Penelitian dan Aplikasi Teknologi Inspeksi Visual untuk Cacat Finishing Botol Kaca
1. Pendahuluan
Botol kaca banyak digunakan sebagai wadah pengemasan untuk industri makanan, farmasi, dan kosmetik. Kualitas lapisan akhir botol kaca berkaitan langsung dengan penyegelan, keamanan, dan masa pakai produk. Cacat lapisan akhir seperti retak, gerinda, dan ketidaksempurnaan tidak hanya dapat menyebabkan kebocoran dan kerusakan isi, tetapi juga dapat menyebabkan cedera pada konsumen. Metode inspeksi manual tradisional rentan terhadap keterbatasan resolusi dan kelelahan mata manusia, sehingga menghasilkan efisiensi yang rendah dan keandalan yang terbatas. Dengan kemajuan teknologi visi mesin, metode inspeksi daring untuk cacat lapisan akhir botol kaca berbasis visi komputer telah menjadi pusat penelitian di industri. Metode ini menawarkan efisiensi dan presisi tinggi tanpa kontak, sehingga memenuhi persyaratan kendali mutu yang ketat dalam produksi industri modern.
Dalam proses produksi botol kaca, cacat akhir dapat muncul dari berbagai sumber, termasuk bahan baku, proses produksi, dan transportasi. Penelitian menunjukkan bahwa inspeksi manual saja seringkali menghasilkan tingkat kesalahan deteksi yang tinggi, yaitu 3%-5%, yang tidak dapat diterima untuk produksi industri skala besar. Teknologi inspeksi visi mesin menggunakan peralatan akuisisi gambar untuk menangkap citra hasil akhir botol dan menggunakan algoritma pemrosesan gambar digital untuk menganalisis dan mengidentifikasi cacat. Hal ini mengotomatiskan dan mencerdaskan proses inspeksi, sehingga meningkatkan efisiensi dan akurasi inspeksi secara signifikan.
Artikel ini secara sistematis memperkenalkan jenis utama cacat lapisan botol kaca dan dampaknya, menganalisis teknologi utama untuk sistem inspeksi berbasis visi mesin, mengeksplorasi tantangan teknis saat ini, dan mengantisipasi tren perkembangan di masa depan, memberikan referensi bagi peneliti dan teknisi di bidang terkait.
2 Jenis dan Dampak Cacat Finishing
Cacat pada lapisan akhir botol kaca dapat dikategorikan ke dalam berbagai jenis berdasarkan morfologi, lokasi, dan penyebabnya. Setiap cacat memiliki dampak yang berbeda-beda terhadap kualitas produk. Pemahaman yang mendalam tentang karakteristik cacat ini sangat penting untuk mengembangkan strategi inspeksi yang efektif.
Retakan: Ini adalah cacat akhir yang paling umum dan dapat dikategorikan ke dalam berbagai jenis berdasarkan kedalaman dan lokasinya. Retakan dalam biasanya lebih dari 2 mm dan memanjang dari tepi bagian dalam mulut botol hingga tepi luar, sehingga mudah dideteksi dengan mata telanjang. Di sisi lain, retakan dangkal adalah retakan dangkal di tepi atas mulut botol, dengan kedalaman kurang dari 2 mm. Retakan ini memerlukan sudut pencahayaan khusus untuk mendeteksinya dan lebih mungkin terlewatkan. Retakan dangkal juga merupakan ancaman serius bagi produk dengan persyaratan penyegelan tinggi (seperti botol minuman dan farmasi). Dalam beberapa hari setelah pengisian dan penutupan, masalah seperti tombol pengaman vakum terangkat dan kebocoran udara dapat terjadi, yang menyebabkan kerusakan isi.
Cacat deformasi struktural terutama memengaruhi geometri dan akurasi dimensi mulut botol. Flensa (bingkai cembung) adalah pecahan kaca yang menonjol secara horizontal dari tepi luar mulut botol. Bingkai miring ditandai dengan ketidaksejajaran antara mulut botol dan alasnya, melebihi standar paralelisme. Bingkai menggembung ditandai dengan menggembungnya mulut botol, sehingga menghasilkan dimensi kepala botol yang berlebihan. Cacat ini dapat memengaruhi kinerja penyegelan tutup botol, terutama pada jalur produksi otomatis, dan dapat mengakibatkan kesulitan atau penyegelan yang tidak memadai. Selain itu, permukaan akhir yang kasar (burr) pada leher botol disebabkan oleh penyelesaian cetakan yang buruk, sehingga menghasilkan permukaan akhir yang kasar. Hal ini tidak dapat diterima untuk produk dengan persyaratan kualitas tinggi (seperti botol bir).
Cacat seperti retak, terkelupas, atau hilang pada tepi leher botol disebabkan oleh benturan atau pencetakan yang tidak memadai. Cacat ini tidak hanya memengaruhi penampilan tetapi juga mengurangi integritas struktural leher botol, yang berpotensi menyebabkan kerusakan lebih lanjut selama transportasi atau penggunaan. Tabel 1 mencantumkan klasifikasi terperinci jenis-jenis cacat utama pada leher botol kaca dan dampaknya.
Tabel 1: Jenis Cacat Utama pada Kaca Botol dan Dampaknya
Selain cacat di atas, burr pada leher botol (baik leher bagian dalam maupun luar) juga merupakan masalah umum. Burr adalah pecahan kaca berbentuk cincin yang menonjol dari diameter bagian dalam leher botol. Burr dapat memengaruhi segel tutup botol dan memungkinkan pecahan kaca jatuh ke dalam botol, mencemari isinya. Cacat ini memerlukan perhatian khusus selama inspeksi, karena seringkali hanya sedikit berbeda dari leher botol normal dan memerlukan sistem pencitraan beresolusi tinggi serta algoritma yang presisi untuk mendeteksinya. 3 Teknologi Utama Sistem Inspeksi Visual
Sistem inspeksi penyelesaian botol kaca berbasis visi mesin biasanya terdiri dari modul akuisisi gambar, modul pemrosesan gambar, serta modul klasifikasi dan keputusan. Setiap modul melibatkan beberapa teknologi kunci, yang pemilihannya berdampak langsung pada kinerja dan keandalan sistem inspeksi.
3.1 Pra-pemrosesan Gambar dan Pemosisian Akhir
Prapemrosesan citra merupakan langkah pertama dalam proses inspeksi, yang bertujuan untuk meningkatkan kualitas citra dan meningkatkan karakteristik cacat. Metode prapemrosesan yang umum meliputi pemfilteran Gaussian untuk menghilangkan derau, binerisasi citra untuk memisahkan latar depan dan latar belakang, serta pengisian citra untuk menghubungkan daerah-daerah yang terputus-putus. Metode varians antarkelas maksimum (metode Otsu) merupakan metode yang umum digunakan untuk menentukan ambang batas binerisasi secara otomatis. Metode ini mencapai segmentasi optimal dengan menghitung varians antarkelas maksimum antara latar belakang citra dan target.
Penempatan posisi akhir merupakan dasar deteksi cacat selanjutnya. Penempatan yang tidak akurat dapat menyebabkan deteksi palsu dan deteksi yang terlewat. Metode penempatan yang umum meliputi:
Rata-rata koordinat piksel: Metode ini menghitung posisi pusat lingkaran menggunakan rata-rata koordinat piksel putih di sepanjang tepi permukaan. Metode ini sederhana tetapi rentan terhadap artefak. Transformasi lingkaran Hough: Metode ini memiliki kinerja deteksi yang sangat baik untuk kontur yang bulat sempurna, tetapi efektivitasnya berkurang secara signifikan ketika mulut botol memiliki cacat.
Pemasangan lingkaran: Metode ini menggunakan piksel tepi agar sesuai dengan lingkaran terdekat, sehingga menawarkan ketahanan yang baik terhadap cacat kecil.
Pemasangan berulang: Metode pemasangan yang telah ditingkatkan ini memilah sisa-sisa tepi luar yang dipasang dan menghilangkan piksel yang mengganggu, lalu mengulanginya dari waktu ke waktu untuk mengatasi pengaruh piksel yang rusak pada pengenalan lingkaran secara efektif.
Penelitian telah menunjukkan bahwa metode pemasangan iteratif mencapai akurasi posisi yang jauh lebih tinggi daripada metode tradisional. Dalam pengujian 500 gambar mulut botol dengan berbagai cacat, waktu proses hanya 0,01 detik, sehingga cocok untuk deteksi waktu nyata.
3.2 Identifikasi Cacat dan Ekstraksi Fitur
Setelah mulut botol terdeteksi secara akurat, langkah selanjutnya adalah mengidentifikasi dan mengekstrak fitur cacat. Metode yang umum digunakan meliputi:
Transformasi koordinat polar: Metode ini mengonversi citra mulut botol dari sistem koordinat Kartesius ke sistem koordinat polar, memperluas citra mulut botol melingkar menjadi citra persegi panjang untuk memudahkan analisis. Setelah transformasi ini, retakan dan cacat dapat dideteksi dengan memindai perubahan nilai skala abu-abu. Misalnya, dengan menghitung turunan orde kedua dari nilai skala abu-abu (operator Laplacian), perubahan mendadak skala abu-abu pada retakan dapat disorot.
Metode Pemindaian Melingkar: Sebuah sinar dipancarkan dari pusat mulut botol, memindai area mulut botol dengan ukuran langkah sudut tetap, dan jumlah piksel putih di setiap sudut dicatat. Jika jumlah piksel putih berkurang secara signifikan pada sudut tertentu, hal ini dapat mengindikasikan adanya celah; jika jumlah piksel putih meningkat secara signifikan, hal ini dapat mengindikasikan adanya retakan. Untuk meningkatkan efisiensi, rentang pemindaian dapat dipersempit untuk hanya mendeteksi area annular tertentu di antara jari-jari dalam dan luar mulut botol.
Segmentasi Ambang Dinamis: Akibat pencahayaan yang tidak merata dan permukaan reflektif pada mulut botol, segmentasi ambang tetap seringkali gagal menghasilkan hasil yang ideal. Teknologi ambang dinamis menyesuaikan ambang secara adaptif berdasarkan karakteristik gambar lokal, sehingga meningkatkan akurasi segmentasi cacat.
Untuk ekstraksi fitur cacat, berbagai parameter fitur dapat diekstraksi, seperti varians skala abu-abu, fitur tekstur, dan fitur bentuk geometris. Penelitian telah menunjukkan bahwa dengan mengekstraksi enam fitur permukaan dan menggabungkannya dengan algoritma genetika untuk mengoptimalkan parameter input mesin pembelajaran ekstrem (ELM), klasifikasi dengan akurasi tinggi dapat dicapai dalam pengujian 569 sampel. 3.3 Keputusan Klasifikasi dan Fusi Informasi
Setelah ekstraksi fitur, pengklasifikasi diperlukan untuk menentukan kualitas lapisan akhir botol. Pengklasifikasi ambang batas sederhana dapat mendeteksi cacat yang jelas, tetapi cacat yang kompleks memerlukan algoritma pengenalan pola yang canggih. Penelitian telah menunjukkan bahwa mesin pembelajaran ekstrem (ELM) yang dikombinasikan dengan optimasi algoritma genetika mengungguli algoritma LVQ tradisional dan jaringan saraf tiruan BP dalam deteksi cacat lapisan akhir botol kaca.
Teknologi fusi informasi merupakan cara penting untuk meningkatkan keandalan sistem. Dengan menggabungkan beberapa hasil inspeksi atau informasi dari sensor lain, kemungkinan positif palsu dapat dikurangi. Misalnya, suatu sistem membutuhkan waktu sekitar 400 milidetik untuk memeriksa setiap botol kaca, dan selama waktu tersebut sistem dapat menangkap sekitar 20 gambar permukaan botol (setiap gambar berdurasi sekitar 20 milidetik). Dengan mengintegrasikan hasil dari beberapa inspeksi ini, keandalan penilaian sistem yang tepat dapat ditingkatkan secara signifikan.
4 Tantangan Teknis dan Tren Perkembangan
Meskipun teknologi visi mesin telah membuat kemajuan yang signifikan dalam inspeksi penyelesaian botol kaca, teknologi ini masih menghadapi beberapa tantangan teknis dan peluang pengembangan. 4.1 Tantangan Teknis Saat Ini
Sistem inspeksi visual yang ada menghadapi tantangan utama berikut dalam aplikasi praktis:
Deteksi cacat minor: Algoritme yang ada rentan melewatkan retakan kecil dan dangkal atau retakan halus pada titik-titik kemacetan, terutama ketika ukuran cacat mendekati batas resolusi gambar. Penelitian menunjukkan bahwa ketika cacatnya kecil, sistem mungkin lebih sering menganggapnya normal daripada cacat. Karena mekanisme fusi informasi, sistem mungkin keliru menilai suatu produk sebagai produk yang memenuhi syarat.
Pencahayaan yang tidak merata dan interferensi pantulan: Sifat kaca yang sangat reflektif dapat menyebabkan pencahayaan berlebih sebagian atau bayangan pada gambar, sehingga mengaburkan cacat yang sebenarnya. Meskipun masalah ini dapat diatasi melalui desain sumber cahaya yang dioptimalkan, solusi mendasarnya tetap menantang.
Konflik antara persyaratan real-time dan kecepatan pemrosesan: Jalur produksi berkecepatan tinggi memerlukan sistem inspeksi untuk menyelesaikan inspeksi dalam waktu yang sangat singkat (biasanya 100-500 md), sedangkan algoritme pemrosesan gambar yang kompleks memerlukan sumber daya komputasi yang besar. Menyeimbangkan akurasi dan kecepatan adalah isu utama dalam aplikasi praktis.
Kesalahan pemosisian pusat lingkaran: Metode pemosisian pusat lingkaran yang ada memiliki kesalahan bawaan. Khususnya, koordinat pusat yang dihitung menggunakan statistik matematika pasti memiliki deviasi tertentu, yang mengakibatkan hilangnya informasi tentang retakan kecil. Ketika area cacat terhubung ke tepi, akurasi pemasangan tepi subpiksel berkurang secara signifikan.
4.2 Tren Pengembangan Masa Depan
Untuk mengatasi tantangan di atas, teknologi inspeksi visual lapisan botol kaca berkembang ke arah berikut:
Penerapan Teknologi Pembelajaran Mendalam: Metode pembelajaran mesin tradisional memerlukan desain fitur manual, sementara pembelajaran mendalam dapat mempelajari fitur cacat secara otomatis, memberikan kemampuan pengenalan yang lebih baik untuk cacat yang kompleks dan halus. Khususnya, teknologi seperti Jaringan Saraf Tiruan Konvolusional (CNN) dan Jaringan Adversarial Generatif (GAN) mencapai pengenalan presisi tinggi bahkan dengan jumlah sampel yang sedikit.
Fusi Informasi Multi-Sensor: Menggabungkan teknologi penglihatan 2D, penglihatan 3D, dan pencitraan multispektral untuk memperoleh informasi multidimensi tentang lapisan akhir botol, mengatasi keterbatasan sensor tunggal. Penglihatan 3D dapat menangkap informasi kedalaman tentang lapisan akhir botol, sehingga secara efektif membedakan cacat sebenarnya dari noda permukaan atau perubahan warna.
Optimalisasi Platform Pemrosesan Real-Time: Dengan pengembangan GPU tertanam dan chip pemrosesan gambar khusus, algoritma yang lebih kompleks dapat diimplementasikan pada perangkat komputasi tepi untuk memenuhi kebutuhan pemrosesan real-time berkecepatan tinggi. Kemampuan Pembelajaran Adaptif: Sistem inspeksi di masa mendatang akan memiliki kemampuan pembelajaran mandiri yang lebih kuat, memungkinkannya untuk terus menyesuaikan dan mengoptimalkan parameter model berdasarkan data lini produksi aktual, beradaptasi dengan jenis produk dan pola cacat baru.
Perlu dicatat bahwa sistem inspeksi berbasis penglihatan tidak dimaksudkan untuk sepenuhnya menggantikan inspeksi manual, melainkan untuk membentuk sistem inspeksi cerdas yang berkolaborasi dengan manusia. Sistem ini bertanggung jawab atas penyaringan awal yang efisien dan tanpa henti, sementara manusia bertanggung jawab atas penilaian kasus yang kompleks dan optimalisasi sistem. Keduanya saling melengkapi dan bersama-sama meningkatkan kendali mutu produk.
5 Kesimpulan
Teknologi inspeksi visual untuk cacat akhir botol kaca mengintegrasikan teknologi mutakhir dari berbagai bidang, termasuk pemrosesan citra digital, pembelajaran mesin, dan rekayasa optoelektronik, untuk membentuk solusi inspeksi kualitas yang efisien dan akurat. Dari algoritma pemrosesan citra tradisional hingga inspeksi cerdas berbasis pembelajaran mendalam, bidang ini terus berkembang, dengan peningkatan berkelanjutan dalam akurasi dan efisiensi inspeksi.
Penelitian yang ada menunjukkan bahwa sistem inspeksi visual yang baik dapat mengidentifikasi retakan pada lapisan botol dengan tingkat akurasi masing-masing 99%, 100% untuk cacat lapisan botol, dan 98% untuk distorsi badan botol, dengan akurasi pengenalan keseluruhan melebihi 97,4%. Namun, penelitian dan inovasi lebih lanjut masih diperlukan untuk mengatasi tantangan seperti mendeteksi cacat kecil dan memproses permukaan reflektif yang kompleks.
Dengan kemajuan teknologi kecerdasan buatan dan sensor-sensor baru, deteksi cacat pada lapisan akhir botol kaca akan menjadi lebih cerdas, efisien, dan andal, memberikan perlindungan yang kuat bagi keamanan kemasan di industri seperti makanan dan farmasi. Kemajuan teknologi ini juga akan mendorong peningkatan dalam pengendalian mutu dan produksi cerdas di seluruh industri kemasan.
