Tecnologia de Inspeção Visual: Do Processamento Tradicional de Imagens à Aprendizagem Profunda – Revolucionando o Controlo de Qualidade Industrial

Com milhares de latas a passar pela linha de produção a cada minuto, como garantimos que cada uma é perfeitamente impecável? A tecnologia de inspeção visual está a melhorar silenciosamente o controlo de qualidade das bebidas que consumimos.

Na indústria alimentar e de bebidas moderna, as latas são embalagens comuns, e a sua qualidade afeta diretamente a selagem e a segurança do produto. A inspeção de qualidade manual tradicional é ineficiente e propensa a defeitos não detetados, o que levou ao aparecimento da tecnologia de inspeção por visão por computador.

Os primeiros sistemas baseavam-se principalmente em algoritmos tradicionais de processamento de imagem, analisando imagens de áreas-chave, como a abertura da lata, o fundo e a parede interior, para identificar defeitos. Com os avanços tecnológicos, especialmente o desenvolvimento da aprendizagem profunda, a precisão e a eficiência da inspeção visual de latas melhoraram significativamente.

1. Defeitos comuns em latas e desafios de deteção

As latas podem apresentar diversos defeitos durante o processo de produção, incluindo principalmente entalhes, deformações e arestas irregulares na abertura; manchas de óleo e limalhas de metal no fundo e na parede interior; e riscos, amolgadelas, deformações, erros de impressão e espessura irregular do material no corpo da lata.

Estes defeitos não afetam apenas a estética, mas também podem levar à redução do desempenho da vedação, comprometendo a qualidade do produto e a segurança do consumidor.

O sistema de deteção enfrenta múltiplos desafios: as propriedades refletoras da superfície da lata podem mascarar defeitos reais. As linhas de produção de alta velocidade exigem que o sistema de deteção tenha capacidade de processamento em tempo real (como operar a uma velocidade de 10 latas/segundo), mantendo uma elevada precisão (taxa de precisão de 99,89%). Além disso, a obtenção de imagens da superfície curva do corpo cilíndrico da lata e a identificação de defeitos subtis em fundos complexos são também desafios técnicos que precisam de ser ultrapassados.

2. Componentes de hardware e otimização de imagem do sistema de deteção

A configuração de hardware do sistema de inspeção visual de latas é fundamental. Um sistema de iluminação adequado pode suprimir os reflexos e destacar defeitos de forma eficaz. O sistema de fonte de luz LED composta desenvolvido pela Kangshida combina uma luz sem sombras de três anéis, uma luz sem sombras em forma de cúpula, uma luz de anel de baixo ângulo e luz coaxial para satisfazer as necessidades de deteção de diferentes partes. Para a aquisição de imagens são necessárias diferentes estratégias para diferentes áreas de inspeção:

• A inspeção do fundo do casco utiliza normalmente uma câmara de varrimento de área de alta resolução com uma luz circular.

• A inspeção da carroçaria pode utilizar uma câmara de varrimento linear ou três conjuntos de módulos de aquisição de fusão 2D-3D acionados sincronicamente, instalados a intervalos de 120 graus para obter uma varredura de cobertura completa.

Para a deteção de padrões impressos no exterior da lata, pode ser utilizado um servomotor de alta precisão para rodar a lata a uma velocidade constante, combinado com uma câmara de varrimento linear com divisão do feixe por prisma para obter imagens de alta qualidade da superfície curva. A seleção adequada do hardware e a otimização da imagem fornecem uma base de dados de alta qualidade para o processamento subsequente do algoritmo.

3. Aplicação das técnicas tradicionais de processamento de imagem na detecção.

Antes da ampla aplicação da aprendizagem profunda, os algoritmos tradicionais de processamento de imagens desempenhavam um papel importante na inspeção de latas de bebidas. Estes métodos são geralmente concebidos e otimizados para tipos específicos de defeitos.

Para a área da abertura da lata, após a separação da área utilizando o método de máxima variância interclasse de Otsu, o contorno pode ser analisado em busca de características. De seguida, pode ser utilizado o algoritmo de elipse de mínimos quadrados para ajustar a curva elíptica desejada. Discretizando e amostrando a elipse e calculando o mapa de análise de excentricidade e desvio, vários defeitos na abertura da lata podem ser processados ​​eficazmente.

A deteção de defeitos na área do fundo da lata utiliza principalmente o método do gradiente de Hough para dividir a área de deteção em múltiplas regiões circulares concêntricas. Com base no método de análise de pixéis por componentes conexas da imagem binarizada, os defeitos pontuais, os defeitos lineares e os defeitos superficiais são detetados separadamente.

Para defeitos em paredes internas, como as áreas intermédias e inferiores são comprimidas durante a captura vertical, o algoritmo de deteção precisa primeiro de resolver o problema de compressão da imagem através da transformação de coordenadas polares e, em seguida, localizar os defeitos através da análise de componentes ligados.

Em termos de reconhecimento de caracteres, o método de limiar de entropia de Arimoto bidimensional pode lidar eficazmente com problemas de segmentação de caracteres de baixo contraste, e a sua complexidade computacional é baixa, atendendo aos requisitos de tempo real.

4. Avanços revolucionários da aprendizagem profunda na deteção de defeitos

Nos últimos anos, a tecnologia de aprendizagem profunda melhorou significativamente a precisão e a capacidade de generalização da deteção de defeitos em latas de bebidas. Os sistemas de deteção baseados em FCOS (Fully Convolutional One-Stage) e HRNet (High-Resolution Network) demonstraram vantagens consideráveis.

O FCOS, como algoritmo de deteção de objetos sem âncoras, simplifica o processo de deteção, evita a complexidade do design de caixas delimitadoras e apresenta um excelente desempenho na deteção de objetos pequenos. O HRNet consegue manter uma representação de alta resolução, representando características em diferentes resoluções através de uma estrutura paralela com múltiplas ramificações, o que é particularmente adequado para tarefas de deteção de defeitos industriais. As melhorias no HRNet original incluem a introdução de mecanismos de atenção para aumentar a sensibilidade a áreas defeituosas, a otimização de estratégias de fusão de características e o design de módulos leves para reduzir a complexidade computacional. As experiências mostram que este método de aprendizagem profunda atinge um mAP (precisão média) de 0,889 na tarefa de deteção de defeitos em latas, superando muitos métodos tradicionais.

Para defeitos na lata, o modelo HPFST-YOLOv5, ao introduzir um mecanismo de atenção híbrido e um filtro passa-alto, consegue uma precisão de reconhecimento de 93,9% para defeitos como amolgadelas, riscos e deformações, mantendo uma velocidade de processamento de 28 fotogramas por segundo.

Para caracteres marcados a laser com baixo contraste, a rede de segmentação semântica Res18-UNet, combinada com um mecanismo de multiatenção, melhora eficazmente a capacidade do modelo de se concentrar nas regiões dos caracteres.

5. Considerações sobre a implementação do sistema e a implantação industrial

Transformar o modelo do algoritmo num sistema de deteção prático exige uma análise abrangente do projeto da arquitetura de hardware e software. Uma arquitetura distribuída pode implementar duas estações de trabalho de deteção independentes, correspondentes à deteção de defeitos na parte inferior da lata e ao reconhecimento de defeitos na aparência do corpo da lata, respetivamente.

A arquitetura de software deve adotar tecnologia de processamento paralelo multithread, projetando um thread de controlo principal, um thread de aquisição de imagem, um thread de processamento de algoritmo e um thread de saída de resultados. A tecnologia de mapeamento de memória é utilizada para alcançar a troca rápida de dados de imagem de grande capacidade, e a tecnologia de aceleração por GPU é utilizada para otimizar a implementação de algoritmos de aprendizagem profunda.

O desempenho em tempo real é um indicador fundamental dos sistemas de inspeção industrial. Um mecanismo de interrupção por temporizador restringe rigorosamente o ciclo de deteção de cada lata, garantindo que o sistema acompanha o ritmo da linha de produção. Além disso, o sistema deve integrar uma função de aprendizagem de parâmetros, permitindo aos operadores ajustar os parâmetros de deteção de acordo com as especificações do produto, e estabelecer um módulo de base de dados para armazenar os resultados da deteção e as informações do produto, fornecendo suporte de dados para a rastreabilidade da qualidade.

Num ambiente de produção real, o sistema também precisa de ter capacidades anti-interferência para lidar com variações de iluminação e ruídos de fundo no ambiente fabril. Os mecanismos de redundância de hardware e tolerância a falhas de software garantem um funcionamento estável do sistema, enquanto uma arquitetura de software modular facilita a manutenção e as atualizações.

6. Tendências e desafios do desenvolvimento futuro

A tecnologia de inspeção visual ainda enfrenta muitos desafios e oportunidades de desenvolvimento. A reflexão continua a ser um fator significativo que afeta a precisão da deteção; novos algoritmos de melhoramento de imagem, como a transformação gama adaptativa baseada em imagens em tons de cinzento de múltiplos fotogramas, podem oferecer soluções.

A exploração de estruturas de rede leves para melhorar a velocidade de inferência e reduzir os requisitos de hardware permitirá uma aplicação mais ampla da tecnologia em pequenas e médias empresas. A integração profunda do sistema de deteção com o sistema de controlo da linha de produção para conseguir a rejeição automática de produtos defeituosos é também uma importante direção de desenvolvimento.

Os futuros sistemas de inspeção visual de latas de bebidas poderão evoluir para uma integração multifuncional, acrescentando funções de avaliação da gravidade dos defeitos e de previsão da qualidade, para além da deteção de defeitos comuns. Ao mesmo tempo, esta tecnologia pode também ser estendida à deteção de defeitos noutros tipos de produtos industriais, como latas metálicas e garrafas de plástico, contribuindo para o desenvolvimento da manufatura inteligente e da Indústria 4.0.

Com o avanço da inteligência industrial, a tecnologia de inspeção visual das latas de bebidas passou dos laboratórios para a aplicação prática. As equipas de investigação nacionais têm obtido progressos significativos nesta área; por exemplo, o sistema desenvolvido pela Universidade de Tecnologia de Guangdong alcançou uma taxa de precisão de 99,89% e uma velocidade de deteção de até 10 latas por segundo.

No futuro, com a otimização contínua dos algoritmos de aprendizagem profunda e as melhorias no desempenho do hardware, a tecnologia de inspeção visual desempenhará um papel importante numa gama mais ampla de cenários de inspeção de qualidade industrial. Não só melhorará a qualidade do produto, como também reduzirá os custos de produção para as empresas, permitindo, em última análise, que os consumidores desfrutem de bebidas mais seguras e fiáveis.