Phân tích toàn diện công nghệ kiểm tra mã in phun cho nắp chai thủy tinh

I. Bối cảnh ngành và yêu cầu kiểm tra

Trong lĩnh vực hàng tiêu dùng nhanh (FMCG) – bao gồm đồ uống, rượu mạnh và gia vị – chai thủy tinh vẫn là lựa chọn hàng đầu cho bao bì sản phẩm cao cấp nhờ độ ổn định hóa học cao và khả năng tái chế. Là một bộ phận quan trọng để niêm phong, nắp chai mang những thông tin thiết yếu được in bằng mực phun, chẳng hạn như ngày sản xuất, số lô và mã truy xuất nguồn gốc. Với việc thực thi Luật An toàn Thực phẩm và nhận thức ngày càng tăng của người tiêu dùng về việc bảo vệ quyền lợi, việc kiểm tra chất lượng các mã in phun này đã trở thành một yêu cầu không thể thiếu để kiểm soát chất lượng trên dây chuyền sản xuất.

II. Nguyên lý của công nghệ kiểm tra mã vạch bằng máy in phun

2.1 Cấu tạo của hệ thống thị giác

Các hệ thống kiểm tra mã in phun hiện đại thường sử dụng camera CCD quét dòng hoặc quét vùng cấp công nghiệp, kết hợp với đèn vòng có độ đồng đều cao hoặc nguồn sáng đồng trục. Để xử lý các bề mặt phản chiếu độc đáo của nắp chai thủy tinh, các bộ lọc phân cực tùy chỉnh được sử dụng để loại bỏ nhiễu do phản xạ gương gây ra. Thiết bị kiểm tra thị giác Jinan Maotong sử dụng sơ đồ chiếu sáng phức hợp đa góc trong lĩnh vực này: nguồn sáng chính chiếu sáng bề mặt ở góc thấp 30° để làm nổi bật các kết cấu nổi hoặc lõm của mã in phun; điều này được bổ sung bằng ánh sáng khuếch tán từ trên xuống để loại bỏ bóng, trong khi ánh sáng cấu trúc từ bên hông hỗ trợ phát hiện vị trí chính xác của các cạnh nắp chai.

2.2 Quy trình xử lý ảnh

1. Giai đoạn thu nhận hình ảnh: Độ phân giải thu nhận của máy ảnh thường vượt quá 2 megapixel, thu toàn bộ khu vực nắp chai trong một lần chụp. Với tốc độ dây chuyền sản xuất 1.500 chai mỗi phút, thời gian phơi sáng phải được kiểm soát trong vòng 0,1 mili giây, sử dụng màn trập toàn cục để ngăn ngừa hiện tượng nhòe do chuyển động.

2. Thuật toán tiền xử lý: Để giảm thiểu các yếu tố gây nhiễu thường gặp liên quan đến nắp chai thủy tinh—như phản xạ và vết xước—phương pháp Cân bằng biểu đồ thích ứng (CLAHE) được áp dụng để tăng cường độ tương phản, kết hợp với lọc trung vị để loại bỏ nhiễu "muối tiêu". Nắp chai làm từ các vật liệu đặc biệt (ví dụ: thủy tinh mờ hoặc kim loại) yêu cầu áp dụng các mẫu tham số tiền xử lý riêng biệt.

3. Phân đoạn và Nhận dạng Ký tự: Phân tích thành phần liên kết được kết hợp với phân đoạn dựa trên phép chiếu để tách vùng mã in phun thành các đơn vị ký tự riêng lẻ. Công cụ OCR dựa trên học sâu có khả năng nhận dạng nhiều định dạng khác nhau—bao gồm văn bản in và mã ma trận điểm—và đạt tỷ lệ nhận dạng chịu lỗi trên 99,5% ngay cả đối với các ký tự bị hỏng hoặc không đầy đủ. Hệ thống cũng hỗ trợ đọc đồng thời nhiều loại mã, chẳng hạn như mã chữ số tiêu chuẩn, mã QR và mã DataMatrix. 4. Mô hình Phân loại Lỗi: Một bộ phân loại lỗi dựa trên học máy được thiết lập để phân loại các vấn đề mã hóa thành bốn nhóm chính:

• Lỗi về tính toàn vẹn: Thiếu ký tự, dòng/đoạn bị đứt đoạn, lượng mực in không đủ.

• Các khuyết điểm về độ rõ nét: Mờ, nhòe mực/nhòe, bóng mờ/hình ảnh kép

• Độ chính xác vị trí: Sai lệch bù > 0,3 mm, góc xoay > 2°

• Lỗi nội dung: Mã lô không khớp với bản ghi cơ sở dữ liệu, lỗi logic ngày tháng

III. Giải pháp tích hợp dây chuyền sản xuất

3.1 Kiến trúc triển khai phần cứng

Trên một dây chuyền đóng gói đồ uống điển hình, trạm kiểm tra thường được đặt ở phía sau máy đóng nắp và phía trước máy dán nhãn. Thiết bị dòng Jinan Maotong MT-VS3000 sử dụng cấu trúc lắp đặt kiểu khung giàn để đảm bảo khoảng cách làm việc tối ưu là 80 mm giữa camera và nắp chai. Các cảm biến quang điện được lắp đặt ở cả hai bên băng tải; khi một chai chạm vào cảm biến, bộ mã hóa quay đồng thời kích hoạt camera để chụp ảnh, đảm bảo độ lệch giữa tâm ảnh và tâm nắp chai luôn nhỏ hơn 0,1 mm.

3.2 Điều khiển đồng bộ chuyển động

Thách thức lớn nhất trong các dây chuyền sản xuất tốc độ cao là hiện tượng nhòe ảnh do rung động của chai. Giải pháp bao gồm:

• Sử dụng cơ chế theo dõi tiêu cự điều khiển bằng động cơ servo để tinh chỉnh chiều cao của camera trong thời gian thực dựa trên tín hiệu bộ mã hóa.

• Lắp đặt bệ giảm chấn bằng khí để cách ly bộ phận kiểm tra chính khỏi các rung động cơ học phát sinh từ dây chuyền sản xuất.

• Phát triển thuật toán dự đoán chuyển động, dự báo chính xác vị trí của chai thứ tư dựa trên quỹ đạo chuyển động của ba chai trước đó.

3.3 Cơ chế xử lý theo cấp bậc

Hệ thống kiểm tra giao tiếp theo thời gian thực với dây chuyền sản xuất PLC thông qua giao thức PROFINET hoặc EtherCAT, thực hiện phản hồi xử lý ba tầng dựa trên kết quả kiểm tra:

• Cấp độ 1 (Đạt): Tín hiệu đèn xanh cho phép xuất kho; dữ liệu được tải lên hệ thống MES.

• Cấp độ 2 (Nghi ngờ): Cảnh báo đèn vàng; kích hoạt quy trình xác minh thứ cấp tại trạm kiểm tra lại chuyên dụng.

• Bậc 3 (Không đạt): Báo đèn đỏ; một máy đẩy khí nén sẽ đẩy chai bị lỗi vào làn làm lại được chỉ định trong vòng 0,2 giây

IV. Những đột phá công nghệ quan trọng

4.1 Công nghệ chụp ảnh bề mặt phản xạ cao

Để giải quyết vấn đề các vật liệu có độ phản chiếu cao—như nắp nhôm mạ vàng và nắp mạ điện—Jinan Maotong đã phát triển công nghệ tạo ảnh kết hợp đa phổ. Công nghệ này sử dụng lăng kính tách chùm tia để tách ánh sáng chiếu vào thành các kênh RGB riêng biệt; hình ảnh được chụp cho mỗi kênh bằng các góc phân cực khác nhau, và sau đó được tái tạo thông qua các thuật toán kết hợp hình ảnh để tạo ra hình ảnh rõ nét, không bị chói và không bị nhiễu ánh sáng mạnh. Dữ liệu thực nghiệm cho thấy phương pháp này cải thiện độ chính xác nhận dạng đối với các vùng có độ phản chiếu cao từ 78% lên 99,2%.

4.2 Tối ưu hóa động thông qua học sâu

Bộ xử lý MT-AI tích hợp trong thiết bị có khả năng học trực tuyến: bất cứ khi nào phát hiện ra một mẫu khuyết tật mới, hệ thống sẽ tự động chụp hơn 100 hình ảnh mẫu. Sau đó, những hình ảnh này được xử lý bởi một đơn vị điện toán biên để huấn luyện và tạo ra một mô hình đặc trưng bổ sung, cho phép loại khuyết tật mới được tích hợp vào thư viện phát hiện trong vòng 48 giờ mà không cần nâng cấp phần mềm từ xa từ nhà sản xuất.

4.3 Phát hiện mạnh mẽ trong môi trường phức tạp

Dây chuyền sản xuất đồ uống hoạt động trong môi trường phức tạp, thường xuyên bị ảnh hưởng bởi các vết bẩn do nước, bọt và ánh sáng chói từ nhãn mác. Bằng cách sử dụng Mạng đối kháng tạo sinh (GAN) để tạo ra một tập dữ liệu gồm 100.000 hình ảnh tổng hợp được chú thích, một mô hình phát hiện đã được huấn luyện và cho thấy khả năng chống nhiễu được cải thiện 40% so với các thuật toán truyền thống trong quá trình thử nghiệm thực tế trên dây chuyền sản xuất.

V. Hệ thống phân tích dữ liệu chất lượng

5.1 Bảng điều khiển giám sát thời gian thực

Hệ thống cung cấp giao diện giám sát dựa trên web hiển thị các thông tin sau đây theo thời gian thực:

• Đường cong hiệu quả tổng thể thiết bị (OEE) của dây chuyền sản xuất

• Biểu đồ xu hướng tỷ lệ đỗ mã hóa (tổng hợp theo giờ hoặc ca)

• Phân tích Pareto về các loại khuyết tật

• Tỷ lệ sử dụng thiết bị toàn diện và MTBF (Thời gian trung bình giữa các lần hỏng hóc)

5.2 Chức năng truy xuất nguồn gốc và cảnh báo sớm

Mỗi hình ảnh mã in trên nắp chai được lưu trữ cùng với kết quả kiểm tra tương ứng, với thời hạn lưu giữ tối thiểu ba năm. Nếu phát hiện sự biến động về chất lượng trong một lô sản phẩm cụ thể, hệ thống có thể:

• Theo dõi sự phân bố theo thời gian của tất cả các chai có cùng lỗi trong vòng 24 giờ trước đó.

• Tiến hành phân tích tương quan liên quan đến 32 thông số quy trình chính, chẳng hạn như nhiệt độ và độ ẩm môi trường, độ nhớt của mực và điện áp đầu in.

• Tự động gửi thông báo cảnh báo sớm đến nhân viên bảo trì mỗi khi phát hiện năm chai liên tiếp có cùng một loại lỗi.

5.3 SPC (Kiểm soát quá trình thống kê)

Hệ thống tích hợp sẵn các biểu đồ kiểm soát Shewhart để thực hiện phân tích SPC theo thời gian thực đối với các đặc tính Quan trọng đối với Chất lượng (CTQ)—chẳng hạn như độ lệch vị trí in mã, chiều cao ký tự và mật độ mực. Nếu các điểm dữ liệu nằm ngoài Giới hạn Kiểm soát Trên/Dưới (UCL/LCL) hoặc nếu quan sát thấy xu hướng tăng dần qua bảy điểm dữ liệu liên tiếp, hệ thống sẽ tự động thông báo cho các kỹ sư quy trình để điều chỉnh các tham số của máy in mã. VI. Các trường hợp ứng dụng thực tế

6.1 Dự án nâng cấp dây chuyền sản xuất bia

Vào năm 2025, một tập đoàn bia lớn đã triển khai hệ thống kiểm tra Jinan Maotong tại nhà máy ở Thanh Đảo, áp dụng cho dây chuyền sản xuất bia đóng chai thủy tinh 330ml. So sánh dữ liệu trước và sau khi nâng cấp cho thấy những cải tiến sau:

• Tỷ lệ bỏ sót mã ngày sản xuất đã giảm từ 1,2% (khi kiểm tra ngẫu nhiên thủ công) xuống còn 0,0015%.

• Số lượng khiếu nại của khách hàng liên quan đến vấn đề mã ngày sản xuất đã giảm 92% so với cùng kỳ năm ngoái trong quý này.

• Tốc độ dây chuyền sản xuất tăng từ 1.200 chai/phút lên 1.500 chai/phút.

• Số lượng nhân viên kiểm soát chất lượng đã giảm từ hai người mỗi ca xuống còn 0,5 người (được phân công thực hiện kiểm tra lưu động giữa các dây chuyền sản xuất).

6.2 Giải pháp tùy chỉnh dành cho nhà sản xuất nước ép

Để giải quyết thách thức do sự đa dạng về màu sắc nắp chai (trong suốt, màu hổ phách và màu xanh lá cây) được sử dụng cho các sản phẩm nước ép NFC, Jinan Maotong đã phát triển một công cụ nhận diện màu sắc thích ứng. Khi thiết bị gặp phải nắp chai có màu sắc lạ lần đầu tiên, nó sẽ tự động thực hiện quy trình sau:

1. Chụp ảnh năm nắp chai mẫu.

2. Phân tích sự phân bố không gian HSV của tông màu chủ đạo.

3. Phù hợp với sự kết hợp ánh sáng tối ưu từ thư viện nguồn sáng đã được thiết lập sẵn.

4. Tạo ra một bộ thông số kiểm tra chuyên dụng dành riêng cho màu sắc đó.

Toàn bộ quy trình thích ứng này được hoàn tất trong vòng 30 giây, cho phép chuyển đổi liền mạch giữa các dòng sản phẩm khác nhau.

VII. Triển vọng công nghệ tương lai

7.1 Tích hợp 5G và điện toán biên

Thế hệ thiết bị kiểm tra tiếp theo sẽ tích hợp các mô-đun 5G cấp công nghiệp để truyền tải hình ảnh độ phân giải cao (20MB mỗi hình ảnh) theo thời gian thực đến một cụm máy chủ biên để xử lý; bản thân thiết bị sẽ chỉ giữ lại một bộ xử lý suy luận nhẹ. Thử nghiệm đã chứng minh rằng kiến ​​trúc này có thể giảm thời gian phân tích các khuyết tật phức tạp từ 50ms xuống còn 8ms, từ đó đặt nền tảng cho việc tăng tốc độ dây chuyền sản xuất lên 2.000 chai mỗi phút.

7.2 Dự đoán chất lượng dựa trên mô hình song sinh kỹ thuật số

Bằng cách tận dụng dữ liệu dây chuyền sản xuất thời gian thực, một mô hình song sinh kỹ thuật số được xây dựng để mô phỏng tác động của các yếu tố—chẳng hạn như độ mòn của vòi phun và sự thay đổi đặc tính của mực—đến chất lượng in mã ngày tháng. Nếu mô hình dự đoán rằng tỷ lệ đạt yêu cầu của mã ngày tháng có khả năng giảm xuống dưới 99% trong vòng bốn giờ tới, nó sẽ tự động tạo ra lệnh bảo trì phòng ngừa, từ đó đạt được sự chuyển đổi mang tính cách mạng từ việc chỉ "phát hiện lỗi" sang "ngăn ngừa lỗi". 7.3 Tương quan chất lượng đa phương thức

Hệ thống quản lý chất lượng thông minh hiện đang được phát triển sẽ đối chiếu và phân tích dữ liệu kiểm tra trực quan cùng với dữ liệu từ các trạm làm việc khác—chẳng hạn như độ chính xác khi đổ đầy, mô-men xoắn khi đóng nắp và mức chất lỏng. Thông qua khai thác dữ liệu lớn, hệ thống sẽ phát hiện ra các mối tương quan chất lượng tiềm ẩn; ví dụ, nó có thể phát hiện ra rằng khi độ ẩm môi trường vượt quá 75%, tỷ lệ lỗi do hiện tượng lem mực in phun tăng gấp ba lần, từ đó hệ thống sẽ tự động đề xuất kích hoạt thiết bị hút ẩm.

Phần kết luận

Việc kiểm tra mã in phun trên nắp chai thủy tinh đã phát triển từ một thao tác kiểm tra "có/không" đơn giản thành một hệ thống nhận thức chất lượng thông minh tích hợp hình ảnh quang học, trí tuệ nhân tạo và phân tích dữ liệu lớn. Thông qua sự đổi mới liên tục, các nhà sản xuất trong nước – như Jinan Maotong – không chỉ đạt được độ chính xác kiểm tra hàng đầu thế giới (với tỷ lệ phát hiện lỗi vượt quá 99,99%) mà còn tạo ra những lợi thế độc đáo về khả năng thích ứng với dây chuyền sản xuất, dễ sử dụng và tính thông minh tổng thể. Khi kỷ nguyên Công nghiệp 4.0 tiếp tục phát triển, công nghệ kiểm tra hình ảnh đang trở thành trụ cột cốt lõi của hệ thống đảm bảo chất lượng trong ngành thực phẩm và đồ uống, bảo vệ sự an toàn và khả năng truy xuất nguồn gốc của từng chai – từ dây chuyền sản xuất đến tay người tiêu dùng.