Inspeção visual da codificação de garrafas de bebidas: como os "olhos perspicazes" das máquinas protegem a qualidade do produto e a segurança do consumidor.

Numa linha de produção que fabrica 300 garrafas por minuto, um pequeno defeito de programação pode levar a uma enorme crise para a marca. Os sistemas de inspeção baseados em aprendizagem profunda e visão computacional estão a tornar-se os heróis desconhecidos deste ponto de controlo de qualidade.

Na linha de produção de bebidas de alta velocidade, as garrafas movem-se num fluxo contínuo. Pouco antes de serem embaladas e enviadas, um "olho" especial examina cuidadosamente a informação de codificação em cada recipiente: data de produção, número de lote, data de validade... Este "olho" pertence ao sistema de inspeção por visão por computador.

Em situações em que a inspeção manual é propensa à fadiga e a omissões, protege, de forma incansável e precisa, a última linha de defesa da qualidade do produto.

1. A Importância e os Desafios da Inspeção da Codificação A codificação nas embalagens de bebidas é um elo vital de informação entre produtores e consumidores. Estas marcações, que contêm informações como a data de produção, o prazo de validade e o número de lote, não são apenas o principal canal para os consumidores obterem informações sobre o produto, mas também a base para as empresas construírem sistemas de rastreabilidade da qualidade.

Qualquer problema de qualidade na impressão a jato de tinta pode ter consequências graves: datas desfocadas podem levar os consumidores a ingerir acidentalmente produtos fora de prazo; números de lote incorretos podem causar confusão durante a recolha de produtos; a ausência de códigos de impressão a jato de tinta pode mesmo impedir a venda de todo o lote de produtos.

Em ambientes de produção reais, a qualidade da impressão a jato de tinta é afetada por diversos fatores. Por exemplo, a estrutura côncava na parte inferior de uma lata acumula água com facilidade e, se o dispositivo de sopro de água não estiver bem ajustado, isto pode resultar em códigos desfocados ou em falta. O entupimento dos bicos da impressora a jato de tinta pode causar falhas de impressão ou codificação incompleta. O desalinhamento do sensor ou da cabeça de impressão pode resultar num posicionamento incorreto da codificação.

Os métodos tradicionais de inspeção manual são inadequados para os desafios das linhas de produção de alta velocidade. Com uma taxa de produção de 300 garrafas por minuto, o tempo disponível para a inspeção de cada produto é inferior a 0,2 segundos — muito além da capacidade de reconhecimento contínuo do olho humano. Por conseguinte, os sistemas automatizados de inspeção por visão estão a tornar-se equipamentos essenciais para os fabricantes de bebidas.

2.º Evolução Tecnológica: Dos Métodos Tradicionais à Aprendizagem Profunda. A inspeção inicial das impressões a jato de tinta empregava principalmente tecnologia tradicional de visão por computador. Estes métodos apresentavam um bom desempenho ao lidar com fundos simples e imagens de alto contraste, detetando rapidamente defeitos evidentes de impressão a jato de tinta. Os métodos tradicionais baseiam-se frequentemente em modelos e regras predefinidos, empregando pré-processamento de imagem, extração de características e reconhecimento de padrões para realizar a deteção. Por exemplo, alguns sistemas utilizam algoritmos como o processamento morfológico, a deteção de bordos e a correspondência de modelos para identificar e verificar caracteres impressos a jato de tinta.

No entanto, com a crescente diversidade no design das embalagens de bebidas e a complexidade dos ambientes de produção, as limitações dos métodos tradicionais estão a tornar-se cada vez mais evidentes. Fundos complexos, superfícies refletoras e condições de iluminação variáveis ​​impactam significativamente o desempenho de deteção dos algoritmos tradicionais.

Nos últimos anos, surgiram métodos de deteção baseados na aprendizagem profunda, demonstrando vantagens significativas. Os modelos de aprendizagem profunda podem aprender automaticamente características a partir de grandes quantidades de dados, exibindo uma maior adaptabilidade a cenários complexos e ambientes em constante mudança.

Uma equipa de investigação da Universidade de Hunan desenvolveu uma rede de deteção de alvos chamada BBE, otimizada para caracteres impressos a jato de tinta em fundos complexos. Em experiências, alcançou uma precisão de 0,9985 com um tempo de deteção de imagem única de apenas 72 milissegundos.

Num outro estudo, os investigadores propuseram o CodeNet combinado com o algoritmo SSD, conseguindo uma precisão de previsão de 0,994 com um tempo de processamento de aproximadamente 36 milissegundos por frame. Estas métricas de desempenho já atendem às exigências das modernas linhas de produção de alta velocidade.

3. Componentes Essenciais de um Sistema de Inspeção Visual

Um sistema completo de inspeção visual para impressão a jato de tinta é normalmente constituído por duas partes: hardware e software. O hardware inclui um sistema de imagem, um sistema de iluminação e uma unidade de processamento, enquanto o software é responsável pela análise da imagem e pela emissão de relatórios de decisão.

O sistema de imagem é o "olho" da inspeção visual. Para captar imagens de impressão a jato de tinta a alta velocidade, as câmaras industriais necessitam de alta resolução e altas taxas de fotogramas. As câmaras inteligentes como a Cognex In-Sight Micro 1400 são compactas e podem ser integradas em linhas de produção com espaço limitado, oferecendo ao mesmo tempo poderosas capacidades de processamento.

O sistema de iluminação é crucial para a qualidade da imagem. Uma iluminação adequada pode realçar a área de impressão a jato de tinta e reduzir a interferência de reflexos e sombras. Para recipientes metálicos, como as latas de alumínio, são frequentemente utilizadas fontes de luz integradoras esféricas, uma vez que as suas paredes internas hemisféricas, com o seu efeito integrador, refletem a luz uniformemente, resultando numa imagem uniforme.

Em termos de algoritmos de software, os sistemas de inspeção modernos empregam normalmente um fluxo de processamento de várias etapas. Em primeiro lugar, a área de impressão a jato de tinta é localizada utilizando um modelo de deteção de alvos; de seguida, é realizado o pré-processamento da imagem; e, por fim, a tecnologia OCR é utilizada para reconhecer o conteúdo dos caracteres.

Os métodos de aprendizagem profunda definem frequentemente a deteção de impressão a jato de tinta como uma tarefa de deteção de alvos, realizando tanto a localização como o reconhecimento numa única etapa. Por exemplo, um modelo baseado em YOLOv5s pode determinar a presença de defeitos enquanto deteta a área de impressão a jato de tinta.

A integração do sistema é também uma consideração fundamental. Um excelente sistema de deteção deve ser capaz de se integrar perfeitamente com sistemas de controlo industrial, como os PLC, permitindo a rejeição automática de produtos defeituosos, ao mesmo tempo que regista dados estatísticos e gera relatórios para fornecer suporte de dados à gestão da produção.

4. Principais tipos de defeitos de impressão a jato de tinta e estratégias de algoritmos de deteção correspondentes

Os defeitos de impressão a jato de tinta são diversos, exigindo que o sistema de deteção possua capacidades de avaliação multifacetadas. Os principais tipos de defeitos incluem falhas de impressão, falhas parciais de impressão, impressão incompleta, impressão desfocada, posicionamento incorreto e erros de conteúdo.

Para detetar falhas de impressão, o sistema necessita primeiro de determinar se existe impressão a jato de tinta na superfície do produto. Isto é geralmente feito treinando um modelo de deteção de alvos; algoritmos como o YOLOv5s conseguem localizar a área de impressão a jato de tinta de forma rápida e precisa. Se não for identificada nenhuma área com caracteres, o sistema irá classificá-la como um defeito de "falha de impressão".

Para falhas parciais de impressão, o sistema necessita de verificar se o número real de caracteres corresponde ao esperado. A tecnologia de reconhecimento ótico de caracteres (OCR) desempenha um papel crucial nesta fase. Mecanismos como o Tesseract-OCR conseguem identificar e contar o número de caracteres de uma imagem; quando o número de caracteres não corresponde, considera-se que houve uma falha parcial de impressão.

A avaliação da qualidade da ilustração é uma tarefa mais complexa. O sistema precisa de verificar a clareza e a integridade de cada caractere. Os métodos de correspondência de modelos baseados em formas podem calcular o grau de correspondência entre o caractere de destino e o caractere de modelo, utilizando normalmente 0,85 como limiar para determinar a aceitação.

Para erros de conteúdo, o sistema necessita de comparar o conteúdo do caractere identificado com a informação esperada. Isto exige que o sistema aceda à informação correta numa base de dados e realize a comparação em tempo real.

A vantagem dos métodos de aprendizagem profunda reside na sua capacidade de lidar simultaneamente com a deteção de múltiplos tipos de defeitos. Através do treino de ponta a ponta, o modelo pode aprender diferentes características dos defeitos, conseguindo uma deteção mais abrangente e precisa.

5. Aplicações inovadoras de aprendizagem profunda na deteção de ilustrações

A aprendizagem profunda trouxe mudanças revolucionárias para a deteção por jato de tinta, permitindo lidar com cenários complexos que eram anteriormente difíceis de gerir. A rede de deteção de objetos BBE é um exemplo típico de aplicação da aprendizagem profunda nesta área; esta rede é constituída por uma rede de extração de características, uma rede de fusão de características e redes de classificação e regressão.

A rede de extração de características é construída sobre os módulos principais do EfficientNet, combinando um design leve com fortes capacidades de extração de características. Este design permite que o modelo identifique com precisão caracteres impressos a jato de tinta em fundos complexos, mantendo um processamento de alta velocidade.

O aumento de dados é uma estratégia fundamental para melhorar o desempenho dos modelos de aprendizagem profunda. Para lidar com os problemas de conjuntos de dados de imagens de jato de tinta limitados e amostras positivas e negativas desequilibradas, os investigadores utilizaram operações morfológicas e outros algoritmos para gerar um grande número de amostras com defeitos e combinaram diversos métodos de aumento de dados para melhorar a diversidade dos dados.

A aprendizagem por transferência é também um método eficaz para melhorar o desempenho do modelo. Ao pré-treinar o modelo num conjunto de dados de grande escala e, em seguida, ajustá-lo para a tarefa de deteção de jato de tinta, a velocidade de convergência e a capacidade de generalização do modelo podem ser significativamente melhoradas.

O método desenvolvido pela equipa de investigação da Universidade Hohai combina as vantagens das técnicas tradicionais de visão computacional e aprendizagem profunda. Utilizaram o YOLOv5s para localizar a região de impressão a jato de tinta e, em seguida, empregaram métodos tradicionais de OCR e correspondência de modelos para uma avaliação de qualidade precisa. Esta abordagem híbrida apresentou bons resultados na prática.

Outra direção inovadora é o design de redes leves. A rede CodeNet da Universidade de Hunan, otimizada para tarefas de inspeção de impressão a jato de tinta, atinge um tempo de processamento de fotograma único de 36 milissegundos num CPU Intel i5, mantendo uma precisão de previsão de 0,994, equilibrando eficazmente os requisitos de velocidade e precisão.

6. Casos Práticos de Aplicação Industrial e Avaliação de Efeitos O sistema de inspeção visual foi aplicado com sucesso nas linhas de produção de várias empresas de bebidas, trazendo benefícios significativos. Tomando como exemplo uma grande empresa de alimentos e bebidas, esta produz 300 garrafas de bebidas por minuto. Anteriormente, utilizava a inspeção manual por amostragem, enfrentando desafios como elevadas taxas de inspeções perdidas e dificuldades de rastreabilidade.

Após a implementação de uma solução de circuito fechado composta por "impressora jato de tinta laser + sistema de inspeção visual", a empresa conseguiu a inspeção completa em 100% dos produtos, eliminando por completo as reclamações dos clientes causadas por problemas de impressão. O sistema consegue detetar a qualidade da impressão a jato de tinta de cada produto em tempo real e rejeitar prontamente os produtos não conformes.

Em termos de eficiência, a inspeção automatizada liberta toda a capacidade da linha de produção, evitando paragens causadas por problemas de impressão a jato de tinta. Ao mesmo tempo, os relatórios de controlo estatístico de processo gerados pelo sistema ajudam a empresa a realizar a manutenção preditiva, passando de "reparações corretivas" para "manutenção preventiva".

Os benefícios económicos são igualmente significativos. As máquinas de marcação a laser eliminam a necessidade de consumíveis como a tinta, reduzindo os custos operacionais a longo prazo. A inspeção automatizada reduz a dependência do pessoal de controlo de qualidade e evita o desperdício de materiais de embalagem subsequentes.

Um determinado sistema de inspeção de marcação de fundo de latas de alumínio atingiu uma velocidade de processamento de 72.000 latas por hora com uma taxa de precisão de 99,99%. Utilizando câmaras inteligentes Cognex e o software de visão In-Sight, o sistema consegue adaptar-se a alterações no conteúdo e na localização da marcação, detetando com fiabilidade diversos defeitos de marcação.

Estes casos de sucesso demonstram que os sistemas de inspeção visual não só melhoram a qualidade do produto, como também trazem retornos económicos consideráveis, ajudando as empresas a alcançar a transformação e a modernização da manufatura inteligente.

7. Tendências e desafios do desenvolvimento futuro

Apesar dos avanços significativos na tecnologia de inspeção visual, ainda existem diversos desafios e oportunidades de desenvolvimento. Os efeitos de imagem em embalagens especiais, como superfícies metálicas e materiais refletores, ainda têm de ser melhorados, o que exige a otimização das fontes de luz e dos esquemas de formação de imagens.

A aprendizagem com poucos exemplos é outra direção importante. Na produção real, o número de amostras defeituosas é limitado; como treinar modelos de alto desempenho com um tamanho de amostra pequeno é um desafio significativo para aplicações industriais.

As tendências futuras de desenvolvimento incluem uma integração de sistemas mais estreita. Por exemplo, as máquinas de marcação a laser e os sistemas de inspeção visual formam um circuito fechado inteligente, ajustando os parâmetros de marcação em tempo real para dar um salto da "deteção" para a "prevenção".

A implementação em sistemas embebidos é outra tendência significativa. A implementação de algoritmos em dispositivos de edge, como câmaras inteligentes, reduz a dependência de unidades centrais de processamento, melhorando a velocidade de resposta e a fiabilidade do sistema.

Além disso, a fusão multimodal apresenta amplas perspetivas de aplicação. A combinação das tecnologias de visão 2D e 3D permite uma avaliação mais abrangente da qualidade da marcação. A introdução de algoritmos de deteção de anomalias baseados na aprendizagem profunda pode potencialmente revelar defeitos subtis que são difíceis de detetar pelo olho humano.

Com o desenvolvimento contínuo da tecnologia, os sistemas de inspeção visual tornar-se-ão mais inteligentes e eficientes, oferecendo um maior suporte ao controlo de qualidade na indústria das bebidas.

Numa linha de produção de bebidas, uma secção equipada com um sistema de inspeção visual opera sem problemas. Cada garrafa de bebida faz uma breve pausa antes de passar pela câmara de inspeção, onde é captada uma imagem de alta definição. O sistema completa a análise e a avaliação em milissegundos; os produtos aprovados seguem em frente, enquanto os defeituosos são automaticamente rejeitados.

Esta linha de produção pode processar mais de 50.000 garrafas de bebidas por hora com uma precisão de inspeção de 99,99%, ultrapassando em muito os limites da inspeção manual.

Com a popularização da tecnologia de fabrico inteligente, este sistema de controlo de qualidade em circuito fechado de "identificação-inspeção-feedback-execução" está a expandir-se da indústria de bebidas para muitos outros setores, como o alimentar, os produtos farmacêuticos e a eletrónica.