深度学习如何为包装行业实现自动化检测解决方案

deep learning for packaging

包装产品越来越需要有自己的定制检测系统以完善质量、避免误报、提高生产量并避免召回风险。包装线上的某些基础机器视觉应用可以验证包装上的标签是否存在、正确、整齐而且可读。还有一些简单的包装检测可以检测标签的存在、位置、质量(无标志、撕裂或气泡)和可读性(条码和日期/批号存在且可扫描)。

但是有很多行业(例如食品和饮料、消费产品和物流)的包装,例如瓶子、罐子、箱子和盒子,使用传统机器视觉不一定能得到准确的检测结果。对于易混淆表面上有易变、无法预测的缺陷的应用(例如有很多图案或易产生镜面眩光的表面),制造商通常需要依靠检测员的灵活性和判断式决策。但是在现代消费产品包装行业中,人类检测员无法跟上大量生产的消费产品包装量,这是非常大的缺点。

在包装行业中,对于难以自动化但又需要高质量和高吞吐量的应用,深度学习技术将是可供应用工程师使用的有效的新工具。深度学习技术可以处理所有类型的包装表面,包括纸、玻璃、塑料和陶瓷及其标签。无论是印刷标签上的特定缺陷还是包装的切割区域,康耐视深度学习只需学习目标区域的各种外观,即可识别这些感兴趣的区域。然后,康耐视深度学习可以使用一系列工具来定位和计算复杂的对象或特征,检测异常,并对这些对象甚至整个场景进行分类。最后还有很重要的一点是,它可以使用预先训练的字体库识别和验证字母数字字符。

包装检测应用指南

在这里,我们将探索康耐视深度学习如何为包装商和制造商完成上述所有任务。

包装缺陷探测

机器视觉对于瓶子和罐子的包装检测有非常重要的意义。实际上,在大多数工厂中,机器视觉不仅检测标签和包装的位置,还要在制造过程中放置和对齐这些东西。

深度学习探测包装缺陷

传统机器视觉可以很好地处理标签缺陷,它可以检测出皱纹、撕裂、弯曲、气泡和印刷错误。高对比度成像和表面提取技术可以捕获缺陷,即使它们出现在曲面上或者在恶劣的光照条件下。然而,典型的铝金属表面的眩光及其缺陷的不可预测性很容易使传统机器视觉混淆,但这些缺陷并不是都需要被剔除的。各种缺陷数不清的外观和类型又给这些有挑战性的表面检测增加了难度—例如长划痕和浅凹痕—然后很快就无法明确地搜索所有类型的潜在缺陷了。

如果使用基于深度学习的新方法,就可以精确、重复地检测各种有挑战性的金属包装表面。通过康耐视深度学习,深度学习算法无需编程即可使用一组已知的“合格”样本进行自我训练,然后制作出参考模型。训练阶段完成后,检测即可开始。康耐视深度学习可以识别并报告罐子表面上超出正常可接受外观范围的所有缺陷区域。

包装光学字符识别

日期/批号几乎总是隐藏在某种材料或类型的包装上的某个地方。清晰地印刷这些代码使其可读不仅对最终用户和消费者购物很重要,对于验证阶段的制造商也很重要。例如,曲奇瓶子或包装标签上印刷的日期/批号如果不正确、有污渍或变形,就会给两者都带来麻烦。

包装 OCR 深度学习

通常,在离开工厂之前,传统机器视觉可以很容易地识别和/或验证代码是否可读和正确,但是某些有挑战性的表面会使其难以实现。在这种情况下,人类检测员经过一番努力或许可以读出印在镜面材料(例如金属苏打盒)上的污损或倾斜代码,但机器视觉检测系统却没有太高的可靠性。在这种情况下,包装商需要一种可以根据人类标准判断可读性的检测系统,而且关键的是,要有计算机系统的速度和耐用性。输入,深度学习。

康耐视的深度学习 OCR 工具能够检测和读取日期/批号中的纯文本,从而验证其数字和字母链是否正确,即使它们变形、歪斜严重,或者对于金属表面而言蚀刻质量不佳。该工具使用预训练的字体库,所以简化训练。这意味着康耐视深度学习开箱即可读取大部分字母数字文本,无需编程。仅需要识别表面细节或对遗漏字符进行再训练的特殊应用需要训练。所有这些优点都有助于简化和加快实施过程,并且无需视觉专家的参与,就可以成功获得 OCR 和 OCV 应用结果。

包装装配验证

对于外观可能会根据目的发生变化的多件装商品,例如以假日为主题或季节性的产品,以视觉为基础进行的装配验证可能要面临挑战。这些包装会在相同的箱子或盒子中包含不同的物品和配置。

包装的装配验证深度学习

对于这类检测,制造商需要高度灵活的检测系统,以定位并验证单个物品是否存在和正确、配置是否正确、以及与外包装是否一致。为此,检测系统需要能在一张图像中定位和分割多个感兴趣的区域,并且可能要采用多种配置,以逐行进行检测,从而处理包装的差异。

要根据单个物品的独特的可识别特征来进行定位,深度学习系统将是理想的解决方案,这是因为它能根据尺寸、形状、颜色和表面特征概括各个物品的可区别特征。康耐视深度学习软件可以快速完成训练,建立完整的物品数据库。然后即可按区域进行检测,例如按象限或逐行,验证包装装配是否正确。

包装分类

套件检测需要使用自动化检测系统的多种功能。消费品的多件式包装需要在运输前检查内含物的数量和类型是否正确。计数和识别是传统机器视觉备受欢迎的优势。但是,要确保多件式包装中有正确的物品,就需要按类别对所包含的产品进行分类—例如,防晒霜多件式包装中是两种防晒霜,还是有额外的防晒润唇膏?

包装分类深度学习

这种分类不但很重要,而且对于传统机器视觉来说仍然是遥不可及的。幸运的是,如果套件检测中处理的产品类型会发生变化并且需要人工智能来区分这些类型的通用特征,可以使用康耐视的深度学习分类工具轻松地与传统的定位和计数机器视觉工具结合,或者与深度学习式定位和计数工具结合。

深度学习式分类是通过一系列带标签的图像来分类不同的类别,并根据这些包装差异来识别产品。如果将任何类别作为异常分类进行培训,那么系统就可以通过学习来进行可接受或不可接受的分类。

新的深度学习视觉系统与传统机器视觉不同,因为它们本质上是使用标签图像自助学习和训练的,无需进行编程。深度学习软件使用类人智能,能够区分偏差和变化等细微差别,在做出可靠、正确的判断方面甚至胜过最优秀的质量检测员。但是,最重要的是,它能解决较复杂的、以前无法编程的自动化问题。

包装行业的制造商越来越需要更快、更强大的机器视觉系统,这有充分的理由:它们能以更高的质量和更低的成本生产大量的产品。康耐视的自动化检测系统可以满足客户的严格要求,它们将机器视觉的强大功能与深度学习结合,可以更经济、更稳定地生产包装。

联系销售部门

更多帖子

深度学习如何为包装行业实现自动化检测解决方案

deep learning for packaging

包装产品越来越需要有自己的定制检测系统以完善质量、避免误报、提高生产量并避免召回风险。包装线上的某些基础机器视觉应用可以验证包装上的标签是否存在、正确、整齐而且可读。还有一些简单的包装检测可以检测标签的存在、位置、质量(无标志、撕裂或气泡)和可读性(条码和日期/批号存在且可扫描)。

但是有很多行业(例如食品和饮料、消费产品和物流)的包装,例如瓶子、罐子、箱子和盒子,使用传统机器视觉不一定能得到准确的检测结果。对于易混淆表面上有易变、无法预测的缺陷的应用(例如有很多图案或易产生镜面眩光的表面),制造商通常需要依靠检测员的灵活性和判断式决策。但是在现代消费产品包装行业中,人类检测员无法跟上大量生产的消费产品包装量,这是非常大的缺点。

在包装行业中,对于难以自动化但又需要高质量和高吞吐量的应用,深度学习技术将是可供应用工程师使用的有效的新工具。深度学习技术可以处理所有类型的包装表面,包括纸、玻璃、塑料和陶瓷及其标签。无论是印刷标签上的特定缺陷还是包装的切割区域,康耐视深度学习只需学习目标区域的各种外观,即可识别这些感兴趣的区域。然后,康耐视深度学习可以使用一系列工具来定位和计算复杂的对象或特征,检测异常,并对这些对象甚至整个场景进行分类。最后还有很重要的一点是,它可以使用预先训练的字体库识别和验证字母数字字符。

包装检测应用指南

在这里,我们将探索康耐视深度学习如何为包装商和制造商完成上述所有任务。

包装缺陷探测

机器视觉对于瓶子和罐子的包装检测有非常重要的意义。实际上,在大多数工厂中,机器视觉不仅检测标签和包装的位置,还要在制造过程中放置和对齐这些东西。

深度学习探测包装缺陷

传统机器视觉可以很好地处理标签缺陷,它可以检测出皱纹、撕裂、弯曲、气泡和印刷错误。高对比度成像和表面提取技术可以捕获缺陷,即使它们出现在曲面上或者在恶劣的光照条件下。然而,典型的铝金属表面的眩光及其缺陷的不可预测性很容易使传统机器视觉混淆,但这些缺陷并不是都需要被剔除的。各种缺陷数不清的外观和类型又给这些有挑战性的表面检测增加了难度—例如长划痕和浅凹痕—然后很快就无法明确地搜索所有类型的潜在缺陷了。

如果使用基于深度学习的新方法,就可以精确、重复地检测各种有挑战性的金属包装表面。通过康耐视深度学习,深度学习算法无需编程即可使用一组已知的“合格”样本进行自我训练,然后制作出参考模型。训练阶段完成后,检测即可开始。康耐视深度学习可以识别并报告罐子表面上超出正常可接受外观范围的所有缺陷区域。

包装光学字符识别

日期/批号几乎总是隐藏在某种材料或类型的包装上的某个地方。清晰地印刷这些代码使其可读不仅对最终用户和消费者购物很重要,对于验证阶段的制造商也很重要。例如,曲奇瓶子或包装标签上印刷的日期/批号如果不正确、有污渍或变形,就会给两者都带来麻烦。

包装 OCR 深度学习

通常,在离开工厂之前,传统机器视觉可以很容易地识别和/或验证代码是否可读和正确,但是某些有挑战性的表面会使其难以实现。在这种情况下,人类检测员经过一番努力或许可以读出印在镜面材料(例如金属苏打盒)上的污损或倾斜代码,但机器视觉检测系统却没有太高的可靠性。在这种情况下,包装商需要一种可以根据人类标准判断可读性的检测系统,而且关键的是,要有计算机系统的速度和耐用性。输入,深度学习。

康耐视的深度学习 OCR 工具能够检测和读取日期/批号中的纯文本,从而验证其数字和字母链是否正确,即使它们变形、歪斜严重,或者对于金属表面而言蚀刻质量不佳。该工具使用预训练的字体库,所以简化训练。这意味着康耐视深度学习开箱即可读取大部分字母数字文本,无需编程。仅需要识别表面细节或对遗漏字符进行再训练的特殊应用需要训练。所有这些优点都有助于简化和加快实施过程,并且无需视觉专家的参与,就可以成功获得 OCR 和 OCV 应用结果。

包装装配验证

对于外观可能会根据目的发生变化的多件装商品,例如以假日为主题或季节性的产品,以视觉为基础进行的装配验证可能要面临挑战。这些包装会在相同的箱子或盒子中包含不同的物品和配置。

包装的装配验证深度学习

对于这类检测,制造商需要高度灵活的检测系统,以定位并验证单个物品是否存在和正确、配置是否正确、以及与外包装是否一致。为此,检测系统需要能在一张图像中定位和分割多个感兴趣的区域,并且可能要采用多种配置,以逐行进行检测,从而处理包装的差异。

要根据单个物品的独特的可识别特征来进行定位,深度学习系统将是理想的解决方案,这是因为它能根据尺寸、形状、颜色和表面特征概括各个物品的可区别特征。康耐视深度学习软件可以快速完成训练,建立完整的物品数据库。然后即可按区域进行检测,例如按象限或逐行,验证包装装配是否正确。

包装分类

套件检测需要使用自动化检测系统的多种功能。消费品的多件式包装需要在运输前检查内含物的数量和类型是否正确。计数和识别是传统机器视觉备受欢迎的优势。但是,要确保多件式包装中有正确的物品,就需要按类别对所包含的产品进行分类—例如,防晒霜多件式包装中是两种防晒霜,还是有额外的防晒润唇膏?

包装分类深度学习

这种分类不但很重要,而且对于传统机器视觉来说仍然是遥不可及的。幸运的是,如果套件检测中处理的产品类型会发生变化并且需要人工智能来区分这些类型的通用特征,可以使用康耐视的深度学习分类工具轻松地与传统的定位和计数机器视觉工具结合,或者与深度学习式定位和计数工具结合。

深度学习式分类是通过一系列带标签的图像来分类不同的类别,并根据这些包装差异来识别产品。如果将任何类别作为异常分类进行培训,那么系统就可以通过学习来进行可接受或不可接受的分类。

新的深度学习视觉系统与传统机器视觉不同,因为它们本质上是使用标签图像自助学习和训练的,无需进行编程。深度学习软件使用类人智能,能够区分偏差和变化等细微差别,在做出可靠、正确的判断方面甚至胜过最优秀的质量检测员。但是,最重要的是,它能解决较复杂的、以前无法编程的自动化问题。

包装行业的制造商越来越需要更快、更强大的机器视觉系统,这有充分的理由:它们能以更高的质量和更低的成本生产大量的产品。康耐视的自动化检测系统可以满足客户的严格要求,它们将机器视觉的强大功能与深度学习结合,可以更经济、更稳定地生产包装。

联系销售部门

更多帖子

获取产品支持和培训以及更多

加入 MyCognex