康耐視部落格

深度學習如何將包裝解決方案的檢測自動化

deep learning for packaging

包裝產品越來越需要有自己的自訂檢測系統,以使品質完美、避免發生過檢、改善產量,以及降低召回風險。包裝生產線沿線的部分基本機器視覺應用,包括驗證包裝上的標籤存在、正確、整齊黏貼並可讀取。其他簡單的包裝檢測還包含存在性、位置、品質 (沒有標示、撕裂或氣泡),以及標籤上的可讀性 (條碼與日期/批代碼存在且可掃描)。

但包括食物與飲料業、消費者產品業及物流業等許多產業,包括瓶、罐、盒及箱之類的包裝,傳統機器視覺不一定總能精準地檢測。製造廠商通常仰賴人類檢測員的靈活彈性與決策判斷,為應用在圖案繁複或鏡面眩光嚴重之類的雜亂表面上,找出多變且難以預知的缺陷。但是人類檢測員的產能不一定可以提高,使得現代消費者包裝產品業須權衡輕重並做出取捨。

對於抗拒自動化但要求高品質與產量的應用,深度學習技術是包裝業應用工程師可以使用的有效新工具。深度學習技術可處理各種不同類型的包裝表面,包括紙類、玻璃、塑膠及陶瓷,還有上面的標籤。無論是印刷標籤上的特定缺陷,或是一件包裝的切割區,康耐視深度學習只要學習目標區域的外觀變化,即能識別所有興趣區。再使用一系列工具,康耐視深度學習還可找到複雜的物件或特徵、缺陷異常並計算數量,以及將上述物件或將整個場景分類。不只如此,它還能使用預先訓練的字型庫,辨識並驗證英數字元。

我們將在此探索康耐視深度學習,如何為包裝業者與製造廠商做到上述各項。

包裝缺陷探測

對於瓶、罐類的包裝檢測,機器視覺的價值無法衡量。事實上,在大部分工廠中,機器視覺不僅可在製造期間檢測標籤的位置和包裝,還能放料並對準。

運用深度學習缺陷探測進行包裝

傳統機器視覺擅長處理標籤缺陷,巧妙地探測起皺、裂縫、撕裂、翹折、氣泡及印刷錯誤。高對比影像與表面擷取技術能夠擷取缺陷,即使位於曲面或光線條件不佳,也不是問題。不過,一般鋁質金屬表面的眩光,還有其缺陷難以預知又多變,並非全都需要剔除,而可能會干擾傳統機器視覺判別。表面檢測難題之中,還包括像是長條掛擦與淺凹痕等無數的缺陷形態與類型,使得明確搜尋所有類型的潛在缺陷並不可行。

使用新的深度學習方法,能夠精準並反覆地檢測各種不同的棘手金屬包裝表面。使用康耐視深度學習,不會明確撰寫程式和檢測,深度學習演算法會以一組已知「合格」的樣本來訓練自己,建立其參考模型。在此訓練階段完成之後,即準備就緒可以開始檢測。罐子表面若偏離可接受的正常外觀,康耐視深度學習可以識別並回報有缺陷的所有區域。

包裝光學字元辨識

無論是何種材料或類型,都有日期/批代碼隱身在絕大多數消費性包裝上。使用者和消費者在購物時,還有製造廠商在驗證階段期間,能有清楚印出並可讀取的這些代碼相當重要。例如,瓶身或餅乾包裝上的標籤所印的日期/批代碼有誤印、髒污或變形情況,就會對兩者造成問題。

運用深度學習 OCR 進行包裝

一般而言,傳統機器視覺能在條碼離開工廠之前,輕鬆辨識和/或驗證其是否可讀和正確,但某些表面很棘手而過於難以達成。印在金屬汽水罐之類鏡面材料的條碼有髒污或傾斜的這類情況下,使用機器視覺檢測系統並不是相當可靠,而需要交由人類檢測員讀取。因此,包裝業者需要檢測系統能以人類標準判斷可讀性,但要具備電腦化系統的速度,同時堅固耐用。邁進深度學習。

康耐視的深度學習 OCR 工具能探測和讀取純文字的日期/批代碼,驗證一連串數字與字母正確與否,甚至嚴重變形、歪斜,或 (在金屬表面) 蝕刻不良,都不是問題。因為此工具運用預先訓練的字型庫,只需要最少量的訓練。這表示康耐視深度學習開箱即可讀取大部分英數文字,完全不需要經過程式設計。訓練以辨識表面細部特徵,或重新訓練遺漏的字元的特定應用需求為限。所有優點全都有助於簡化和加快實作,以及提供成功的 OCR 與 OCV 應用結果,不需要視覺專家出馬。

包裝裝配驗證

多重包裝產品可能會有像是假日主題或季節限定之類有目的性的包裝變化,對於須仰賴視覺功能進行的裝配驗證而言很棘手。這些包裝在相同的盒子或箱上,展示不同的品項與配置。

運用深度學習裝配驗證進行包裝

為了進行這類檢測,製造廠商需要相當彈性靈活的檢測系統,找到並驗證個別的品項是否存在與正確、依適當配置排列,以及符合其外部包裝。為此,檢測系統要能在單一圖像內能逐行檢測以說明包裝變化的多項配置中,找到和分割數個興趣區。

若要依其獨特且多變的可識別特徵,找到個別的品項,深度學習系統是理想選擇,原因是其可依據尺寸、形狀、色彩及表面特徵,歸納出每種品項的可辨別特徵。康耐視深度學習軟體可迅速完成訓練,構建整個品項資料庫。接著,逐區進行檢測 (依象限或逐行),以驗證已正確地裝配該包裝。

包裝分類

裝配成套檢測需要用到其自動化檢測系統的多項功能。消費者產品多重包裝出貨之前,必須檢測其數量與內含物類型正確。計數和識別就是傳統機器視覺廣受歡迎的能力。但為了確保多組件裝置包含正確的品項,需要依類別將所含的產品分類,例如多重包裝防曬產品是否包含兩種類型的防曬乳,或是否包含一支額外的防曬潤唇膏?

運用深度學習分類進行包裝

這是傳統機器視覺所未具備的重要分類能力。幸好,如果裝配成套檢測要處理多變的產品類型,並需要人工智慧來區分這些類型的概略特徵,康耐視深度學習分類工具可以輕鬆與傳統定位與計數機器視覺工具,或與深度學習定位與計數工具結合使用。

深度學習分類的運作方法是,依據一系列標籤圖像分成不同類別,然後依照這些包裝的差異來識別產品。如果訓練將任何類別視為包含異常,則系統可以學習將其分類為可接受或不可接受。

和傳統機器視覺不同的是,新的深度學習視覺系統基本上不需要明確地撰寫程式,而是透過加上標籤的樣本圖像自我學習和訓練。深度學習軟體使用如人類一般的智慧,能夠鑒別像是誤差的些微差異和變化,其正確判斷的可靠度,甚至超越最厲害的檢測人員,不過,最重要的是它能解決更多先前無法程式化的複雜自動化難題。

包裝產業的製造廠商越來越需要更快速、強大的機器視覺系統,其原因很合理:以更高品質閾值和更低成本,生產更多產品。康耐視正面迎擊客戶的嚴苛需求,結合機器視覺與深度學習威力的自動化檢測系統,以更具成本效益且穩健的方式製造包裝。

聯絡業務

其他文章

深度學習如何將包裝解決方案的檢測自動化

deep learning for packaging

包裝產品越來越需要有自己的自訂檢測系統,以使品質完美、避免發生過檢、改善產量,以及降低召回風險。包裝生產線沿線的部分基本機器視覺應用,包括驗證包裝上的標籤存在、正確、整齊黏貼並可讀取。其他簡單的包裝檢測還包含存在性、位置、品質 (沒有標示、撕裂或氣泡),以及標籤上的可讀性 (條碼與日期/批代碼存在且可掃描)。

但包括食物與飲料業、消費者產品業及物流業等許多產業,包括瓶、罐、盒及箱之類的包裝,傳統機器視覺不一定總能精準地檢測。製造廠商通常仰賴人類檢測員的靈活彈性與決策判斷,為應用在圖案繁複或鏡面眩光嚴重之類的雜亂表面上,找出多變且難以預知的缺陷。但是人類檢測員的產能不一定可以提高,使得現代消費者包裝產品業須權衡輕重並做出取捨。

對於抗拒自動化但要求高品質與產量的應用,深度學習技術是包裝業應用工程師可以使用的有效新工具。深度學習技術可處理各種不同類型的包裝表面,包括紙類、玻璃、塑膠及陶瓷,還有上面的標籤。無論是印刷標籤上的特定缺陷,或是一件包裝的切割區,康耐視深度學習只要學習目標區域的外觀變化,即能識別所有興趣區。再使用一系列工具,康耐視深度學習還可找到複雜的物件或特徵、缺陷異常並計算數量,以及將上述物件或將整個場景分類。不只如此,它還能使用預先訓練的字型庫,辨識並驗證英數字元。

我們將在此探索康耐視深度學習,如何為包裝業者與製造廠商做到上述各項。

包裝缺陷探測

對於瓶、罐類的包裝檢測,機器視覺的價值無法衡量。事實上,在大部分工廠中,機器視覺不僅可在製造期間檢測標籤的位置和包裝,還能放料並對準。

運用深度學習缺陷探測進行包裝

傳統機器視覺擅長處理標籤缺陷,巧妙地探測起皺、裂縫、撕裂、翹折、氣泡及印刷錯誤。高對比影像與表面擷取技術能夠擷取缺陷,即使位於曲面或光線條件不佳,也不是問題。不過,一般鋁質金屬表面的眩光,還有其缺陷難以預知又多變,並非全都需要剔除,而可能會干擾傳統機器視覺判別。表面檢測難題之中,還包括像是長條掛擦與淺凹痕等無數的缺陷形態與類型,使得明確搜尋所有類型的潛在缺陷並不可行。

使用新的深度學習方法,能夠精準並反覆地檢測各種不同的棘手金屬包裝表面。使用康耐視深度學習,不會明確撰寫程式和檢測,深度學習演算法會以一組已知「合格」的樣本來訓練自己,建立其參考模型。在此訓練階段完成之後,即準備就緒可以開始檢測。罐子表面若偏離可接受的正常外觀,康耐視深度學習可以識別並回報有缺陷的所有區域。

包裝光學字元辨識

無論是何種材料或類型,都有日期/批代碼隱身在絕大多數消費性包裝上。使用者和消費者在購物時,還有製造廠商在驗證階段期間,能有清楚印出並可讀取的這些代碼相當重要。例如,瓶身或餅乾包裝上的標籤所印的日期/批代碼有誤印、髒污或變形情況,就會對兩者造成問題。

運用深度學習 OCR 進行包裝

一般而言,傳統機器視覺能在條碼離開工廠之前,輕鬆辨識和/或驗證其是否可讀和正確,但某些表面很棘手而過於難以達成。印在金屬汽水罐之類鏡面材料的條碼有髒污或傾斜的這類情況下,使用機器視覺檢測系統並不是相當可靠,而需要交由人類檢測員讀取。因此,包裝業者需要檢測系統能以人類標準判斷可讀性,但要具備電腦化系統的速度,同時堅固耐用。邁進深度學習。

康耐視的深度學習 OCR 工具能探測和讀取純文字的日期/批代碼,驗證一連串數字與字母正確與否,甚至嚴重變形、歪斜,或 (在金屬表面) 蝕刻不良,都不是問題。因為此工具運用預先訓練的字型庫,只需要最少量的訓練。這表示康耐視深度學習開箱即可讀取大部分英數文字,完全不需要經過程式設計。訓練以辨識表面細部特徵,或重新訓練遺漏的字元的特定應用需求為限。所有優點全都有助於簡化和加快實作,以及提供成功的 OCR 與 OCV 應用結果,不需要視覺專家出馬。

包裝裝配驗證

多重包裝產品可能會有像是假日主題或季節限定之類有目的性的包裝變化,對於須仰賴視覺功能進行的裝配驗證而言很棘手。這些包裝在相同的盒子或箱上,展示不同的品項與配置。

運用深度學習裝配驗證進行包裝

為了進行這類檢測,製造廠商需要相當彈性靈活的檢測系統,找到並驗證個別的品項是否存在與正確、依適當配置排列,以及符合其外部包裝。為此,檢測系統要能在單一圖像內能逐行檢測以說明包裝變化的多項配置中,找到和分割數個興趣區。

若要依其獨特且多變的可識別特徵,找到個別的品項,深度學習系統是理想選擇,原因是其可依據尺寸、形狀、色彩及表面特徵,歸納出每種品項的可辨別特徵。康耐視深度學習軟體可迅速完成訓練,構建整個品項資料庫。接著,逐區進行檢測 (依象限或逐行),以驗證已正確地裝配該包裝。

包裝分類

裝配成套檢測需要用到其自動化檢測系統的多項功能。消費者產品多重包裝出貨之前,必須檢測其數量與內含物類型正確。計數和識別就是傳統機器視覺廣受歡迎的能力。但為了確保多組件裝置包含正確的品項,需要依類別將所含的產品分類,例如多重包裝防曬產品是否包含兩種類型的防曬乳,或是否包含一支額外的防曬潤唇膏?

運用深度學習分類進行包裝

這是傳統機器視覺所未具備的重要分類能力。幸好,如果裝配成套檢測要處理多變的產品類型,並需要人工智慧來區分這些類型的概略特徵,康耐視深度學習分類工具可以輕鬆與傳統定位與計數機器視覺工具,或與深度學習定位與計數工具結合使用。

深度學習分類的運作方法是,依據一系列標籤圖像分成不同類別,然後依照這些包裝的差異來識別產品。如果訓練將任何類別視為包含異常,則系統可以學習將其分類為可接受或不可接受。

和傳統機器視覺不同的是,新的深度學習視覺系統基本上不需要明確地撰寫程式,而是透過加上標籤的樣本圖像自我學習和訓練。深度學習軟體使用如人類一般的智慧,能夠鑒別像是誤差的些微差異和變化,其正確判斷的可靠度,甚至超越最厲害的檢測人員,不過,最重要的是它能解決更多先前無法程式化的複雜自動化難題。

包裝產業的製造廠商越來越需要更快速、強大的機器視覺系統,其原因很合理:以更高品質閾值和更低成本,生產更多產品。康耐視正面迎擊客戶的嚴苛需求,結合機器視覺與深度學習威力的自動化檢測系統,以更具成本效益且穩健的方式製造包裝。

聯絡業務

其他文章

取得產品支援與訓練等等

加入 MyCognex

是否有任何疑问?

世界各地的康耐视代表可以随时为您提供支持,满足您的视觉和工业读码需求。

聯絡我們