Машинное зрение для контроля сколов и трещин на стеклотаре

Один из наших клиентов — бьюти-бренд — рассчитывает значительно сократить издержки и увеличить прибыль благодаря решению для контроля качества на основе машинного зрения и нейросетей ML Sense. Система отслеживает брак на баночках для кремов — сколы, трещины, неровности, и автоматически отбраковывает некачественный товар. В результате — экономия на рекламациях и зарплатах операторов отдела качества.

Представьте себе линию розлива дорогого парфюма или вина. Тысячи стеклянных бутылок и банок проходят по конвейеру со скоростью 0,2 м/с. Если хотя бы одна из них окажется с микротрещиной, сколом или пузырьком воздуха в стекле, это может привести к браку всей партии, потере денег и даже угрозе безопасности потребителей. Дистрибьюторы вряд ли захотят иметь дело с производителей, который поставляет бракованный товар. А это грозит финансовым ударом и репутационными потерями.

Традиционно контроль качества стеклотары на производстве осуществляется вручную: оператор стоит у конвейера, внимательно осматривает каждую банку и убирает брак. Проблема знакома многим производителям стеклотары и напитков: чтобы проверить тысячи единиц продукции, нужно много операторов качества — а это затраты. К тому же человеческий глаз устаёт, внимательность падает. Проморгать дефект — обычное дело.

Но можно решить проблему с браком по-другому — автоматизировать контроль качества.

Nord Clan разработал ML Sense — решение для контроля качества на основе машинного зрения и нейросетей. Система анализирует видеопоток в реальном времени, распознает мельчайшие дефекты стеклотары и автоматически убирает брак без участия человека. Входит в Реестр Отечественного ПО (№2020618535).

Что умеет ML Sense:

1. Камеры высокого разрешения фиксируют бутылки, банки, ампулы, флаконы или другую стеклотару.

2. Специальное освещение выявляет мельчайшие дефекты.

3. Алгоритмы ML Sense анализируют изображение и передают данные оператору.

4. При обнаружении брака система отправляет команду на отбраковочный механизм.

5. Вся информация фиксируется в цифровом архиве, что позволяет анализировать статистику брака и повышать качество.

ML Sense можно установить сразу на несколько конвейеров, и управление системой возможно из любой точки мира — с компьютера или смартфона.

Система подходит для контроля любых видов стеклотары:

Один из наших клиентов — завод, который использует стеклянные банки для фасовки косметической продукции. Ранее система контроля качества была примитивной: за каждым конвейером следили два оператора. Они визуально отслеживали дефекты — пузырьки, сколы, трещины — и убирали бракованные банки с конвейера. Вроде бы не так много дефектов, но производство растет, а качество — нет. К тому же на выходе всё равно попадались дефектные банки — человеческий фактор неизбежен.

Нам нужно было:

1. Обследование и замеры.

Мы начали с тщательного обследования производства и замера параметров линии, чтобы точно интегрировать систему. Важно было понять, как интегрировать оборудование без изменений в реальном производственном процессе.

2. Разработка системы.

Создали систему с 5 камерами на первом посту (4 боковые и 1 сверху) и 4 камерами на втором посту для полного покрытия. Для внедрения потребовались детализированные чертежи, которые включали установки камер и отбраковщика, с учетом специфики линии и запыленности. Камеры должны были работать в грязных условиях, не мешая процессу.

3. Учет запыленности.

Мы увеличили защитный кожух, добавили вырезы и установили тубус для защиты камер от пыли, сохраняя при этом высокое качество изображений.

4. Сбор датасета и обучение нейросети.

Получили образцы дефектных банок от клиента. Создали макет конвейерной линии у себя в лаборатории. Настроили камеры и освещение для оптимальных условий съемки. Сделали фотографии с разных ракурсов, разметили дефекты и обучили нейросеть в тестовом режиме.

5. Цикл обучения и улучшений.

Провели несколько сборов датасета и обучений нейросети на производстве клиента. Мы постоянно тестировали систему, собирали и размечали данные, обучали нейросеть и проверяли точность детекции. Каждый цикл включал улучшение метрик и прогон на производственной линии.

6. Проектирование и разработка отбраковщика.

Спроектировали и построили механизм, который принимает сигнал от ML Sense и удаляет бракованные банки с линии, исключая участие человека.

7. Автоматизация отбора брака.

Интегрировали ML Sense с отбраковщиком. После того как нейросеть выявляет дефект, сигнал идет на светозвуковую колонну и отбраковщик, который механически убирает брак. Вся работа происходит без участия человека, что ускоряет процесс и минимизирует ошибки.

На линии стоит специальный кожух, который защищает продукцию от пыли. Но для установки вертикальной камеры нам пришлось вырезать отверстие в этом кожухе и дополнительно доработать его, чтобы камеры и банки оставались защищенными, а качество изображений — на высоте.

Чтобы камеры могли точно фиксировать дефекты, мы всегда тщательно настраиваем освещение на линии клиента. В условиях нестабильного света и возможных отражений на стекле это было не так просто.

От клиента мы получили список дефектов, которые нужно было распознавать: сколы, трещины, наплывы, пузырьки и другие повреждения. Каждый из этих дефектов может проявляться по-разному, поэтому понадобилось собрать датасет из 5 тысяч фотографий с разных ракурсов, чтобы система могла точно и безошибочно различать все типы дефектов.

Процесс стал гораздо быстрее и точнее. На первой точке контроля установлено пять камер: четыре под углом 90 градусов и одну сверху. На второй точке контроля добавили еще четыре камеры, которые проверяют банки после их наполнения и упаковки.

Каждая камера передает видеопоток в систему ML Sense, которая анализирует картинку и выявляет дефекты. Как только нейросеть находит брак, она подает сигнал на светозвуковую колонну и отбраковщик, который автоматически удаляет дефектную банку.

Ключевые показатели:

Мы проанализировали внедрение ML Sense на разных производствах и получили такие данные:

Система может распознавать дефекты не только на стеклянных банках, но и на любой другой стеклотаре. Камеры и нейросеть настроены так, чтобы работать с любыми формами, цветами и видами дефектов. Важно, что мы можем быстро адаптировать систему под любые новые требования или формы дефектов, что делает решение универсальным.