Contrôle du vide de la sauce bolognaise

Description Contrôle du vide

Dans cette application, l'état de vide des bocaux scellés est vérifié sur une ligne de production de l'industrie alimentaire. Le contrôle vise à détecter les bocaux qui ne sont pas correctement scellés sous vide à temps et à les retirer du processus. Ce contrôle est essentiel pour éviter la détérioration des produits et garantir la sécurité alimentaire.

Au cours du processus de production, les pots passent à grande vitesse et le couvercle est contrôlé pour vérifier les caractéristiques indiquant un vide correct. La différence entre un pot sous vide et un pot non sous vide est très faible et peut être influencée par les tolérances du produit. En outre, dans un environnement industriel, des facteurs tels que l'humidité, la condensation ou les gouttelettes peuvent apparaître sur le couvercle, de sorte que le contrôle doit rester fiable en toutes circonstances.

Le défi

Le plus grand défi dans cette application est la différence de hauteur extrêmement faible entre un couvercle sous vide et un couvercle sans vide. Dans certains cas, cette différence est même inférieure aux tolérances du pot et du couvercle, ce qui rend les méthodes de mesure classiques rapidement peu fiables.

En outre, il existe un facteur pratique important : dans l'environnement de production, des gouttes ou de la condensation peuvent se déposer sur le couvercle. Ces variations ne doivent pas affecter la mesure, sous peine de faux rejets ou d'erreurs manquées.

La solution

Notre solution combine un rétroéclairage avec un système Cognex IS2800 et un outil AI Classify (edge learning). En réfléchissant à travers le rétroéclairage, nous créons une image claire et cohérente, après quoi l'outil AI Classify apprend à reconnaître de manière fiable la différence entre le vide et le non-vide.

L'avantage de l'apprentissage par les arêtes est qu'il gère automatiquement les variations telles que les petits écarts dans les bocaux/couvercles, les tolérances des produits et les éléments perturbateurs tels que les gouttes. Le modèle apprend ce qui est "normal" et se concentre sur les véritables caractéristiques qui distinguent le vide.

Avec les outils de vision standard, vous devez souvent travailler avec la détection des bords et des mesures précises sur des bords fixes. Cette méthode peut s'avérer moins stable : si le bord n'est pas parfaitement détecté en raison de reflets, de contamination ou de gouttelettes, la caméra peut rejeter injustement l'image. C'est précisément pour cette raison que la classification basée sur l'IA est un choix plus stable et plus fiable dans cette application.