В индустрии переработки морепродуктов обеспечение чистоты и безопасности консервированного тунца имеет решающее значение. Даже мельчайшие посторонние частицы — будь то металл , пластик или кость — могут поставить под угрозу качество, безопасность и репутацию бренда.
Для решения этой проблемы наш клиент, ведущая компания по переработке и упаковке тунца, внедрил технологию искусственного интеллекта и глубокого обучения для контроля и классификации в режиме реального времени.
Классификация и обнаружение дефектов в консервных банках с тунцом на основе искусственного интеллекта используют передовые технологии компьютерного зрения для автоматизации контроля качества, заменяя ручную проверку, которая подвержена ошибкам. Современные системы, интегрированные в производственные линии, ориентированы на проверку целостности упаковки и чистоты продукции для обеспечения безопасности и сохранения репутации бренда.
Основные технологии и модели
Недавние исследования освещают несколько высокопроизводительных архитектур ИИ, используемых в этой области:
- YOLOv5 и YOLOv8: Широко используются для обнаружения неисправностей в крышках банок и кольцах с механизмом легкого открывания в режиме реального времени. Усовершенствованные версии, такие как RCT-YOLOv8, используют механизм внимания Transformer для повышения точности обнаружения в сложных условиях.
- Twins Transformer: Используется для семантической сегментации и классификации дефектов с высокой средней точностью пикселей (mPA) до 93,96%.
- Локальные бинарные шаблоны (LBP) и персептрон: эффективны для выявления проблем с герметичностью, обеспечивая точность около 0,85.
- Улучшенная U-Net: включает механизмы внимания CBAM для точной резки и извлечения текстурных признаков.
Ключевые параметры обнаружения
Системы предназначены для обнаружения различных дефектов на разных этапах:
- Целостность упаковки: проверка герметичности запайки, выявление дефектов в виде скручивания или тройного шва, а также обеспечение наличия ушных петель.
- Проверка этикеток: Использование OCR (оптического распознавания символов) для проверки точности и правильности расположения текста на этикетке.
- Обнаружение загрязнений: выявление посторонних материалов, таких как металл, пластик или кости, внутри изделия.
- Классификация состояния: Определение степени тяжести дефектов (обычно по шкале от 0 до 4) для оценки готовности продукции к экспорту.
Типовая архитектура системы
Типичные промышленные внедрения следуют структурированному рабочему процессу:
- Оборудование: Конвейерная лента перемещает банки мимо датчиков приближения и высокоскоростных камер (часто это система из 8 камер с обзором на 360º для полного охвата).
- Обработка: Модели ИИ запускаются на периферийных вычислительных устройствах, таких как Raspberry Pi 4, или на облачных платформах (например, Google Cloud).
- Действие: Роботизированная рука или сортировочный механизм автоматически удаляют бракованные банки с линии на основе классификации, выполненной с помощью искусственного интеллекта.
- Интеграция данных: Инструменты Индустрии 4.0, такие как Node-RED и Grafana, используются для мониторинга в реальном времени и ведения учета.
В данной статье иы рассмотрим усовершенствованную систему машинного зрения на основе глубокого обучения для анализа консервных банок с тунцом — обнаружение загрязнений, посторонних материалов и производственных дефектов с практически идеальной точностью.
Задача
Традиционные методы визуального контроля — ручные или полуавтоматические — не позволяли обнаруживать едва заметные примеси в мясе тунца.
Клиенту требовалась неинвазивная, высокоскоростная система контроля, способная выявлять различные типы загрязнений и дефектов до герметизации банок.
Система, необходимая для классификации и обнаружения:
- Картонная упаковка (остатки упаковочного материала)
- Кости ( позвонки )
- Металлические фрагменты
- Бумага
- Остатки на коже ( кожа )
- Пластмассы
- Темная ткань (Сангачо)
- Пустые банки
К дополнительным проблемам относились:
- Высокопроизводительные производственные линии (до 250 банок в минуту)
- Влажные, отражающие поверхности , искажающие визуальные показания.
- Необходимость полной автоматизации с минимальным участием оператора.
Разработанное решение
Мы внедрили собственную систему классификации на основе глубокого обучения с использованием системы машинного зрения, специально обученную для контроля качества консервированных морепродуктов.
1. Многоклассовое обнаружение
Каждая банка анализируется с помощью множества контрольных точек визуального контроля, оснащенных высокоскоростными камерами и процессорами искусственного интеллекта на периферии сети.
Система классифицирует каждую единицу в одну из заданных категорий — картон, кости, металл, бумага, кожа, пластик, темная ткань или пустая банка — с точностью более 99% .
2. Сортировка в реальном времени
Данные проверки мгновенно обрабатываются на производственной линии. Банки, в которых обнаружены посторонние материалы или неправильное содержимое, автоматически отбираются, что гарантирует, что на укупорку и маркировку поступают только соответствующие требованиям изделия.
3. Адаптивное обучение
Модель искусственного интеллекта непрерывно обучается на новых образца, адаптируясь к изменениям цвета, текстуры и освещения продукта, что исключает необходимость ручной перекалибровки.
4. Бесшовная интеграция
Система напрямую интегрируется с существующими конвейерами и системами управления производством, поддерживая скорость линии без простоев.
Результаты внедрения
После внедрения системы клиент добился значительных улучшений в контроле качества и повышении эффективности производственных процессов:
- Точность обнаружения по всем категориям загрязняющих веществ составляет 99,95%.
- С момента внедрения не было зафиксировано ни одного случая несоблюдения требований.
- Снижение затрат на ручную проверку на 35%.
- Непрерывная круглосуточная работа с минимальным техническим обслуживанием.
- Срок окупаемости менее 9 месяцев
Автоматизированная проверка не только повысила безопасность продукции и надежность бренда, но и оптимизировала отслеживаемость данных, позволив вести полную цифровую регистрацию каждой проверенной банки.
Ключевые результаты
- Многоклассовое обнаружение 8 типов дефектов и загрязнений.
- Высокоскоростная проверка в режиме реального времени с точностью на основе искусственного интеллекта.
- Автоматическая отбраковка бракованных банок.
- Повышение уровня соблюдения требований безопасности и эффективности производства.
- Бесшовная интеграция в существующие системы автоматизации производства.
Значение для отрасли
Данная реализация знаменует собой важный шаг вперед в автоматизации обеспечения безопасности пищевых продуктов. Благодаря сочетанию глубокого обучения, промышленного зрения и систем принятия решений в реальном времени , решение обеспечивает беспрецедентный уровень надежности при контроле качества консервированных продуктов, помогая производителям соответствовать мировым стандартам качества, сохраняя при этом конкурентоспособные темпы производства.
