L’ispezione nel workflow dell’imballaggio è un’attività imprescindibile per mantenere e migliorare la qualità, la produttività, eliminare i falsi scarti e portare verso lo zero i rischi di un richiamo. Le applicazioni e tecnologie di visione industriale rappresentano oggi una parte sempre più sostanziale del processo produttivo e sempre più spesso richiedono di essere customizzate per le singole attività di imballaggio.
«Lungo le linee di imballaggio si verificano la presenza, la correttezza, la posizione e la leggibilità di un’etichetta. Non devono esserci linguette, strappi, bolle e la leggibilità, la scansionabilità dei codici a barre o dei codici data/lotto, dev’essere assoluta. Il tutto a velocità tali da non compromettere la produttività di un impianto», premette Paolo Stevanin, regional manager di Cognex International.
Ma non sempre soluzioni di visione artificiale tradizionale riescono a raggiungere i risultati con precisione e tantomeno l’ispezione dell’occhio umano.
«A supporto della produttività e della qualità, la tecnologia del deep learning rappresenta uno strumento efficace e particolarmente adattabile. Con questa tecnologia si possono 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 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 è in grado di localizzare e conteggiare oggetti e caratteristiche complessi, individuare anomalie e classificare quegli oggetti che, con sistemi di tradizionali causerebbero notevoli ‘falsi scarti’ con ingenti cali di produzione. Infine, con le tecnologie del deep learning si è in grado di riconoscere e verificare caratteri alfanumerici utilizzando una libreria di caratteri pre-impostati».
Paolo Stevanin approfondisce le possibilità del Deep Learning nel mondo dell’ispezione su bottiglie e lattine. «I difetti di etichettatura sono gestiti generalmente bene dalla visione artificiale che è in grado di individuare grinze, strappi, lacerazioni, deformazioni, bolle ed errori di stampa. La tecnologia di estrazione superficiale e di imaging ad alto contrasto è in grado di individuare 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 artificiale tradizionale a causa del suo riverbero nonché della natura imprevedibile e variabile dei difetti che non devono tutti essere oggetto di scarto. Se a tali ispezioni complesse di superfici si aggiungono forme e tipi di difetti i più vari, 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 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 delle immagini memorizzate durante il ciclo produttivo, utilizzando una serie di esempi «conformi» noti per allenare una rete neurale adatta al riconoscimento di difetti specifici. 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».
