Sisteme de Viziune pentru Inspecția Automată a Calității

Viziunea artificială a depășit citirea codurilor de bare și a ajuns la inspecția automată de calitate, prinzând defecte de ambalaj, etichetare greșită și erori de numărare la viteza liniei, fără un inspector uman dedicat care să revizuiască fiecare unitate.

Camerele de inspecție automată poziționate de-a lungul liniilor de bandă transportoare sau ambalare verifică de obicei un set definit de categorii de defecte, nu încearcă o judecată vizuală de scop general:

• Prezența și plasarea etichetei — confirmarea că o etichetă există, este poziționată în toleranță și nu este șifonată sau ruptă.
• Lizibilitatea codului de bare — verificarea că codul de bare tipărit se decodează corect și îndeplinește standardele de evaluare a calității tipăririi înainte ca unitatea să fie expediată.
• Integritatea ambalajului — detectarea cutiilor rupte, clapetelor deschise sau deteriorării vizibile folosind algoritmi de detecție a marginilor și comparare a formelor.
• Verificarea numărului și completitudinii — pentru pachete kit sau cu mai multe articole, confirmarea că numărul și aranjamentul așteptat de articole este prezent folosind modele de imagine antrenate.

Viziunea bazată pe reguli (verificări geometrice fixe precum "eticheta este în acest dreptunghi") funcționează bine pentru SKU-uri stabile, cu volum mare și ambalaj consistent. Modelele de viziune bazate pe machine learning sunt mai potrivite pentru produse mai variabile sau tipuri de defecte greu de descris geometric, dar necesită un set de date de antrenare cu exemple bune și defecte, și reantrenare periodică pe măsură ce ambalajul se schimbă sau sunt introduse SKU-uri noi. Facilitățile subestimează această povară continuă de ajustare mai des decât subestimează costul inițial de configurare.

Fiecare sistem de inspecție prin viziune face un compromis între ratarea defectelor reale (false negative, care ajung la client) și respingerea inutilă a unităților bune (false pozitive, care irosesc muncă la re-inspecție sau reprocesarea unităților care erau de fapt bune). Ajustarea acestui prag depinde de asimetria costului defectului specific: un pachet farmaceutic etichetat greșit justifică o toleranță mult mai mică pentru falsele negative decât o etichetă ușor dezaliniată pe un articol de bază, cu valoare mică.

Punctele de inspecție sunt cele mai eficiente plasate cât mai aproape posibil de sursa defectului pe care sunt menite să-l prindă — verificând aplicarea etichetei imediat după stația print-and-apply, nu doar la construirea finală a paletului, de exemplu — deoarece detecția timpurie permite corectarea înainte ca muncă și materiale suplimentare să fie investite într-o unitate defectă. O singură inspecție la finalul liniei prinde probleme, dar irosește toată procesarea care a avut loc între originea defectului și verificarea finală.

Dincolo de decizia imediată de acceptare/respingere, sistemele de inspecție prin viziune generează un flux de date despre ratele de defecte pe SKU, tură și sursa echipamentului, valoros pentru analiza cauzei-rădăcină — o rată crescândă de respingere pe o linie de ambalare, de exemplu, indică adesea o piesă specifică de echipament din amonte care se decalibrează înainte de a deveni o defecțiune mecanică evidentă. Facilitățile care direcționează aceste date către sistemele lor de calitate sau mentenanță obțin mai multă valoare din investiția în inspecție decât cele care o tratează pur ca o poartă de acceptare/respingere de pe linie.