Системы машинного зрения для контроля качества на пишевых производствах

В данной статье исследуется значимость автоматизации онлайн-контроля качества сырья, готовой продукции и выявления брака в предприятиях пищевой промышленности. Авторы обосновывают возможность решения этой задачи с использованием систем компьютерного зрения (СКЗ).

В работе рассматриваются задачи, решаемые СКЗ, а также кратко описываются цели компьютерного зрения для различных областей применения. Анализируется структура рыночного спроса на СКЗ, перечисляются используемые технологии и методы обработки изображений.

Особое внимание уделяется важности получения четкого цифрового изображения, обработки с целью выделения значимой информации и математического анализа полученных данных для решения поставленных задач. Представлена типовая компоновка СКЗ, ее состав и принцип функционирования при определении брака в изделии.

Анализируется последовательность действий, выполняемых системой, а также основные шаги обработки изображений. В заключение авторы делают вывод о целесообразности использования СКЗ в пищевой промышленности для разработки высокотехнологичных автоматизированных интеллектуальных экспертных систем контроля качества пищевого сырья, полуфабрикатов и готовой продукции.

В настоящее время выявление брака на предприятиях пищевой промышленности остаётся одним из наименее автоматизированных этапов технологического процесса. Как правило, данная процедура осуществляется с привлечением значительного количества ручного труда, что приводит к высоким затратам рабочего времени и не всегда гарантирует эффективность.

Решение данной проблемы тесно связано с внедрением передовых технологий в сферу контроля качества пищевой продукции. В частности, это предполагает широкую автоматизацию технологических процессов, интеграцию современных информационных систем и разработку интеллектуальных систем контроля и управления, способствующих повышению качества, безопасности и расширению ассортимента выпускаемых продуктов.

Анализ состояния контроля качества в пищевой промышленности

Проведённый нами анализ [2–4] свидетельствует о высокой технологической сложности современных предприятий пищевой промышленности. Процесс производства пищевых изделий включает множество отдельных этапов, на каждом из которых задействовано специализированное оборудование различного назначения. Использование большого количества оригинального оборудования с индивидуальными входными характеристиками сырья и выходными – продукции, усложняет автоматизацию контроля параметров, характеризующих эффективность этапов производства, работоспособность оборудования и качество получаемой продукции.

Существующие методы оценки качества готовой продукции носят субъективный характер. Ввиду невозможности технически реализовать оценку качества в потоке [5], она осуществляется исключительно путем лабораторных измерений. При этом наблюдается неуклонный рост цен на сырье. В данных условиях резко возрастает актуальность автоматизации контроля качества как сырья, так и готовой продукции в режиме реального времени, а также своевременного выявления брака.

Ситуация в российской пищевой промышленности требует новых подходов к решению этой важной проблемы и поиска альтернативных вариантов развития автоматизации контроля онлайн показателей качества сырья, полуфабрикатов и готовых изделий, включая органолептические показатели. Необходимо повысить объективность контроля качества производимых пищевых продуктов за счёт внедрения в производственные процессы высокоэффективных интеллектуальных технологий и создания на их основе специализированных аппаратно-программных измерительных комплексов [6] с использованием систем компьютерного зрения (СКЗ).

Компьютерное зрение представляет собой перспективное направление в области искусственного интеллекта, направленное на создание и совершенствование систем компьютерного анализа изображений. Данные системы находят широкое применение в различных сферах, включая промышленный контроль, где цифровые устройства ввода/вывода и компьютерные сети используются для мониторинга состояния производственного оборудования.

Некоторые функции компьютерного зрения превосходят возможности человеческого зрения, что подтверждает его высокую актуальность и потенциал для дальнейшего развития [7].

Системы компьютерного зрения (СКЗ) способны решать широкий спектр задач, которые можно классифицировать на четыре основные категории, как показано на рисунке 1 [6].

Рис. 1. Основные задачи машинного зрения

1. Определение положения.

Задача этой группы – определить пространственное расположение объекта относительно внешней системы координат или статическое положение объекта (положение относительно собственной системы координат). Полученная информация передается в систему управления или контроллер. Примером может служить погрузочно-разгрузочный робот, который определяет оптимальную базовую систему координат для захвата и перемещения объектов.

2. Измерение.

В этой группе основная задача видеокамеры – измерение физических параметров объекта, таких как объем, линейные размеры, диаметр, кривизна, площадь, высота и количество. Например, измерение различных диаметров горлышка стеклянной бутылки.

3. Инспекция.

Цель задач этой группы – проверка соответствия объекта заданным параметрам. Например, наличие этикетки на бутылке, болтов для сборки, шоколадных конфет в коробке или обнаружение дефектов в изделии.

4. Идентификация.

Задачи этой группы связаны с распознаванием различных кодов (штрих-кодов, 2D-кодов и т.п.) видеокамерой или системным контроллером. Также сюда относят задачи безопасности, такие как идентификация личности и техники, детекторы движения.

Исходя из решаемых задач компьютерного зрения, можно выделить многочисленные области его применения. Однако, текущая структура спроса ограничена возможностями современных систем.

Рис. 2. Структура рыночного спроса

По данным рисунка 2 (источник: [7]), рынок спроса на системы компьютерного зрения выглядит следующим образом:

• 50% систем используются для контроля качества, решая задачи инспекции. Это включает визуальный контроль процессов производства, цвета и качества поверхности, внешнего вида упаковки, этикеток, уровня жидкости в таре и т.д. Примерно 10% этих задач выполняются с использованием трехмерного зрения.
• 20% спроса приходится на системы автоматизации производства и внедрения промышленных роботов. Такие системы упрощают высокоточные операции (сборка, разборка, фасовка, покраска, сварка, утилизация), облегчают транспортировку грузов, используются в системах учета, маркировки, регистрации и сортировки продукции. Таким образом, СКЗ выполняют как инспекционные, так и задачи распознавания для корректной работы робота.
• 17% продаж составляют OCR/OCV-системы распознавания печатных символов и штрих-кодов, решающие задачи идентификации.
• На долю непроизводственных (развлекательных, бытовых, исследовательских) роботов приходится 13%.

В пищевой промышленности применение СКЗ только начинается. В настоящее время они востребованы для контроля качества и инспекции бисквитов на кондитерской линии со скоростью 60 штук в секунду, а также для визуального контроля и управления производством продуктов питания (учет, считывание штрих-кодов) [8].

В системе компьютерного зрения для решения поставленных задач применяются различные технологии и методы обработки изображений [9].

Основные методы обработки изображений:

• Подсчёт пикселей: Осуществляет подсчёт количества светлых или тёмных пикселей, на основе чего делаются выводы об изображении.
• Выделение связанных областей: Связанная область изображения представляет собой тип объекта, тесно связанный с растровым изображением (представление изображения в виде двумерного массива точек), и одновременно являющуюся самостоятельной единицей для дальнейшего геометрического, логического, топологического и иного анализа.
• Бинаризация: Преобразование изображения в серых тонах в бинарное (белые и чёрные пиксели).
• Гистограмма и гистограммная обработка: Гистограмма характеризует частоту встречаемости на изображении пикселей одинаковой яркости.
• Сегментация: Используется для поиска и/или подсчёта деталей. Сегментация изображения заключается в его разделении на области, не похожие по какому-либо признаку. Предполагается, что области соответствуют реальным объектам или их частям, а границы областей – границам объектов.
• Чтение штрих-кодов: Декодирование одномерных и двумерных кодов, разработанных для считывания или сканирования машинами.
• Оптическое распознавание символов: Автоматизированное чтение текста, например, серийных номеров.
• Измерение размеров объектов: Определение размеров объектов в дюймах или миллиметрах.
• Сопоставление шаблонов: Поиск, подбор и/или подсчёт конкретных моделей.
• Инвариантные алгоритмы: Обнаружение и сопоставление точечных особенностей на изображениях.
• Методы идентификации личности по радужной оболочке глаза.
• Различные методы восстановления формы объекта по изображениям.

Системы компьютерного зрения как правило, применяют последовательное сочетание различных методов обработки изображений для осуществления полного контроля качества.

К примеру, система, считывающая штрих-код, может дополнительно проверить поверхность объекта на наличие царапин или повреждений и измерить его линейные размеры.

В пищевой промышленности СКЗ играют важную роль в решении одной из ключевых задач: автоматического контроля качества сырья, полуфабрикатов и готовой продукции в режиме реального времени, а также в выявлении брака.

Важнейшим аспектом применения СКЗ в этой области является получение цифрового изображения объекта, его обработка с целью выделения существенной информации и последующий математический анализ полученных данных для решения поставленных задач контроля качества.

Рис. 3. Компоновка типовой системы компьютерного зрения

Компоненты системы компьютерного зрения

Рисунок 3 демонстрирует типовую компоновку системы компьютерного зрения (СКЗ). В состав СКЗ входят одна или несколько цифровых или аналоговых видеокамер 1 (черно-белых или цветных) с соответствующим объективом 2 для получения изображений, система подсветки 3 и сам объект 4. Для визуализации результатов используются устройства ввода/вывода или каналы связи.

Не менее важной является программная составляющая СКЗ. К ней относятся:

• программное обеспечение для подготовки изображений к обработке (для аналоговых камер – оцифровщик изображений);
• специализированные приложения для обработки изображений и обнаружения соответствующих свойств.

Матрица чувствительных элементов видеокамеры предназначена для получения цифрового изображения. В состав матрицы входят множество аналого-цифровых преобразователей, преобразующих информацию о световой интенсивности в цифровые значения.

Объектив камеры позволяет сфокусироваться на определенном расстоянии и получить четкое изображение объекта. Если объект находится вне фокусного расстояния, изображение становится нерезким, что затрудняет обработку видеоряда. В отличие от обычных цифровых фотоаппаратов с автофокусом, в СКЗ используется оптика с фиксированным фокусным расстоянием или ручной настройкой фокуса. Существуют различные типы объективов для решения специфических задач (стандартные, телескопические, с широким углом обзора, с увеличением и др.), и выбор правильного типа оптики является важным этапом проектирования СКЗ.

Подсветка играет ключевую роль в системах компьютерного зрения. Использование различных типов освещения расширяет возможности СКЗ в решении задач. Наиболее распространённым типом подсветки является светодиодный, благодаря своей высокой яркости. Современные светодиодные технологии обеспечивают продолжительный срок службы и низкое энергопотребление.

Рис. 4. Последовательность действий системы компьютерного зрения

Рисунок 4 иллюстрирует принцип работы СКЗ при выявлении дефектов в изделии. Полученное с камеры изображение поступает в захватчик кадров или напрямую в память компьютера. Захватчик кадров преобразует аналоговый сигнал с камеры в цифровой формат (обычно двумерный массив чисел) и сохраняет его в памяти компьютера для последующей обработки программным обеспечением компьютерного зрения [10].

Системы компьютерного зрения играют всё большую роль в автоматизации контроля качества продукции питания. Как правило, алгоритмы обработки изображений в СКЗ включают несколько этапов.

Во-первых, изображение подвергается предварительной обработке, например, удалению шума или бинаризации (преобразованию в черно-белое изображение). Затем программа производит измерения, идентифицирует объекты, определяет их размеры, дефекты и другие характеристики. На последнем этапе система принимает решение о приемке или отклонении изделия на основании заданных критериев. Если изделие не соответствует требованиям качества, СКЗ генерирует сигнал для механического устройства, отклоняющего бракованную продукцию, или останавливает производственную линию и сообщает оператору причину дефекта.

В то время как большинство СКЗ используют черно-белые камеры, применение цветных камер становится всё более распространенным. Кроме того, цифровые камеры прямого подключения постепенно вытесняют камеры с отдельными устройствами захвата кадров, что снижает затраты и упрощает систему.

Использование СКЗ в пищевой промышленности, высокоскоростная обработка изображений исследуемых изделий и онлайн-обнаружение дефектов являются актуальными направлениями исследований. Необходимы более глубокие исследования в области разработки высокотехнологичных автоматизированных интеллектуальных экспертных систем контроля качества пищевого сырья, полуфабрикатов и готовой продукции.

Основой таких исследований может стать разработка математического и программного обеспечения для подобных комплексов.

Литература

1. Благовещенская, М. М. Информационные технологии систем управления технологическими процессами/М. М. Благовещенская, Л. А. Злобин. – М.: Высшая школа, 2005. – 768 с.
2. Благовещенская, М. М. Идентификационный аспект в методологии создания систем управления технологическими объектами с нестационарными параметрами/М. М. Благовещенская, В. В. Ма- каров // Вестник Воронежского государственного университета инженерных технологий. – 2014. – № 1. – С. 85–90.
3. Благовещенская, М. М. Основы стабилизации процессов приготовления многокомпонентных пищевых масс: монография/М. М. Благовещенская. – М.: ООО «Франтера», 2009. – 281 с.
4. Казаринов, Л. С. Автоматизированные информационно-управляющие системы: учеб. пособие/Л. С. Казаринов, Д. А. Шнайдер, Т. А. Барбасова. – Челябинск: Изд-во ЮУрГУ, 2008. – 320 с.
5. Благовещенский, И. Г. Автоматизация контроля органолептических показателей качества шоколадных изделий/И. Г. Благовещенский, А. В. Шаверин, М. М. Благовещенская // Материалы первой международной научно-практической конференции-выставки «Планирование и обеспечение подготовки и переподготовки кадров для отраслей пищевой промышленности и медицины». – М.: МГУПП, 2012. – С. 209–212.
6. Данилова, М. А. Автоматизированная система учета сыпучих пищевых продуктов / М. А. Данилова [и др.] // Хранение и переработка сельхозсырья. – 2012. – № 6. – С. 63–66.
7. Благовещенская, М. М. Методология разработки основ моделирования и диагностики гидромеханических систем пищевых производств по их динамическим характеристикам/М. М. Благовещенская, В. Д. Сулимов, П. М. Шкапов // Мат-лы XVII международной научно-метод. конф. «Высокие интеллектуальные технологии и инновации в образовании и науке». – СПб.: Изд-во Политехн. ун-та, 2010. Т. 2. – С. 95–98.
8. Благовещенская, М. М. Вычитание изображений в программе MATLAB/М. М. Благовещенская, Я. В. Ива- нов // Сб. докладов IV международной конференции-выставки «Высокоэффективные пищевые технологии, методы и средства для их реализации». – М.: МГУПП, 2006. Ч. 2. – С. 130–132.
9. Иванов, Я. В. Использование цифровых видеокамер в системах автоматического управления технологическими процессами пищевых производств/Я. В. Иванов, М. М. Благовещенская // Сб. мат- лов V юбилейной школы-конференции с международным участием «Высокоэффективные пищевые технологии, методы и средства для их реализации». – М.: МГУПП, 2007. – С. 347–349.
10. Благовещенская, М. М. Математическое моделирование движения жгута пищевой массы после горизонтального прессования / М. М. Благовещенская, Я. В. Иванов // Журнал научных публикаций аспирантов и докторантов. – 2008. – № 6. – С. 164–166.
11. Благовещенская, М. М. Использование интеллектуального датчика в системе автоматического управления технологическими процессами/М. М. Благовещенская, Я. В. Иванов // Сб. докладов Х международной научно-практической конф. «Автоматизация и информационное обеспечение производственных процессов в сельском хозяйстве». – М.: ГНУ ВИМ Россельхозакадемии, 2008. – Ч. 2. – С. 448–451.