Uma Abordagem mais Fácil para Automatizar o OCR de Embalagem em Linha a Velocidades de Linha

Muitos setores enfrentam requisitos de conformidade, demanda do consumidor por informações detalhadas sobre pacotes em nível de lote e pressões competitivas crescentes para a velocidade e eficiência da cadeia de suprimentos.

Diante de regulamentos rigorosos de rastreabilidade e antifalsificação, a indústria farmacêutica liderou o uso do reconhecimento óptico de caracteres (OCR) para garantir a segurança de ponta a ponta em suas cadeias de suprimentos. Isso exigiu investimento significativo, desenvolvimento de experiência e um longo processo de aprendizagem.

Devido às diversas fontes, os defeitos de impressão frequentes e o complexo ambiente visual das linhas de montagem e logística, automatizar o OCR sempre foi um desafio, exigindo engenheiros de automação treinados, tempo e investimento monetário significativo.

Mesmo no seu melhor, a precisão do OCR tradicional nunca foi capaz de chegar perto de 100%, exigindo intervenção manual que limitava o rendimento. Agora, as demandas de velocidade e precisão das cadeias de suprimentos de alta velocidade estão revelando os limites do OCR tradicional.

A tecnologia edge learning, uma forma fácil de usar a IA, fornece uma maneira rápida e confiável de automatizar cadeias de suprimentos com OCR. Ela é superior ao OCR baseado em regras e a sistemas de deep learning mais complexos.

Casos de uso e desafios de OCR

O reconhecimento óptico de caracteres (OCR) tem sido usado há muito tempo para quatro finalidades principais:

• Encontrar e confirmar a presença de um código de texto impresso
• Transformar códigos em um formato digital que pode ser usado para rastrear todas as peças ou produtos através da cadeia de suprimentos
• Confirmar se o código impresso corresponde à peça ou produto e ao código de barras
• Verificar se o código apropriado foi impresso corretamente

Apesar da sua praticidade, o OCR tradicional tem permanecido desafiador para uso. Ele requer iluminação precisa, restrições à refletividade e design da embalagem e impressão precisa. O não cumprimento de qualquer um desses requisitos aumenta as taxas de erro.

A tecnologia edge learning transformou o OCR, melhorando a velocidade e a precisão e permitindo um uso mais fácil em uma gama mais de setores e situações.

AI mais inteligente para OCR mais simples

A tecnologia edge learning adapta algoritmos sofisticados de IA aos requisitos específicos de cadeias de suprimentos de alta velocidade, para que o OCR seja rápido, preciso, facilmente implementado e rapidamente treinado.

Rápido

O OCR tradicional baseado em regras pode atingir uma taxa de precisão de 98% em condições ideais. Com os volumes trabalhados pelas cadeias de suprimentos modernas, essa taxa ainda resulta em muitas peças rejeitadas, reduzindo o rendimento geral.

Os algoritmos de edge learning pré-treinados são adaptados aos desafios de ler texto em condições de fabricação, inspeção e linha de logística que funcionam em alta velocidade.

O processamento do edge learning é realizado no próprio dispositivo, diretamente na linha, sem exigir comunicação com outro processador. Isso resulta em velocidades superiores àquelas do OCR tradicional.

Preciso

Algoritmos de deep learning mais complexos baseados em IA também podem realizar OCR. Eles chegam perto de 100% de precisão sob grande variedade de condições e podem aprender a ler qualquer tipo de texto. Mas eles são muito lentos para uso em linha, exigem processadores sofisticados e experiência para serem implementados.

As ferramentas de edge learning são pré-treinadas para a aplicação específica. Devido à sua especificidade, alcançam a precisão do deep learning generalizado nas velocidades exigidas pela indústria.

O sofisticado hardware do sistema de visão garante a velocidade e a precisão das ferramentas de edge learning. A câmera inteligente oferece sensor potente, iluminação integrada, lente líquida de alta velocidade com foco automático e processador integrado.

O resultado é um invólucro pequeno resistente à vibração, que fornece foco rápido e gera imagens ideais para OCR com edge learning. É fácil posicionar, ligar e conectar em uma linha.

O deep learning é treinado fornecendo imagens específicas e marcadas do que precisa distinguir. O deep learning pode desenvolver habilidades surpreendentes para fazer distinções acuradas e ler textos com precisão em ampla variedade de condições difíceis. Mas para obter essa precisão, pode ser necessário centenas ou até milhares de imagens rotuladas para treinamento.

O OCR com edge learning, por outro lado, requer apenas algumas imagens. Ele é pré-treinado para OCR e, como tal, precisa de apenas algumas imagens para desenvolver a capacidade de ler a fonte necessária. O treinamento do OCR não requer nenhum histórico específico em visão ou algoritmos de IA, mas simplesmente um conhecimento da tarefa de OCR necessária.

Fácil de implementar

Ao contrário dos sistemas de visão baseados em regras ou deep learning, o OCR baseado em edge learning é fácil de implementar. Não requer bibliotecas de fontes diferentes ou análise detalhada de como vários símbolos podem ser lidos incorretamente.

O OCR tradicional usa grande variedade de técnicas específicas para reduzir as chances de um símbolo ser lido incorretamente, como bibliotecas de fontes específicas ou campos, o que requer definir cuidadosamente cada local possível em um código e definir sua gama de tipos, de modo que, por exemplo, um (8) em um campo numérico definido não seja lido incorretamente como um (B).

Sempre que o OCR com edge learning comete um erro, uma correção simples do operador o ensina a evitar erros semelhantes no futuro. Ele aprende quais recursos garantem a precisão por conta própria, sem programação específica, campo ou outros procedimentos demorados.

Alto desempenho em condições difíceis

A tecnologia edge learning pode executar OCR em condições em que outros sistemas de visão falham. Ele lida facilmente com:

• Estampa distorcida ou manchada
• Imprimir em embalagens flexíveis, refletivas ou padronizadas
• Marcações direta na peça de baixo contraste, como números de identificação do veículo (VINs)
• Baixa iluminação, vistas angulares ou sombras confusas

Maior rastreabilidade para todos os setores

O edge learning possibilita que uma gama muito maior de setores implemente rápida e facilmente OCR veloz e preciso para suas cadeias de suprimentos, personalizadas para suas necessidades específicas.

Indústria Automotiva

Uma maneira comum de peças usinadas incluir códigos de identificação, incluindo informações de data e lote, é com a marcação direta na peça (Direct Part Mark - DPM), muitas vezes durante a fundição, mas também por laser, ball peening e outros métodos. Tais códigos são feitos do mesmo material que a peça, portanto, o contraste é baixo e a refletividade do metal pode ser alta.

O OCR tradicional tem muita dificuldade com códigos refletivos de baixo contraste. OCR com edge learning pode alcançar precisões significativamente mais altas sem impor atrasos.

Produtos de consumo

Os regulamentos da UE exigem que os produtos que representam risco químico ou físico, como suprimentos de limpeza e fertilizantes, tenham um Identificador Único de Fórmula (UFI) que forneça informações não exclusivas sobre ingredientes tóxicos.

Tais códigos podem ser parte do rótulo ou aplicados na própria linha, para refletir alterações recentes na composição do produto. Eles são novos, mas o OCR com edge learning pode ser rapidamente treinado para localizar e decodificar esse texto para garantir sua presença e precisão.

Alimentos e bebidas

Os regulamentos da UE exigem que qualquer produto com um alergênico comum exiba um código que identifique o alergênico e o mercado de destino do produto.

Dada a ampla gama de produtos em constante mudança, os produtos na linha podem mudar imprevisivelmente, os rótulos são personalizados para diferentes mercados e as formas e tamanhos dos produtos variam significativamente.

A reprogramação do OCR tradicional para cada mudança no produto e no rótulo impõe esforço e atraso extras. O OCR com edge learning requer apenas uma imagem ou duas para ser atualizada para o novo rótulo ou produto.

A tecnologia edge learning simplifica a automação de OCR

Por meio do OCR com edge learning, empresas de todos os setores podem introduzir ou melhorar a automação de OCR para:

• Melhorar a eficiência operacional geral (OEE)
• Aumentar a eficiência do inventário
• Reduzir custos de conformidade, retrabalho e logística
• Apoiar a melhoria do processo

O OCR baseado em edge learning é fácil de implementar e simples de treinar. Uma empresa pode melhorar a velocidade e a precisão do seu OCR automatizado em apenas alguns dias para obter rapidamente um retorno sobre o investimento e melhorar o controle de qualidade, tornando essa tecnologia indispensável para as fábricas do futuro.