Comment le deep learning automatise-t-il les inspections pour les solutions de conditionnement

deep learning for packaging

De plus en plus, les produits d'emballage exigent leurs propres systèmes d'inspection personnalisés pour parfaire la qualité, éliminer les faux rejets, améliorer le rendement et éliminer le risque de rappel. Sur la ligne de conditionnement, les applications de vision industrielle fondamentales incluent, entre autres, l'inspection de l'étiquette apposée sur l'emballage pour vérifier qu'elle est bien présente, correcte, droite et lisible. Les autres inspections simples effectuées sur l'emballage concernent la présence de l'étiquette, sa position, sa qualité (absence d'irrégularités, de déchirures ou de bulles) et sa lisibilité (présence et lisibilité du code-barres et des codes de date/lot).

Les emballages tels que les bouteilles, les cannettes, les caisses et les boîtes, utilisés dans de nombreux secteurs, notamment l'agroalimentaire, les produits de consommation et la logistique, ne peuvent toutefois pas toujours être inspectés de façon précise par la vision industrielle classique. Pour les applications qui présentent des défauts variables et imprévisibles sur des surfaces prêtant à confusion, par exemple celles à motifs ou avec des reflets spéculaires, les fabricants s'appuient généralement sur la flexibilité et la prise de décision basée sur le jugement des inspecteurs humains. Le recours à ces derniers présente cependant un gros inconvénient pour le secteur des biens de consommation conditionnés moderne : ils ne parviennent pas toujours à suivre la cadence.

Pour les applications qui résistent à l'automatisation, mais qui exigent une qualité et un rendement maximaux, la technologie de deep learning constitue un nouvel outil efficace mis à la disposition des ingénieurs en applications dans le secteur du conditionnement. La technologie de deep learning peut prendre en charge tous les types de surface des emballages, notamment le papier, le verre, le plastique et la céramique, ainsi que leurs étiquettes. Qu'il s'agisse d'un défaut particulier sur une étiquette imprimée ou de la zone de coupe sur un emballage, Cognex Deep Learning peut identifier toutes ces zones d'intérêt en apprenant simplement l'aspect variable de la zone ciblée. Grâce à un éventail d'outils, Cognex Deep Learning peut ensuite localiser et compter les objets et caractéristiques complexes, détecter les anomalies et classer lesdits objets ou même des scènes entières. Enfin, il peut reconnaître et vérifier les caractères alphanumériques en s'appuyant sur une bibliothèque de polices prédéfinies.

Voici comment Cognex Deep Learning réalise les tâches présentées ci-dessus pour aider les conditionneurs et les fabricants.

Détection des défauts des emballages

La vision industrielle est devenue incontournable pour les inspections de l'emballage effectuées sur les bouteilles et les cannettes. En effet, dans la plupart des usines, la vision industrielle inspecte non seulement le positionnement des étiquettes et des emballages, mais les place et les aligne également pendant la fabrication.

détection des défauts basée sur le deep learning pour le conditionnement

Les défauts d'étiquetage sont bien gérés par la vision industrielle classique, qui est en mesure de détecter les plis, les accrocs, les déchirures, les déformations, les bulles et les erreurs d'impression. La technologie de vision à contraste élevé et d'extraction de surface peut capturer les défauts, même lorsqu'ils apparaissent sur des surfaces courbées ou dans des conditions de faible éclairage. Toutefois, la surface métallique d'une cannette en aluminium classique peut porter la vision industrielle classique à confusion en raison de ses reflets ainsi que de la nature variable et imprévisible de ses défauts, dont certains ne doivent pas être rejetés. Si vous ajoutez à ces inspections de surfaces difficiles d'innombrables formes et types de défauts, par exemple de longues rayures et des bosselures superficielles, la recherche explicite de tous les types de défauts potentiels devient rapidement irréaliste.

En s'appuyant sur une nouvelle approche basée sur le deep learning, il est possible d'inspecter de façon précise et reproductible toutes sortes de surfaces d'emballage en métal difficiles. Avec Cognex Deep Learning, plutôt que de programmer explicitement une inspection, l'algorithme de deep learning s'entraîne de façon autonome à partir d'un ensemble de bons échantillons afin de créer des modèles de référence. Une fois cette étape d'apprentissage terminée, l'inspection peut démarrer. Cognex Deep Learning peut identifier et signaler toutes les zones défectueuses sur la surface d'une cannette qui s'écartent d'une apparence acceptable.

Reconnaissance optique de caractères sur les emballages

Sur pratiquement tous les emballages des produits de consommation, quel que soit leur matériau ou leur type, se cache un code de date/lot. Il est important que ces codes soient imprimés proprement et lisibles, non seulement pour les clients finaux et les consommateurs lors de leurs achats, mais également pour les fabricants pendant l'étape de vérification. Un code de date/lot mal imprimé, maculé ou déformé sur l'étiquette d'une bouteille ou d'un paquet de gâteaux, par exemple, cause des problèmes à chacun d'entre eux.

OCR basée sur le deep learning pour le conditionnement

Généralement, la vision industrielle classique parvient à facilement reconnaître les codes et/ou vérifier qu'ils sont lisibles et corrects avant qu'ils ne quittent l'installation, mais certaines surfaces difficiles compliquent également cette tâche. Ainsi, un code maculé ou penché imprimé sur un matériau spéculaire, par exemple une cannette de soda en métal, peut être lu par un inspecteur humain avec quelques efforts, mais pas de façon suffisamment fiable par un système d'inspection par vision industrielle. Les conditionneurs ont alors besoin d'un système d'inspection capable d'évaluer la lisibilité selon les normes humaines, mais aussi de fonctionner avec la vitesse et la robustesse d'un système informatique. C'est précisément là qu'intervient le deep learning.

L'outil de reconnaissance optique de caractères basé sur le deep learning de Cognex est capable de détecter et lire le texte brut des codes de date/lot afin de vérifier que leurs chaînes de nombres et de lettres sont correctes, même lorsqu'ils sont fortement déformés, asymétriques ou, dans le cas des surfaces métalliques, mal gravés. L'outil nécessite un apprentissage réduit car il s'appuie sur la bibliothèque de polices prédéfinies. Grâce à cela, Cognex Deep Learning parvient à lire immédiatement la plupart des textes alphanumériques, et ce sans programmation. L'apprentissage est limité à des exigences d'applications spécifiques afin de reconnaître les détails de la surface ou de réapprendre les caractères manquants. Tous ces avantages permettent de faciliter et d'accélérer sa mise en œuvre, et contribuent aux bons résultats des applications OCR et OCV, sans qu'il soit nécessaire de recourir à un expert en vision.

Vérification de l'assemblage des emballages

La vérification de l'assemblage dépendant de la vision peut s'avérer difficile pour les produits groupés dans un même emballage, qui sont susceptibles de présenter des variations intentionnelles, notamment dans le cas des offres pour les fêtes ou saisonnières. Ces emballages présentent différents éléments et configurations au sein d'une même boîte ou d'un même carton.

vérification de l'assemblage basée sur le deep learning pour le conditionnement

Pour ces types d'inspection, les fabricants ont besoin de systèmes d'inspection hautement flexibles, capables de localiser les éléments individuels et de vérifier qu'ils sont présents et corrects, organisés selon la bonne configuration, et conformes à leur emballage externe. Pour ce faire, le système d'inspection doit pouvoir localiser et segmenter plusieurs zones d'intérêt sur une image unique, éventuellement dans les différentes configurations qui peuvent être inspectées sur chaque ligne pour tenir compte des variations des emballages.

Pour localiser les éléments individuels grâce à leurs caractéristiques identifiables uniques et variables, un système basé sur le deep learning est idéal car il généralise les caractéristiques distinctives de chaque élément en fonction de sa taille, de sa forme, de sa couleur et de sa surface. Le logiciel Cognex Deep Learning peut être entraîné rapidement pour créer une base de données d'éléments complète. L'inspection peut ensuite être effectuée par zone, aussi bien par secteur que par ligne, afin de vérifier que l'emballage a été assemblé correctement.

Classification des emballages

L'inspection de la mise en kit exige du système d'inspection automatisé qu'il dispose de plusieurs fonctionnalités. Les emballages groupés contenant des produits de consommation doivent être inspectés afin de vérifier le nombre et le type d'éléments qu'ils contiennent avant qu'ils soient expédiés. Le comptage et l'identification sont des avantages appréciés de la vision industrielle classique. Cependant, pour garantir que les bons éléments sont placés dans les lots, il est nécessaire de classer les produits inclus par catégorie. Par exemple, un emballage groupé de produits solaires contient-il deux types de produits solaires ou contient-il en plus un baume à lèvres solaire ?

classification basée sur le deep learning pour le conditionnement

Cette classification par catégorie est importante mais reste hors de portée pour la vision industrielle classique. Par chance, l'outil de classification basé sur le deep learning de Cognex peut être facilement associé aux outils de vision industrielle classiques pour la localisation et le comptage, ou aux outils de localisation et de comptage basés sur le deep learning si l'inspection de la mise en kit concerne des types de produits variables et nécessite l'utilisation de l'intelligence artificielle pour distinguer leurs caractéristiques généralisées.

La classification basée sur le deep learning crée différentes catégories en fonction d'un ensemble d'images étiquetées et identifie les produits en fonction des écarts que présentent les emballages. Si l'une des catégories a été définie comme contenant des anomalies, le système peut alors apprendre à les classer comme acceptables ou non acceptables.

Les nouveaux systèmes de vision basés sur le deep learning diffèrent de la vision industrielle classique car ils apprennent essentiellement de façon automatique et avec des échantillons d'images étiquetés, sans exiger de programmation précise. Le logiciel basé sur le deep learning utilise l'intelligence anthropomorphe, qui est capable de percevoir des nuances telles que l'écart et la variation, et surpasse même les meilleurs inspecteurs lorsqu'il s'agit de prendre des décisions correctes et fiables. Plus important encore, il est capable de répondre aux besoins complexes de l'automatisation qui n'étaient auparavant pas programmables.

Les fabricants du secteur du conditionnement demandent sans cesse des systèmes de vision industrielle plus rapides et plus puissants, et pour cause : ils doivent produire un grand nombre de produits en respectant un seuil de qualité plus élevé et à un moindre coût. Cognex répond aux exigences rigoureuses de ses clients en proposant des systèmes d'inspection automatisés qui associent la puissance de la vision industrielle et le deep learning afin de produire des emballages de façon plus rentable et soutenue.

Contacter le service commercial

Plus d'articles

Comment le deep learning automatise-t-il les inspections pour les solutions de conditionnement

deep learning for packaging

De plus en plus, les produits d'emballage exigent leurs propres systèmes d'inspection personnalisés pour parfaire la qualité, éliminer les faux rejets, améliorer le rendement et éliminer le risque de rappel. Sur la ligne de conditionnement, les applications de vision industrielle fondamentales incluent, entre autres, l'inspection de l'étiquette apposée sur l'emballage pour vérifier qu'elle est bien présente, correcte, droite et lisible. Les autres inspections simples effectuées sur l'emballage concernent la présence de l'étiquette, sa position, sa qualité (absence d'irrégularités, de déchirures ou de bulles) et sa lisibilité (présence et lisibilité du code-barres et des codes de date/lot).

Les emballages tels que les bouteilles, les cannettes, les caisses et les boîtes, utilisés dans de nombreux secteurs, notamment l'agroalimentaire, les produits de consommation et la logistique, ne peuvent toutefois pas toujours être inspectés de façon précise par la vision industrielle classique. Pour les applications qui présentent des défauts variables et imprévisibles sur des surfaces prêtant à confusion, par exemple celles à motifs ou avec des reflets spéculaires, les fabricants s'appuient généralement sur la flexibilité et la prise de décision basée sur le jugement des inspecteurs humains. Le recours à ces derniers présente cependant un gros inconvénient pour le secteur des biens de consommation conditionnés moderne : ils ne parviennent pas toujours à suivre la cadence.

Pour les applications qui résistent à l'automatisation, mais qui exigent une qualité et un rendement maximaux, la technologie de deep learning constitue un nouvel outil efficace mis à la disposition des ingénieurs en applications dans le secteur du conditionnement. La technologie de deep learning peut prendre en charge tous les types de surface des emballages, notamment le papier, le verre, le plastique et la céramique, ainsi que leurs étiquettes. Qu'il s'agisse d'un défaut particulier sur une étiquette imprimée ou de la zone de coupe sur un emballage, Cognex Deep Learning peut identifier toutes ces zones d'intérêt en apprenant simplement l'aspect variable de la zone ciblée. Grâce à un éventail d'outils, Cognex Deep Learning peut ensuite localiser et compter les objets et caractéristiques complexes, détecter les anomalies et classer lesdits objets ou même des scènes entières. Enfin, il peut reconnaître et vérifier les caractères alphanumériques en s'appuyant sur une bibliothèque de polices prédéfinies.

Voici comment Cognex Deep Learning réalise les tâches présentées ci-dessus pour aider les conditionneurs et les fabricants.

Détection des défauts des emballages

La vision industrielle est devenue incontournable pour les inspections de l'emballage effectuées sur les bouteilles et les cannettes. En effet, dans la plupart des usines, la vision industrielle inspecte non seulement le positionnement des étiquettes et des emballages, mais les place et les aligne également pendant la fabrication.

détection des défauts basée sur le deep learning pour le conditionnement

Les défauts d'étiquetage sont bien gérés par la vision industrielle classique, qui est en mesure de détecter les plis, les accrocs, les déchirures, les déformations, les bulles et les erreurs d'impression. La technologie de vision à contraste élevé et d'extraction de surface peut capturer les défauts, même lorsqu'ils apparaissent sur des surfaces courbées ou dans des conditions de faible éclairage. Toutefois, la surface métallique d'une cannette en aluminium classique peut porter la vision industrielle classique à confusion en raison de ses reflets ainsi que de la nature variable et imprévisible de ses défauts, dont certains ne doivent pas être rejetés. Si vous ajoutez à ces inspections de surfaces difficiles d'innombrables formes et types de défauts, par exemple de longues rayures et des bosselures superficielles, la recherche explicite de tous les types de défauts potentiels devient rapidement irréaliste.

En s'appuyant sur une nouvelle approche basée sur le deep learning, il est possible d'inspecter de façon précise et reproductible toutes sortes de surfaces d'emballage en métal difficiles. Avec Cognex Deep Learning, plutôt que de programmer explicitement une inspection, l'algorithme de deep learning s'entraîne de façon autonome à partir d'un ensemble de bons échantillons afin de créer des modèles de référence. Une fois cette étape d'apprentissage terminée, l'inspection peut démarrer. Cognex Deep Learning peut identifier et signaler toutes les zones défectueuses sur la surface d'une cannette qui s'écartent d'une apparence acceptable.

Reconnaissance optique de caractères sur les emballages

Sur pratiquement tous les emballages des produits de consommation, quel que soit leur matériau ou leur type, se cache un code de date/lot. Il est important que ces codes soient imprimés proprement et lisibles, non seulement pour les clients finaux et les consommateurs lors de leurs achats, mais également pour les fabricants pendant l'étape de vérification. Un code de date/lot mal imprimé, maculé ou déformé sur l'étiquette d'une bouteille ou d'un paquet de gâteaux, par exemple, cause des problèmes à chacun d'entre eux.

OCR basée sur le deep learning pour le conditionnement

Généralement, la vision industrielle classique parvient à facilement reconnaître les codes et/ou vérifier qu'ils sont lisibles et corrects avant qu'ils ne quittent l'installation, mais certaines surfaces difficiles compliquent également cette tâche. Ainsi, un code maculé ou penché imprimé sur un matériau spéculaire, par exemple une cannette de soda en métal, peut être lu par un inspecteur humain avec quelques efforts, mais pas de façon suffisamment fiable par un système d'inspection par vision industrielle. Les conditionneurs ont alors besoin d'un système d'inspection capable d'évaluer la lisibilité selon les normes humaines, mais aussi de fonctionner avec la vitesse et la robustesse d'un système informatique. C'est précisément là qu'intervient le deep learning.

L'outil de reconnaissance optique de caractères basé sur le deep learning de Cognex est capable de détecter et lire le texte brut des codes de date/lot afin de vérifier que leurs chaînes de nombres et de lettres sont correctes, même lorsqu'ils sont fortement déformés, asymétriques ou, dans le cas des surfaces métalliques, mal gravés. L'outil nécessite un apprentissage réduit car il s'appuie sur la bibliothèque de polices prédéfinies. Grâce à cela, Cognex Deep Learning parvient à lire immédiatement la plupart des textes alphanumériques, et ce sans programmation. L'apprentissage est limité à des exigences d'applications spécifiques afin de reconnaître les détails de la surface ou de réapprendre les caractères manquants. Tous ces avantages permettent de faciliter et d'accélérer sa mise en œuvre, et contribuent aux bons résultats des applications OCR et OCV, sans qu'il soit nécessaire de recourir à un expert en vision.

Vérification de l'assemblage des emballages

La vérification de l'assemblage dépendant de la vision peut s'avérer difficile pour les produits groupés dans un même emballage, qui sont susceptibles de présenter des variations intentionnelles, notamment dans le cas des offres pour les fêtes ou saisonnières. Ces emballages présentent différents éléments et configurations au sein d'une même boîte ou d'un même carton.

vérification de l'assemblage basée sur le deep learning pour le conditionnement

Pour ces types d'inspection, les fabricants ont besoin de systèmes d'inspection hautement flexibles, capables de localiser les éléments individuels et de vérifier qu'ils sont présents et corrects, organisés selon la bonne configuration, et conformes à leur emballage externe. Pour ce faire, le système d'inspection doit pouvoir localiser et segmenter plusieurs zones d'intérêt sur une image unique, éventuellement dans les différentes configurations qui peuvent être inspectées sur chaque ligne pour tenir compte des variations des emballages.

Pour localiser les éléments individuels grâce à leurs caractéristiques identifiables uniques et variables, un système basé sur le deep learning est idéal car il généralise les caractéristiques distinctives de chaque élément en fonction de sa taille, de sa forme, de sa couleur et de sa surface. Le logiciel Cognex Deep Learning peut être entraîné rapidement pour créer une base de données d'éléments complète. L'inspection peut ensuite être effectuée par zone, aussi bien par secteur que par ligne, afin de vérifier que l'emballage a été assemblé correctement.

Classification des emballages

L'inspection de la mise en kit exige du système d'inspection automatisé qu'il dispose de plusieurs fonctionnalités. Les emballages groupés contenant des produits de consommation doivent être inspectés afin de vérifier le nombre et le type d'éléments qu'ils contiennent avant qu'ils soient expédiés. Le comptage et l'identification sont des avantages appréciés de la vision industrielle classique. Cependant, pour garantir que les bons éléments sont placés dans les lots, il est nécessaire de classer les produits inclus par catégorie. Par exemple, un emballage groupé de produits solaires contient-il deux types de produits solaires ou contient-il en plus un baume à lèvres solaire ?

classification basée sur le deep learning pour le conditionnement

Cette classification par catégorie est importante mais reste hors de portée pour la vision industrielle classique. Par chance, l'outil de classification basé sur le deep learning de Cognex peut être facilement associé aux outils de vision industrielle classiques pour la localisation et le comptage, ou aux outils de localisation et de comptage basés sur le deep learning si l'inspection de la mise en kit concerne des types de produits variables et nécessite l'utilisation de l'intelligence artificielle pour distinguer leurs caractéristiques généralisées.

La classification basée sur le deep learning crée différentes catégories en fonction d'un ensemble d'images étiquetées et identifie les produits en fonction des écarts que présentent les emballages. Si l'une des catégories a été définie comme contenant des anomalies, le système peut alors apprendre à les classer comme acceptables ou non acceptables.

Les nouveaux systèmes de vision basés sur le deep learning diffèrent de la vision industrielle classique car ils apprennent essentiellement de façon automatique et avec des échantillons d'images étiquetés, sans exiger de programmation précise. Le logiciel basé sur le deep learning utilise l'intelligence anthropomorphe, qui est capable de percevoir des nuances telles que l'écart et la variation, et surpasse même les meilleurs inspecteurs lorsqu'il s'agit de prendre des décisions correctes et fiables. Plus important encore, il est capable de répondre aux besoins complexes de l'automatisation qui n'étaient auparavant pas programmables.

Les fabricants du secteur du conditionnement demandent sans cesse des systèmes de vision industrielle plus rapides et plus puissants, et pour cause : ils doivent produire un grand nombre de produits en respectant un seuil de qualité plus élevé et à un moindre coût. Cognex répond aux exigences rigoureuses de ses clients en proposant des systèmes d'inspection automatisés qui associent la puissance de la vision industrielle et le deep learning afin de produire des emballages de façon plus rentable et soutenue.

Contacter le service commercial

Plus d'articles

ACCÉDEZ AU SUPPORT ET AUX FORMATIONS POUR VOS PRODUITS ET BIEN PLUS

Rejoindre MyCognex