Sempre più spesso, i prodotti di imballaggio richiedono sistemi d'ispezione personalizzati per perfezionare la qualità, eliminare i falsi scarti, migliorare la produttività ed azzerare il rischio di un richiamo. Alcune delle applicazioni fondamentali di visione industriale lungo la linea di imballaggio comprendono la verifica della presenza, della correttezza, della posizione dritta e della leggibilità di un’etichetta. Altre semplici ispezioni di imballaggi riguardano la verifica della presenza, della posizione, della qualità (nessuna linguetta, nessuno strappo e nessuna bolla) e della leggibilità (presenza e scansionabilità di codice a barre e codici data/lotto) di un’etichetta.

Tuttavia, non sempre è possibile ispezionare con precisione imballaggi quali bottiglie, lattine, casse e scatole (presenti in numerosi settori, tra i quali quello del food & beverage, dei beni di consumo e della logistica) ricorrendo a soluzioni di visione industriale tradizionale. Per applicazioni che presentano difetti variabili e imprevedibili su superfici complesse come quelle altamente strutturate o soggette a riverbero speculare, di norma i produttori si sono affidati alla flessibilità e al giudizio degli ispettori umani. Tuttavia, gli operatori umani comportano limiti molto significativi per il moderno settore dei beni di consumo imballati: non sempre riescono a tenere il passo con i volumi crescenti.

Per applicazioni che resistono all'automazione ma richiedono una qualità e una produttività elevate, la tecnologia del deep learning costituisce uno strumento nuovo ed efficace a disposizione degli ingegneri che sviluppano applicazioni nel settore dell’imballaggio. La tecnologia del deep learning è in grado di gestire tutti i diversi tipi di superfici di imballaggio, compresi carta, vetro, plastica e ceramica, nonché le corrispondenti etichette. In caso di difetti specifici su un’etichetta stampata o nella zona di taglio per un elemento di imballaggio, il Deep Learning di Cognex è in grado di identificare le aree di interesse semplicemente mediante l'apprendimento dell'aspetto variabile della zona interessata. Impiegando una serie di strumenti, il Deep Learning di Cognex è in grado di localizzare e conteggiare oggetti e caratteristiche complessi, individuare anomalie e classificare tali oggetti o persino scene intere. Infine, da ultimo, ma non per questo meno importante, è in grado di riconoscere e verificare caratteri alfanumerici utilizzando una libreria di caratteri pre-formati.

Esploreremo ora come il Deep Learning di Cognex compie tutte le attività di cui sopra per conto di confezionatori e produttori.

Rilevamento di difetti sugli imballaggi

La visione industriale ha un’importanza inestimabile per le ispezioni di imballaggio su bottiglie e lattine. In effetti, nella maggior parte degli stabilimenti, la visione industriale non ispeziona soltanto il posizionamento di etichette e involucri ma si occupa anche di posizionarli ed allinearli durante la fase di produzione.

I difetti di etichettatura sono gestiti bene dalla visione industriale che è in grado di individuare abilmente grinze, strappi, lacerazioni, deformazioni, bolle ed errori di stampa. La tecnologia di estrazione superficiale e di imaging ad alto contrasto è in grado di acquisire difetti anche quando si verificano su superfici curve e in condizioni di scarsa illuminazione. Tuttavia la superficie metallica di una tipica lattina di alluminio può confondere la visione industriale tradizionale a causa del suo riverbero nonché della natura imprevedibile e variabile dei suoi difetti che non devono tutti essere oggetto di scarto. Se a tali ispezioni complesse di superfici si aggiungono forme e tipi di difetti innumerevoli (ad esempio, graffi lunghi e ammaccature superficiali) diventa rapidamente insostenibile cercare tutti i tipi di potenziali difetti.

Utilizzando un nuovo approccio basato sul deep learning, è possibile ispezionare in maniera precisa e ripetitiva tutti i tipi di superfici di imballaggio metalliche complesse. Con il Deep Learning di Cognex, anziché programmare in maniera esplicita un’ispezione, l’algoritmo di deep learning si addestra autonomamente sulla base di una serie di esempi "conformi" noti al fine di crearsi i propri modelli di riferimento. Una volta completata questa fase di addestramento, è possibile avviare l'ispezione. Il Deep Learning di Cognex è in grado di individuare e segnalare tutte le zone difettose sulla superficie della lattina che possono deviare rispetto al normale aspetto accettabile.

Riconoscimento ottico dei caratteri (OCR) sugli imballaggi

Da qualche parte su quasi tutte le confezioni, indipendentemente dal tipo di materiale, si nasconde un codice data/lotto. Fare in modo che questi codici siano stampati in modo preciso e leggibile è importante non soltanto per gli utenti finali e i consumatori che fanno la spesa ma anche per i produttori durante la fase di verifica. Un codice data/lotto stampato male, sbavato o deformato su un'etichetta di una bottiglia o di una confezione di biscotti, ad esempio, causa problemi a entrambi questi soggetti.

Di norma la visione industriale tradizionale potrebbe riuscire facilmente a riconoscere e/o verificare che i codici siano leggibili e corretti prima che lascino lo stabilimento, tuttavia alcune superfici complesse rendono questo compito molto difficile. In questi casi un codice sbavato o inclinato su un materiale speculare come una scatola metallica di soda potrebbe essere letto con qualche difficoltà da un ispettore umano ma non con molta affidabilità da parte di un sistema di ispezione attraverso la visione industriale. In questi casi, i confezionatori necessitano di un sistema di ispezione che sia in grado di giudicare la leggibilità secondo standard umani ma, aspetto decisivo, con la velocità e l'affidabilità di un sistema computerizzato. Accesso al deep learning.

Lo strumento di OCR con deep learning di Cognex è in grado di rilevare e leggere il formato di testo nei codici data/lotto, verificando che le loro sequenze di numeri e lettere siano corrette anche quando sono molto deformati, storti o (nel caso di superfici metalliche) mal incisi. Lo strumento riduce al minimo l'addestramento in quanto sfrutta una libreria preaddestrata di font. Ciò significa che il Deep Learning di Cognex è in grado di leggere la maggior parte del testo alfanumerico appena installato, senza programmazione. L'addestramento è limitato a specifici requisiti di applicazione per riconoscere dettagli superficiali o effettuare un riaddestramento in merito a caratteri non riconosciuti. Tutti questi vantaggi aiutano a facilitare e velocizzare l'implementazione e contribuiscono a risultati di successo nelle applicazioni OCR e OCV senza il coinvolgimento di un esperto in visione.

Verifica di assemblaggi di imballaggi

Svolgere una verifica di assemblaggi che si basa su un controllo visivo può essere impegnativo per i prodotti con confezioni multiple che possono presentare una variazione dettata dalla finalità come nel caso di offerte stagionali o a tema con periodi di vacanza. Tali confezioni presentano articoli e configurazioni diversi all'interno della stessa cassa o scatola.

Per queste tipologie di ispezioni, i produttori necessitano di sistemi d'ispezione altamente flessibili in grado di localizzare e verificare che i singoli articoli siano presenti e corretti, disposti secondo la configurazione opportuna e corrispondenti alla loro confezione esterna. Per conseguire tale obiettivo, il sistema d'ispezione deve essere in grado di localizzare e segmentare diverse zone di interesse all'interno di una singola immagine, possibilmente in più configurazioni che possono essere ispezionate linea per linea in maniera da tenere conto delle variazioni dell'imballaggio.

Per localizzare i singoli articoli in base alle loro caratteristiche identificabili, uniche e variabili, un sistema basato sul deep learning costituisce la soluzione ideale in quanto generalizza le caratteristiche distintive di ciascun articolo sulla base di aspetti quali dimensioni, forma, colore e superficie. Il software di Deep Learning di Cognex può essere addestrato rapidamente in maniera da creare un database completo di articoli. Successivamente, l'ispezione può procedere per zona (per quadrante o per linea) in maniera da verificare che la confezione sia stata assemblata correttamente.

Classificazione degli imballaggi

Le ispezioni del kitting richiedono più abilità da parte del corrispondente sistema di ispezione automatizzata. Le confezioni multiple di beni di consumo devono essere ispezionate per verificare la presenza del numero e del tipo corretti di inclusioni prima della spedizione. Le capacità di conteggio e identificazione sono punti di forza molto apprezzati dei sistemi di visione industriale tradizionale. Tuttavia, per garantire l'inclusione degli articoli corretti all'interno di un'unità con confezione multipla è necessario classificare i prodotti inclusi per categoria: ad esempio, una confezione multipla di solari contiene due tipi di solari o un burrocacao solare extra?

Questa categorizzazione è importante tuttavia è fuori dalla portata della visione industriale tradizionale. Fortunatamente lo strumento di classificazione con deep learning di Cognex può essere combinato facilmente con strumenti di visione industriale tradizionali di localizzazione e conteggio oppure con gli stessi tool basati su tecnologia deep learning nel caso in cui l'ispezione del kitting comporti tipi variabili di prodotti e richieda l'intelligenza artificiale per distinguere le caratteristiche generalizzanti di tali tipi di prodotti.

La classificazione basata sul deep learning funziona distinguendo classi diverse sulla base di una raccolta di immagini etichettate e identifica i prodotti sulla base di tali discrepanze di imballaggio. Qualora una qualsiasi delle classi sia addestrata come contenente anomalie, il sistema è in grado di apprendere a classificarle come accettabili o meno.

I nuovi sistemi di visione con funzionalità di deep learning si distinguono dai sistemi di visione industriale tradizionale in quanto sono in grado di auto-apprendere e possono essere addestrati su immagini di esempio etichettate senza una programmazione esplicita. Il software basato sul deep learning utilizza un'intelligenza simile a quella umana che è in grado di cogliere sfumature quali deviazioni e variazioni e di presentare prestazioni migliori persino rispetto ai migliori ispettori della qualità in termini di giudizi corretti in maniera affidabile. L'aspetto più importante, tuttavia, consiste nel fatto che tale software è in grado di risolvere le sfide di automazione più complesse che in precedenza non era possibile programmare.

I produttori del settore dell'imballaggio stanno chiedendo sempre di più sistemi di visione industriale più rapidi e più potenti e per un buon motivo: si prevede che realizzeranno un gran numero di prodotti secondo una soglia di qualità più elevata e a fronte di un costo inferiore. Cognex sta soddisfacendo le esigenze rigorose dei clienti offrendo sistemi di ispezione automatizzata che combinano la potenza della visione industriale al deep learning al fine di produrre imballaggi in modo più efficace in termini di costi e più affidabile.

Sempre più spesso, i prodotti di imballaggio richiedono sistemi d'ispezione personalizzati per perfezionare la qualità, eliminare i falsi scarti, migliorare la produttività ed azzerare il rischio di un richiamo. Alcune delle applicazioni fondamentali di visione industriale lungo la linea di imballaggio comprendono la verifica della presenza, della correttezza, della posizione dritta e della leggibilità di un’etichetta. Altre semplici ispezioni di imballaggi riguardano la verifica della presenza, della posizione, della qualità (nessuna linguetta, nessuno strappo e nessuna bolla) e della leggibilità (presenza e scansionabilità di codice a barre e codici data/lotto) di un’etichetta.

Tuttavia, non sempre è possibile ispezionare con precisione imballaggi quali bottiglie, lattine, casse e scatole (presenti in numerosi settori, tra i quali quello del food & beverage, dei beni di consumo e della logistica) ricorrendo a soluzioni di visione industriale tradizionale. Per applicazioni che presentano difetti variabili e imprevedibili su superfici complesse come quelle altamente strutturate o soggette a riverbero speculare, di norma i produttori si sono affidati alla flessibilità e al giudizio degli ispettori umani. Tuttavia, gli operatori umani comportano limiti molto significativi per il moderno settore dei beni di consumo imballati: non sempre riescono a tenere il passo con i volumi crescenti.

Per applicazioni che resistono all'automazione ma richiedono una qualità e una produttività elevate, la tecnologia del deep learning costituisce uno strumento nuovo ed efficace a disposizione degli ingegneri che sviluppano applicazioni nel settore dell’imballaggio. La tecnologia del deep learning è in grado di gestire tutti i diversi tipi di superfici di imballaggio, compresi carta, vetro, plastica e ceramica, nonché le corrispondenti etichette. In caso di difetti specifici su un’etichetta stampata o nella zona di taglio per un elemento di imballaggio, il Deep Learning di Cognex è in grado di identificare le aree di interesse semplicemente mediante l'apprendimento dell'aspetto variabile della zona interessata. Impiegando una serie di strumenti, il Deep Learning di Cognex è in grado di localizzare e conteggiare oggetti e caratteristiche complessi, individuare anomalie e classificare tali oggetti o persino scene intere. Infine, da ultimo, ma non per questo meno importante, è in grado di riconoscere e verificare caratteri alfanumerici utilizzando una libreria di caratteri pre-formati.

Esploreremo ora come il Deep Learning di Cognex compie tutte le attività di cui sopra per conto di confezionatori e produttori.

Rilevamento di difetti sugli imballaggi

La visione industriale ha un’importanza inestimabile per le ispezioni di imballaggio su bottiglie e lattine. In effetti, nella maggior parte degli stabilimenti, la visione industriale non ispeziona soltanto il posizionamento di etichette e involucri ma si occupa anche di posizionarli ed allinearli durante la fase di produzione.

I difetti di etichettatura sono gestiti bene dalla visione industriale che è in grado di individuare abilmente grinze, strappi, lacerazioni, deformazioni, bolle ed errori di stampa. La tecnologia di estrazione superficiale e di imaging ad alto contrasto è in grado di acquisire difetti anche quando si verificano su superfici curve e in condizioni di scarsa illuminazione. Tuttavia la superficie metallica di una tipica lattina di alluminio può confondere la visione industriale tradizionale a causa del suo riverbero nonché della natura imprevedibile e variabile dei suoi difetti che non devono tutti essere oggetto di scarto. Se a tali ispezioni complesse di superfici si aggiungono forme e tipi di difetti innumerevoli (ad esempio, graffi lunghi e ammaccature superficiali) diventa rapidamente insostenibile cercare tutti i tipi di potenziali difetti.

Utilizzando un nuovo approccio basato sul deep learning, è possibile ispezionare in maniera precisa e ripetitiva tutti i tipi di superfici di imballaggio metalliche complesse. Con il Deep Learning di Cognex, anziché programmare in maniera esplicita un’ispezione, l’algoritmo di deep learning si addestra autonomamente sulla base di una serie di esempi "conformi" noti al fine di crearsi i propri modelli di riferimento. Una volta completata questa fase di addestramento, è possibile avviare l'ispezione. Il Deep Learning di Cognex è in grado di individuare e segnalare tutte le zone difettose sulla superficie della lattina che possono deviare rispetto al normale aspetto accettabile.

Riconoscimento ottico dei caratteri (OCR) sugli imballaggi

Da qualche parte su quasi tutte le confezioni, indipendentemente dal tipo di materiale, si nasconde un codice data/lotto. Fare in modo che questi codici siano stampati in modo preciso e leggibile è importante non soltanto per gli utenti finali e i consumatori che fanno la spesa ma anche per i produttori durante la fase di verifica. Un codice data/lotto stampato male, sbavato o deformato su un'etichetta di una bottiglia o di una confezione di biscotti, ad esempio, causa problemi a entrambi questi soggetti.

Di norma la visione industriale tradizionale potrebbe riuscire facilmente a riconoscere e/o verificare che i codici siano leggibili e corretti prima che lascino lo stabilimento, tuttavia alcune superfici complesse rendono questo compito molto difficile. In questi casi un codice sbavato o inclinato su un materiale speculare come una scatola metallica di soda potrebbe essere letto con qualche difficoltà da un ispettore umano ma non con molta affidabilità da parte di un sistema di ispezione attraverso la visione industriale. In questi casi, i confezionatori necessitano di un sistema di ispezione che sia in grado di giudicare la leggibilità secondo standard umani ma, aspetto decisivo, con la velocità e l'affidabilità di un sistema computerizzato. Accesso al deep learning.

Lo strumento di OCR con deep learning di Cognex è in grado di rilevare e leggere il formato di testo nei codici data/lotto, verificando che le loro sequenze di numeri e lettere siano corrette anche quando sono molto deformati, storti o (nel caso di superfici metalliche) mal incisi. Lo strumento riduce al minimo l'addestramento in quanto sfrutta una libreria preaddestrata di font. Ciò significa che il Deep Learning di Cognex è in grado di leggere la maggior parte del testo alfanumerico appena installato, senza programmazione. L'addestramento è limitato a specifici requisiti di applicazione per riconoscere dettagli superficiali o effettuare un riaddestramento in merito a caratteri non riconosciuti. Tutti questi vantaggi aiutano a facilitare e velocizzare l'implementazione e contribuiscono a risultati di successo nelle applicazioni OCR e OCV senza il coinvolgimento di un esperto in visione.

Verifica di assemblaggi di imballaggi

Svolgere una verifica di assemblaggi che si basa su un controllo visivo può essere impegnativo per i prodotti con confezioni multiple che possono presentare una variazione dettata dalla finalità come nel caso di offerte stagionali o a tema con periodi di vacanza. Tali confezioni presentano articoli e configurazioni diversi all'interno della stessa cassa o scatola.

Per queste tipologie di ispezioni, i produttori necessitano di sistemi d'ispezione altamente flessibili in grado di localizzare e verificare che i singoli articoli siano presenti e corretti, disposti secondo la configurazione opportuna e corrispondenti alla loro confezione esterna. Per conseguire tale obiettivo, il sistema d'ispezione deve essere in grado di localizzare e segmentare diverse zone di interesse all'interno di una singola immagine, possibilmente in più configurazioni che possono essere ispezionate linea per linea in maniera da tenere conto delle variazioni dell'imballaggio.

Per localizzare i singoli articoli in base alle loro caratteristiche identificabili, uniche e variabili, un sistema basato sul deep learning costituisce la soluzione ideale in quanto generalizza le caratteristiche distintive di ciascun articolo sulla base di aspetti quali dimensioni, forma, colore e superficie. Il software di Deep Learning di Cognex può essere addestrato rapidamente in maniera da creare un database completo di articoli. Successivamente, l'ispezione può procedere per zona (per quadrante o per linea) in maniera da verificare che la confezione sia stata assemblata correttamente.

Classificazione degli imballaggi

Le ispezioni del kitting richiedono più abilità da parte del corrispondente sistema di ispezione automatizzata. Le confezioni multiple di beni di consumo devono essere ispezionate per verificare la presenza del numero e del tipo corretti di inclusioni prima della spedizione. Le capacità di conteggio e identificazione sono punti di forza molto apprezzati dei sistemi di visione industriale tradizionale. Tuttavia, per garantire l'inclusione degli articoli corretti all'interno di un'unità con confezione multipla è necessario classificare i prodotti inclusi per categoria: ad esempio, una confezione multipla di solari contiene due tipi di solari o un burrocacao solare extra?

Questa categorizzazione è importante tuttavia è fuori dalla portata della visione industriale tradizionale. Fortunatamente lo strumento di classificazione con deep learning di Cognex può essere combinato facilmente con strumenti di visione industriale tradizionali di localizzazione e conteggio oppure con gli stessi tool basati su tecnologia deep learning nel caso in cui l'ispezione del kitting comporti tipi variabili di prodotti e richieda l'intelligenza artificiale per distinguere le caratteristiche generalizzanti di tali tipi di prodotti.

La classificazione basata sul deep learning funziona distinguendo classi diverse sulla base di una raccolta di immagini etichettate e identifica i prodotti sulla base di tali discrepanze di imballaggio. Qualora una qualsiasi delle classi sia addestrata come contenente anomalie, il sistema è in grado di apprendere a classificarle come accettabili o meno.

I nuovi sistemi di visione con funzionalità di deep learning si distinguono dai sistemi di visione industriale tradizionale in quanto sono in grado di auto-apprendere e possono essere addestrati su immagini di esempio etichettate senza una programmazione esplicita. Il software basato sul deep learning utilizza un'intelligenza simile a quella umana che è in grado di cogliere sfumature quali deviazioni e variazioni e di presentare prestazioni migliori persino rispetto ai migliori ispettori della qualità in termini di giudizi corretti in maniera affidabile. L'aspetto più importante, tuttavia, consiste nel fatto che tale software è in grado di risolvere le sfide di automazione più complesse che in precedenza non era possibile programmare.

I produttori del settore dell'imballaggio stanno chiedendo sempre di più sistemi di visione industriale più rapidi e più potenti e per un buon motivo: si prevede che realizzeranno un gran numero di prodotti secondo una soglia di qualità più elevata e a fronte di un costo inferiore. Cognex sta soddisfacendo le esigenze rigorose dei clienti offrendo sistemi di ispezione automatizzata che combinano la potenza della visione industriale al deep learning al fine di produrre imballaggi in modo più efficace in termini di costi e più affidabile.