このアプリケーションは、製品の安全性、寿命、品質、ブランドを損なう可能性のある欠陥を検出するために、フレキシブルプラスチック包装の検査に重点を置いています。
どのような製造上の欠陥が発生しますか?
柔軟なプラスチック製の食品包装には、次のような欠陥が発生する可能性があります。
これらの包装欠陥は、消費者の健康被害、高額なリコール、法的責任、ブランドイメージの低下など、深刻な結果をもたらします。製造業者は、これらの欠陥を検出、是正、そして防止するために、厳格な品質管理措置と検査プロセスを導入することが不可欠です。
しかし、包装欠陥の検出は困難です。種類や場所が多様だからです。包装された製品自体も、製品の種類がばらつき、重なり合ったり、コンベアライン上で不規則に流れてきたり、メーカーが新製品を生産する際に頻繁に入れ替わったりするなど、難しい問題を抱えています。
従来のマシンビジョン製品は、部品や欠陥のばらつきに対応するために過剰な対応をしてしまう傾向があり、部品変更時の再構成に時間がかかります。メーカーは、マシンビジョンが機能しない場合、依然として手作業による検査に頼っています。しかし、手作業による検査は時間がかかり、メーカーが求める生産速度に対応できず、検査員ごとに主観的な判断が求められます。手作業による検査では収集されるデータがほとんどないため、メーカーは生産に関する洞察を逃し、部品の漏れやリコールが発生した場合に部品や検査の判断を振り返ることができません。
ソリューション
UnitXさん AI-powered 検査では、他のソリューションでは検出できない加工済みのフレキシブルプラスチック包装の欠陥を効果的に検出します。
まず、 OptiX 撮像システムが包装食品を照らし、画像化する。そして、 CorteX Central AIプラットフォームはパッケージの欠陥について学習し、最終的にこれらのAIモデルは CorteX Edge インラインで欠陥を検出し分類する推論システム。
あるいは、既存の画像システムをお持ちの場合は、CorteX AIのみを活用することも可能です。例えば、パッケージ内部の欠陥を検出したい場合、CorteX AIのみを導入し、既存のX線スキャナーやCTスキャナーと統合することで、欠陥検出能力の向上を迅速に実現できます。
なぜ 軟質プラスチック包装の検査にUnitX？
OptiX 反射率を最小限に抑えながら欠陥の視認性を最大限に高める優れた画像を提供します。 32個の独立制御可能な照明光源を備え、ソフトウェアを介して様々な透明パッケージの表面や欠陥に合わせて最適化できます。また、照明ドーム設計により、非常に鋭角な入射角で光を照射できるため、非常に小さな欠陥にも影が映り、視認性が向上します。
CorteX はランダムで複雑な欠陥を正確に検出します。 位置と向きのばらつきを自動的に正規化し、ピクセルレベルまで欠陥を認識します。これにより、不良品や廃棄につながる誤検知を削減します。
CorteXは、AIモデルの高速開発、展開、反復をサポートします。CorteX AI モデルはサンプル効率が高く、新しい欠陥の種類をトレーニングするのに数枚の画像のみが必要です。
UnitX 収量を最適化します。 CorteXでは、品質基準を調整し、変更を生産工程に展開する前に歩留まりへの影響を視覚化できます。すべての検査データは単一の中央プラットフォームで参照できるため、メーカーはプロセス改善の余地を分析・特定し、必要に応じて履歴記録を参照することでリコールの範囲を限定し、不正請求に対抗することができます。
UnitX 迅速な100%インライン検査を提供します。 OptiX 明るいLEDと1m/秒の高速飛行撮影速度を備え、高速撮影が可能です。そして CorteX Edge 高速推論速度 (最大 100 MP) をサポートし、OK/NG の決定を迅速に出力し、その決定をすべての主要な PLC、MES、FTP システムに統合してシームレスに伝達します。
自律的AI UnitXメーカーは食品包装の欠陥を防ぎ、食品の安全性と品質の低下、顧客の信頼の低下、そして結果として発生する高額なリコールを回避しています。生産速度に合わせて検査を自動化することで、食品包装のスループットと歩留まりを向上させています。
UnitX 検査例の詳細
例1：ホットドッグのパッケージ検査
この例では、ホットドッグのパッケージに穴が開いていないか、製品の数量に誤りがないか検査しました。
イメージング
まず、使った OptiX ホットドッグのパッケージの画像を撮影し、不良品と正常品の両方を撮影したことを確認しました。
AI学習
次に、 CorteX Central モデルを学習させるために、パッケージの穴（「puncture」）と商品の数量の誤り（「missing_hotdog」）という2つの欠陥にラベルを作成しました。
次に、撮影した画像にそれらの欠陥をラベル付けしました。 OptiX各欠陥に対して少数の画像を使用します。
- 「パンクチャー」欠陥のNG画像3枚
- 「missing_hotdog」欠陥のNG画像3枚
- 5枚のOK画像
CorteX のユーザーフレンドリーなインターフェースと、AI モデルのトレーニングに必要な画像数が少ないため、3 つの欠陥のラベル付けを完了するのに 42 分 2 秒しかかかりませんでした。
検出
その後、これらのAIモデルを CorteX Edge 新しいホットドッグの部品の欠陥を検出し、その結果 2 つの欠陥が見つかりました。
例2：牛ひき肉の包装検査
この例では、牛ひき肉の包装のシール部分と包装の擦り傷に食品汚染がないか検査しました。
イメージング
まず、使った OptiX 牛ひき肉のパッケージの画像を撮影し、不良品と良品の両方を確実に撮影しました。
AI学習
次に、 CorteX Central モデルを訓練するためにラベルを作成しました 2つの欠陥、すなわち食品の汚染（「汚染」）と包装の擦り傷（「擦り傷」）について。
次に、撮影した画像にそれらの欠陥をラベル付けしました。 OptiX両方の欠陥タイプに対して少数の画像を使用します。
検出
その後、これらのAIモデルを CorteX Edge 新しい牛ひき肉のパッケージの欠陥を検出し、2 つの欠陥を正確に検出して分類することができました。
擦り傷欠陥