машинное зрение для контроля стеклянных банок на линии розлива

Крупный производитель косметической продукции. Стеклянные банки являются частью упаковки — малейший дефект приводит к риску рекламаций и репутационным рискам.

На производстве не было системного мониторинга качества стеклотары. Визуально брак встречался редко, но даже единичный дефект, попавший впродажу, мог повлиять на репутацию бренда. Клиенту нужна была полноценная система, исключающая человеческий фактор и минимизирующая риск попадания дефектных банок в продажу.

Основные дефекты:

• сколы
• посечки
• тёмные включения
• пузыри

Задачи

• Автоматизировать проверку качества стеклянных банок на двух этапах: до налива и после закрытия крышкой.
• Обеспечить отбраковку без остановки линии.
• Интегрировать систему в существующую инфраструктуру с учётом требований по безопасности.

Мы предложили клиенту внедрить систему ML Sense.

На линии установлена автоматизированная система контроля качества, которая проверяет продукцию в двух точках: до наполнения и после него. Оба поста работают последовательно и закрывают весь цикл контроля — от проверки чистой тары до анализа уже наполненной банки.

Система использует камеры и специализированное освещение: оборудование фиксирует банку с нескольких ракурсов, формирует стабильный видеопоток и передаёт его в ML Sense. Алгоритмы анализируют изображение в реальном времени, определяют дефекты и классифицируют их по типам.

Если найден дефект, система автоматически подаёт команду на отбраковщик. Бракованная банка удаляется с линии в закрытый отсек. Когда отсек заполняется, линия останавливается, оператор очищает его, и производство продолжает работу. Все этапы — от обнаружения дефекта до остановки — полностью автоматизированы.

Чтобы сохранить чистоту производства и обеспечить корректную работу камер, мы спроектировали и смонтировали защитные короба из тонированного оргстекла. Они изолируют посты контроля от внешнего света и пыли, дают доступ к обслуживанию и защищают сотрудников от ярких источников света.

Отбраковщик, разделительная механика, защитные конструкции, шкафы управления и интеграция с ML Sense были разработаны и установлены нашей командой. Система соответствует требованиям безопасности: при открытии дверец короба линия автоматически останавливается, все элементы имеют блокировки, а статусы работы выводятся на отдельную операторскую панель.
Мы начали с выезда на площадку для предпроектного обследования. Изучили участок от накопителя до подающих роликов — именно здесь труба должна проходить проверку, прежде чем попадёт в зону резки. Задача была чёткая: встроить систему в существующую линию без изменений в конструкции.

Чтобы ML Sense работал стабильно, мы заранее подготовили полноценный датасет. Клиент предоставил образцы дефектных банок, а основную часть данных мы синтезировали в собственной лаборатории: воспроизвели условия производственной линии, собрали изображения с разных ракурсов и сформировали базовый набор для обучения модели.

Около 20% данных мы добрали уже на реальном производстве — чтобы учесть факторы, которые невозможно повторить в лаборатории: особенности движения по конвейеру, освещение, вибрации. Такой подход позволил обучить модель без участия клиента в процессе сбора данных и избежать остановок на производстве.

После нескольких итераций обучения и настройки порогов чувствительности модель вышла на точность до 93–100% по разным типам дефектов.