Inspeção visual de defeitos superficiais em tampas de garrafas de plástico: princípios técnicos, construção do sistema e prática de aplicação.

Nas linhas de enchimento de alta velocidade para bebidas, alimentos, produtos farmacêuticos e químicos de uso diário, as tampas de garrafas de plástico, como componentes essenciais que entram em contacto direto com o conteúdo e garantem uma selagem segura, são de importância primordial em termos de qualidade. Mesmo um pequeno defeito superficial — como riscos, manchas, bolhas, falta de material ou erros de impressão — não só afeta a aparência do produto e a imagem da marca, como também pode levar a problemas de qualidade graves, como uma selagem inadequada, fugas ou contaminação. Os métodos tradicionais de amostragem manual são ineficientes, propensos à fadiga, altamente subjetivos e apresentam uma elevada taxa de inspeções perdidas, não atendendo à procura moderna da indústria por "zero defeitos". Por conseguinte, a tecnologia automatizada de inspeção de defeitos superficiais baseada em visão por computador tornou-se um elemento central indispensável para garantir a qualidade da produção de tampas de garrafas.

I. Tipos de defeitos e desafios de deteção

Antes de conceber a tecnologia, é essencial identificar os tipos comuns de defeitos superficiais nas tampas de garrafas de plástico e as suas características:

1. Defeitos estéticos:

Arranhões/Abrasões: Ocorrem durante o transporte ou moldagem, apresentando-se como riscas irregulares claras/escuras.

1. Manchas/Objetos Estranhos: Aderência de óleo, pó ou outras impurezas, que aparecem como manchas que não combinam com a cor de fundo.

2. Bolhas/Estrias Prateadas: Causadas por um processo de moldação por injeção inadequado; as bolhas aparecem como manchas escuras arredondadas e as estrias prateadas como linhas brilhantes radiais.

3. Falta de material/Encolhimento: Causado por moldagem por injeção incompleta, resultando num formato incompleto da tampa ou mossas localizadas.

4. Rebarbas/Flashes: Excesso de plástico nas arestas provocado por folgas no molde, que geralmente aparecem nas linhas de junção ou nas arestas.

2. Defeitos dimensionais e estruturais:

3.º Desvios dimensionais: Fora da tolerância: Dimensões importantes, como o diâmetro interno/externo, a altura e o número de dentes, não cumprem as normas.

4. Empenamento/Deformação: A tampa está dobrada, total ou parcialmente, afetando a vedação da rosca.

5. Ruptura/Incompletude da Ponte de Ligação: Nas tampas com múltiplas ligações (como tampas de água mineral), a ponte de ligação (ponto de ligação do anel anti-roubo) está ausente ou é muito frágil.

3.º Defeitos de impressão e rotulagem:

Impressão incorreta/errada: Informação em falta ou incorreta, como o logótipo da marca, data de produção e número de lote.

Caracteres ilegíveis/Efeito fantasma: Impressão desfocada, linhas quebradas, difusão de tinta.

Desalinhamento de cores: Desalinhamento de cores durante a impressão multicolorida.

Desvio de cor: Diferença de cor significativa em relação à amostra de cor padrão.

Desafios principais:

• Elevada refletividade: As superfícies plásticas lisas podem facilmente criar pontos de luz intensos se a fonte de luz não estiver corretamente posicionada, mascarando defeitos reais.

• Inspeção a alta velocidade: As velocidades das linhas de produção atingem frequentemente 1000 a 3000 peças por minuto, exigindo que o sistema de visão complete a captura de imagens, o processamento e a avaliação num tempo muito curto.

• Diversidade de defeitos: As formas, tamanhos, localizações e contrastes dos defeitos variam muito, exigindo algoritmos com forte capacidade de generalização.

• Interferência de fundo: As próprias tampas de garrafa podem ter texturas, padrões ou cores complexas, que precisam de ser distinguidas dos defeitos reais.

II. Componentes Essenciais de um Sistema de Inspeção Visual

Um sistema completo de inspeção visual de defeitos na superfície das tampas de garrafas consiste normalmente em duas partes principais: hardware e software.

(I) Sistema de hardware

1. Unidade de Imagem:

Câmara Industrial: Os "olhos" do sistema. Selecione a opção mais adequada às suas necessidades de inspeção:

▪ Câmara de Varrimento de Área: Utilizada para inspecionar o aspeto, a impressão e as dimensões da parte superior e das laterais das tampas de garrafa. Alta resolução para captar defeitos mínimos.

▪ Câmara de Varrimento Linear: Realiza varrimento contínuo à medida que as tampas de garrafa passam a alta velocidade, sendo particularmente adequada para imagens panorâmicas de 360° de paredes laterais, proporcionando uma junção de imagens perfeita.

Lentes industriais: A distância focal adequada deve ser selecionada com base no campo de visão (FOV), na distância de trabalho (WD) e na resolução. As lentes telecêntricas reduzem os erros de perspetiva e são a escolha preferencial para medições dimensionais de precisão.

2.º Sistema de Iluminação: A "alma" de uma inspeção visual bem-sucedida. A sua principal função é realçar as características dos defeitos e suprimir a interferência do fundo.

Tipos comuns de fontes de luz:

▪ Fonte de luz circular: Ilumina uniformemente em todos os lados, adequada para a inspeção geral de áreas planas na superfície superior.

▪ Fonte de Luz Dome/Fonte de Luz Dome Sem Sombra: Proporciona uma iluminação extremamente uniforme através de um difusor hemisférico, uma ferramenta poderosa para resolver o problema da elevada refletividade em tampas de garrafas de plástico, eliminando perfeitamente os reflexos e realçando a textura da superfície e defeitos tridimensionais (como riscos e amolgadelas).

▪ Fonte de luz coaxial: O feixe de luz é paralelo ao eixo ótico da câmara através de um divisor de feixe, sendo particularmente adequado para detetar riscos e irregularidades em superfícies lisas.

▪ Retroiluminação: A tampa da garrafa é colocada entre a fonte de luz e a câmara para produzir um contorno de alto contraste, utilizado para medição dimensional, deteção de falta de material e deteção de objetos estranhos.

▪ Fonte de luz combinada em formato de barra: As luzes são emitidas a partir de um ângulo específico para realçar o contraste dos caracteres laterais ou das estruturas 3D.

Estratégias de Iluminação: São comummente utilizados esquemas de iluminação combinada com múltiplas fontes e ângulos. Por exemplo, a iluminação em cúpula é utilizada para inspecionar a aparência da superfície superior, a iluminação lateral ilumina a partir da lateral para inspecionar a impressão na parede lateral e a iluminação traseira é utilizada para a deteção de contornos. Através do acionamento por divisão de tempo, um único sistema pode executar múltiplas tarefas.

3. Unidade de Sincronização e Controlo:

Sensores: Os sensores fotoelétricos ou codificadores são utilizados para acionar a câmara e tirar uma fotografia quando a tampa da garrafa atinge uma posição precisa.

PC Industrial (IPC): O cérebro central que executa software de processamento de imagem e programas de controlo lógico, exigindo recursos de computação poderosos (CPU multi-core, GPU de alto desempenho) e estabilidade de nível industrial.

PLC e mecanismo de triagem: O PLC recebe os resultados da inspeção (OK/NG) do computador de controlo industrial e controla a válvula solenóide, a haste de pressão ou o braço robótico para rejeitar automaticamente os produtos defeituosos.

4. Estrutura Mecânica:

Uma correia transportadora concebida com precisão, um mecanismo de posicionamento (como a roda estrela, o bloco em V) e um dispositivo de rejeição garantem uma postura estável e repetível da tampa da garrafa na posição de captura de imagem.

(II) Software e Algoritmo

O software é o "cérebro" do sistema, responsável pela análise de imagens, extração de características e tomada de decisão final. O fluxo de processamento é normalmente padronizado nas seguintes etapas:

1. Aquisição e pré-processamento de imagens:

Aquisição: Despoletada pelo hardware, é adquirida a imagem em bruto.

Pré-processamento: O objetivo é melhorar a qualidade da imagem e prepará-la para análises subsequentes. Isto inclui:

▪ Filtragem e Remoção de Ruído: Utilização de filtragem gaussiana, filtragem mediana, etc., para eliminar ruídos aleatórios.

▪ Melhoria da imagem: Melhoria do contraste entre defeitos e o fundo através de ajuste de contraste, equalização de histograma, etc.

▪ Correção de distorção: Eliminação da distorção da lente para garantir a precisão das medições.

2. Localização da Região de Interesse (ROI) e Segmentação de Imagem:

Utilizando ferramentas de correspondência de modelos, análise de blobs (análise de componentes ligados) ou pesquisa geométrica, localize rapidamente a posição de cada tampa de garrafa na imagem e segmente-a em diferentes regiões de deteção, como a parte superior, os lados e os dentes.

3. Algoritmos de Extração de Características e Detecção de Defeitos:

Este é o núcleo da tecnologia, que normalmente emprega uma estratégia de fusão multialgorítmica e multinível.

Para defeitos de tamanho/geométricos:

▪ Detecção de bordos (Canny, Sobel): Extrai contornos e realiza a comparação ao nível do pixel com modelos padrão ou medição de dimensões geométricas (diâmetro, circularidade, ângulo).

Para defeitos de aspeto/textura (arranhões, manchas, bolhas, etc.):

▪ Segmentação por Limiarização: Binariza a imagem para separar o primeiro plano (defeito) do fundo. Adequada para defeitos com contraste significativo.

▪ Análise de Texturas: Analise a uniformidade da textura da superfície utilizando algoritmos como a Matriz de Coocorrência de Níveis de Cinza (GLCM) e a filtragem de Gabor para identificar regiões com anomalias de textura.

▪ Análise no Domínio da Frequência: Realiza a transformada de Fourier na imagem para detetar defeitos periódicos ou componentes de frequência anómalas no domínio da frequência.

▪ Método Diferencial/Comparação de Modelo: Realiza uma análise de diferença pixel a pixel entre a imagem a testar e uma imagem de modelo padrão "perfeita". As áreas com diferenças que excedem um limite são consideradas defeitos. Este método é simples e eficaz, mas requer uma extrema consistência em termos de localização e iluminação.

Para defeitos de impressão e caracteres:

▪ Reconhecimento Óptico de Caracteres (OCR): Lê e verifica a correcção e integridade de caracteres como datas de produção e números de lote.

▪ Análise de cor: Compara a diferença de cor entre a área a testar e uma amostra de cor padrão num espaço de cor específico (como o Lab).

▪ Correspondência de Pontos Característicos: Compara se os principais pontos característicos dos logótipos e dos padrões correspondem.

4. Integração da Inteligência Artificial e da Aprendizagem Profunda:

Os algoritmos tradicionais têm um bom desempenho em defeitos com características óbvias e regulares, mas são difíceis de definir para defeitos ambíguos e variáveis ​​(como manchas de vários formatos e pequenos riscos). A aprendizagem profunda, especialmente as técnicas visuais baseadas em Redes Neurais Convolucionais (CNNs), tornou-se a principal abordagem e a direção futura.

• Princípio de funcionamento: O modelo CNN é treinado utilizando um grande número de amostras de imagens de tampas de garrafa classificadas como "OK" e "NG" (contendo vários defeitos). A rede aprende automaticamente a extrair características abstratas multicamadas dos pixéis, de baixa a alta resolução (borda -> textura -> padrão -> objeto), aprendendo, em última análise, a distinguir entre o normal e o anormal.

Modelos comuns:

▪ Redes de Classificação: Classifique toda a tampa da garrafa ou região como "aceitável" ou "inaceitável" (e tipo de defeito).

▪ Redes de Detecção de Objectos: Como o YOLO e o Faster R-CNN, que podem localizar directamente a posição dos defeitos numa imagem e destacá-los, além de fornecer a categoria.

▪ Redes de Segmentação Semântica: Como a U-Net, que consegue classificar cada pixel de uma imagem, delineando com precisão o contorno dos defeitos, sendo particularmente adequada para analisar a forma e a área dos defeitos.

Vantagens: Forte capacidade anti-interferência, adaptabilidade a ambientes complexos, capacidade de detetar tipos de defeitos desconhecidos (aprendendo com amostras normais, qualquer padrão que se afaste do "normal" é considerado anormal, ou seja, "deteção de anomalias") e reduzida complexidade de depuração do algoritmo.

5.º Julgamento e Gestão de Dados:

Com base nas conclusões de cada estação de inspeção, é feita uma avaliação final de "aprovado/reprovado" e é emitido um sinal para controlar a triagem.

Registar e armazenar todos os dados de inspeção (imagens, resultados, horário), gerar relatórios estatísticos (rendimento à primeira passagem, distribuição dos tipos de defeito, etc.) e garantir a rastreabilidade da qualidade e a monitorização do processo produtivo.

III. Considerações sobre a implementação e integração do sistema

1. Integração com a Linha de Produção: É necessária uma integração perfeita com o ciclo de produção e a lógica de controlo existentes. As estações de inspeção estão normalmente localizadas após a máquina de moldagem por injeção (inspeção online) ou antes da embalagem (inspeção por amostragem offline).

2.º Definição de Padrões de Inspeção: Defina padrões de inspeção claros e quantificáveis ​​em colaboração com os engenheiros de qualidade. Por exemplo, o que é aceitável para o comprimento do risco (em milímetros), área da mancha (em milímetros quadrados) e diferença de cor Delta E (abaixo de um determinado valor)? Estes padrões serão traduzidos em limites de julgamento do algoritmo ou rótulos de dados de treino.

3. Interface Homem-Máquina: Conceba uma interface operacional simples e clara para uma fácil configuração de parâmetros, comutação padrão, monitorização em tempo real e consulta de resultados.

4. Validação e Calibração do Sistema: Calibre e valide o sistema regularmente utilizando peças standard ou amostras defeituosas para garantir a estabilidade da deteção.

IV. Benefícios da Aplicação e Tendências Futuras

Benefícios da aplicação:

• Melhoria da Qualidade: Alcançar 100% de inspeção completa, reduzindo significativamente as reclamações dos clientes e os riscos de qualidade.

• Redução de custos: diminuição dos custos de mão-de-obra, dos custos de retrabalho e do desperdício de materiais.

• Melhoria da eficiência: Adaptação a linhas de produção de alta velocidade, permitindo um funcionamento contínuo sem fadiga.

• Orientado por dados: A acumulação de big data de alta qualidade pode ser utilizada para otimização de processos, manutenção preditiva e gestão da cadeia de abastecimento.

Tendências Futuras:

1. Aplicação da tecnologia de visão 3D: A utilização da triangulação a laser ou da tecnologia de luz estruturada para adquirir dados de nuvens de pontos 3D das superfícies das tampas de garrafa permite uma medição extremamente precisa de defeitos 3D, como altura, planicidade e empenamento, proporcionando um poderoso complemento à visão 2D.

2.º Chips de IA com maior integração e computação de bordo: a implementação de algoritmos de IA em câmaras inteligentes ou computadores de controlo industrial com NPUs permite tempos de resposta mais rápidos e menor latência do sistema.

3. IA baseada na nuvem e aprendizagem contínua: Carregue os dados da linha de produção na nuvem, utilize recursos de computação mais poderosos para treinar e otimizar modelos gerais e implemente rapidamente os recursos de defeitos recém-aprendidos em todas as linhas de produção, alcançando o objetivo de "aprender uma vez, atualizar toda a rede".

4. Fusão de Informação Multimodal: Combinar informação de múltiplos sensores, incluindo visão, acústica (detetar fissuras estruturais internas) e até mesmo olfato (detetar contaminação por odor), para uma avaliação de qualidade abrangente.

Conclusão

A inspeção visual de defeitos superficiais em tampas de garrafas de plástico é uma tecnologia de engenharia abrangente que integra ótica, mecânica, eletrónica, software e inteligência artificial. Desde a seleção precisa de hardware e o design do caminho ótico até ao processamento robusto de imagens e algoritmos inteligentes, cada etapa é crucial. Com o contínuo amadurecimento da tecnologia de aprendizagem profunda e o aprofundamento da Indústria 4.0, os sistemas de inspeção visual estão a evoluir de ferramentas automatizadas que "substituem os olhos humanos" para centros inteligentes de tomada de decisão de qualidade que "superam o cérebro humano", proporcionando uma garantia técnica sólida e fiável para o desenvolvimento de alta qualidade da indústria transformadora.