کنترل کیفیت آنلاین ظروف پلاستیکی با بینایی ماشین؛ تشخیص حباب، ترک و عیوب سطحی با دوربین و هوش مصنوعی
در تولید انبوه ظروف پلاستیکی غذایی، کنترل چشمی توسط اپراتور به‌تنهایی دیگر کافی نیست. سرعت بالای خط تزریق، تعداد زیاد قطعات و کوچک‌بودن برخی عیوب باعث می‌شود بخشی از محصولات معیوب از کنترل انسانی عبور کنند و در نهایت به مرجوعی، ضایعات، افت اعتبار برند یا حتی توقف خط بسته‌بندی مشتری منجر شوند.
کنترل کیفیت آنلاین با بینایی ماشین (Machine Vision QC) روشی است که با استفاده از دوربین صنعتی، نورپردازی مهندسی‌شده، پردازش تصویر و الگوریتم‌های هوش مصنوعی، کیفیت هر ظرف را در حین تولید یا پیش از بسته‌بندی بررسی میکند. هدف این سیستم، شناسایی سریع عیوبی مانند حباب، ترک، پلیسه، فرورفتگی، تغییر رنگ، تابیدگی و نقص لبه آب‌بندی است؛ بدون اینکه نیاز باشد اپراتور تک‌تک قطعات را با چشم بررسی کند.
کنترل کیفیت آنلاین با Machine Vision چیست؟
Machine Vision به معنی استفاده از تجهیزات تصویربرداری و نرم‌افزار برای «دیدن و تصمیم‌گیری» در یک فرایند صنعتی است. در خط تولید ظروف پلاستیکی، سیستم معمولاً از اجزای زیر تشکیل می‌شود:
دوربین صنعتی (Industrial Camera): ثبت تصویر با سرعت و رزولوشن مناسب خط تولید
لنز مناسب: حفظ وضوح تصویر در فاصله و میدان دید مشخص
نورپردازی کنترل‌شده (Lighting): نمایان‌کردن عیوبی که در نور محیط دیده نمی‌شوند
تریگر یا سنسور موقعیت: اعلام رسیدن ظرف به ایستگاه بازرسی
پردازش تصویر یا مدل AI: تشخیص قطعه سالم از معیوب
مکانیزم Reject: جداسازی ظرف معیوب با جت هوا، بازوی مکانیکی یا مسیر خروجی مستقل
نرم‌افزار ثبت داده: ذخیره تعداد عیوب، نوع عیب، زمان وقوع و نرخ ضایعات
برخلاف بازرسی دستی، این سامانه خسته نمی‌شود، سرعت آن افت نمی‌کند و می‌تواند برای هر قطعه، یک معیار ثابت اعمال کند. با این حال، بینایی ماشین «جادو» نیست؛ کیفیت خروجی آن مستقیماً به طراحی مناسب ایستگاه تصویربرداری، نور، تمیزی قطعه و آموزش درست مدل بستگی دارد.
چه عیوبی در ظروف پلاستیکی قابل تشخیص هستند؟
همه عیوب با یک دوربین و یک نور ساده قابل تشخیص نیستند. نوع عیب تعیین میکند که چه آرایش دوربین، لنز و نورپردازی لازم است.
1. تشخیص حباب و حفره‌های سطحی
حباب‌های قابل مشاهده، حفره‌ها و نقاط روشن یا تیره غیرعادی ممکن است ناشی از موارد زیر باشند:رطوبت مواد اولیه؛
هوای محبوس در مذاب؛ تهویه نامناسب قالب؛ تنظیم نامناسب فشار نگهدارنده؛ آلودگی یا اختلاط نامناسب مستربچ؛ نوسان دمای مذاب یا قالب.
در ظروف شفاف یا نیمه‌شفاف، عبور نور از بدنه می‌تواند حباب را برجسته کند. برای این کاربرد معمولاً از نور پس‌زمینه (Backlight) استفاده می‌شود. در این روش، ظرف بین دوربین و منبع نور قرار می‌گیرد و هر ناپیوستگی داخلی یا تغییر ضخامت، به‌صورت ناحیه‌ای با شدت نوری متفاوت دیده می‌شود.
نکته مهم: یک سیستم تصویری ممکن است حباب نزدیک سطح را تشخیص دهد، اما برای تشخیص حباب‌های عمیق در دیواره ضخیم یا قطعه بسیار مات، به نورپردازی و تنظیمات تخصصی‌تر نیاز است.
2. تشخیص ترک، ترک مویی و شکستگی لبه
ترک‌های مویی (Hairline Cracks) یکی از خطرناک‌ترین عیوب ظروف غذایی هستند؛ زیرا ممکن است در لحظه تولید کوچک باشند، اما هنگام پرکنی، درب‌بندی یا حمل‌ونقل گسترش پیدا کنند. این عیوب معمولاً در نواحی زیر دیده می‌شوند: لبه دهانه ظرف؛ گوشه‌های تیز؛ محل اعمال نیروی پران؛ نواحی دارای تنش پسماند؛ اطراف خط جوش مذاب (Weld Line).
برای نمایان‌کردن ترک‌های سطحی، نورپردازی با زاویه کم یا Dark-Field Lighting مؤثر است. در این آرایش، سطح سالم نور کمی به دوربین بازتاب می‌دهد؛ اما ترک، خراش یا برجستگی باعث پراکندگی نور شده و با کنتراست بالاتری دیده می‌شود. تشخیص ترک در ظروف شفاف چالش‌برانگیزتر است؛ زیرا انعکاس نور از سطح براق ممکن است با ترک اشتباه گرفته شود. به همین دلیل، استفاده از فیلتر پلاریزه، نور یکنواخت و الگوریتم مناسب برای حذف بازتاب‌های کاذب ضروری است.
3. تشخیص عیوب سطحی و ظاهری
بینایی ماشین می‌تواند بسیاری از عیوب ظاهری را با دقت و تکرارپذیری بالا تشخیص دهد، از جمله:
- پلیسه (Flash): بیرون‌زدگی نازک پلاستیک در Parting Line قالب؛
- فرورفتگی (Sink Mark): ایجاد گودی در اثر ضخامت موضعی بالا یا پکینگ ناکافی؛
- خط جریان (Flow Mark): ایجاد خطوط ناشی از جریان نامناسب مذاب؛
- سوختگی (Burn Mark): لکه‌های تیره ناشی از حبس هوا و فشرده‌شدن گاز؛
- لکه‌های سیاه یا آلودگی: ناشی از مواد سوخته، آلودگی گرانول یا تمیز نبودن تجهیزات؛
- تغییر رنگ: اختلال در نسبت مستربچ، تخریب حرارتی یا اختلاط ضعیف؛
- خراش و آسیب حمل‌ونقل داخلی: در اثر برخورد قطعات با نوار نقاله یا یکدیگر.
برای این دسته از عیوب، معمولاً از نورپردازی حلقوی، گنبدی (Dome Light) یا نور خطی استفاده می‌شود. انتخاب نور باید بر اساس جنس ظرف، میزان شفافیت، رنگ و نوع عیب انجام شود؛ نه صرفاً بر اساس قیمت دوربین.
کنترل لبه، دهانه و ناحیه آب‌بندی ظرف
در بسیاری از ظروف پلاستیکی، مهم‌ترین ناحیه از نظر عملکرد، دهانه و سطح آب‌بندی است. ظرف ممکن است از نظر ظاهری سالم به نظر برسد، اما اگر دهانه آن بیضی، تاب‌دار یا دارای پلیسه باشد، درب به‌درستی نمی‌نشیند و احتمال نشتی افزایش می‌یابد.
سیستم Machine Vision در این بخش می‌تواند موارد زیر را ارزیابی کند:
- قطر داخلی و خارجی دهانه؛
- دایره‌ای‌بودن دهانه (Roundness / Ovality)؛
- وجود پلیسه در خط جدایش؛
- شکستگی یا بریدگی لبه؛
- یکنواختی ارتفاع دهانه؛
- موقعیت صحیح نوار آب‌بندی یا محل قفل درب.
برای اندازه‌گیری‌های دقیق، دوربین باید کالیبره شود تا هر پیکسل تصویر به یک اندازه واقعی، مثلاً میلی‌متر، تبدیل شود. در این حالت سیستم فقط «عیب را می‌بیند»؛ بلکه می‌تواند اعلام کند قطر دهانه مثلاً از تلرانس مجاز خارج شده است.
نقش هوش مصنوعی در تشخیص عیوب ظروف پلاستیکی
روش‌های سنتی پردازش تصویر، عیب را بر اساس قواعد مشخصی مانند رنگ، کنتراست، اندازه یا شکل تشخیص می‌دهند. این روش برای عیوب واضح و تکرارشونده مناسب است؛ اما در تولید واقعی، ظاهر قطعات همیشه کاملاً یکسان نیست.
اینجاست که هوش مصنوعی و یادگیری عمیق (Deep Learning) کاربرد پیدا میکند. مدل AI با دیدن تعداد زیادی تصویر از ظروف سالم و معیوب، الگوی عیوب را یاد می‌گیرد.
با وجود این، استفاده از AI نباید جایگزین تحلیل فرایند شود. اگر سیستم ناگهان افزایش حباب یا پلیسه را گزارش دهد، نرم‌افزار فقط «نشانه» را شناسایی کرده است؛ ریشه مشکل ممکن است در رطوبت مواد، تنظیمات دستگاه تزریق، فشار گیره، دمای قالب یا فرسودگی قالب باشد.
طراحی صحیح ایستگاه بینایی ماشین در خط تولید
عملکرد سیستم تنها به انتخاب یک دوربین با رزولوشن بالا وابسته نیست. یک ایستگاه مهندسی‌شده باید به موارد زیر پاسخ دهد:
محل نصب دوربین
دوربین می‌تواند در یکی از نقاط زیر قرار گیرد:
- بلافاصله پس از خروج قطعه از قالب؛
- روی نوار نقاله پس از پایدارشدن دمای قطعه؛
- پیش از بسته‌بندی نهایی؛
- پس از مونتاژ درب، برای کنترل نهایی آب‌بندی و شکل ظاهری.
اگر قطعه هنوز بسیار گرم باشد، ممکن است تغییر شکل بعدی رخ دهد و نتیجه بازرسی اولیه کاملاً نماینده کیفیت نهایی نباشد. بنابراین باید بین سرعت واکنش و زمان پایدارشدن ابعادی قطعه تعادل برقرار شود.
سرعت خط و زمان تصویربرداری
در خطوط سریع، دوربین باید زمان نوردهی کوتاه داشته باشد تا تصویر دچار تاری حرکتی (Motion Blur) نشود. استفاده از نور LED پالسی و تریگر دقیق، در بسیاری از کاربردهای پرسرعت ضروری است.
تعداد دوربین‌ها
یک دوربین از بالا، تمام عیوب را پوشش نمی‌دهد. برای بازرسی کامل ممکن است نیاز باشد از موارد زیر استفاده شود:
- دوربین Top View برای دهانه و سطح داخلی؛
- دوربین Side View برای بدنه و تغییر شکل؛
- دوربین Bottom View برای کف ظرف؛
- دوربین‌های چندگانه برای پوشش 360 درجه.
محدودیت‌های واقعی Machine Vision QC
کنترل کیفیت با دوربین صنعتی یک ابزار بسیار قدرتمند است، اما محدودیت‌هایی دارد:
- عیوب داخلی که اثر ظاهری ندارند، همیشه قابل مشاهده نیستند.
- تشخیص نشتی واقعی معمولاً به تست عملکردی مانند Leak Test نیاز دارد؛ تصویر به‌تنهایی جای آن را نمی‌گیرد.
- دوربین نمی‌تواند انطباق شیمیایی ماده با الزامات تماس غذایی یا Migration Test را تعیین کند.
- گردوغبار، بخار، لرزش نوار نقاله و تغییر نور محیط می‌توانند نرخ خطا را افزایش دهند.
- مدل AI با داده ضعیف یا تصاویر نامتوازن، ممکن است قطعات سالم را اشتباه رد کند یا عیوب واقعی را نبیند.
بنابراین، Machine Vision باید بخشی از یک سیستم جامع کیفیت باشد؛ نه جایگزین کامل آزمون‌های آزمایشگاهی، کنترل مواد اولیه و پایش پارامترهای فرایند تزریق.
جمع‌بندی
کنترل کیفیت آنلاین با بینایی ماشین، امکان شناسایی سریع و یکنواخت عیوب ظاهری ظروف پلاستیکی را فراهم میکند. این فناوری برای تشخیص حباب، ترک، پلیسه، آلودگی سطحی، تغییر رنگ، نقص لبه و تابیدگی قابل مشاهده کاربرد بالایی دارد و می‌تواند ضایعات، دوباره‌کاری و مرجوعی محصول را کاهش دهد. با این حال، یک پروژه موفق تنها با خرید دوربین صنعتی شروع نمی‌شود. انتخاب نورپردازی متناسب با عیب، طراحی مکانیکی پایدار، کالیبراسیون، تعریف تلرانس‌های واقعی، جمع‌آوری داده‌های مناسب و اتصال نتایج بازرسی به تنظیمات فرایند، عوامل تعیین‌کننده موفقیت هستند.
در یک خط تولید حرفه‌ای، بهترین رویکرد ترکیب Machine Vision، کنترل پارامترهای تزریق، آزمون نشتی، کنترل ابعادی و آزمون‌های ایمنی تماس با غذا است. این ترکیب، کیفیت را از یک بازرسی نهایی ساده به یک سیستم پیشگیرانه و داده‌محور تبدیل میکند.
بدون دیدگاه