Контроль маркировки машинным зрением

Дата на упаковке может быть указана неверно, номер партии — не соответствовать производственному заданию, а этикетка — оказаться смещённой или повреждённой. На высокой скорости конвейера оператору сложно контролировать каждое изделие одинаково внимательно.

Машинное зрение позволяет автоматизировать такой контроль. Камера фиксирует изделие в зоне проверки, алгоритм находит маркировку, распознаёт текст и сравнивает полученные данные с заданными значениями. При обнаружении несоответствия система передаёт информацию оператору или сигнал на оборудование для отбраковки.

В статье разберём, как работает автоматический контроль маркировки, чем OCR отличается от OCV, какие параметры влияют на качество распознавания и как система встраивается в производственную линию.

Маркировка помогает идентифицировать продукцию на складе, в рознице и при контроле качества. Ошибка в дате, номере партии или артикуле может привести к дополнительной проверке, переработке продукции или задержке отгрузки.

На производстве чаще всего встречаются следующие проблемы:

При ручной проверке сложно обеспечить стабильную высокую точность. Камера, установленная в нужной точке линии, позволяет проверять каждое изделие, которое проходит через зону съёмки, с точностью до 99%.

Система может контролировать различные виды текстовой и графической информации, если она доступна для съёмки камерой.

На производстве часто проверяют:

• дату производства;
• срок годности;
• номер партии;
• серийный номер;
• артикул;
• модель изделия;
• текст на упаковке;
• маркировку на трубах, металле, кабеле и пластике;
• штрихкоды;
• QR-коды;
• DataMatrix-коды;
• наличие и положение этикетки.

За один проход можно проверить сразу несколько параметров. Например, определить наличие этикетки, оценить её положение, считать номер партии и сверить его с производственным заданием.

Для распознавания текста применяется OCR — технология оптического распознавания символов. Для проверки заранее известного текста используется OCV.

Автоматический контроль начинается с получения изображения изделия. Камера устанавливается относительно зоны контроля таким образом, чтобы текст или код попадал в нужную область кадра и имел достаточное качество для обработки.

Типовая последовательность выглядит следующим образом:

В зависимости от задачи в системе могут одновременно использоваться распознавание текста, проверка качества печати, контроль положения этикетки и считывание штрихкодов или двумерных кодов.

OCR (Optical Character Recognition) — технология оптического распознавания текста. Она позволяет преобразовать изображение букв, цифр и других символов в цифровую строку, которую затем можно использовать для автоматической проверки.

Конкретный алгоритм OCR может отличаться, но обычно распознавание проходит в несколько этапов:

1. Получение изображения с камеры.
2. Поиск области, в которой находится текст.
3. Предварительная обработка изображения при необходимости.
4. Анализ изображения и распознавание символов или последовательности символов.
5. Формирование результата в виде текстовой строки.

После распознавания система контроля может проверить полученную строку: сравнить её с номером партии, датой или другим заданным значением.

Например, система может распознать строку ПАРТИЯ 241026 и передать её дальше для сравнения с номером партии из производственного задания.

Современные системы OCR могут использовать нейросетевые модели. Они позволяют решать задачи распознавания при изменении шрифта, положения текста, масштаба изображения и некоторых видах искажений. При этом качество результата зависит не только от алгоритма, но и от изображения: освещения, фокусировки, разрешения камеры, контраста и состояния маркировки.

Мы разрабатываем решения для считывания и контроля маркировки с учётом условий конкретного производства.

OCR и OCV часто используют вместе, но у технологий разные задачи.

При OCV система получает эталонную информацию и проверяет, соответствует ли ей текст на конкретном изделии. В зависимости от реализации дополнительно могут контролироваться качество и целостность печати.

OCR и OCV можно использовать в одной системе. Сначала программа распознаёт текст, затем сверяет его с данными производственного задания. Так можно автоматически проверять дату, номер партии, артикул и другие значения.

Машинное зрение подходит для разных способов нанесения маркировки. При выборе оборудования учитывают материал изделия, поверхность, способ печати и требования к качеству изображения.

Можно контролировать:

• текстовую маркировку;
• дату производства;
• срок годности;
• номер партии;
• серийный номер;
• артикул;
• штрихкоды;
• QR-коды;
• DataMatrix-коды;
• струйную печать;
• лазерную маркировку;
• термотрансферную печать;
• этикетки и нанесённую на них информацию.

Кроме считывания текста, машинное зрение может использоваться для проверки наличия этикетки, её положения и соответствия конкретному изделию.

Такая автоматизация позволяет обнаруживать ошибки непосредственно в процессе производства. Оператор получает информацию о несоответствии, а при наличии исполнительного оборудования система может передать сигнал на автоматическую отбраковку.

На результат влияет не только алгоритм распознавания. Важны также качество изображения, освещение, поверхность изделия и состояние самой маркировки.

Подбор оборудования начинается не с выбора конкретной камеры, а с анализа самой задачи.

При проектировании учитывают:

Поэтому оборудование подбирают с учётом конкретной линии и условий съёмки.

Камера машинного зрения является частью общей системы автоматизации. Она взаимодействует с датчиками, промышленным оборудованием и информационными системами предприятия.

Типовая схема может выглядеть следующим образом:

Архив изображений помогает анализировать спорные случаи, разбирать производственные ошибки и подтверждать результаты контроля.

При правильно рассчитанной системе машинное зрение может работать непосредственно в потоке, без остановки конвейера для проверки каждого изделия.

Автоматический контроль также позволяет собирать статистику. Например, можно анализировать количество несоответствий по сменам, партиям, принтерам или видам дефектов. Такая информация помогает не только обнаруживать брак, но и искать причины его появления.

В лабораторных условиях маркировка может выглядеть хорошо, но на реальном производстве появляются дополнительные факторы: вибрация оборудования, пыль, блики, изменение положения изделий, разные партии материала и изменение качества печати.

Поэтому перед внедрением необходимо проверить реальные образцы продукции и условия съёмки.

В рамках проекта специалисты анализируют:

• образцы корректной и дефектной маркировки;
• скорость производственной линии;
• материал и геометрию изделия;
• способ нанесения маркировки;
• расположение камеры;
• доступное освещение;
• требования к скорости обработки;
• способ передачи результата в систему управления.

Затем подбирают камеру, объектив и освещение, настраивают алгоритмы обработки и подключают систему к производственному процессу.

Подробный пример внедрения контроля маркировки и этикеток можно посмотреть в нашем кейсе.

ML Sense — платформа для контроля качества продукции на основе машинного зрения и нейросетевых алгоритмов, разработанная компанией Nord Clan.

ML Sense позволяет автоматизировать проверку продукции на линии, в том числе считывать и проверять нанесённую маркировку.

При создании системы учитываются особенности конкретного производства:

Команда также может сопровождать систему после внедрения. Если меняется упаковка, шрифт, принтер или сама маркировка, алгоритмы и параметры контроля при необходимости адаптируются к новым условиям.

ML Sense входит в реестр российского программного обеспечения, реестровая запись
№ 12 843 от 14.02.2022.

На нескольких производственных площадках уже внедрена система для контроля маркировки ML Sense, также есть и решение для автоматизации всего цикла маркировки Честный знак, которое включает контроль маркировки.

Если на производстве возникают ошибки с датами, номерами партий, артикулами, этикетками или качеством печати, сначала необходимо определить, какие именно параметры требуется контролировать и в каких условиях работает линия.

Для оценки задачи достаточно предоставить образцы продукции и описать производственный процесс. Специалисты могут определить требования к съёмке, предложить схему контроля и подобрать оборудование с учётом скорости линии и особенностей продукции.

Оставьте заявку, чтобы обсудить задачу и получить предложение по автоматизации контроля маркировки для вашей производственной линии.