Công nghệ kiểm tra trực quan: Từ xử lý ảnh truyền thống đến học sâu – Cách mạng hóa kiểm soát chất lượng công nghiệp

Với hàng nghìn lon được sản xuất mỗi phút, làm thế nào để đảm bảo từng lon đều hoàn hảo? Công nghệ kiểm tra bằng hình ảnh đang âm thầm cải thiện chất lượng đồ uống mà chúng ta tiêu thụ.

Trong ngành công nghiệp thực phẩm và đồ uống hiện đại, lon là một loại bao bì phổ biến, và chất lượng của chúng ảnh hưởng trực tiếp đến việc niêm phong và an toàn sản phẩm. Phương pháp kiểm tra chất lượng thủ công truyền thống không hiệu quả và dễ bỏ sót lỗi, dẫn đến sự ra đời của công nghệ kiểm tra bằng thị giác máy tính.

Các hệ thống ban đầu chủ yếu dựa trên các thuật toán xử lý ảnh truyền thống, phân tích hình ảnh của các khu vực quan trọng như miệng lon, đáy và thành trong để xác định khuyết tật. Với những tiến bộ công nghệ, đặc biệt là sự phát triển của học sâu, độ chính xác và hiệu quả của việc kiểm tra trực quan lon đã được cải thiện đáng kể.

1. Các lỗi thường gặp ở lon và những thách thức trong việc phát hiện

Trong quá trình sản xuất, lon có thể gặp nhiều lỗi khác nhau, chủ yếu bao gồm các vết khía, biến dạng và mép không đều ở miệng lon; vết dầu mỡ và vụn kim loại ở đáy và thành trong; và các vết xước, vết lõm, biến dạng, lỗi in ấn và độ dày vật liệu không đồng đều trên thân lon.

Những khiếm khuyết này không chỉ ảnh hưởng đến tính thẩm mỹ mà còn có thể dẫn đến giảm hiệu quả làm kín, đe dọa chất lượng sản phẩm và sự an toàn của người tiêu dùng.

Hệ thống phát hiện gặp phải nhiều thách thức: tính chất phản xạ của bề mặt lon có thể che khuất các khuyết tật thực sự. Các dây chuyền sản xuất tốc độ cao yêu cầu hệ thống phát hiện phải có khả năng xử lý theo thời gian thực (ví dụ: hoạt động với tốc độ 10 lon/giây) trong khi vẫn duy trì độ chính xác cao (tỷ lệ chính xác 99,89%). Ngoài ra, việc chụp ảnh bề mặt cong của thân lon hình trụ và việc nhận diện các khuyết tật nhỏ trên nền phức tạp cũng là những thách thức kỹ thuật cần được giải quyết.

2. Các thành phần phần cứng và tối ưu hóa hình ảnh của hệ thống phát hiện

Cấu hình phần cứng của hệ thống kiểm tra trực quan lon là nền tảng quan trọng. Hệ thống chiếu sáng hợp lý có thể triệt tiêu hiệu quả hiện tượng phản xạ và làm nổi bật các đặc điểm khuyết tật. Hệ thống nguồn sáng LED tổng hợp do Kangshida phát triển kết hợp đèn không bóng ba vòng, đèn không bóng hình vòm, đèn vòng góc thấp và đèn đồng trục để đáp ứng nhu cầu phát hiện các bộ phận khác nhau. Đối với việc thu thập hình ảnh, cần có các chiến lược khác nhau cho các khu vực kiểm tra khác nhau:

• Việc kiểm tra đáy thường sử dụng camera quét vùng độ phân giải cao có đèn vòng.

• Việc kiểm tra thân xe có thể sử dụng camera quét theo đường thẳng hoặc ba bộ mô-đun thu thập dữ liệu kết hợp 2D-3D được kích hoạt đồng bộ, được lắp đặt cách nhau 120 độ để đạt được khả năng quét toàn diện.

Để phát hiện các hoa văn in trên bề mặt ngoài của lon, có thể sử dụng động cơ servo độ chính xác cao để xoay lon với tốc độ không đổi, kết hợp với camera quét đường thẳng tách chùm tia lăng kính để thu được hình ảnh bề mặt cong chất lượng cao. Việc lựa chọn phần cứng phù hợp và tối ưu hóa hình ảnh sẽ cung cấp nền tảng dữ liệu chất lượng cao cho quá trình xử lý thuật toán tiếp theo.

3. Ứng dụng các kỹ thuật xử lý ảnh truyền thống trong phát hiện

Trước khi học sâu được ứng dụng rộng rãi, các thuật toán xử lý ảnh truyền thống đóng vai trò quan trọng trong việc kiểm tra lon nước giải khát. Các phương pháp này thường được thiết kế và tối ưu hóa cho các loại khuyết tật cụ thể.

Đối với khu vực miệng lon, sau khi phân tách khu vực miệng lon bằng phương pháp độ lệch giữa các lớp tối đa OTSU, đường viền có thể được phân tích để tìm các đặc điểm, sau đó thuật toán hình elip bình phương nhỏ nhất có thể được sử dụng để khớp với đường cong elip mục tiêu. Bằng cách rời rạc hóa và lấy mẫu hình elip và tính toán bản đồ phân tích độ lệch tâm và độ sai lệch, các khuyết tật khác nhau trong miệng lon có thể được xử lý hiệu quả.

Việc phát hiện khuyết tật ở vùng đáy hộp chủ yếu sử dụng phương pháp gradient Hough để chia vùng phát hiện thành nhiều vùng tròn đồng tâm. Dựa trên phương pháp phân tích pixel thành phần được kết nối của hình ảnh nhị phân, các lỗi điểm, lỗi đường và lỗi bề mặt được phát hiện riêng biệt.

Đối với các khuyết tật ở thành trong, do vùng giữa và vùng dưới bị nén lại trong quá trình chụp ảnh theo chiều dọc, thuật toán phát hiện cần phải giải quyết vấn đề nén ảnh trước tiên thông qua phép biến đổi tọa độ cực, sau đó định vị các khuyết tật thông qua phân tích thành phần liên thông.

Về nhận dạng ký tự, phương pháp ngưỡng entropy Arimoto hai chiều có thể xử lý hiệu quả các bài toán phân đoạn ký tự có độ tương phản thấp, và độ phức tạp tính toán của nó thấp, đáp ứng được yêu cầu thời gian thực.

4. Những tiến bộ đột phá của học sâu trong phát hiện lỗi

Trong những năm gần đây, công nghệ deep learning đã cải thiện đáng kể độ chính xác và khả năng khái quát hóa của việc phát hiện khuyết tật của lon nước giải khát. Các hệ thống phát hiện dựa trên FCOS (Hoàn toàn kết hợp một giai đoạn) và HRNet (Mạng độ phân giải cao) đã chứng tỏ được những lợi thế đáng kể.

FCOS, với tư cách là thuật toán phát hiện đối tượng không cần neo, đơn giản hóa quá trình phát hiện, tránh được sự phức tạp của thiết kế hộp neo và hoạt động xuất sắc trong việc phát hiện các đối tượng nhỏ. HRNet có thể duy trì biểu diễn độ phân giải cao, biểu diễn các đặc trưng ở các độ phân giải khác nhau thông qua cấu trúc đa nhánh song song, đặc biệt phù hợp với các nhiệm vụ phát hiện khuyết tật trong công nghiệp. Những cải tiến so với HRNet ban đầu bao gồm việc giới thiệu cơ chế chú ý để tăng cường độ nhạy với các vùng bị lỗi, tối ưu hóa các chiến lược kết hợp đặc trưng và thiết kế các mô-đun nhẹ để giảm độ phức tạp tính toán. Các thí nghiệm cho thấy phương pháp học sâu này đạt được mAP (độ chính xác trung bình) là 0,889 trong nhiệm vụ phát hiện khuyết tật lon, vượt trội hơn nhiều phương pháp truyền thống.

Đối với các khuyết tật trên thân lon, mô hình HPFST-YOLOv5, bằng cách kết hợp cơ chế chú ý lai và bộ lọc thông cao, đạt được độ chính xác nhận dạng 93,9% đối với các khuyết tật như vết lõm, vết xước và biến dạng trong khi vẫn duy trì tốc độ xử lý 28 khung hình mỗi giây.

Đối với các ký tự được đánh dấu bằng laser có độ tương phản thấp, mạng phân đoạn ngữ nghĩa Res18-UNet, kết hợp với cơ chế đa chú ý, giúp tăng cường hiệu quả khả năng tập trung vào các vùng ký tự của mô hình.

5. Các yếu tố cần xem xét khi triển khai hệ thống và ứng dụng trong công nghiệp

Việc chuyển đổi mô hình thuật toán thành một hệ thống phát hiện thực tế đòi hỏi phải xem xét toàn diện thiết kế kiến ​​trúc phần cứng và phần mềm. Kiến trúc phân tán có thể triển khai hai trạm làm việc phát hiện độc lập, tương ứng với việc phát hiện lỗi ký tự đáy lon và nhận dạng lỗi hình dạng thân lon.

Kiến trúc phần mềm nên áp dụng công nghệ xử lý song song đa luồng, thiết kế gồm luồng điều khiển chính, luồng thu thập hình ảnh, luồng xử lý thuật toán và luồng xuất kết quả. Công nghệ ánh xạ bộ nhớ được sử dụng để đạt được khả năng trao đổi nhanh chóng dữ liệu hình ảnh dung lượng lớn, và công nghệ tăng tốc GPU được sử dụng để tối ưu hóa việc triển khai các thuật toán học sâu.

Hiệu suất thời gian thực là một chỉ số cốt lõi của các hệ thống kiểm tra công nghiệp. Cơ chế ngắt hẹn giờ giới hạn nghiêm ngặt chu kỳ phát hiện từng sản phẩm riêng lẻ để đảm bảo hệ thống có thể theo kịp tốc độ dây chuyền sản xuất. Ngoài ra, hệ thống cần tích hợp chức năng lập trình tham số, cho phép người vận hành điều chỉnh các tham số phát hiện theo thông số kỹ thuật sản phẩm, và thiết lập mô-đun cơ sở dữ liệu để lưu trữ kết quả phát hiện và thông tin sản phẩm, cung cấp dữ liệu hỗ trợ cho việc truy xuất nguồn gốc chất lượng.

Trong môi trường sản xuất thực tế, hệ thống cũng cần có khả năng chống nhiễu để đối phó với sự thay đổi ánh sáng và nhiễu nền trong môi trường nhà máy. Cơ chế dự phòng phần cứng và khả năng chịu lỗi phần mềm đảm bảo hoạt động ổn định của hệ thống, trong khi kiến ​​trúc phần mềm dạng mô-đun giúp đơn giản hóa việc bảo trì và nâng cấp hệ thống.

6. Xu hướng phát triển và thách thức trong tương lai

Công nghệ kiểm tra trực quan vẫn còn đối mặt với nhiều thách thức và cơ hội phát triển. Hiện tượng phản xạ vẫn là một yếu tố quan trọng ảnh hưởng đến độ chính xác phát hiện; các thuật toán nâng cao chất lượng hình ảnh mới như biến đổi gamma thích ứng dựa trên hình ảnh thang độ xám đa khung có thể cung cấp các giải pháp.

Việc nghiên cứu sâu hơn về cấu trúc mạng nhẹ nhằm cải thiện tốc độ suy luận và giảm yêu cầu phần cứng sẽ cho phép ứng dụng rộng rãi hơn công nghệ này trong các doanh nghiệp vừa và nhỏ. Việc tích hợp sâu hệ thống phát hiện với hệ thống điều khiển dây chuyền sản xuất để tự động loại bỏ sản phẩm lỗi cũng là một hướng phát triển quan trọng.

Các hệ thống kiểm tra hình ảnh lon nước giải khát trong tương lai có thể phát triển theo hướng tích hợp đa chức năng, bổ sung thêm chức năng đánh giá mức độ nghiêm trọng của khuyết tật và dự đoán chất lượng bên cạnh việc phát hiện các khuyết tật thông thường. Đồng thời, công nghệ này cũng có thể được mở rộng để phát hiện khuyết tật ở các loại sản phẩm công nghiệp khác, chẳng hạn như lon kim loại và chai nhựa, góp phần vào sự phát triển của sản xuất thông minh và Công nghiệp 4.0.

Với sự phát triển nhanh chóng của trí tuệ công nghiệp, công nghệ kiểm tra hình ảnh lon nước giải khát đã chuyển từ phòng thí nghiệm sang ứng dụng thực tiễn. Các nhóm nghiên cứu trong nước đã đạt được những tiến bộ đáng kể trong lĩnh vực này; ví dụ, hệ thống do Đại học Công nghệ Quảng Đông phát triển đã đạt tỷ lệ chính xác 99,89% và tốc độ phát hiện lên đến 10 lon mỗi giây.

Trong tương lai, với sự tối ưu hóa liên tục của các thuật toán học sâu và những cải tiến về hiệu năng phần cứng, công nghệ kiểm tra hình ảnh sẽ đóng vai trò quan trọng trong nhiều kịch bản kiểm tra chất lượng công nghiệp hơn. Điều này không chỉ giúp nâng cao chất lượng sản phẩm mà còn giảm chi phí sản xuất cho doanh nghiệp, cuối cùng cho phép người tiêu dùng thưởng thức các sản phẩm đồ uống an toàn và đáng tin cậy hơn.