Les technologies avancées d'imagerie et d'apprentissage en profondeur effectuent une inspection critique des emballages
L'emballage des produits - dans une gamme extrêmement large de marchés allant de l'alimentaire à la pharmacie - intègre fréquemment une technologie de scellage extrêmement importante appelée scellés "inviolables". Le but de ces mécanismes est d'aider à assurer la sécurité, la qualité et souvent la durée de conservation du produit. Poussée par un incident tragique de contamination de produits malveillants au début des années 1980, la FDA a depuis imposé un emballage inviolable pour tous les produits pharmaceutiques en vente libre et les fabricants de la plupart des produits consommables sur d'autres marchés suivent cette voie. Plusieurs techniques de scellage standard sont utilisées et, dans chaque cas, la vérification de l'intégrité des scellés lors de l'emballage est une étape critique du processus.
Pour une large gamme d'applications dans les emballages avec des bouteilles en plastique, l'utilisation d'un joint en aluminium sous le bouchon est l'une des implémentations standard et courantes des "emballages inviolables" (TEP). Dans cet article, nous discuterons de l'intégration de techniques d'imagerie avancées avec une analyse d'apprentissage en profondeur utilisée pour inspecter avec succès l'intégrité du joint d'aluminium avec une grande fiabilité.
Les "joints de bouchon par induction" et "scellage de bouchon par induction" décrivent le composant et le processus d'inclusion d'un ensemble de joint en feuille qui adhère au sommet d'une bouteille sous le bouchon. Ces sceaux se trouvent dans les emballages de millions de produits dans le monde, les plus importants étant les pilules et les médicaments liquides en vente libre, les produits liquides de consommation et divers produits alimentaires. Le sceau protège le produit tout en étant facile à retirer et indique clairement une éventuelle altération lorsque le sceau est brisé, détaché ou manquant.
Dans un processus d'emballage automatisé, un bouchon avec une doublure attachée est installé sur un récipient après le remplissage. (La doublure comporte plusieurs couches de divers matériaux qui aident à sceller et à protéger le contenu du récipient, et comprennent spécifiquement une couche de papier d'aluminium.) Le bouchon est serré sur la bouteille avec une force appropriée pour créer une pression entre la doublure (joint) et le bord surface de l'ouverture de la bouteille. Avec le bouchon correctement en place, le haut de la bouteille bouchée est exposé à une induction électromagnétique qui chauffe la feuille dans le joint qui à son tour chauffe d'autres couches du joint, y compris celle qui lie le joint au bord de la bouteille. La chaleur de la feuille libère également le joint du dessous du bouchon. Après chauffage et refroidissement ultérieur, le scellement est terminé et le capuchon peut être retiré sans endommager ni affecter le joint.
Rendu du système d'inspection du joint thermique de production. Source : Intégro Technologies Corp.
Exemple d'un joint surchauffé. Source : Intégro Technologies Corp.
Plusieurs choses dans le processus de bouchage peuvent avoir un impact sur la formation d'un joint complet et robuste. Ceux-ci comprennent une surchauffe ou une sous-chauffe, une pression insuffisante ou inégale, un liquide ou un corps étranger sur le revêtement et une déformation physique du joint, y compris des coupures, des déchirures et des revêtements pliés.
La valeur de l'inspection automatisée pour garantir la qualité du joint est peut-être très claire pour cette application. Confirmer que le sceau est sécurisé et intact pour chaque bouteille est important pour la sécurité et la confiance des consommateurs. Cependant, la mise en œuvre de l'inspection en ligne présente plusieurs défis, le principal étant que le joint terminé est caché sous un capuchon en plastique.
La nature de ce processus d'emballage offre la possibilité d'utiliser des techniques d'imagerie avancées pour surmonter le défi unique de "voir" une caractéristique complètement masquée. Étant donné que la feuille dans le joint est chauffée par induction pour créer le joint de revêtement, et parce que la température de la feuille est essentielle à la qualité finale du joint, l'imagerie thermique du profil thermique de la feuille peut être utilisée pour évaluer le processus de scellage. Pour cette application, une caméra thermique de haute précision avec refroidissement interne a été utilisée pour acquérir une image de la chaleur retenue par la feuille dans le joint peu après le processus de chauffage par induction. Ce "profil de chaleur" est entièrement visible par la caméra thermique à travers le capuchon en plastique.
L'évaluation du profil thermique du joint d'aluminium pour toutes les conditions de défaut introduit cependant des défis d'application supplémentaires. Alors que certains défauts sont clairement définis dans les images thermiques avec des caractéristiques qui peuvent être extraites par des variations de géométrie ou de contraste, d'autres défauts sont plus subjectifs et difficiles à quantifier par rapport à la "bonne" image thermique typique du joint. L'inspection réussie dans cette application est réalisée en utilisant une combinaison d'outils de vision analytique avec un apprentissage en profondeur dans une analyse "hybride" de l'imagerie.
Rendu 3D de l'image thermique d'un bon joint. Source : Intégro Technologies Corp.
Image thermique 2D d'une bonne étanchéité. Source : Intégro Technologies Corp.
Exemple d'image thermique 2D d'un bouchon mal scellé. Source : Intégro Technologies Corp.
Rendu 3D de l'image thermique de l'exemple de bouchon lâche. Source : Intégro Technologies Corp.
L'apprentissage en profondeur est un sous-ensemble du domaine de l'apprentissage automatique, qui relèvent tous deux de la très large discipline scientifique de l'"IA" (intelligence artificielle). Alors que les applications de vision industrielle connaissent un grand succès depuis des décennies en utilisant des outils de vision « analytiques » ou « discrets », il a été prouvé que l'apprentissage en profondeur était capable de résoudre avec succès des problèmes de classification et de détection d'objets très complexes, en particulier dans les cas où les algorithmes analytiques peuvent devenir d'une complexité et d'une taille prohibitives, et peut-être limités dans leur précision lorsque les images contiennent des défauts hautement subjectifs.
Les applications étroites de l'apprentissage en profondeur dans la vision artificielle sont devenues plus courantes à mesure que la précision des résultats continue de s'améliorer à l'aide d'ensembles de données meilleurs et plus grands et d'une meilleure définition des problèmes. La combinaison de la force de l'apprentissage en profondeur dans ce sens étroit pour les décisions subjectives avec des outils de vision analytique pour des caractéristiques clairement définies se traduit par une approche hybride très fiable de l'analyse de l'image thermique de la feuille dans cette application.
Un défaut particulièrement important est une mauvaise étanchéité résultant d'un bouchon desserré lors du chauffage par induction. Les images du profil thermique du joint chauffant avec un bouchon desserré montrent de grandes variations, en fonction du degré de desserrement du bouchon par rapport à l'écart angulaire par rapport à la position attendue d'un bouchon entièrement serré. Les outils de vision analytique traditionnels n'atteignent pas le taux de détection requis. Cependant, ce cas de défaut peut être défini comme un mode de défaillance étroit et indépendant et résolu efficacement en utilisant l'apprentissage en profondeur plutôt que de mettre en œuvre une grande solution d'apprentissage en profondeur couvrant toutes les conditions de défaut. Dans ce projet, cette approche hybride a entraîné une augmentation de la précision de détection pour tous les modes de défaillance dans l'ensemble, une livraison plus rapide d'une solution finale, une meilleure évolutivité du système et des temps de cycle d'inspection améliorés.
Exemple d'un mauvais joint Joint surchauffé Image thermique 2D. Source : Intégro Technologies Corp.
Rendu 3D de l'image thermique de l'exemple de joint surchauffé. Source : Intégro Technologies Corp.
Exemple de joint contenant une section sous-chauffée décrite par l'image thermique 2D graphique en arc magenta. Source : Intégro Technologies Corp.
Rendu 3D de l'image thermique de l'exemple de joint sous-chauffé. Source : Intégro Technologies Corp.
Les phases de développement et de mise en œuvre de toute solution d'inspection commencent par un jeu de données d'images. Souvent, l'imagerie initiale peut être effectuée hors ligne lors de la conception et de la construction initiales. Avec un système d'imagerie thermique, cela peut être difficile, voire impossible, car le profil thermique à analyser est unique au processus en ligne. A ce titre, les images thermiques du produit scellé doivent être obtenues après installation du système sur une ligne de fabrication.
Lors de l'exécution de cette application, des outils de vision discrets peuvent être réglés et déployés pour des caractéristiques bien définies à l'aide d'un ensemble d'images relativement petit. Après l'installation initiale, le système peut être exécuté en mode de collecte d'images pour créer une base de données appropriée pour un ensemble de données de classification d'apprentissage en profondeur. Pour cette application, des exemples de bouchons lâches sont créés manuellement pour l'échantillon de données, avec une confirmation humaine visuelle de la classification du défaut.
Cette application démontre le développement réussi et le déploiement en production d'un système d'inspection hybride utilisant à la fois des outils d'analyse et d'apprentissage en profondeur avec une imagerie thermique avancée. Les points forts de toutes les parties du système sont exploités avec succès pour obtenir une précision de détection élevée pour les caractéristiques de défaut clairement et faiblement définies.
Dans une mise en œuvre, un tel système a été déployé avec succès dans plusieurs emplacements pour différents produits. Les systèmes se sont avérés très capables de capturer d'importants défauts d'étanchéité avec une grande précision tout en maintenant un très faible taux de fausses défaillances. L'un des domaines clés de l'amélioration du processus réalisé était la capacité d'identifier la variation du couple du bouchon en fonction de l'intégrité et de l'intégralité du joint. Avec ces données de processus en cours, le couple du bouchon a été ajusté pour produire des joints plus serrés et réduire les rejets de produits. Le système a également révélé une condition de production où le liquide sur le bouchon et la bouteille qui pourrait causer des problèmes dans d'autres processus ultérieurs comme l'étiquetage a été capturé par l'imagerie thermique et a conduit à des améliorations de processus qui ont amélioré la qualité globale. De plus, le système a réussi à capturer certains défauts rares comme les bouchons fissurés qui, autrement, n'auraient pas été détectés.
Cette application utilise une combinaison élégante de techniques d'imagerie avancées et d'outils d'analyse pour fournir une valeur significative à un processus de production important. Les clés de la solution impliquent l'utilisation d'une imagerie thermique industrielle éprouvée et une utilisation hybride unique d'outils d'apprentissage en profondeur et de vision discrète. Le résultat est une solution très évolutive qui peut avoir un impact sur une variété de cas d'utilisation industrielle.
Navneet Nagi est un ingénieur senior en vision par ordinateur (CV) travaillant chez Integro Technologies Corp., un grand intégrateur de vision artificielle. Il a développé, mis à l'échelle et aidé à déployer de nombreux systèmes d'inspection automatisés en production dans des secteurs allant de l'agriculture à l'aérospatiale. Il possède une vaste expérience dans le développement d'algorithmes pour les applications d'inspection industrielle automatisées utilisant à la fois les techniques CV traditionnelles et l'apprentissage en profondeur. Il est passionné par l'application de techniques avancées d'apprentissage en profondeur pour résoudre les défis d'inspection industrielle les plus difficiles et pour développer ces solutions. Nagi est titulaire d'une maîtrise en génie mécanique du Virginia Polytechnic Institute and State University, spécialisée dans la vision par ordinateur et la théorie du contrôle avancé, et d'un baccalauréat en génie aérospatial du Florida Institute of Technology.
David L. Dechow est un ingénieur, programmeur et entrepreneur spécialisé dans l'intégration de la vision industrielle, de la robotique et d'autres technologies d'automatisation industrielle. Au cours d'une longue carrière dans le secteur manufacturier, il a servi diverses entreprises, dont Landing AI, Integro Technologies et Fanuc America. Il a également été fondateur, propriétaire et ingénieur principal de deux sociétés d'intégration de systèmes prospères. Actuellement, Dechow fournit des services de conseil et d'intégration en technologie par le biais de sa société Machine Vision Source (MVSource.com) et travaille également avec TECH B2B Marketing pour aider les entreprises à fournir des formations, des services et un support en matière de technologie.
Dechow est récipiendaire du A3 Automated Imaging Achievement Award récompensant les leaders de l'industrie pour leurs contributions professionnelles exceptionnelles en imagerie industrielle et/ou scientifique. Il est membre du Conseil stratégique des technologies d'imagerie de l'Association for Advancing Automation (A3) et membre du conseil consultatif technique de Saccade Vision Ltd.
En tant qu'éducateur clé dans l'industrie de la vision industrielle, Dechow a participé à la formation de centaines d'ingénieurs en tant qu'instructeur avec le programme A3 Certified Vision Professional. Il est également bien connu pour ses articles techniques informatifs fréquents, ses articles, ses webinaires, ses sessions de conférence et ses cours couvrant un large éventail de sujets techniques impliquant la vision artificielle et les technologies habilitantes de l'automatisation industrielle. Pour plus d'informations, envoyez un e-mail à [email protected].
Navneet NagiDavid L. Dechow