Inspection visuelle des défauts de surface des bouchons de bouteilles en plastique : principes techniques, conception du système et pratique d’application

Sur les lignes de conditionnement à grande vitesse pour les boissons, les produits alimentaires, les produits pharmaceutiques et les produits chimiques d'usage courant, les bouchons en plastique, composants essentiels en contact direct avec le contenu et garantissant une fermeture hermétique, revêtent une importance capitale en termes de qualité. Même un défaut de surface mineur – rayures, taches, bulles, manque de matière ou erreurs d'impression – affecte non seulement l'apparence du produit et son image de marque, mais peut également engendrer de graves problèmes de qualité tels qu'une mauvaise étanchéité, des fuites ou une contamination. Les méthodes traditionnelles d'échantillonnage manuel sont inefficaces, sources de fatigue, très subjectives et présentent un taux élevé d'erreurs, ne permettant pas d'atteindre l'objectif industriel moderne du « zéro défaut ». Par conséquent, la technologie automatisée d'inspection des défauts de surface par vision industrielle est devenue un élément indispensable pour garantir la qualité de la production de bouchons.

I. Types de défauts et difficultés de détection

Avant de concevoir la technologie, il est essentiel d'identifier au préalable les types courants de défauts de surface des bouchons de bouteilles en plastique et leurs caractéristiques :

1. Défauts d'apparence :

Rayures/Éraflures : Elles surviennent lors du transport ou du moulage et se présentent sous forme de rayures irrégulières claires/foncées.

1. Taches/Corps étrangers : Adhérence d'huile, de poussière ou d'autres impuretés, apparaissant sous forme de taches non conformes à la couleur de fond.

2. Bulles/Traces argentées : Causées par un processus de moulage par injection inadéquat ; les bulles apparaissent sous forme de taches rondes et sombres, et les stries argentées sous forme de lignes brillantes radiales.

3. Pénurie/Retrait : Causé par un moulage par injection incomplet, entraînant une forme de bouchon incomplète ou des bosses localisées.

4. Bavures/Excès de plastique causés par les espaces du moule, apparaissant souvent au niveau des lignes de séparation ou des bords.

2. Défauts dimensionnels et structurels :

3. Écarts dimensionnels : Hors tolérance : Les dimensions clés telles que le diamètre intérieur/extérieur, la hauteur et le nombre de dents ne répondent pas aux normes.

4. Déformation : Le bouchon est plié, entièrement ou partiellement, ce qui affecte le joint vissé.

5. Rupture/Incomplétude du pont : Pour les bouchons à plusieurs attaches (comme les bouchons d'eau minérale), le pont de connexion (point de connexion de l'anneau antivol) est manquant ou trop faible.

3. Défauts d'impression et d'étiquetage :

Erreurs d'impression/Impression incorrecte : Informations manquantes ou incorrectes telles que le logo de la marque, la date de production et le numéro de lot.

Caractères illisibles/Fantômes : Impression floue, lignes brisées, diffusion de l’encre.

Mauvaise superposition : décalage des couleurs lors de l’impression multicolore.

Écart de couleur : différence de couleur significative par rapport à l’échantillon de couleur standard.

Défis principaux :

• Haute réflectivité : Les surfaces plastiques lisses peuvent facilement créer des points lumineux si la source de lumière n'est pas correctement positionnée, masquant ainsi les défauts réels.

• Inspection à grande vitesse : Les vitesses des lignes de production atteignent souvent 1000 à 3000 pièces par minute, ce qui exige que le système de vision effectue l'imagerie, le traitement et le jugement en un temps très court.

• Diversité des défauts : les formes, les tailles, les emplacements et les contrastes des défauts varient considérablement, ce qui nécessite des algorithmes dotés de fortes capacités de généralisation.

• Interférences du fond : Les capsules de bouteilles elles-mêmes peuvent présenter des textures, des motifs ou des couleurs complexes, qu’il convient de distinguer des défauts réels.

II. Composants essentiels d'un système d'inspection par vision

Un système complet d'inspection visuelle des défauts de surface des bouchons de bouteille se compose généralement de deux parties principales : le matériel et le logiciel.

(I) Système matériel

1. Unité d'imagerie :

Caméra industrielle : les « yeux » du système. Choisissez la caméra qui correspond le mieux à vos besoins d’inspection :

▪ Caméra de balayage matriciel : utilisée pour inspecter l’aspect, l’impression et les dimensions du dessus et des côtés des capsules de bouteilles. Haute résolution pour détecter les défauts les plus infimes.

▪ Caméra à balayage linéaire : effectue un balayage continu lorsque les bouchons des bouteilles passent à grande vitesse, particulièrement adapté à l'imagerie panoramique à 360° des parois latérales, offrant un assemblage d'images fluide.

Objectif industriel : La focale appropriée doit être choisie en fonction du champ de vision, de la distance de travail et de la résolution. Les objectifs télécentriques réduisent les erreurs de perspective et sont privilégiés pour les mesures dimensionnelles de précision.

2. Système d'éclairage : L'élément essentiel d'une inspection visuelle réussie. Sa fonction principale est de mettre en évidence les défauts et de supprimer les interférences de fond.

Types de sources lumineuses courantes :

▪ Source lumineuse annulaire : Éclaire uniformément de tous les côtés, convient à l'inspection générale des zones planes sur la surface supérieure.

▪ Source de lumière dôme/source de lumière dôme sans ombre : fournit un éclairage extrêmement uniforme grâce à un diffuseur hémisphérique, un outil puissant pour résoudre le problème de la haute réflectivité des bouchons de bouteilles en plastique, éliminant parfaitement les reflets et mettant en évidence la texture de la surface et les défauts tridimensionnels (tels que les rayures et les bosses).

▪ Source de lumière coaxiale : le faisceau lumineux est parallèle à l’axe optique de la caméra via un séparateur de faisceau, particulièrement adapté à la détection des rayures et des irrégularités sur les surfaces lisses.

▪ Rétroéclairage : Le bouchon de la bouteille est placé entre la source lumineuse et la caméra pour produire un contour à contraste élevé, utilisé pour la mesure dimensionnelle, la détection des pénuries de matériaux et la détection des corps étrangers.

▪ Source lumineuse combinée en forme de barre : les lumières sont émises à partir d’un angle spécifique pour améliorer le contraste des caractères des parois latérales ou des structures 3D.

Stratégies d'éclairage : Les systèmes d'éclairage combinés multi-sources et multi-angles sont couramment utilisés. Par exemple, un éclairage par dôme permet d'inspecter l'aspect de la surface supérieure, un éclairage latéral par barres permet d'inspecter l'impression des parois latérales et un rétroéclairage permet de détecter les contours. Grâce au déclenchement temporel, un seul système peut effectuer plusieurs tâches.

3. Unité de synchronisation et de contrôle :

Capteurs : des capteurs ou encodeurs photoélectriques sont utilisés pour déclencher l'appareil photo afin qu'il prenne une photo lorsque le bouchon de la bouteille atteint une position précise.

PC industriel (IPC) : cerveau central exécutant des logiciels de traitement d'images et des programmes de contrôle logique, nécessitant des capacités informatiques puissantes (processeur multicœur, GPU hautes performances) et une stabilité de niveau industriel.

PLC et mécanisme de tri : Le PLC reçoit les résultats d'inspection (OK/NG) de l'ordinateur de contrôle industriel et contrôle l'électrovanne, la tige de poussée ou le bras robotique pour rejeter automatiquement les produits défectueux.

4. Structure mécanique :

Un chemin de convoyeur conçu avec précision, un mécanisme de positionnement (tel qu'une roue en étoile, un bloc en V) et un dispositif de rejet garantissent une position stable et reproductible du bouchon de la bouteille à la position d'imagerie.

(II) Logiciel et algorithme

Le logiciel est le « cerveau » du système, responsable de l’analyse des images, de l’extraction des caractéristiques et de la prise de décision finale. Le flux de traitement est généralement standardisé selon les étapes suivantes :

1. Acquisition et prétraitement d’images :

Acquisition : Déclenchée par le matériel, l'image brute est acquise.

Prétraitement : le but est d'améliorer la qualité de l'image et de préparer l'analyse ultérieure. Cela comprend :

▪ Filtrage et débruitage : utilisation du filtrage gaussien, du filtrage médian, etc., pour éliminer le bruit aléatoire.

▪ Amélioration de l'image : amélioration du contraste entre les défauts et l'arrière-plan grâce à l'étirement du contraste, à l'égalisation de l'histogramme, etc.

▪ Correction de distorsion : élimination de la distorsion de l'objectif pour garantir la précision des mesures.

2. Localisation de la région d’intérêt (ROI) et segmentation d’image :

À l’aide d’outils de correspondance de modèles, d’analyse de blob (analyse des composants connectés) ou de recherche géométrique, localisez rapidement la position de chaque bouchon de bouteille dans l’image et segmentez-la en différentes régions de détection telles que le dessus, les côtés et les dents.

3. Algorithmes d’extraction de fonctionnalités et de détection de défauts :

Il s’agit du cœur de la technologie, qui utilise généralement une stratégie de fusion multi-niveaux et multi-algorithmes.

Pour les défauts de taille/géométriques :

▪ Détection des contours (Canny, Sobel) : Extraction des contours et réalisation d'une comparaison au niveau pixel avec des modèles standard ou une mesure de dimension géométrique (diamètre, rondeur, angle).

Pour les défauts d'aspect/de texture (rayures, taches, bulles, etc.) :

▪ Segmentation par seuillage : Binariser l’image pour séparer le premier plan (défaut) et l’arrière-plan. Convient aux défauts présentant un contraste important.

▪ Analyse de texture : Analyser l'uniformité de la texture de surface à l'aide d'algorithmes tels que la matrice de cooccurrence de niveaux de gris (GLCM) et le filtrage de Gabor pour identifier les régions d'anomalies de texture.

▪ Analyse dans le domaine fréquentiel : effectue une transformée de Fourier sur l’image pour détecter les défauts périodiques ou les composantes de fréquence anormales dans le domaine fréquentiel.

▪ Méthode différentielle/Comparaison avec un modèle : Cette méthode effectue une analyse des différences pixel par pixel entre l’image à tester et une image modèle standard « parfaite ». Les zones présentant des différences supérieures à un seuil prédéfini sont considérées comme des défauts. Simple et efficace, cette méthode exige cependant une constance extrême de l’emplacement et de l’éclairage.

Pour les défauts d'impression et de caractères :

▪ Reconnaissance optique de caractères (OCR) : Lit et vérifie l'exactitude et l'intégralité des caractères tels que les dates de production et les numéros de lot.

▪ Analyse des couleurs : compare la différence de couleur entre la zone à tester et une pastille de couleur standard dans un espace colorimétrique spécifique (tel que Lab).

▪ Correspondance des points caractéristiques : Compare si les points caractéristiques clés des logos et des motifs correspondent.

4. Intégration de l'intelligence artificielle et de l'apprentissage profond :

Les algorithmes traditionnels sont performants pour les défauts présentant des caractéristiques évidentes et régulières, mais ils peinent à définir des solutions adaptées aux défauts ambigus et variables (tels que les taches de formes diverses et les rayures superficielles). L'apprentissage profond, et plus particulièrement les techniques visuelles basées sur les réseaux de neurones convolutifs (CNN), est devenu la méthode dominante et représente l'avenir.

Principe de fonctionnement : Le modèle CNN est entraîné à l’aide d’un grand nombre d’images de capsules de bouteilles « OK » et « NG » (présentant divers défauts). Le réseau apprend automatiquement à extraire des caractéristiques abstraites multicouches des pixels, des plus simples aux plus complexes (contours → texture → motif → objet), pour finalement apprendre à distinguer les éléments normaux des éléments anormaux.

Modèles courants :

▪ Réseaux de classification : Classer l'ensemble du bouchon ou de la région comme « acceptable » ou « inacceptable » (et type de défaut).

▪ Réseaux de détection d'objets : tels que YOLO et Faster R-CNN, qui peuvent localiser directement la position des défauts dans une image et les délimiter, tout en fournissant la catégorie.

▪ Réseaux de segmentation sémantique : tels que U-Net, qui peut classer chaque pixel d'une image, délimitant avec précision le contour des défauts, et est particulièrement adapté à l'analyse de la forme et de la surface des défauts.

Avantages : Forte résistance aux interférences, adaptabilité aux environnements complexes, capacité à détecter des types de défauts inconnus (en apprenant à partir d'échantillons normaux, tout motif s'écartant de la « norme » est considéré comme anormal, c'est-à-dire « détection d'anomalies ») et complexité de débogage algorithmique réduite.

5. Jugement et gestion des données :

En fonction des conclusions de chaque poste d'inspection, un jugement final « réussi/non réussi » est établi, et un signal est émis pour contrôler le tri.

Enregistrer et stocker toutes les données d'inspection (images, résultats, temps), générer des rapports statistiques (rendement du premier passage, répartition des types de défauts, etc.) et assurer la traçabilité de la qualité et le suivi du processus de production.

III. Considérations relatives à la mise en œuvre et à l'intégration du système

1. Intégration à la ligne de production : Une intégration transparente avec le temps de cycle et la logique de contrôle de la ligne de production existante est requise. Les postes d’inspection sont généralement situés après la presse à injecter (inspection en ligne) ou avant l’emballage (inspection par échantillonnage hors ligne).

2. Définition des normes d'inspection : Définir des normes d'inspection claires et quantifiables en collaboration avec les ingénieurs qualité. Par exemple, quelles sont les valeurs acceptables pour la longueur des rayures (en millimètres), la surface des taches (en millimètres carrés) et l'écart de couleur Delta E (inférieur à une certaine valeur) ? Ces normes seront traduites en seuils de jugement pour l'algorithme ou en étiquettes pour les données d'apprentissage.

3. Interface homme-machine : Concevoir une interface d'utilisation simple et claire pour faciliter le paramétrage, la commutation standard, la surveillance en temps réel et la consultation des résultats.

4. Validation et étalonnage du système : étalonner et valider régulièrement le système à l'aide de pièces standard ou d'échantillons défectueux afin de garantir la stabilité de la détection.

IV. Avantages de l'application et tendances futures

Avantages de l'application :

• Amélioration de la qualité : Réaliser un contrôle complet à 100 %, réduisant ainsi considérablement les réclamations des clients et les risques liés à la qualité.

• Réduction des coûts : Diminution des coûts de main-d'œuvre, des coûts de retouche et du gaspillage de matériaux.

• Amélioration de l'efficacité : Adaptation aux lignes de production à grande vitesse, permettant un fonctionnement continu sans fatigue.

• Basé sur les données : les Big Data de qualité accumulées peuvent être utilisées pour l'optimisation des processus, la maintenance prédictive et la gestion de la chaîne d'approvisionnement.

Tendances futures :

1. Application de la technologie de vision 3D : L’utilisation de la triangulation laser ou de la technologie de lumière structurée pour acquérir des données de nuage de points 3D des surfaces des bouchons de bouteille permet une mesure extrêmement précise des défauts 3D tels que la hauteur, la planéité et la déformation, fournissant un puissant complément à la vision 2D.

2. Puces d'IA à intégration plus élevée et informatique de périphérie : le déploiement d'algorithmes d'IA dans des caméras intelligentes ou des ordinateurs de contrôle industriels avec des NPU permet d'obtenir des temps de réponse plus rapides et une latence système plus faible.

3. IA basée sur le cloud et apprentissage continu : Téléchargez les données de la ligne de production dans le cloud, utilisez des capacités de calcul plus puissantes pour entraîner et optimiser les modèles généraux et déployez rapidement les nouvelles caractéristiques de défauts apprises sur toutes les lignes de production, réalisant ainsi le principe « apprendre une fois, mettre à niveau tout le réseau ».

4. Fusion d'informations intermodales : Combiner les informations provenant de plusieurs capteurs, y compris la vision, l'acoustique (détection des fissures structurelles internes) et même l'olfaction (détection de la contamination olfactive), pour un jugement de qualité complet.

Conclusion

L'inspection visuelle des défauts de surface des bouchons de bouteilles en plastique est une technologie d'ingénierie complexe intégrant l'optique, la mécanique, l'électronique, le logiciel et l'intelligence artificielle. De la sélection précise du matériel et de la conception du chemin optique au traitement d'image robuste et aux algorithmes intelligents, chaque étape est cruciale. Avec la maturation continue des technologies d'apprentissage profond et l'essor de l'Industrie 4.0, les systèmes d'inspection visuelle évoluent : d'outils automatisés « remplaçant l'œil humain », ils deviennent de véritables centres de décision intelligents en matière de qualité, surpassant ainsi le cerveau humain. Ils offrent une garantie technique solide et fiable pour le développement de haute qualité du secteur manufacturier.