Technologie d'inspection visuelle du goulot des bouteilles PET : Donner un « œil intelligent » aux emballages de boissons

Les bouteilles en PET sont largement utilisées dans les industries des boissons, des cosmétiques et pharmaceutiques en raison de leur légèreté, de leur grande transparence et de leurs excellentes propriétés physiques. Cependant, le goulot, élément crucial garantissant l'étanchéité, influe directement sur la sécurité et la durée de conservation du contenu. L'inspection manuelle traditionnelle est inefficace et sujette aux erreurs, et ne peut répondre aux exigences des lignes de production modernes à grande vitesse (jusqu'à 36 000 bouteilles par heure). La technologie d'inspection automatisée par vision industrielle s'est imposée comme un moyen essentiel de garantir la qualité des produits. Cet article analysera de manière systématique les principes techniques, les classifications des méthodes, les cas d'application et les tendances de développement de l'inspection visuelle du goulot des bouteilles en PET.

I. Défis techniques : Pourquoi l'inspection des goulots d'étranglement est-elle si difficile ?

L’inspection du goulot des bouteilles en PET est confrontée à de multiples défis techniques, découlant principalement des exigences de vitesse et de précision élevées de l’environnement industriel :

Exigences de précision extrêmement élevées : les défauts de goulot d’étranglement sont divers, notamment les encoches, les bavures, les ébréchures, les bavures et les points noirs, avec des dimensions minuscules (comme les ébréchures de l’ordre du millimètre), nécessitant une précision d’inspection supérieure à 99,9 %.

Vitesse et pression en temps réel : les cadences des chaînes de production atteignent souvent plusieurs bouteilles par seconde, ce qui exige que le temps d’inspection soit réduit à 50 millisecondes. Tout retard pourrait entraîner la mise sur le marché d’un grand nombre de produits défectueux.

Facteurs d'interférence complexes : les bruits environnementaux tels que les reflets du goulot de la bouteille, la mousse liquide, les ombres des étiquettes et les vibrations mécaniques peuvent facilement interférer avec l'acquisition d'images, ce qui nécessite une conception optique optimisée et des capacités anti-interférences algorithmiques.

Diversité des défauts : Les formes irrégulières des défauts (par exemple, défauts externes, défauts internes, défauts traversants) et le faible contraste entre les bouteilles transparentes et les défauts rendent les méthodes de segmentation par seuillage traditionnelles sujettes à des détections manquées.

II. Classification des méthodes de détection : du traitement d’images traditionnel à l’apprentissage profond

En fonction de l'évolution technologique, les méthodes d'inspection visuelle du goulot des bouteilles PET peuvent être divisées en trois catégories :

Méthodes traditionnelles de traitement d'images : Basée sur la segmentation par seuillage, la localisation de la région et le contraste en niveaux de gris, cette méthode extrait la ROI (région d'intérêt) au niveau de l'ouverture de la bouteille et effectue des calculs différentiels à l'aide d'un modèle sans défaut. Par exemple :

Méthode d'auto-gabarit : construit un gabarit en forme d'anneau sur la face d'extrémité du goulot de la bouteille et identifie les défauts en soustrayant les valeurs de niveaux de gris, atteignant une précision de détection de 99,9 % en moins de 50 millisecondes.

Méthode d'homogénéité des niveaux de gris : cette méthode utilise l'algorithme RANSAC pour ajuster le contour elliptique de l'ouverture de la bouteille, puis analyse l'homogénéité des niveaux de gris de la zone. La vitesse de détection peut atteindre 10 millisecondes par image.

Avantages : Simple sur le plan informatique, adapté aux défauts réguliers ;

Inconvénients : Dépend de seuils définis manuellement, faible adaptabilité aux défauts complexes.

Méthode de classification par apprentissage automatique : cette méthode utilise des modèles tels que les machines à vecteurs de support (SVM) et les réseaux de neurones, nécessitant un grand nombre d’échantillons pour l’entraînement du classificateur. Par exemple : en extrayant les caractéristiques des défauts (telles que la texture et la forme), une SVM est utilisée pour distinguer les types de défauts.

Avantages : Permet d'identifier divers défauts ;

Inconvénients : Nécessite une formation supplémentaire lors du changement de type de bouteille, performances en temps réel réduites.

**Apprentissage profond et modèles différentiels :** Les méthodes émergentes combinent réseaux profonds et mécanismes d’attention pour améliorer le taux de détection des défauts complexes :

**Modèle de caractéristiques différentielles :** Des images de la bouteille à inspecter et d’une bouteille de référence sans défaut sont acquises. Les caractéristiques sont extraites à l’aide d’un double encodeur, puis une carte de caractéristiques différentielles est calculée afin d’optimiser le pouvoir discriminant. Enfin, un classificateur est utilisé pour déterminer le résultat. Ce type de méthode permet de supprimer efficacement les interférences dues à la surexposition et convient aux scènes réfléchissantes.

Avantages : Forte résistance aux interférences, convient aux petits défauts ;

Inconvénients : Besoins élevés en ressources de calcul.

Le tableau ci-dessous compare les solutions typiques et les performances de trois types de méthodes :

III. Scénarios d'application : Couverture de l'ensemble de la ligne de production

Le système d'inspection par vision est intégré à l'ensemble de la chaîne de production des bouteilles PET. Ses principaux nœuds d'application sont les suivants :

Inspection des préformes (avant moulage par soufflage)

Un poste de contrôle est installé avant la machine de soufflage. Six caméras CCD haute résolution permettent d'imager à 360° l'ouverture, l'épaulement et le fond de la préforme, détectant ainsi les défauts tels que les bavures, les interstices et les points noirs. Une caméra placée au-dessus de l'ouverture contrôle les défauts de la surface d'étanchéité afin d'éviter leur amplification après le soufflage.

Inspection complète des bouteilles (après remplissage)

Après le remplissage, quatre caméras CCD contrôlent le niveau de liquide, l'état du bouchon (rupture de la bague de sécurité, bouchon trop haut ou mal positionné) et la qualité du codage. Un éclairage périphérique à 120°, combinant éclairage frontal et arrière, compense les interférences dues à la mousse et améliore la précision de la mesure du niveau de liquide.

Inspection des étiquettes et des emballages

Après l'étiquetage, quatre caméras espacées de 90° sont utilisées pour détecter le désalignement des étiquettes et les erreurs d'impression ; après l'emballage, une trieuse pondérale en ligne est utilisée pour vérifier le poids et rejeter les produits manquants.

IV. Flux du système et technologies clés

Un système d'inspection visuelle complet comprend les composants de base suivants :

Acquisition d'images

Configuration matérielle : Des caméras industrielles réseau Gigabit Basler et des sources lumineuses LED annulaires ou linéaires sont utilisées pour capturer des images du goulot de la bouteille à courte distance. La conception de la source lumineuse doit minimiser les reflets ; par exemple, les sources lumineuses linéaires permettent de réduire la surexposition.

Optimisation optique : les images surexposées sont corrigées à l'aide d'un encodeur-décodeur automatique pour améliorer la cohérence des niveaux de gris.

Traitement d'images

Emplacement de la zone d'intérêt : La zone de l'ouverture de la bouteille est extraite avec précision à l'aide de la transformée de Hough, de l'ajustement d'ellipse RANSAC ou des méthodes de positionnement de l'axe de symétrie.

Extraction de caractéristiques : La ROI est traitée par conversion en niveaux de gris, filtrage et binarisation, puis les caractéristiques des défauts sont améliorées grâce à des mécanismes de calcul différentiel ou d’attention spatiale.

Classification et élimination des défauts : les défauts sont identifiés en fonction des seuils de la carte des caractéristiques ou des résultats du classificateur (tel que Softmax), déclenchant un dispositif de rejet pneumatique pour éliminer les produits défectueux.

V. Tendances et défis du développement

L’avenir de la technologie d’inspection visuelle des goulots de bouteilles PET évoluera dans les directions suivantes :

Mise à niveau intelligente : les modèles d’apprentissage profond seront encore optimisés, par exemple en utilisant des réseaux légers pour réaliser une détection des contours en temps réel, réduisant ainsi la dépendance à la puissance de calcul du cloud.

Fusion multimodale : combinaison de la vision 3D et de l'imagerie par rayons X pour détecter les défauts cachés tels que les fissures et les bulles internes.

Contrôle qualité en boucle fermée : les données de détection sont renvoyées à la chaîne de production, ajustant en temps réel les paramètres de moulage par soufflage et de remplissage, permettant ainsi de passer de la « détection » à la « prévention ».

Résumé

La technologie d'inspection visuelle du goulot des bouteilles PET remplace l'œil humain par la vision industrielle, relevant ainsi les défis du contrôle qualité dans les environnements de production à grande vitesse. Du traitement d'image traditionnel à l'apprentissage profond différentiel, la précision et l'efficacité de la détection n'ont cessé de s'améliorer, devenant la pierre angulaire de la fabrication intelligente dans des secteurs tels que les boissons et l'industrie pharmaceutique. À l'avenir, grâce à l'évolution synergique des algorithmes et du matériel, cette technologie continuera de progresser vers une intelligence accrue et un processus de bout en bout entièrement automatisé.