Wie Deep Learning Prüfverfahren für Verpackungslösungen automatisiert

Verpackungsprodukte benötigen zunehmend ihre eigenen Inspektionssysteme, um die Qualität zu prüfen, falschen Ausschuss zu verhindern, den Durchsatz zu erhöhen und das Risiko von Rückrufen zu verhindern. Zu den grundlegenden Bildverarbeitungsanwendungen an einer Verpackungslinie zählt die Überprüfung, ob ein Etikett auf einer Packung vorhanden, richtig, gerade und lesbar ist. Andere einfache Verpackungsprüfungen umfassen das Vorhandensein, die Position, die Qualität (keine Flecken, Risse oder Blasen) und die Lesbarkeit (Barcode und Datum- und Chargencodes vorhanden und scanbar) auf einem Etikett.

Jedoch können Verpackungen wie Flaschen, Dosen, Kisten und Kartons, die es in vielen Branchen wie der Lebensmittel- und Getränke-, Konsumgüter- und Logistikindustrie gibt, mit traditioneller Bildverarbeitung nicht immer akkurat geprüft werden. Bei Anwendungen mit variablen, unvorhersehbaren Fehlern auf unübersichtlichen Oberflächen, wie solche, die anspruchsvoll strukturiert sind oder spiegelnden Glanz aufweisen, verließen sich Hersteller in der Regel auf die Flexibilität und die auf Schätzungen basierende Entscheidungsfindung menschlicher Prüfer. Menschliche Prüfer haben jedoch einen großen Nachteil in der modernen Verpackungsindustrie: sie können mit den enormen Mengen abgepackter Verbrauchsgüter nicht mithalten.

Für Anwendungen, die sich der Automatisierung widersetzen, jedoch hohe Ansprüche an Qualität und Durchsatz haben, ist die Deep-Learning-Technologie ein effizientes neues Tool für Anwendungstechniker in der Verpackungsindustrie. Die Deep-Learning-Technologie kommt mit allen Verpackungsoberflächen zurecht, wie Papier, Glas, Kunststoff und Keramik, sowie deren Etiketten. Sei es nun ein bestimmter Fehler auf einem gedruckten Etikett oder ein Schnittbereich auf einem Stück der Verpackung — Cognex Deep Learning ist in der Lage, die relevanten Bereiche durch Lernen des wechselnden Erscheinungsbilds in der Zielzone zu identifizieren. Mithilfe einer Vielzahl von Tools kann Cognex Deep Learning dann komplexe Objekte oder Merkmale lokalisieren und zählen, Anomalien erfassen und die genannten Objekte oder sogar ganze Szenen klassifizieren. Und zu guter Letzt kann es alphanumerische Zeichen mithilfe einer vorab trainierten Schriftenbibliothek erkennen und überprüfen.

Hier werden wir darauf eingehen, wie Cognex Deep Learning alle oben genannten Leistungen für Verpackungsunternehmen und Hersteller umsetzt.

Erkennung von Verpackungsfehlern

Industrielle Bildverarbeitung ist für Verpackungsprüfungen an Flaschen und Dosen von unschätzbarem Wert. Denn in den meisten Fabriken prüft die industrielle Bildverarbeitung nicht nur die Platzierung von Etiketten und die Verpackung, sondern platziert und richtet diese auch während der Fertigung aus.

Etikettierfehler, wie Falten, Schlitze, Risse, Blasen, Wölbungen und Druckfehler werden von traditioneller Bildverarbeitung zuverlässig erkannt. Kontrastreiche Bildgebung und die Oberflächenextraktionstechnologie können Fehler erfassen, selbst wenn sie auf gekrümmten Oberflächen und bei schlechter Beleuchtung auftreten. Die Metalloberfläche einer Aluminiumdose kann die traditionelle Bildverarbeitung jedoch mit ihrem Glanz sowie der unvorhersehbaren, variablen Eigenschaften ihrer Fehler irritieren. Wenn man zu diesen schwierigen Oberflächenprüfungen noch die zahllosen Formen und Arten von Fehlern hinzufügt — zum Beispiel lange Kratzer und flache Druckstellen — erweist es sich bald als nicht durchsetzbar, nach allen Arten möglicher Fehler zu suchen.

Mit einem neuen Deep-Learning-basierten Ansatz ist es möglich, schwierige Oberflächen von Metallverpackungen präzise und wiederholbar zu prüfen. Anstatt eine Prüfung eigens zu programmieren, lernt der Deep-Learning-Algorithmus selbst anhand einer Auswahl an bekannten fehlerfreien Mustern, um seine Referenzmodelle zu erstellen. Nach Abschluss dieser Einlernphase ist die Prüfungsanwendung einsatzbereit. Cognex Deep Learning kann alle fehlerhaften Bereiche auf der Dosenoberfläche, die vom normalen akzeptablen Erscheinungsbild abweichen, identifizieren und melden.

Optische Zeichenerkennung in der Verpackungsindustrie

Auf fast allen Konsumgüterverpackungen, unabhängig von Material oder Art, versteckt sich irgendwo ein Datums- und Chargencode. Es ist nicht nur für Endnutzer und Verbraucher beim Einkaufen wichtig, dass diese Codes deutlich und lesbar gedruckt sind, sondern auch für Hersteller während der Verifizierungsphase. Denn für beide würden Etiketten mit Druckfehlern oder verschmierten oder deformierten Datums- und Chargencodes, zum Beispiel auf einer Flasche oder Kekspackung, Probleme verursachen.

Normalerweise könnte die traditionelle Bildverarbeitung problemlos erkennen und/oder verifizieren, ob Codes lesbar und richtig sind, bevor sie das Werk verlassen, jedoch erschweren bestimmte anspruchsvolle Oberflächen dies zu sehr. In diesen Fällen könnte ein verschmierter oder schiefer Code, der auf spiegelndes Material wie eine Limodose aus Metall aufgedruckt ist, mit einiger Anstrengung von einem menschlichen Prüfer gelesen werden, aber nicht besonders zuverlässig von einem Bildverarbeitungssystem. In diesen Fällen benötigen Verpackungsunternehmen ein Inspektionssystem, das die Lesbarkeit nach menschlichen Standards beurteilen kann, aber, ganz entscheidend, mit der Geschwindigkeit und Robustheit eines Computersystems. Hier kommt das Deep Learning ins Spiel.

Das OCR-Tool von Cognex kann Klartext in Datums- und Chargencodes erkennen und lesen, wobei es überprüft, ob deren Zahlen- und Buchstabenketten korrekt sind, sogar wenn sie stark verformt, schief oder — bei Metalloberflächen — schlecht geätzt sind. Das Tool benötigt wenig Training, da es eine vorab trainierte Schriftenbibliothek nutzt. Das bedeutet, dass Cognex Deep Learning fast jeden alphanumerischen Text sofort ohne Programmierung lesen kann. Das Training ist auf bestimmte Anwendungsanforderungen beschränkt, damit Oberflächendetails erkannt oder übersehene Zeichen neu trainiert werden können. Alle diese Vorteile verhelfen zu einer einfachen und schnellen Implementierung und tragen zu erfolgreichen OCR- und OCV-Anwendungsergebnissen bei, ohne Beteiligung eines Bildverarbeitungsexperten.

Bestückungsprüfung der Verpackung

Eine vom Aussehen abhängige Bestückungsprüfung kann für Sammelverpackungen schwierig sein, die gezielt abweichen können, wie es bei saisonalen Angeboten der Fall ist. Diese Packungen weisen verschiedene Artikel und Konfigurationen in derselben Kiste oder Schachtel auf.

Für diese Art von Prüfungen brauchen Hersteller sehr flexible Inspektionssysteme, die lokalisieren und verifizieren können, ob einzelne Artikel vorhanden und richtig sind, in der korrekten Konfiguration angeordnet sind und mit ihrer Außenverpackung übereinstimmen. Dafür muss das Inspektionssystem in der Lage sein, mehrere Zielbereiche innerhalb eines einzelnen Bildes zu lokalisieren und zu segmentieren, möglicherweise in mehreren Konfigurationen, die zeilenweise geprüft werden können, um Variationen in der Verpackungen zu berücksichtigen.

Ein Deep-Learning-basiertes System eignet sich perfekt, um einzelne Artikel anhand ihrer einmaligen und wechselnden identifizierbaren Merkmale zu lokalisieren, da es die Unterscheidungsmerkmale der einzelnen Artikel anhand von Größe, Form, Farbe und Oberflächenmerkmalen verallgemeinert. Die Cognex Deep Learning Software kann schnell trainiert werden, um eine ganze Artikeldatenbank aufzubauen. Die Prüfung kann dann nach Bereich vonstatten gehen, entweder nach Quadrant oder zeilenweise, um zu überprüfen, ob die Packung richtig zusammengestellt wurde.

Verpackungsklassifizierung

Konfektionierungsprüfungen erfordern mehrere Fähigkeiten von automatisierten Prüfsystemen. Verpackungen mit mehreren Drogerieartikeln müssen vor ihrem Versand auf die richtige Anzahl und Art des Inhalts geprüft werden. Zählung und Identifikation sind beliebte Stärken der traditionellen Bildverarbeitung. Um jedoch sicherzustellen, dass die richtigen Artikel in einer Sammelverpackung enthalten sind, ist eine Klassifizierung der enthaltenen Produkte nach Kategorien erforderlich — zum Beispiel, enthält eine Sammelverpackung mit Sonnenschutzmitteln zwei Arten Sonnenschutz oder enthält sie einen zusätzlichen Lippenschutz?

Diese Kategorisierung ist wichtig, bleibt jedoch für die traditionelle Bildverarbeitung unerreichbar. Glücklicherweise lässt sich das Deep Learning Klassifizierungstool von Cognex problemlos mit den Lokalisierungs- und Zählwerkzeugen der traditionellen Bildverarbeitung oder mit Deep-Learning basierten Lokalisierungs- und Zählwerkzeugen kombinieren. Dies ist besonders dann notwendig, wenn die Konfektionierungsprüfung mit wechselnden Produkttypen zu tun hat und künstliche Intelligenz benötigt, um die verallgemeinerten Merkmale dieser Typen zu unterscheiden.

Bei der Deep-Learning-basierten Klassifizierung werden verschiedene Klassen anhand einer Sammlung von markierten Bildern getrennt und Produkte auf Grund dieser Verpackungsunterschiede identifiziert. Sollten Klassen so trainiert werden, dass sie Anomalien enthalten, kann das System lernen, sie als zulässig oder nicht zulässig zu klassifizieren.

Neue Deep-Learning-basierte Bildverarbeitungssysteme unterscheiden sich von traditioneller Bildverarbeitung dadurch, dass sie im Wesentlichen selbstlernend sind und an gekennzeichneten Musterbildern ohne konkretes Programmieren trainiert werden. Die Deep-Learning-basierte Software nutzt menschenähnliche Intelligenz, welche in der Lage ist, Nuancen wie Abweichungen und Varianten zu erkennen und sogar bessere Ergebnisse als die meisten menschlichen Prüfer liefern kann. Das Entscheidende ist dabei jedoch, dass sie komplexere Automatisierungsaufgaben bewältigen kann, die zuvor unprogrammierbar waren.

Hersteller in der Verpackungsindustrie verlangen zunehmend schnellere, leistungsstärkere Bildverarbeitungssysteme, und zwar aus einem guten Grund: Sie sollen eine große Zahl von Produkten mit höherer Qualität zu geringeren Kosten produzieren. Cognex erfüllt die strengen Anforderungen der Kunden dank automatisierter Prüfsysteme, welche das Potenzial der industriellen Bildverarbeitung mit Deep Learning vereinen, um die Verpackung kostengünstiger und problemloser herzustellen.