La technologie d'inspection visuelle CAN : du traitement d'images traditionnel à l'apprentissage profond – révolutionner le contrôle qualité industriel

Avec des milliers de canettes qui défilent chaque minute sur la chaîne de production, comment garantir que chacune d'entre elles soit absolument irréprochable ? La technologie d'inspection visuelle améliore discrètement l'assurance qualité des boissons que nous consommons.

Dans l'industrie agroalimentaire moderne, les boîtes de conserve sont un emballage courant, et leur qualité influe directement sur l'étanchéité et la sécurité des produits. Le contrôle qualité manuel traditionnel est inefficace et sujet aux défauts non détectés, ce qui a conduit à l'émergence de la technologie d'inspection par vision industrielle.

Les premiers systèmes reposaient principalement sur des algorithmes de traitement d'images classiques, analysant des images de zones clés telles que l'ouverture, le fond et la paroi intérieure de la boîte afin d'identifier les défauts. Grâce aux progrès technologiques, notamment au développement de l'apprentissage profond, la précision et l'efficacité de l'inspection visuelle des boîtes de conserve se sont considérablement améliorées.

1. Défauts courants des boîtes de conserve et difficultés de détection

Les boîtes de conserve peuvent présenter divers défauts lors du processus de production, notamment des encoches, des déformations et des bords irréguliers à l'ouverture ; des taches d'huile et des copeaux de métal sur le fond et la paroi intérieure ; et des rayures, des bosses, des déformations, des erreurs d'impression et une épaisseur de matériau irrégulière sur le corps de la boîte.

Ces défauts affectent non seulement l'esthétique, mais peuvent également entraîner une réduction des performances d'étanchéité, menaçant ainsi la qualité du produit et la sécurité du consommateur.

Le système de détection doit relever de multiples défis : les propriétés réfléchissantes de la surface de la boîte peuvent masquer des défauts réels. Les lignes de production à grande vitesse exigent que le système de détection dispose de capacités de traitement en temps réel (par exemple, une cadence de 10 boîtes par seconde) tout en conservant une précision élevée (taux de précision de 99,89 %). De plus, l’imagerie de la surface incurvée du corps cylindrique de la boîte et l’identification de défauts subtils sur des fonds complexes constituent également des défis techniques à relever.

2. Composants matériels et optimisation de l'imagerie du système de détection

La configuration matérielle du système d'inspection visuelle des boîtes de conserve est essentielle. Un système d'éclairage adapté permet de supprimer efficacement les reflets et de mettre en évidence les défauts. Le système d'éclairage LED composite développé par Kangshida combine un éclairage sans ombre à trois anneaux, un éclairage sans ombre en forme de dôme, un éclairage annulaire à angle faible et un éclairage coaxial afin de répondre aux besoins de détection des différentes pièces. Pour l'acquisition d'images, différentes stratégies sont nécessaires selon les zones d'inspection.

• L'inspection du fond utilise souvent une caméra de balayage de zone haute résolution avec un éclairage annulaire.

• L'inspection de la carrosserie peut utiliser une caméra à balayage linéaire ou trois ensembles de modules d'acquisition de fusion 2D-3D déclenchés de manière synchrone, installés à intervalles de 120 degrés pour obtenir une numérisation à couverture complète.

Pour la détection des motifs imprimés sur la surface extérieure de la boîte, un servomoteur de haute précision permet de faire tourner la boîte à vitesse constante. Associé à une caméra linéaire à séparation de faisceau par prisme, il permet d'obtenir des images de haute qualité des surfaces courbes. Le choix judicieux du matériel et l'optimisation de l'imagerie garantissent des données de haute qualité pour le traitement algorithmique ultérieur.

3. Application des techniques traditionnelles de traitement d'images à la détection

Avant la généralisation de l'apprentissage profond, les algorithmes de traitement d'images traditionnels jouaient un rôle important dans l'inspection des canettes de boissons. Ces méthodes sont généralement conçues et optimisées pour des types de défauts spécifiques.

Pour la zone d'ouverture de la boîte, après séparation par la méthode d'Otsu de variance inter-classe maximale, le contour est analysé afin d'en extraire les caractéristiques. L'algorithme des moindres carrés est ensuite utilisé pour ajuster la courbe elliptique cible. La discrétisation et l'échantillonnage de cette ellipse, ainsi que le calcul de la carte d'analyse de l'excentricité et de l'écart, permettent de traiter efficacement divers défauts au niveau de l'ouverture de la boîte.

La détection des défauts au fond de la boîte repose principalement sur la méthode du gradient de Hough, qui divise la zone de détection en plusieurs régions circulaires concentriques. L'analyse des composantes connexes de l'image binarisée permet de détecter séparément les défauts ponctuels, linéaires et de surface.

Pour les défauts de la paroi interne, étant donné que les zones médianes et inférieures sont comprimées lors de la prise de vue verticale, l'algorithme de détection doit d'abord résoudre le problème de compression de l'image par transformation des coordonnées polaires, puis localiser les défauts par analyse des composantes connexes.

En matière de reconnaissance de caractères, la méthode de seuillage d'entropie d'Arimoto bidimensionnelle peut traiter efficacement les problèmes de segmentation de caractères à faible contraste, et sa complexité de calcul est faible, répondant aux exigences de temps réel.

4. Avancées majeures de l'apprentissage profond dans la détection des défauts

Ces dernières années, les technologies d'apprentissage profond ont considérablement amélioré la précision et la capacité de généralisation de la détection des défauts des canettes de boissons. Les systèmes de détection basés sur FCOS (Fully Convolutional One-Stage) et HRNet (High-Resolution Network) ont démontré des avantages significatifs.

FCOS, en tant qu'algorithme de détection d'objets sans ancre, simplifie le processus de détection, évite la complexité de la conception de la boîte d'ancrage et fonctionne parfaitement dans la détection de petits objets. HRNet peut maintenir une représentation haute résolution, représentant des caractéristiques à différentes résolutions via une structure multibranche parallèle, particulièrement adaptée aux tâches de détection de défauts industriels. Les améliorations apportées au HRNet original incluent l'introduction de mécanismes d'attention pour améliorer la sensibilité aux zones défectueuses, l'optimisation des stratégies de fusion de fonctionnalités et la conception de modules légers pour réduire la complexité informatique. Les expériences montrent que cette méthode d'apprentissage profond atteint une mAP (précision moyenne moyenne) de 0,889 dans la tâche de détection des défauts de boîte, surpassant ainsi de nombreuses méthodes traditionnelles.

Pour les défauts de la boîte de conserve, le modèle HPFST-YOLOv5, grâce à l'introduction d'un mécanisme d'attention hybride et d'un guide de filtre passe-haut, atteint une précision de reconnaissance de 93,9 % pour les défauts tels que les bosses, les rayures et les déformations, tout en maintenant une vitesse de traitement de 28 images par seconde.

Pour les caractères marqués au laser à faible contraste, le réseau de segmentation sémantique Res18-UNet, combiné à un mécanisme d'attention multiple, améliore efficacement la capacité du modèle à se concentrer sur les régions des caractères.

5. Considérations relatives à la mise en œuvre du système et au déploiement industriel

La transformation du modèle algorithmique en un système de détection pratique exige une réflexion approfondie sur la conception de l'architecture matérielle et logicielle. Une architecture distribuée peut déployer deux stations de travail de détection indépendantes, l'une dédiée à la détection des défauts de fond et l'autre à la reconnaissance des défauts d'aspect du corps de la boîte.

L'architecture logicielle doit adopter une technologie de traitement parallèle multithread, avec un thread de contrôle principal, un thread d'acquisition d'images, un thread de traitement des algorithmes et un thread de sortie des résultats. La technologie de mappage mémoire permet un échange rapide de données d'images de grande capacité, et l'accélération GPU optimise le déploiement des algorithmes d'apprentissage profond.

La performance en temps réel est un indicateur clé des systèmes d'inspection industrielle. Un mécanisme d'interruption par minuterie limite strictement le cycle de détection de chaque boîte afin de garantir que le système puisse suivre la cadence de la ligne de production. De plus, le système doit intégrer une fonction d'apprentissage des paramètres, permettant aux opérateurs d'ajuster les paramètres de détection en fonction des spécifications du produit, et un module de base de données pour stocker les résultats de détection et les informations sur le produit, assurant ainsi la traçabilité de la qualité.

En conditions réelles de production, le système doit également être doté de capacités anti-interférences pour faire face aux variations d'éclairage et aux perturbations ambiantes de l'usine. La redondance matérielle et les mécanismes de tolérance aux pannes logicielles garantissent un fonctionnement stable du système, tandis qu'une architecture logicielle modulaire facilite la maintenance et les mises à jour.

6. Tendances et défis futurs en matière de développement

La technologie d'inspection visuelle est encore confrontée à de nombreux défis et offre de nombreuses opportunités de développement. La réflexion demeure un facteur important affectant la précision de la détection ; de nouveaux algorithmes d'amélioration d'image, tels que la transformation gamma adaptative basée sur des images en niveaux de gris multi-images, pourraient apporter des solutions.

L'exploration plus poussée de structures de réseau légères, visant à améliorer la vitesse d'inférence et à réduire les besoins matériels, permettra une application plus large de cette technologie dans les petites et moyennes entreprises. L'intégration poussée du système de détection au système de contrôle de la ligne de production, afin d'automatiser le rejet des produits défectueux, constitue également une piste de développement importante.

Les futurs systèmes d'inspection visuelle des canettes de boissons pourraient évoluer vers une intégration multifonctionnelle, intégrant l'évaluation de la gravité des défauts et la prédiction de la qualité, en plus de la détection des défauts courants. Parallèlement, cette technologie peut également être étendue à la détection des défauts d'autres types de produits industriels, tels que les boîtes métalliques et les bouteilles en plastique, contribuant ainsi au développement de la fabrication intelligente et de l'Industrie 4.0.

Avec l'essor de l'intelligence industrielle, la technologie d'inspection visuelle des canettes de boissons est passée du laboratoire à l'application pratique. Les équipes de recherche chinoises ont réalisé des progrès significatifs dans ce domaine ; par exemple, le système développé par l'Université de technologie du Guangdong a atteint un taux de précision de 99,89 % et une vitesse de détection allant jusqu'à 10 canettes par seconde.

À l'avenir, avec l'optimisation continue des algorithmes d'apprentissage profond et l'amélioration des performances du matériel, la technologie d'inspection visuelle jouera un rôle important dans un plus large éventail de scénarios d'inspection de la qualité industrielle. Cela améliorera non seulement la qualité des produits, mais réduira également les coûts de production pour les entreprises, permettant ainsi aux consommateurs de profiter de boissons plus sûres et plus fiables.