Teknologi Inspeksi Visual: Dari Pemrosesan Gambar Tradisional hingga Pembelajaran Mendalam – Merevolusi Pengendalian Mutu Industri

Dengan ribuan kaleng yang mengalir melalui jalur produksi setiap menit, bagaimana kita memastikan setiap kaleng benar-benar sempurna? Teknologi inspeksi visual secara diam-diam meningkatkan jaminan kualitas minuman yang kita konsumsi.

Dalam industri makanan dan minuman modern, kaleng merupakan wadah kemasan yang umum, dan kualitasnya secara langsung memengaruhi penyegelan dan keamanan produk. Inspeksi kualitas manual tradisional tidak efisien dan rentan terhadap kesalahan deteksi, sehingga memunculkan teknologi inspeksi berbasis visi mesin.

Sistem-sistem awal sebagian besar didasarkan pada algoritma pemrosesan gambar tradisional, menganalisis gambar area-area penting seperti bukaan kaleng, bagian bawah, dan dinding bagian dalam untuk mengidentifikasi cacat. Dengan kemajuan teknologi, terutama pengembangan pembelajaran mendalam (deep learning), akurasi dan efisiensi inspeksi visual kaleng telah meningkat secara signifikan.

1. Cacat Umum pada Kaleng dan Tantangan Deteksinya

Kaleng dapat memiliki berbagai cacat selama proses produksi, terutama meliputi lekukan, deformasi, dan tepi yang tidak rata pada bagian atas kaleng; noda minyak dan serpihan logam pada bagian bawah dan dinding bagian dalam; serta goresan, penyok, deformasi, kesalahan pencetakan, dan ketebalan material yang tidak merata pada badan kaleng.

Cacat-cacat ini tidak hanya memengaruhi estetika tetapi juga dapat menyebabkan penurunan kinerja penyegelan, mengancam kualitas produk dan keselamatan konsumen.

Sistem deteksi menghadapi berbagai tantangan: sifat reflektif permukaan kaleng dapat menutupi cacat sebenarnya. Jalur produksi berkecepatan tinggi membutuhkan sistem deteksi yang memiliki kemampuan pemrosesan waktu nyata (seperti beroperasi dengan kecepatan 10 kaleng/detik) sambil mempertahankan akurasi tinggi (tingkat akurasi 99,89%). Selain itu, pencitraan permukaan lengkung badan kaleng silindris dan identifikasi cacat halus terhadap latar belakang yang kompleks juga merupakan tantangan teknis yang perlu diatasi.

2. Komponen Perangkat Keras dan Optimasi Pencitraan Sistem Deteksi

Konfigurasi perangkat keras sistem inspeksi visual kaleng merupakan fondasi yang sangat penting. Sistem pencahayaan yang tepat dapat secara efektif menekan pantulan dan menyoroti fitur cacat. Sistem sumber cahaya LED komposit yang dikembangkan oleh Kangshida menggabungkan lampu tanpa bayangan tiga cincin, lampu tanpa bayangan berbentuk kubah, lampu cincin sudut rendah, dan lampu koaksial untuk memenuhi kebutuhan deteksi berbagai bagian. Untuk akuisisi gambar, strategi yang berbeda diperlukan untuk area inspeksi yang berbeda:

• Inspeksi bagian bawah kapal sering menggunakan kamera pemindai area beresolusi tinggi dengan lampu cincin.

• Inspeksi bodi dapat menggunakan kamera pemindai garis atau tiga set modul akuisisi fusi 2D-3D yang dipicu secara sinkron, dipasang dengan interval 120 derajat untuk mencapai pemindaian cakupan penuh.

Untuk mendeteksi pola cetak di bagian luar kaleng, motor servo presisi tinggi dapat digunakan untuk memutar kaleng dengan kecepatan konstan, dikombinasikan dengan kamera pemindai garis pemisah berkas prisma untuk mendapatkan gambar permukaan lengkung berkualitas tinggi. Pemilihan perangkat keras yang tepat dan optimasi pencitraan memberikan dasar data berkualitas tinggi untuk pemrosesan algoritma selanjutnya.

3. Penerapan Teknik Pemrosesan Citra Tradisional dalam Deteksi

Sebelum penerapan pembelajaran mendalam secara luas, algoritma pemrosesan gambar tradisional memainkan peran penting dalam inspeksi kaleng minuman. Metode-metode ini biasanya dirancang dan dioptimalkan untuk jenis cacat tertentu.

Untuk area bukaan kaleng, setelah memisahkan area bukaan kaleng menggunakan metode varians antar kelas maksimum OTSU, kontur dapat dianalisis untuk fitur-fiturnya, dan kemudian algoritma elips kuadrat terkecil dapat digunakan untuk menyesuaikan kurva elips target. Dengan mendiskretisasi dan mengambil sampel elips serta menghitung peta analisis eksentrisitas dan deviasi, berbagai cacat pada bukaan kaleng dapat diproses secara efektif.

Deteksi cacat pada area dasar kaleng sebagian besar menggunakan metode gradien Hough untuk membagi area deteksi menjadi beberapa wilayah melingkar konsentris. Berdasarkan metode analisis piksel komponen terhubung dari citra biner, cacat titik, cacat garis, dan cacat permukaan dideteksi secara terpisah.

Untuk cacat dinding bagian dalam, karena area tengah dan bawah tertekan selama pengambilan gambar vertikal, algoritma deteksi perlu terlebih dahulu menyelesaikan masalah kompresi gambar melalui transformasi koordinat polar, dan kemudian menemukan cacat melalui analisis komponen terhubung.

Dalam hal pengenalan karakter, metode ambang batas entropi Arimoto dua dimensi dapat secara efektif menangani masalah segmentasi karakter dengan kontras rendah, dan kompleksitas komputasinya rendah, sehingga memenuhi persyaratan waktu nyata.

4. Terobosan Kemajuan Deep Learning dalam Deteksi Cacat

Dalam beberapa tahun terakhir, teknologi pembelajaran mendalam telah sangat meningkatkan akurasi dan kemampuan generalisasi deteksi cacat pada kaleng minuman. Sistem deteksi berbasis FCOS (Fully Convolutional One-Stage) dan HRNet (High-Resolution Network) telah menunjukkan keunggulan yang signifikan.

FCOS, sebagai algoritma deteksi objek tanpa anchor, menyederhanakan proses deteksi, menghindari kompleksitas desain anchor box, dan berkinerja sangat baik dalam deteksi objek kecil. HRNet dapat mempertahankan representasi resolusi tinggi, merepresentasikan fitur pada resolusi berbeda melalui struktur multi-cabang paralel, yang sangat cocok untuk tugas deteksi cacat industri. Peningkatan pada HRNet asli meliputi pengenalan mekanisme perhatian untuk meningkatkan sensitivitas terhadap area cacat, mengoptimalkan strategi fusi fitur, dan mendesain modul ringan untuk mengurangi kompleksitas komputasi. Eksperimen menunjukkan bahwa metode pembelajaran mendalam ini mencapai mAP (mean average precision) sebesar 0,889 dalam tugas deteksi cacat kaleng, mengungguli banyak metode tradisional.

Untuk cacat bodi kaleng, model HPFST-YOLOv5, dengan memperkenalkan mekanisme perhatian hibrida dan panduan filter high-pass, mencapai akurasi pengenalan sebesar 93,9% untuk cacat seperti penyok, goresan, dan deformasi sambil mempertahankan kecepatan pemrosesan 28 frame per detik.

Untuk karakter yang ditandai laser dengan kontras rendah, jaringan segmentasi semantik Res18-UNet, yang dikombinasikan dengan mekanisme multi-perhatian, secara efektif meningkatkan kemampuan model untuk fokus pada wilayah karakter.

5. Pertimbangan Implementasi Sistem dan Penerapan Industri

Mengubah model algoritma menjadi sistem deteksi praktis memerlukan pertimbangan komprehensif terhadap desain arsitektur perangkat keras dan perangkat lunak. Arsitektur terdistribusi dapat menerapkan dua stasiun kerja deteksi independen, yang masing-masing sesuai dengan deteksi cacat karakter bagian bawah kaleng dan pengenalan cacat penampilan badan kaleng.

Arsitektur perangkat lunak harus mengadopsi teknologi pemrosesan paralel multi-threaded, dengan merancang thread kontrol utama, thread akuisisi gambar, thread pemrosesan algoritma, dan thread keluaran hasil. Teknologi pemetaan memori digunakan untuk mencapai pertukaran data gambar berkapasitas besar secara cepat, dan teknologi akselerasi GPU digunakan untuk mengoptimalkan penerapan algoritma pembelajaran mendalam.

Kinerja waktu nyata merupakan indikator inti dari sistem inspeksi industri. Mekanisme interupsi pengatur waktu secara ketat membatasi siklus deteksi kaleng tunggal untuk memastikan bahwa sistem dapat mengimbangi kecepatan lini produksi. Selain itu, sistem harus mengintegrasikan fungsi pengajaran parameter, yang memungkinkan operator untuk menyesuaikan parameter deteksi sesuai dengan spesifikasi produk, dan membangun modul basis data untuk menyimpan hasil deteksi dan informasi produk, memberikan dukungan data untuk ketertelusuran kualitas.

Dalam lingkungan produksi nyata, sistem juga perlu memiliki kemampuan anti-interferensi untuk mengatasi perubahan pencahayaan dan interferensi latar belakang di lingkungan pabrik. Redundansi perangkat keras dan mekanisme toleransi kesalahan perangkat lunak memastikan pengoperasian sistem yang stabil, sementara arsitektur perangkat lunak modular memfasilitasi pemeliharaan dan peningkatan sistem.

6. Tren dan Tantangan Pembangunan di Masa Depan

Teknologi inspeksi visual masih menghadapi banyak tantangan dan peluang pengembangan. Refleksi tetap menjadi faktor signifikan yang memengaruhi akurasi deteksi; algoritma peningkatan citra baru seperti transformasi gamma adaptif berdasarkan citra skala abu-abu multi-bingkai dapat memberikan solusi.

Eksplorasi lebih lanjut terhadap struktur jaringan ringan untuk meningkatkan kecepatan inferensi dan mengurangi kebutuhan perangkat keras akan memungkinkan penerapan teknologi yang lebih luas di perusahaan kecil dan menengah. Integrasi mendalam sistem deteksi dengan sistem kontrol lini produksi untuk mencapai penolakan otomatis produk cacat juga merupakan arah pengembangan yang penting.

Sistem inspeksi visual kaleng minuman di masa depan mungkin akan berkembang menuju integrasi multifungsi, menambahkan penilaian tingkat keparahan cacat dan fungsi prediksi kualitas di samping mendeteksi cacat umum. Pada saat yang sama, teknologi ini juga dapat diperluas ke deteksi cacat pada jenis produk industri lainnya, seperti kaleng logam dan botol plastik, yang berkontribusi pada pengembangan manufaktur cerdas dan Industri 4.0.

Dengan percepatan kecerdasan industri, teknologi inspeksi visual kaleng minuman telah beralih dari laboratorium ke aplikasi praktis. Tim peneliti dalam negeri telah membuat kemajuan signifikan di bidang ini; misalnya, sistem yang dikembangkan oleh Universitas Teknologi Guangdong telah mencapai tingkat akurasi 99,89% dan kecepatan deteksi hingga 10 kaleng per detik.

Di masa depan, dengan optimalisasi berkelanjutan dari algoritma pembelajaran mendalam dan peningkatan kinerja perangkat keras, teknologi inspeksi visual akan memainkan peran penting dalam berbagai skenario inspeksi kualitas industri yang lebih luas. Teknologi ini tidak hanya akan meningkatkan kualitas produk tetapi juga mengurangi biaya produksi bagi perusahaan, yang pada akhirnya memungkinkan konsumen untuk menikmati produk minuman yang lebih aman dan andal.