Technologie d'inspection visuelle par jet d'encre des codes et étiquettes des bouteilles en verre : un garant de la qualité précis et efficace

Dans les industries agroalimentaires, des boissons et pharmaceutiques, les bouteilles en verre sont des emballages courants. Leurs codes et étiquettes imprimés par jet d'encre contiennent des informations essentielles telles que la date de production, le numéro de lot et la date de péremption. La clarté, l'exhaustivité et l'exactitude de ces informations influent directement sur la qualité et la sécurité des produits, ainsi que sur la réputation de l'entreprise. Les méthodes d'inspection manuelles traditionnelles sont sujettes à la fatigue et à la subjectivité, ce qui les rend inadaptées aux exigences des lignes de production à grande vitesse. La technologie d'inspection automatisée basée sur la vision par ordinateur, grâce à l'acquisition, au traitement et à l'analyse intelligente des images, permet une identification rapide et précise des défauts des codes et étiquettes imprimés par jet d'encre, améliorant ainsi considérablement l'efficacité de la production et le contrôle qualité. Les sections suivantes détaillent les principes techniques, la composition du système, le processus de détection, les avantages et les perspectives d'évolution.

I. Principes techniques : La fusion du traitement d'images et de l'apprentissage profond

Le principe du système d'inspection visuelle repose sur la simulation du travail conjoint de l'œil et du cerveau humains : une caméra industrielle capture des images de la surface de la bouteille en verre, puis des algorithmes extraient les caractéristiques et détectent les défauts. Sa mise en œuvre technique repose principalement sur la combinaison de deux types de méthodes :

1. Technologie de traitement d'images traditionnelle : Elle comprend des étapes de prétraitement telles que la conversion en niveaux de gris, le filtrage, la réduction du bruit et la binarisation afin d'améliorer la qualité de l'image. Ensuite, des opérations morphologiques (comme la dilatation et l'érosion) sont utilisées pour segmenter les régions des caractères, et une méthode de correspondance de gabarits permet de calculer le degré de correspondance entre le caractère cible et le gabarit standard (généralement avec un seuil d'acceptation ≥ 0,85).

2. Algorithmes d'apprentissage profond : Pour les défauts complexes difficiles à traiter par les méthodes traditionnelles (comme une légère déformation des caractères ou des interférences de fond), les modèles d'apprentissage profond (tels que YOLOv5) apprennent automatiquement les caractéristiques en s'entraînant sur un grand nombre de données d'exemple. Par exemple, l'entraînement du modèle après application de l'augmentation de données Mosaic aux images d'échantillons de bouteilles permet d'identifier avec précision la zone du code jet d'encre et d'extraire la cible de détection (ROI), résolvant ainsi efficacement les problèmes de rotation et de déformation.

La combinaison de ces deux technologies permet à la fois la quantification de caractéristiques simples (telles que les caractères manquants et les écarts de position) et l'identification de défauts complexes tels que le flou et l'adhérence, formant ainsi un système de détection hiérarchique.

II. Composition du système : configuration collaborative du matériel et du logiciel

Un système d'inspection visuelle complet nécessite une étroite coopération entre les modules matériels et logiciels, notamment :

• Unité d'acquisition d'images :

• Caméra industrielle : On utilise généralement une caméra à obturateur global de plus de 1,3 million de pixels pour éviter tout flou de bougé lors de prises de vue dynamiques. Pour compenser les propriétés réfléchissantes des bouteilles en verre incurvées, il est possible de configurer plusieurs caméras (par exemple, quatre caméras couvrant 360° du corps de la bouteille) ou d’utiliser un système de prise de vue rotatif afin d’éliminer les angles morts.

• Source lumineuse et conception optique : Un éclairage annulaire ou en forme de bol à lumière blanche illumine uniformément le corps de la bouteille grâce au principe de la réflexion diffuse, réduisant ainsi les reflets et les zones d'ombre. Certains systèmes sont équipés d'une structure à lumière douce pour une meilleure homogénéité de l'image.

• Mécanismes auxiliaires : comprenant un ensemble de manchon qui entraîne l’appareil photo de haut en bas (pour ajuster la distance focale afin de photographier le bouchon de la bouteille), un mécanisme de rotation intermittent (pour permettre à l’appareil photo de photographier le corps de la bouteille sous différents angles) et un composant d’imagerie (pour étendre la portée de la prise de vue unique).

• Unité de traitement et de contrôle :

• Processeur principal : Un contrôleur haute performance avec un GPU (tel que l'hôte TNP-01) prend en charge le traitement parallèle multicaméra, avec une vitesse de détection allant jusqu'à 75 000 bouteilles/heure.

• Plateforme logicielle : Elle intègre un moteur de reconnaissance optique de caractères (OCR) (tel que Tesseract-OCR) et des algorithmes de détection personnalisés, avec des fonctions comme la gestion des modèles, la classification des défauts et les statistiques de données. Le système peut stocker plus de 1 000 paramètres de produit et récupérer automatiquement le modèle correspondant lors d’un changement de catégorie de produit.

• Unité d'exécution :

Une fois que le capteur photoélectrique a déclenché la prise de vue, le système analyse l'image en temps réel. Si un défaut est détecté (impression manquante ou floue, par exemple), le système commande immédiatement le mécanisme d'éjection (par exemple, une tige de poussée pneumatique) via l'interface d'E/S afin d'éliminer le produit défectueux et déclenche une alarme sonore et visuelle.

III. Processus de détection : de l'acquisition d'images à l'évaluation de la qualité

Le flux de travail du système est interconnecté, garantissant une efficacité et une précision élevées :

1. Acquisition et amélioration des images :

Une fois la bouteille en verre placée sur le poste de travail, la zone à inspecter est éclairée par un anneau lumineux, et la caméra capture des images du corps ou du bouchon. Un filtrage médian est appliqué pour réduire le bruit, et une binarisation permet de faire ressortir les contours. Une transformation affine est utilisée pour corriger l'angle de vue si nécessaire.

2. Extraction de caractéristiques et reconnaissance des défauts :

• Détection d'impression : La présence ou l'absence d'impression (impression manquante) est d'abord déterminée, puis le nombre et le contenu des caractères sont vérifiés (par exemple, si la date et le numéro de lot sont complets). Si le nombre de caractères est inférieur au modèle standard, l'impression est considérée comme « partiellement manquante ». Si le taux de correspondance d'un caractère est inférieur au seuil (par exemple, 0,85), l'impression est qualifiée de « floue » ou « incorrecte ». • Détection d'étiquettes : Une analyse multi-angles est effectuée sur la position et l'intégrité des étiquettes afin d'identifier les défauts tels que les étiquettes manquantes, mal alignées, froissées et perforées. L'algorithme de détection de collage de Mingjia Technology intègre des images à 360° pour éliminer les faux positifs dus à la rotation du flacon.

3. Affichage et rejet des résultats :

Les résultats de la détection sont affichés en temps réel sur l'interface homme-machine (écran tactile, par exemple), et des données telles que le taux de réussite et les types de défauts sont enregistrées. Les produits défectueux sont automatiquement rejetés en fin de chaîne de production. Le système prend également en charge le transfert des données vers le cloud pour une traçabilité qualité optimale.

IV. Avantages technologiques : la valeur fondamentale de l'inspection automatisée

Comparé à l'inspection manuelle, le système d'inspection visuelle présente trois avantages majeurs :

1. Précision et efficacité améliorées : les algorithmes d'apprentissage profond permettent une précision de reconnaissance des défauts supérieure à 99,9 %, avec une vitesse de détection de dizaines de milliers de bouteilles par heure, dépassant de loin les capacités humaines.

2. Maîtrise des coûts et des risques : Un seul appareil peut remplacer plusieurs inspecteurs qualité, réduisant ainsi les coûts de main-d'œuvre à long terme ; il évite également les risques pour la sécurité liés au contact manuel avec les lignes de production à haute température et à grande vitesse.

3. Adaptabilité et traçabilité : Le système s’adapte à différents types de bouteilles (PET, verre, etc.) et de codage (encre, laser) par simple ajustement des paramètres. Toutes les images et données d’inspection sont automatiquement archivées, facilitant ainsi l’analyse qualité et l’optimisation des processus.

V. Défis et tendances de développement futures

Malgré la maturité de la technologie, certains défis subsistent : notamment la nécessité d’une meilleure conception optique pour pallier les interférences dues à la réflexion des bouteilles en verre, et la difficulté de reconnaître le codage laser sur les bouteilles foncées. Les tendances futures porteront sur :

• Systèmes d'inspection flexibles : Comme décrit dans le brevet CN202310153197, les équipements intégrant des mécanismes de levage et de rotation peuvent atteindre des capacités multifonctionnelles, inspectant simultanément les bouchons, les corps et les étiquettes des bouteilles.

• Évolution continue des algorithmes d'IA : les modèles d'apprentissage profond intégreront davantage la technologie de vision 3D afin d'améliorer la sensibilité aux défauts subtils tels que les légères bosses et les bulles.

• Solutions intégrées au cloud : Grâce à l'Internet des objets, le système se connecte à la plateforme cloud de l'entreprise pour assurer la surveillance de l'état des équipements, la maintenance à distance et l'analyse prédictive des données massives, créant ainsi une boucle de qualité fermée d'« usine intelligente ».

Conclusion

La technologie d'inspection visuelle du codage et de l'étiquetage des bouteilles en verre, grâce à l'intégration de la vision industrielle, de la reconnaissance optique de caractères (OCR) et de l'apprentissage profond, est devenue un pilier du contrôle qualité dans la production industrielle moderne. Elle permet non seulement de pallier les problèmes d'efficacité et de précision liés à l'inspection manuelle, mais aussi d'optimiser les processus de production grâce à des approches basées sur les données. Avec l'amélioration continue des algorithmes et les innovations matérielles, cette technologie continuera d'évoluer vers une intelligence et une flexibilité accrues, offrant ainsi une garantie solide pour la qualité et la sécurité dans l'industrie.