Если вы впервые заказываете разработку прошивки для своего устройства, первый разговор с подрядчиком может показаться разговором на другом языке. Bootloader, HAL, RTOS, ISP, bare-metal – всё это звучит как само собой разумеющееся для инженера, но не для человека, которому нужно принять решение о начале проекта.
Автоматический контроль качества этикеток на конвейере: как это работает
Возврат от торговой сети из-за нечитаемого штрихкода или отсутствующей даты годности выглядит как мелкая неприятность только до первого штрафа. После него становится понятно: контроль этикеток на скоростной линии нельзя оставлять на усмотрение оператора. При 400-600 единиц в минуту человек физически не успевает проверить каждую. Он проверяет каждую пятую-десятую, и это в лучшем случае.
Автоматические системы на базе машинного зрения решают эту задачу. Ниже разберём как такая система устроена, из чего состоит и что важно понимать до начала внедрения.
Какие дефекты должна ловить система
Первый шаг в любом таком проекте: зафиксировать что именно считается браком. Это звучит очевидно, но размытые критерии чаще всего приводят к разочарованию после внедрения. Типовой список дефектов выглядит так.
Складки и морщины. Этикетка наклеена с деформацией, текст или штрихкод частично нечитаем, товарный вид нарушен.
Отсутствие этикетки. Единица прошла через аппликатор, но этикетка не приклеилась.
Дефекты печати. Смазанный текст, полосы, выцветание. Обычно это дефект принтера или расходника.
Смещение. Этикетка наклеена не в допустимой зоне, часть текста уходит на торец упаковки.
Нечитаемый штрихкод. EAN-13 или DataMatrix не декодируется сканером. Визуально этикетка при этом может выглядеть нормально.
Ошибки в дате годности. Дата не пробита, нечитаема или некорректна по значению.
Первые четыре пункта закрываются визуальным анализом. Последние два требуют отдельного OCR-модуля.
Из чего состоит система
Типовая система контроля этикеток включает четыре компонента: промышленную камеру с подсветкой, вычислительный модуль с программным обеспечением, OCR-модуль для проверки читаемости данных и исполнительный механизм отбраковки.
Камера и подсветка
Для контроля этикеток обычно используют матричные камеры с разрешением от 5 до 12 мегапикселей. Конкретные цифры зависят от размера этикетки и минимального дефекта который нужно поймать.
Подсветка не менее важна чем сама камера. Равномерный свет без бликов и теней – это обязательное условие стабильной работы модели. На глянцевых и металлизированных упаковках применяют диффузную или кольцевую подсветку, чтобы убрать зеркальные блики. На матовых поверхностях достаточно направленного бокового или фронтального света.
Синхронизация с конвейером
Это ключевая техническая задача, которую часто недооценивают на старте. При скорости 600 единиц в минуту каждая единица находится в поле зрения камеры около 80-100 миллисекунд. Снимать с фиксированной частотой кадров здесь не получится: часть снимков будет смазана, часть сделана когда единица ещё не вошла в кадр полностью.
Правильное решение – аппаратная синхронизация. Энкодер на валу конвейера отслеживает положение ленты и в нужный момент подаёт сигнал на триггер камеры. Камера срабатывает ровно когда единица стоит по центру кадра. Выдержка подбирается так, чтобы исключить смаз даже на полной скорости линии: как правило это 0.5-1 миллисекунда.
Без аппаратной синхронизации система работает нестабильно. Часть единиц попадает в кадр частично, часть снимается со смазом. Это напрямую снижает точность модели.
Модель машинного зрения
Нейросетевая модель анализирует каждый снимок и принимает решение о качестве. Обычно применяют два подхода или их комбинацию.
Сравнение с эталоном. Система сравнивает снимок с референсной этикеткой и ищет отклонения. Хорошо работает для геометрических дефектов: смещение, складки, отсутствие.
Детектирование аномалий. Модель обучается на нормальных изображениях и помечает всё выходящее за пределы нормы. Лучше справляется с дефектами печати: полосы, выцветание, смазанность.
Важный момент про обучение: модель нужно тренировать на реальных снимках с конкретной линии. Реальные дефекты реального производства выглядят иначе чем идеальные иллюстрации. Качество обучающей выборки прямо определяет точность системы в работе.
OCR-модуль
Визуальный анализ не ловит всё. Штрихкод может выглядеть нормально, но не декодироваться из-за недостаточного контраста. Дата годности может быть читаема на вид, но содержать некорректное значение.
OCR-модуль закрывает эти случаи. Он декодирует штрихкод с каждого снимка и проверяет успешность декодирования, а также распознаёт текст даты годности и сверяет значение с допустимым диапазоном для текущего SKU.
Проверка даты по значению требует интеграции с производственной системой: нужно знать какой SKU сейчас на линии и какие даты для него корректны. Обычно это реализуется через API или считывание задания смены.
Отбраковка
Обнаружить дефект недостаточно: дефектную единицу нужно физически убрать с линии. Стандартное решение – это пневматический отбойник или дивертер. По сигналу от системы он выталкивает единицу в бункер отбраковки.
Между камерой и отбойником всегда есть расстояние. Единица проходит его за время, зависящее от скорости конвейера. Система рассчитывает момент срабатывания с учётом этой задержки, чтобы отбойник сработал ровно на дефектную единицу, а не на соседнюю.
Каждое срабатывание логируется: тип дефекта, снимок единицы, время, номер смены.
Зачем нужна аналитика
Помимо сплошного контроля система накапливает данные о каждом дефекте. Это открывает возможности которых при ручном контроле просто не существует.
Рост числа складок в определённое время смены может указывать на износ прижимного ролика аппликатора. Концентрация дефектов печати в начале партии говорит о проблеме с прогревом термопринтера. Всплеск смещений после технического перерыва сигнализирует о сбившейся юстировке.
Эти закономерности видны в статистике, но невидимы при выборочной ручной проверке. Аналитика превращает систему контроля из реактивной в проактивную: тренд виден до того как брак стал массовым.
Что важно понимать до начала внедрения
Критерии отбраковки фиксируются письменно до старта. Не в общих словах, а с конкретными примерами допустимых и недопустимых дефектов. Размытые критерии – главная причина разочарования после внедрения.
Пилот на реальной линии обязателен. Точность системы проверяется только на реальном производстве с реальными дефектами. Пилотный прогон занимает 4-6 недель и отвечает на вопрос о применимости до полноценного внедрения.
Освещение должно быть стабильным. Изменение освещённости в цеху влияет на качество изображения. Промышленная подсветка встроенная в систему решает эту проблему и делает результат воспроизводимым.
Несколько SKU на одной линии – решаемо. Система переключается между эталонами через задание смены или автоматическое распознавание типа продукта.
Заключение
Автоматический контроль этикеток – это технически зрелое решение с понятной архитектурой. Синхронизированная промышленная камера, модель машинного зрения, OCR-модуль и пневматическая отбраковка: четыре компонента которые в связке дают сплошной контроль каждой единицы на промышленных скоростях.
Главные задачи при внедрении – правильно зафиксировать критерии качества и отработать синхронизацию на реальной линии в ходе пилота. Остальное масштабируется.
Если у вас есть линия этикетирования и задача сократить возвраты от торговых сетей, расскажите о производстве и скорости линии. Оценим архитектуру решения и формат пилота.