để ghi lại hình ảnh in phun chuyển động tốc độ cao, camera công nghiệp cần độ phân giải và tốc độ khung hình cao. Các camera thông minh như Cognex In-Sight Micro 1400 có kích thước nhỏ gọn và có thể tích hợp vào các dây chuyền sản xuất có không gian hạn chế, đồng thời cung cấp khả năng xử lý mạnh mẽ.

Hệ thống chiếu sáng đóng vai trò quan trọng đối với chất lượng hình ảnh. Ánh sáng phù hợp có thể làm nổi bật vùng in phun và giảm nhiễu do phản xạ và bóng đổ. Đối với các vật chứa kim loại như lon nhôm, nguồn sáng tích hợp hình cầu thường được sử dụng, vì thành trong hình bán cầu của chúng, với hiệu ứng tích hợp, có thể phản xạ ánh sáng đồng đều, tạo ra hình ảnh đồng nhất.

Về mặt thuật toán phần mềm, các hệ thống kiểm tra hiện đại thường sử dụng quy trình xử lý nhiều bước. Đầu tiên, khu vực in phun được định vị bằng mô hình phát hiện mục tiêu; sau đó, quá trình tiền xử lý hình ảnh được thực hiện; và cuối cùng, công nghệ OCR được sử dụng để nhận dạng nội dung ký tự.

Các phương pháp học sâu thường định nghĩa phát hiện in phun là một nhiệm vụ phát hiện mục tiêu, hoàn thành cả định vị và nhận dạng trong một bước. Ví dụ, một mô hình dựa trên YOLOv5s có ​​thể xác định sự hiện diện của khuyết tật trong khi phát hiện khu vực in phun.

Tích hợp hệ thống cũng là một yếu tố quan trọng cần cân nhắc. Một hệ thống phát hiện lỗi xuất sắc phải có khả năng tích hợp liền mạch với các hệ thống điều khiển công nghiệp như PLC, cho phép tự động loại bỏ sản phẩm lỗi, đồng thời ghi lại dữ liệu thống kê và tạo báo cáo để hỗ trợ dữ liệu cho quản lý sản xuất.

4. Các loại lỗi chính của máy in phun và các chiến lược thuật toán phát hiện tương ứng

Lỗi in phun rất đa dạng, đòi hỏi hệ thống phát hiện phải có khả năng phán đoán đa chiều. Các loại lỗi chính bao gồm lỗi in bị mất, lỗi in một phần, lỗi in không đầy đủ, lỗi in mờ, lỗi định vị sai và lỗi nội dung.

Để phát hiện lỗi in bị bỏ sót, trước tiên hệ thống cần xác định xem có lỗi in phun trên bề mặt sản phẩm hay không. Điều này thường được thực hiện bằng cách huấn luyện một mô hình phát hiện mục tiêu; các thuật toán như YOLOv5 có thể định vị nhanh chóng và chính xác khu vực in phun. Nếu không xác định được khu vực ký tự nào, hệ thống sẽ phân loại đó là lỗi "in bị bỏ sót".

Đối với trường hợp in thiếu một phần, hệ thống cần xác minh xem số ký tự thực tế có khớp với kỳ vọng hay không. Công nghệ nhận dạng ký tự quang học đóng vai trò quan trọng trong bước này. Các công cụ như Tesseract-OCR có thể nhận dạng và đếm số ký tự trong hình ảnh; khi số ký tự không khớp, nó được coi là in thiếu một phần.

Đánh giá chất lượng minh họa là một nhiệm vụ phức tạp hơn. Hệ thống cần kiểm tra độ rõ nét và tính toàn vẹn của từng ký tự. Các phương pháp so khớp mẫu dựa trên hình dạng có thể tính toán mức độ so khớp giữa ký tự mục tiêu và ký tự mẫu, thường sử dụng ngưỡng 0,85 để xác định mức độ chấp nhận.

Đối với lỗi nội dung, hệ thống cần so sánh nội dung ký tự đã xác định với thông tin mong đợi. Điều này đòi hỏi hệ thống phải truy cập thông tin chính xác trong cơ sở dữ liệu và thực hiện so sánh theo thời gian thực.

Ưu điểm của phương pháp học sâu nằm ở khả năng xử lý đồng thời việc phát hiện nhiều loại lỗi. Thông qua quá trình đào tạo đầu cuối, mô hình có thể học được các đặc điểm lỗi khác nhau, đạt được khả năng phát hiện toàn diện và chính xác hơn.

5. Ứng dụng sáng tạo của học sâu trong phát hiện minh họa

Học sâu đã mang đến những thay đổi mang tính cách mạng cho công nghệ phát hiện ảnh phun mực, cho phép nó xử lý các tình huống phức tạp mà trước đây khó quản lý. Mạng phát hiện đối tượng BBE là một ví dụ điển hình về ứng dụng học sâu trong lĩnh vực này; mạng này bao gồm mạng trích xuất đặc trưng, ​​mạng hợp nhất đặc trưng, ​​và mạng phân loại và hồi quy.

Mạng trích xuất tính năng được xây dựng dựa trên các mô-đun cốt lõi của EfficiencyNet, kết hợp thiết kế gọn nhẹ với khả năng trích xuất tính năng mạnh mẽ. Thiết kế này cho phép mô hình xác định chính xác các ký tự in phun trong nền phức tạp trong khi vẫn duy trì tốc độ xử lý cao.

Tăng cường dữ liệu là một chiến lược quan trọng để cải thiện hiệu suất của các mô hình học sâu. Để giải quyết các vấn đề về bộ dữ liệu ảnh phun mực hạn chế và mẫu dương tính và âm tính không cân bằng, các nhà nghiên cứu đã sử dụng các phép toán hình thái và các thuật toán khác để tạo ra một số lượng lớn mẫu khuyết tật, đồng thời kết hợp nhiều phương pháp tăng cường dữ liệu khác nhau để tăng cường tính đa dạng của dữ liệu.

Học chuyển giao cũng là một phương pháp hiệu quả để cải thiện hiệu suất mô hình. Bằng cách huấn luyện trước mô hình trên một tập dữ liệu quy mô lớn và sau đó tinh chỉnh nó cho tác vụ phát hiện máy in phun, tốc độ hội tụ và khả năng khái quát hóa của mô hình có thể được cải thiện đáng kể.

Phương pháp do nhóm nghiên cứu tại Đại học Hohai phát triển kết hợp ưu điểm của các kỹ thuật thị giác truyền thống và học sâu. Họ sử dụng YOLOv5 để định vị vùng in phun, sau đó sử dụng các phương pháp OCR và so khớp mẫu truyền thống để đánh giá chất lượng chi tiết. Phương pháp kết hợp này đã cho thấy kết quả tốt trong thực tế.

Một hướng đổi mới khác là thiết kế mạng gọn nhẹ. Mạng CodeNet của Đại học Hồ Nam, được tối ưu hóa cho các tác vụ kiểm tra in phun, đạt thời gian xử lý một khung hình là 36 mili giây trên CPU Intel i5 trong khi vẫn duy trì độ chính xác dự đoán là 0,994, cân bằng hiệu quả các yêu cầu về tốc độ và độ chính xác.

6. Các trường hợp ứng dụng công nghiệp thực tế và đánh giá hiệu quả: Hệ thống kiểm tra thị giác đã được áp dụng thành công trên dây chuyền sản xuất của một số công ty đồ uống, mang lại những lợi ích đáng kể. Lấy ví dụ về một công ty thực phẩm và đồ uống lớn, công ty này sản xuất 300 chai nước giải khát mỗi phút. Trước đây, công ty này sử dụng phương pháp kiểm tra lấy mẫu thủ công, gặp phải những thách thức như tỷ lệ bỏ sót kiểm tra cao và khó khăn trong việc truy xuất nguồn gốc.

Sau khi áp dụng giải pháp vòng kín "máy in phun laser + hệ thống kiểm tra thị giác", công ty đã đạt được 100% kiểm tra trực tuyến toàn diện, loại bỏ hoàn toàn các khiếu nại của khách hàng do vấn đề đánh dấu. Hệ thống có thể phát hiện chất lượng in phun của từng sản phẩm theo thời gian thực và nhanh chóng loại bỏ các sản phẩm không đạt yêu cầu.

Về mặt hiệu quả, kiểm tra tự động giải phóng toàn bộ công suất của dây chuyền sản xuất, tránh thời gian ngừng hoạt động do sự cố in phun. Đồng thời, các báo cáo kiểm soát quy trình thống kê do hệ thống tạo ra giúp công ty thực hiện bảo trì dự đoán, chuyển từ "sửa chữa nâng cấp" sang "bảo trì trước khi lắp đặt".

Lợi ích kinh tế cũng đáng kể không kém. Máy khắc laser loại bỏ nhu cầu sử dụng vật tư tiêu hao như mực in, giúp giảm chi phí vận hành lâu dài. Kiểm tra tự động giúp giảm sự phụ thuộc vào nhân viên kiểm soát chất lượng và tránh lãng phí vật liệu đóng gói sau này.

Một hệ thống kiểm tra đánh dấu đáy lon nhôm đạt tốc độ xử lý 72.000 lon mỗi giờ với độ chính xác 99,99%. Sử dụng camera thông minh Cognex và phần mềm In-Sight Vision, hệ thống có thể thích ứng với những thay đổi về nội dung và vị trí đánh dấu, phát hiện đáng tin cậy nhiều lỗi đánh dấu khác nhau.

Những câu chuyện thành công này chứng minh rằng hệ thống kiểm tra thị giác không chỉ cải thiện chất lượng sản phẩm mà còn mang lại lợi nhuận kinh tế đáng kể, giúp doanh nghiệp đạt được quá trình chuyển đổi và nâng cấp sản xuất thông minh.

7. Xu hướng phát triển trong tương lai và những thách thức

Mặc dù công nghệ kiểm tra thị giác đã có những tiến bộ đáng kể, nhưng vẫn còn nhiều thách thức và cơ hội phát triển. Hiệu ứng hình ảnh trên bao bì đặc biệt như bề mặt kim loại và vật liệu phản quang vẫn cần được cải thiện, đòi hỏi phải tối ưu hóa nguồn sáng và sơ đồ hình ảnh.

Học tập với ít mẫu là một hướng quan trọng khác. Trong sản xuất thực tế, số lượng mẫu lỗi bị hạn chế; việc huấn luyện các mô hình hiệu suất cao với quy mô mẫu nhỏ là một thách thức đáng kể đối với các ứng dụng công nghiệp.

Xu hướng phát triển trong tương lai bao gồm tích hợp hệ thống chặt chẽ hơn. Ví dụ, máy khắc laser và hệ thống kiểm tra thị giác tạo thành một vòng khép kín thông minh, điều chỉnh các thông số khắc theo thời gian thực để đạt được bước nhảy vọt từ "phát hiện" sang "phòng ngừa".

Triển khai nhúng là một xu hướng quan trọng khác. Việc triển khai thuật toán cho các thiết bị biên như camera thông minh giúp giảm sự phụ thuộc vào bộ xử lý trung tâm, cải thiện tốc độ phản hồi và độ tin cậy của hệ thống.

Hơn nữa, công nghệ hợp nhất đa phương thức có triển vọng ứng dụng rộng rãi. Việc kết hợp công nghệ thị giác 2D và 3D cho phép đánh giá toàn diện hơn về chất lượng đánh dấu. Việc áp dụng các thuật toán phát hiện dị thường học sâu có khả năng phát hiện ra những khiếm khuyết tinh vi mà mắt thường khó phát hiện.

Khi công nghệ tiếp tục phát triển, hệ thống kiểm tra bằng thị giác sẽ trở nên thông minh và hiệu quả hơn, hỗ trợ mạnh mẽ hơn cho việc kiểm soát chất lượng trong ngành đồ uống.

Trên dây chuyền sản xuất đồ uống, một bộ phận được trang bị hệ thống kiểm tra thị giác đang hoạt động trơn tru. Mỗi chai đồ uống dừng lại một chút trước khi đi qua camera kiểm tra, nơi hình ảnh độ nét cao được ghi lại. Hệ thống hoàn tất việc phân tích và đánh giá chỉ trong vài mili giây; các sản phẩm đạt yêu cầu tiếp tục được chuyển tiếp, trong khi các sản phẩm lỗi sẽ tự động bị loại bỏ.

Dây chuyền sản xuất này có thể xử lý hơn 50.000 chai nước giải khát mỗi giờ với độ chính xác kiểm tra là 99,99%, vượt xa giới hạn của việc kiểm tra thủ công.

Với sự phổ biến của công nghệ sản xuất thông minh, hệ thống kiểm soát chất lượng vòng kín "nhận dạng-kiểm tra-phản hồi-thực hiện" này đang mở rộng từ ngành công nghiệp đồ uống sang nhiều lĩnh vực như thực phẩm, dược phẩm và điện tử.