Fortschrittliche Bildgebungs- und Deep-Learning-Technologien führen kritische Verpackungsinspektion durch

Produktverpackungen – in einem äußerst breiten Spektrum von Märkten von Lebensmitteln bis hin zu Pharmazeutika – enthalten häufig eine äußerst wichtige Versiegelungstechnologie, die als „manipulationssichere“ Siegel bezeichnet wird. Der Zweck dieser Mechanismen besteht darin, die Sicherheit, Qualität und oft auch die Haltbarkeit des Produkts zu gewährleisten. Angetrieben durch einen tragischen Vorfall böswilliger Produktkontamination in den frühen 1980er Jahren hat die FDA seither manipulationssichere Verpackungen für alle pharmazeutischen OTC-Produkte vorgeschrieben, und Hersteller fast aller Verbrauchsgüter in anderen Märkten folgen diesem Beispiel. Es kommen mehrere Standardversiegelungstechniken zum Einsatz, und in jedem Fall ist die Überprüfung der Integrität der Siegel während des Verpackens ein entscheidender Schritt für den Prozess.

Für eine Vielzahl von Anwendungen bei der Verpackung von Kunststoffflaschen gehört die Verwendung einer Folienversiegelung unter dem Verschluss zu den standardmäßigen, gängigen „Tamper-Evident-Packaging“ (TEP)-Implementierungen. In diesem Artikel diskutieren wir die Integration fortschrittlicher Bildgebungstechniken mit Deep-Learning-Analysen, die zur erfolgreichen und zuverlässigen Prüfung der Integrität von Foliensiegeln eingesetzt werden.

„Induktionskappenversiegelung“ und „Induktionskappenversiegelung“ beschreiben die Komponente und den Prozess des Einschlusses einer Foliendichtungsanordnung, die an der Oberseite einer Flasche unter dem Verschluss haftet. Diese Siegel finden sich in Verpackungen für Millionen von Produkten weltweit, wobei die bekanntesten OTC-Pillen und flüssige Medikamente, flüssige Verbraucherprodukte und verschiedene Lebensmittelprodukte sind. Das Siegel schützt das Produkt, lässt sich aber leicht entfernen und weist deutlich auf mögliche Manipulationen hin, wenn das Siegel gebrochen, entfernt oder fehlt.

Bei einem automatisierten Verpackungsprozess wird nach dem Befüllen ein Deckel mit befestigtem Liner auf einen Behälter aufgesetzt. (Die Auskleidung besteht aus mehreren Schichten verschiedener Materialien, die dabei helfen, den Inhalt des Behälters abzudichten und zu schützen, und enthält insbesondere eine Aluminiumfolienschicht.) Der Verschluss wird mit einer geeigneten Kraft auf die Flasche aufgedreht, um Druck zwischen der Auskleidung (Versiegelung) und dem Rand zu erzeugen Oberfläche der Flaschenöffnung. Wenn der Verschluss korrekt angebracht ist, wird die Oberseite der verschlossenen Flasche einer elektromagnetischen Induktion ausgesetzt, die die Folie in der Versiegelung erhitzt, was wiederum andere Schichten der Versiegelung erwärmt, einschließlich einer Schicht, die die Versiegelung mit dem Rand der Flasche verbindet. Durch die Hitze der Folie wird auch die Versiegelung an der Unterseite der Kappe gelöst. Nach dem Erhitzen und anschließenden Abkühlen ist die Versiegelung vollständig und die Kappe kann entfernt werden, ohne die Versiegelung zu beschädigen oder zu beeinträchtigen.

Darstellung des thermischen Dichtungsprüfsystems für die Produktion. Quelle: Integro Technologies Corp.

Beispiel einer überhitzten Dichtung. Quelle: Integro Technologies Corp.

Mehrere Faktoren beim Verschließen können die Bildung einer vollständigen und robusten Versiegelung beeinflussen. Dazu gehören Über- oder Unterhitzung, unzureichender oder ungleichmäßiger Druck, Flüssigkeit oder Fremdkörper auf der Auskleidung sowie physikalische Verformungen der Dichtung, einschließlich Schnitte, Risse und gefaltete Auskleidungen.

Der Wert einer automatisierten Inspektion zur Sicherstellung der Dichtungsqualität ist für diese Anwendung vielleicht sehr klar. Die Bestätigung, dass das Siegel bei jeder Flasche sicher und intakt ist, ist für die Sicherheit und das Vertrauen der Verbraucher wichtig. Die Umsetzung der Inline-Inspektion stellt jedoch mehrere Herausforderungen dar, wobei die wichtigste darin besteht, dass die fertige Versiegelung unter einer Plastikkappe verborgen ist.

Die Art dieses Verpackungsprozesses bietet die Möglichkeit, fortschrittliche Bildgebungstechniken zu verwenden, um die einzigartige Herausforderung zu meistern, ein völlig verdecktes Merkmal zu „sehen“. Da die Folie in der Versiegelung durch Induktion erhitzt wird, um die Liner-Versiegelung zu erzeugen, und da die Temperatur der Folie für die endgültige Versiegelungsqualität von entscheidender Bedeutung ist, kann die Wärmebildaufnahme des Wärmeprofils der Folie zur Bewertung des Versiegelungsprozesses verwendet werden. Für diese Anwendung wurde eine hochpräzise Wärmebildkamera mit Innenkühlung verwendet, um kurz nach dem Induktionserwärmungsprozess ein Bild der von der Folie in der Dichtung gespeicherten Wärme aufzunehmen. Dieses „Wärmeprofil“ ist für die Wärmebildkamera durch die Kunststoffkappe vollständig sichtbar.

Die Bewertung des thermischen Profils der Folienversiegelung für alle Defektzustände bringt jedoch zusätzliche Anwendungsherausforderungen mit sich. Während einige Mängel in den Wärmebildern klar definiert sind und Merkmale anhand von Geometrie- oder Kontrastvariationen extrahiert werden können, sind andere Mängel subjektiver und im Vergleich zum typischen „guten“ Siegel-Wärmebild schwieriger zu quantifizieren. Die erfolgreiche Inspektion in dieser Anwendung wird durch den Einsatz einer Kombination aus analytischen Bildverarbeitungstools und Deep Learning in einer „hybriden“ Analyse der Bildgebung erreicht.

3D-Darstellung des Wärmebildes einer guten Dichtung. Quelle: Integro Technologies Corp.

2D-Wärmebild einer guten Versiegelung. Quelle: Integro Technologies Corp.

Beispiel eines 2D-Wärmebilds mit einer mangelhaften Dichtung und einer losen Kappe. Quelle: Integro Technologies Corp.

3D-Darstellung des Beispiel-Wärmebilds mit loser Kappe. Quelle: Integro Technologies Corp.

Deep Learning ist ein Teilbereich des maschinellen Lernens, die beide unter das sehr breite Dach der wissenschaftlichen Disziplin „KI“ (künstliche Intelligenz) fallen. Während Bildverarbeitungsanwendungen seit Jahrzehnten mit „analytischen“ oder „diskreten“ Bildverarbeitungstools sehr erfolgreich sind, hat sich Deep Learning als erfolgreich erwiesen, um sehr komplexe Klassifizierungs- und Objekterkennungsprobleme problemlos zu lösen, insbesondere in Fällen, in denen analytische Algorithmen eingesetzt werden können Sie sind unerschwinglich komplex und umfangreich und möglicherweise in ihrer Genauigkeit eingeschränkt, wenn Bilder höchst subjektive Mängel enthalten.

Enge Anwendungen von Deep Learning in der maschinellen Bildverarbeitung haben sich immer mehr durchgesetzt, da sich die Genauigkeit der Ergebnisse mithilfe immer größerer Datensätze und einer besseren Definition der Probleme weiter verbessert. Die Kombination der Stärken von Deep Learning in diesem engeren Sinne für subjektive Entscheidungen mit analytischen Vision-Tools für klar definierte Merkmale führt zu einem äußerst zuverlässigen Hybridansatz für die Analyse des Thermofolienbildes in dieser Anwendung.

Ein Mangel von besonderer Bedeutung ist eine schlechte Abdichtung, die auf eine lockere Kappe beim Induktionserhitzen zurückzuführen ist. Die Bilder des thermischen Profils der beheizten Dichtung mit lockerer Kappe zeigen große Schwankungen, abhängig vom Grad der Lockerheit der Kappe im Verhältnis zur Winkelabweichung von der erwarteten Position einer vollständig angezogenen Kappe. Herkömmliche analytische Bildverarbeitungstools erreichen nicht die erforderliche Erkennungsrate. Dieser Fehlerfall kann jedoch als unabhängiger, enger Fehlermodus definiert und mithilfe von Deep Learning effizient gelöst werden, anstatt eine große Deep-Learning-Lösung zu implementieren, die alle Fehlerbedingungen abdeckt. In diesem Projekt führte dieser Hybridansatz zu einer Erhöhung der Erkennungsgenauigkeit für alle Fehlermodi insgesamt, einer schnelleren Bereitstellung einer endgültigen Lösung, einer besseren Skalierbarkeit des Systems und verbesserten Inspektionszykluszeiten.

Beispiel für eine schlechte Dichtung, überhitzte Dichtung, 2D-Wärmebild. Quelle: Integro Technologies Corp.

3D-Darstellung des Beispiel-Wärmebilds der überhitzten Dichtung. Quelle: Integro Technologies Corp.

Beispiel einer Dichtung mit einem unterhitzten Abschnitt, beschrieben durch das magentafarbene 2D-Wärmebild mit Bogengrafik. Quelle: Integro Technologies Corp.

3D-Darstellung des Beispiel-Wärmebilds einer unterhitzten Dichtung. Quelle: Integro Technologies Corp.

Die Entwicklungs- und Implementierungsphasen jeder Inspektionslösung beginnen mit einem Bilddatensatz. Oftmals kann die erste Bildgebung während des ersten Entwurfs und Baus offline durchgeführt werden. Bei einem Wärmebildsystem kann dies schwierig oder sogar unmöglich sein, da das zu analysierende Wärmeprofil einzigartig für den Online-Prozess ist. Daher müssen die Wärmebilder des versiegelten Produkts nach der Installation des Systems in einer Fertigungslinie erstellt werden.

Bei der Ausführung dieser Anwendung können diskrete Bildverarbeitungswerkzeuge mithilfe eines relativ kleinen Beispielsatzes von Bildern für genau definierte Merkmale optimiert und eingesetzt werden. Nach der Erstinstallation kann das System in einem Bildsammlungsmodus ausgeführt werden, um eine geeignete Datenbank für einen Deep-Learning-Klassifizierungsdatensatz zu erstellen. Für diese Anwendung werden für den Beispieldatensatz manuell Beispiele für lose Kappen erstellt, mit visueller menschlicher Bestätigung der Klassifizierung des Fehlers.

Diese Anwendung demonstriert die erfolgreiche Entwicklung und den Produktionseinsatz eines hybriden Inspektionssystems, das sowohl Analyse- als auch Deep-Learning-Tools mit fortschrittlicher Wärmebildgebung verwendet. Die Stärken aller Teile des Systems werden erfolgreich genutzt, um eine hohe Erkennungsgenauigkeit sowohl für klar als auch schwach definierte Fehlermerkmale zu erreichen.

In einer Implementierung wurde ein solches System erfolgreich an mehreren Standorten für unterschiedliche Produkte eingesetzt. Die Systeme erwiesen sich als äußerst leistungsfähig bei der Erfassung wichtiger Dichtungsfehler mit hoher Genauigkeit und bei gleichzeitig sehr geringer Falschfehlerrate. Ein wichtiger Bereich der realisierten Prozessverbesserung war die Fähigkeit, Variationen im Kappendrehmoment anhand der Integrität und Vollständigkeit der Dichtung zu identifizieren. Mit diesen laufenden Prozessdaten wurde das Drehmoment der Kappe angepasst, um dichtere Verschlüsse zu erzeugen und den Produktausschuss zu reduzieren. Das System deckte auch einen Produktionszustand auf, bei dem Flüssigkeiten auf dem Verschluss und der Flasche, die bei anderen Folgeprozessen wie der Etikettierung Probleme verursachen könnten, von der Wärmebildkamera erfasst wurden und zu Prozessverbesserungen führten, die die Gesamtqualität verbesserten. Darüber hinaus gelang es dem System, einige seltene Defekte wie gerissene Kappen zu erfassen, die ansonsten unentdeckt geblieben wären.

Diese Anwendung nutzt eine elegante Kombination aus fortschrittlichen Bildgebungstechniken und Analysetools, um einen erheblichen Mehrwert für einen wichtigen Produktionsprozess zu schaffen. Der Schlüssel zur Lösung liegt im Einsatz bewährter industrieller Wärmebildtechnik und einer einzigartigen Hybridnutzung von Deep-Learning- und diskreten Bildverarbeitungstools. Das Ergebnis ist eine sehr skalierbare Lösung, die sich auf eine Vielzahl industrieller Anwendungsfälle auswirken kann.

Navneet Nagi ist ein leitender Computer-Vision-Ingenieur (CV) und arbeitet bei Integro Technologies Corp., einem großen Machine-Vision-Integrator. Er hat zahlreiche automatisierte Inspektionssysteme in der Produktion in verschiedenen Branchen von der Landwirtschaft bis zur Luft- und Raumfahrt entwickelt, skaliert und dabei geholfen, sie einzusetzen. Er verfügt über umfangreiche Erfahrung in der Entwicklung von Algorithmen für automatisierte industrielle Inspektionsanwendungen unter Verwendung sowohl traditioneller CV-Techniken als auch Deep Learning. Seine Leidenschaft gilt der Anwendung fortschrittlicher Deep-Learning-Techniken zur Lösung der schwierigsten industriellen Inspektionsherausforderungen und der Skalierung dieser Lösungen. Nagi hat einen Master-Abschluss in Maschinenbau vom Virginia Polytechnic Institute und der State University mit Spezialisierung auf Computer Vision und Advanced Control Theory sowie einen Bachelor-Abschluss in Luft- und Raumfahrttechnik vom Florida Institute of Technology.

David L. Dechow ist ein Ingenieur, Programmierer und Unternehmer, der sich auf die Integration von Bildverarbeitung, Robotik und anderen industriellen Automatisierungstechnologien spezialisiert hat. Im Laufe seiner langen Karriere in der Fertigung hat er verschiedene Unternehmen betreut, darunter Landing AI, Integro Technologies und Fanuc America. Er war außerdem Gründer, Eigentümer und Chefingenieur zweier erfolgreicher Systemintegrationsfirmen. Derzeit bietet Dechow über sein Unternehmen Machine Vision Source (MVSource.com) Technologieberatung und Integrationsdienste an und arbeitet auch mit TECH B2B Marketing zusammen, um Unternehmen bei der Bereitstellung, Bereitstellung von Dienstleistungen und Support für Technologieschulungen zu unterstützen.

Dechow ist Träger des A3 Automated Imaging Achievement Award, mit dem Branchenführer für herausragende Karrierebeiträge in der industriellen und/oder wissenschaftlichen Bildgebung geehrt werden. Er ist Mitglied des Imaging Technology Strategy Board der Association for Advancing Automation (A3) und Mitglied des technischen Beirats von Saccade Vision Ltd.

Als wichtiger Ausbilder in der Bildverarbeitungsbranche hat Dechow an der Ausbildung von Hunderten von Ingenieuren als Ausbilder im Rahmen des A3 Certified Vision Professional-Programms teilgenommen. Er ist außerdem für seine regelmäßigen informativen technischen Artikel, Vorträge, Webinare sowie Konferenzsitzungen und Kurse bekannt, die ein breites Spektrum technischer Themen rund um maschinelles Sehen und Basistechnologien in der industriellen Automatisierung abdecken. Für weitere Informationen senden Sie eine E-Mail an [email protected].