BR112020012257A2 - método e sistema para detecção de defeitos em recipientes para acondicionamento de alimentos líquidos, produto de programa de computador, e, máquina de preenchimento. - Google Patents
método e sistema para detecção de defeitos em recipientes para acondicionamento de alimentos líquidos, produto de programa de computador, e, máquina de preenchimento. Download PDFInfo
- Publication number
- BR112020012257A2 BR112020012257A2 BR112020012257-2A BR112020012257A BR112020012257A2 BR 112020012257 A2 BR112020012257 A2 BR 112020012257A2 BR 112020012257 A BR112020012257 A BR 112020012257A BR 112020012257 A2 BR112020012257 A2 BR 112020012257A2
- Authority
- BR
- Brazil
- Prior art keywords
- defects
- packaging containers
- occurrence
- image
- machine
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30128—Food products
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
Um método para detecção de defeitos em recipientes para acondicionamento de alimentos líquidos é descrito, em que os recipientes de acondicionamento são produzidos em uma máquina. O método compreende capturar dados de imagem dos recipientes de acondicionamento, definir características de imagem nos dados de imagem representando defeitos nos recipientes de acondicionamento, associar as características de imagem a diferentes categorias de defeitos, inserir as características de imagem em um modelo à base de aprendizado de máquina para detecção subsequente das categorias de defeitos em recipientes de acondicionamento com base nas características das imagens, determinar registros temporais para a ocorrência dos defeitos em dita detecção subsequente, determinar parâmetros de produção associados dos recipientes de acondicionamento na máquina para a ocorrência dos defeitos com base nos registros temporais, e correlacionar a dita ocorrência e categoria dos defeitos com ditos parâmetros de produção. É também descrito um sistema para detecção de defeitos em recipientes de acondicionamento.
Description
1 / 13
PREENCHIMENTO Campo Técnico
[001] A presente invenção refere-se ao campo de detecção de defeitos em recipientes para acondicionamento de alimentos líquidos. A presente invenção refere-se, em particular, a um método para detecção de defeitos, um produto de programa de computador relacionado, um sistema para detecção de defeitos e uma máquina de preenchimento para produzir recipientes para acondicionamento de alimentos líquidos, compreendendo o sistema mencionado anteriormente para detecção de defeitos. Fundamentos
[002] A detecção de defeitos é crítica nas linhas de produção, tal como na fabricação de recipientes vedados para acondicionamento de alimentos líquidos ou semilíquidos em uma máquina de preenchimento ou sistemas relacionados na produção de tais recipientes de acondicionamento, a fim de configurar ajustes de operação ideais e garantir um desempenho desejado ao longo de um período de tempo. Os defeitos nos recipientes de acondicionamento produzidos podem levar a desempenhos assépticos sub- ideais. Desse modo, é desejável se desenvolver ferramentas e procedimentos eficientes para a identificação de comportamentos defeituosos dos componentes em tais sistemas, os quais podem resultar em vários tipos de defeitos nos recipientes de acondicionamento produzidos. Uma vez que as últimas gerações de máquinas de preenchimento, ou aparelhos relacionados, empregados na produção de recipientes vedados de acondicionamento operam em velocidades extremamente rápidas para aumentar ainda mais a produtividade da linha de produção, caracterizar de modo preciso todos os aspectos do desempenho da produção dos recipientes de acondicionamento
2 / 13 tem sido trabalhoso. Isso pode levar a um desempenho sub-ideal e produtividade reduzida. Um problema é, assim, como implementar uma ferramenta e estratégia de controle de qualidade confiável com um mínimo de impacto na produção, ao mesmo tempo em que requer uma quantidade mínima de recursos.
[003] Seria, desse modo, vantajoso com um método aperfeiçoado para detecção de defeitos em recipientes para acondicionamento de alimentos líquidos, e em particular permitindo que se evite mais dos problemas e comprometimentos mencionados acima, incluindo prover uma identificação facilitada de diferentes categorias em um recipiente de acondicionamento e método para detecção de defeitos com um curto tempo de execução e, desse modo, possibilitando uma rápida análise sem interrupção na linha de produção.
[004] Desse modo, exemplos da presente invenção preferivelmente buscam mitigar, aliviar ou eliminar uma ou mais deficiências, desvantagens ou problemas na técnica, tais como os identificados acima, unicamente ou em combinação, ao se prover um dispositivo de acordo com as reivindicações em anexo da patente.
[005] De acordo com um primeiro aspecto, um método para detecção de defeitos em recipientes para acondicionamento de alimentos líquidos é provido, em que os recipientes de acondicionamento são produzidos em uma máquina. O método compreende capturar dados de imagem dos recipientes de acondicionamento, definir características de imagem nos dados de imagem representando defeitos nos recipientes de acondicionamento, associar as características de imagem a diferentes categorias de defeitos, inserir as características de imagem em um modelo à base de aprendizado de máquina para detecção subsequente das categorias de defeitos em recipientes de acondicionamento com base nas características das imagens, determinar registros temporais para a ocorrência dos defeitos em
3 / 13 dita detecção subsequente, determinar parâmetros de produção associados dos recipientes de acondicionamento na máquina para a ocorrência dos defeitos com base nos registros temporais, e correlacionar a dita ocorrência e categoria dos defeitos com ditos parâmetros de produção.
[006] De acordo com um segundo aspecto, um produto de programa de computador compreendendo instruções que, quando o programa é executado por um computador, faz com que o computador realize as etapas do método de acordo com o primeiro aspecto.
[007] De acordo com um terceiro aspecto, um sistema é provido para detecção de defeitos em recipientes para acondicionamento de alimentos líquidos produzidos em uma máquina. O sistema compreende um dispositivo para captura de imagem configurado para capturar dados de imagem dos recipientes de acondicionamento, e uma unidade de processamento configurada para definir características de imagem nos dados de imagem representando defeitos nos recipientes de acondicionamento, associar as características de imagem a diferentes categorias de defeitos, inserir as características de imagem em um modelo à base de aprendizado de máquina para detecção subsequente das categorias de defeitos em recipientes de acondicionamento com base nas características das imagens, determinar registros temporais para a ocorrência dos defeitos em dita detecção subsequente, determinar parâmetros de produção associados dos recipientes de acondicionamento na máquina para a ocorrência dos defeitos com base nos registros temporais, e correlacionar a dita ocorrência e categoria dos defeitos com ditos parâmetros de produção.
[008] De acordo com um quarto aspecto, é provida uma máquina de preenchimento compreendendo um sistema de acordo com o terceiro aspecto.
[009] Exemplos adicionais da invenção são definidos nas reivindicações em anexo, em que os recursos para os segundo e terceiro aspectos da invenção são como os do primeiro aspecto, mudando-se o que
4 / 13 deve ser mudado.
[0010] Alguns exemplos da descrição proveem um método aperfeiçoado para detecção de defeitos nos recipientes de acondicionamento.
[0011] Alguns exemplos da descrição proveem uma identificação facilitada de diferentes categorias de defeitos em um recipiente de acondicionamento.
[0012] Alguns exemplos da descrição proveem uma identificação facilitada e menos demorada de componentes defeituosos ou agregados dos componentes e funcionalidades em uma máquina.
[0013] Alguns exemplos da descrição proveem um uso mais eficiente de recursos para identificar comportamento errôneo em uma máquina.
[0014] Alguns exemplos da descrição proveem um método mais robusto para detecção de defeitos em recipientes de acondicionamento.
[0015] Alguns exemplos da descrição proveem um método para detecção de defeitos, com um tempo de execução curto, e, desse modo, possibilitando uma análise rápida.
[0016] Alguns exemplos da descrição proveem um método mais eficiente para avaliar a qualidade de uma máquina.
[0017] Alguns exemplos da descrição proveem um método mais robusto e menos demorado para resolução de problemas de uma máquina.
[0018] Deve ser enfatizado que o termo “compreende/compreendendo”, quando usado nesse relatório descritivo, é utilizado para especificar a presença de recursos, números inteiros, etapas ou componentes declarados, mas não impede a presença ou adição de um ou mais de outros recursos, números inteiros, etapas, componentes ou grupos dos mesmos. Breve Descrição dos Desenhos
[0019] Estes e outros aspectos, recursos e vantagens de tais exemplos da invenção serão aparentes e elucidados a partir da seguinte descrição de
5 / 13 exemplos da presente invenção, sendo feita referência aos desenhos anexos, nos quais: a Figura 1 é uma ilustração esquemática de um sistema para detecção de defeitos em recipientes de acondicionamento, de acordo com exemplos da invenção; a Figura 2a é um fluxograma de um método para detecção de defeitos em recipientes de acondicionamento, de acordo com exemplos da invenção; a Figura 2b é um outro fluxograma de um método para detecção de defeitos em recipientes de acondicionamento, de acordo com exemplos da invenção; e a Figura 3a-b são ilustrações esquemáticas de um sistema para detecção de defeitos em recipientes de acondicionamento, executando o método nas Figuras 2a-b, de acordo com exemplos da invenção; Descrição Detalhada
[0020] Exemplos específicos da invenção serão descritos agora com referência aos desenhos anexos. Essa invenção, contudo, pode ser incorporada em diferentes formas e não deve ser interpretada como limitada aos exemplos apresentados no presente documento; em vez disso, esses exemplos são providos de modo que essa descrição será minuciosa e completa, e transmitirá completamente o escopo da invenção aos versados na técnica. A terminologia usada na descrição detalhada dos exemplos ilustrados nos desenhos em anexo não é destinada a ser limitante para a invenção. Nos desenhos, números iguais se referem a elementos semelhantes.
[0021] A Figura 1 é uma ilustração esquemática de um sistema 200 para detecção de defeitos em recipientes de acondicionamento 301 para o alimento líquido ou semilíquido. Os recipientes de acondicionamento 301 são produzidos em uma máquina 300, tal como em uma máquina de preenchimento 300, vedando o alimento dentro dos recipientes de
6 / 13 acondicionamento 301. O sistema 200 compreende um dispositivo de captura de imagem 201 configurado para capturar 101 dados de imagem dos recipientes de acondicionamento. O dispositivo de captura de imagem 201 pode ser arranjado para capturar os dados de imagem dos recipientes de acondicionamento 301 quando transportados ao longo de um transportador, após terem sido vedados na máquina de preenchimento 300. É concebível, contudo, que o dispositivo de captura de imagem 201 possa ser arranjado ao longo de qualquer parte da linha de produção, para capturar dados de imagem dos recipientes 301 quando em uma parte desejada do processo de produção. É concebível também que uma pluralidade dos dispositivos de captura de imagem 201 seja arranjada para capturar os dados de imagem a partir de diferentes partes da linha de produção e/ou a partir de diferentes ângulos em relação aos recipientes de acondicionamento 301, e/ou com diferentes ajustes de exposição ou parâmetros de processamento de imagem. Os dados de imagem podem, desse modo, compreender múltiplos fluxos de dados de imagem capturados a partir de tal pluralidade de dispositivos de captura de imagem 201. O sistema 200 compreende uma unidade de processamento 202 configurada para receber os dados de imagem do dispositivo de captura de imagem 201. A unidade de processamento 202 é configurada para definir 102 características de imagem nos dados de imagem representando defeitos 302 nos recipientes de acondicionamento 301, Assim, parte dos dados de imagem obtidos tem características de imagem que representam os defeitos mencionados anteriormente se presentes dos recipientes de acondicionamento
301. Por exemplo, se um recipiente de acondicionamento 301 tem um defeito, tal como uma rugosidade ou um dente, a imagem capturada do mesmo pode apresentar uma característica de imagem associada, tal como uma sombra nos dados da imagem na posição de tal rugosidade ou dente. Tipos ou categorias diferentes de defeitos tipicamente resultam em diferentes características distintivas de imagem. É, desse modo, possível definir 102 tais características
7 / 13 de imagem e adicionalmente ter a unidade de processamento 202 configurada para associar 103 essas características de imagem com diferentes categorias de defeitos. Os defeitos podem compreender qualquer um dentre; rugosidades no material dos recipientes de acondicionamento 301, abas não vedadas dos recipientes de acondicionamento 301, furos pré-perfurados rasgados ou obstruídos nas recipientes de acondicionamento 301, dentes nos recipientes de acondicionamento 301, delaminação nas áreas de abertura das recipientes de acondicionamento 301. Cada um dos defeitos pode ser associado às características ou traços de imagem únicos(as) nos dados de imagem capturados. Por exemplo, as características de imagem representando os defeitos podem ser distinguidas unicamente pelas variações na imagem tal como cor, exposição, contraste, etc, bem como pela geometria, dimensões e posição dos defeitos, para criar uma “impressão digital” para cada um dos diferentes defeitos nos recipientes de acondicionamento 301.
[0022] A unidade de processamento 202 é configurada para inserir 104 as características de imagem únicas em um modelo à base de aprendizado de máquina para detecção subsequente 105 das categorias de defeitos em recipientes de acondicionamento 301 com base nas características das imagens. Assim, o modelo com base em aprendizado de máquina utiliza as características de imagem definidas dos defeitos e provê um reconhecimento subsequente de tais defeitos quando novos dados de imagem são capturados dos recipientes de acondicionamento 301 na linha de produção. O modelo com base em aprendizado de máquina pode ser acessado pela unidade de processamento 202 ao ser implementado localmente no sistema 200, ou ao ter a unidade de processamento 202 configurada para acessar o modelo com base em aprendizado de máquina remotamente em um servidor. É adicionalmente concebível que a própria unidade de processamento 202 possa ser implementada em um servidor em um local remoto e ser configurada para se comunicar com o dispositivo de captura de imagem 202 e a máquina 300 a
8 / 13 partir do servidor remoto. A unidade de processamento 202 é configurada para determinar 106 registros temporais, isto é, pontos no tempo com referência a um relógio principal, para a ocorrência de defeitos na detecção subsequente pelo modelo com base em aprendizado de máquina. Assim, o tempo em que os defeitos ocorrem na máquina 300 pode ser estabelecido. Embora um defeito possa ser detectado pelo dispositivo de captura de imagem 201 mais no final da linha produção, pode ser possível rastrear o ponto no tempo em que o defeito foi causado no recipiente de acondicionamento 301 ao traçar o recipiente de acondicionamento 301 mencionado anteriormente com referência a um tempo do relógio principal na cadeia de produção inteira. A unidade de processamento 202 é configurada para determinar 107 parâmetros de produção associados dos recipientes de acondicionamento 301 na máquina 300 para a ocorrência dos defeitos com base nos registros temporais. Desse modo, quando um defeito é detectado e o registro temporal associado é definido, por exemplo, ao traçar o processo de produção do recipiente de acondicionamento com referência ao relógio principal, a unidade de processamento 202 é configurada para receber dados a partir da máquina 300 compreendendo parâmetros do processo de produção no ponto no tempo do registro temporal definido. É concebível também que os dados compreendendo os parâmetros de produção possam ser comunicados à unidade de processamento 202 após a detecção de um defeito ao se ter os dados mencionados indexados com referência a dito relógio principal do processo de produção, permitindo a determinação subsequente dos parâmetros de produção associados para os registros temporais definidos para a detecção de defeitos. A unidade de processamento 202 pode, assim, ser configurada para se comunicar com o sistema de automação da máquina 300, por meio de uma unidade de controle 203, conforme esquematicamente ilustrado na Figura
1. Os parâmetros de produção podem compreender qualquer parâmetro associado à cadeia da produção dos recipientes de acondicionamento 301, tal
9 / 13 como ajustes e/ou dados de sensor na máquina, e/ou propriedades do material dos recipientes de acondicionamento 301, ou o conteúdo a ser vedado no mesmo. A unidade de processamento 202 é adicionalmente configurada para correlacionar 108 a ocorrência e categoria dos defeitos com os parâmetros de produção. Ao correlacionar a ocorrência e a categoria dos defeitos com os parâmetros de produção, é possível caracterizar de modo preciso a origem das circunstâncias da formação de quaisquer defeitos nos recipientes de acondicionamento 301. Isso permite uma otimização facilitada da linha de produção e provê uma ferramenta confiável para detecção de defeitos. Ao mesmo tempo, ao se ter um sistema 200 configurado conforme descrito acima, o impacto na produtividade da linha de produção é minimizado. Uma identificação facilitada de diferentes categorias de defeitos no recipiente de acondicionamento 301 é provida, enquanto requer uma demanda minimizada de recursos para o monitoramento do processo. Além da identificação facilitada e menos demorada de funcionalidades e componentes defeituosos na máquina, o sistema 200 provê garantir uma qualidade adicionalmente melhorada dos recipientes de acondicionamento 301 produzidos.
[0023] A Figura 1a ilustra um fluxograma relacionado de um método 100 para detecção de defeitos em recipientes para acondicionamento 301 de alimentos líquidos produzidos em uma máquina 300. A ordem na qual as etapas do método 100 são descritas e ilustradas não deve ser interpretada como limitante, e é concebível que as etapas podem ser realizadas em ordens variadas. O método 100 compreende capturar 101 dados de imagem dos recipientes de acondicionamento 301, definir 102 características de imagem nos dados de imagem representando defeitos 302 nos recipientes de acondicionamento 301, associar 301 as características de imagem a diferentes categorias de defeitos, inserir 104 as características de imagem em um modelo à base de aprendizado de máquina para detecção 105 subsequente das categorias de defeitos em recipientes de acondicionamento 301 com base nas
10 / 13 características das imagens. O método 100 compreende adicionalmente determinar 106 registros temporais para a ocorrência dos defeitos em dita detecção subsequente, determinar 107 parâmetros de produção associados dos recipientes de acondicionamento 301 na máquina 300 para a ocorrência dos defeitos com base nos registros temporais, e correlacionar 108 a dita ocorrência e categoria dos defeitos com ditos parâmetros de produção. O método 100 desse modo provê benefícios vantajosos conforme descritos acima em relação ao sistema 200 e Figura 1.
[0024] A Figura 1b ilustra um fluxograma adicional de um método 100 para detecção de defeitos em recipientes para acondicionamento 301 de alimentos líquidos produzidos em uma máquina 300. A ordem na qual as etapas do método 100 são descritas e ilustradas não deve ser interpretada como limitante, e é concebível que as etapas podem ser realizadas em ordens variadas.
[0025] O método 100 pode compreender determinar 103’ uma região de interesse nos dados de imagem com base na categoria de defeitos. Desse modo, uma porção dos dados de imagem pode ser escolhida para pesquisa e análise adicionais de características de imagem relevantes, representando os defeitos, no modelo com base em aprendizado de máquina, dependendo da categoria dos defeitos. Por exemplo, uma rugosidade ou um dente nos recipientes de acondicionamento 301 pode tipicamente ocorrer em uma certa parte da imagem, que pode ser escolhida como a região de interesse. Isso pode prover um aumento na velocidade na qual os defeitos podem ser detectados, o que pode ser particularmente vantajoso em uma máquina de preenchimento 300 provendo uma produtividade em alta velocidade dos recipientes de acondicionamento. Assim, o método 100 pode compreender determinar 103’’ uma posição e/ou um tamanho da região de interesse nos dados de imagem com base na categoria de defeitos.
[0026] O método 100 pode compreender selecionar um tamanho da
11 / 13 região de interesse de acordo com um intervalo de confiabilidade definido da detecção de um defeito nos dados de imagem. Isto é, ajustar o tamanho da região de interesse permite um aceleramento do processo de detecção enquanto se mantém dentro de um intervalo de confiança desejado e provê uma certa probabilidade de que um defeito não seja ignorado.
[0027] O método 100 pode compreender processar 103’’’ os dados de imagem na região de interesse de acordo com um conjunto de parâmetros de imagens definidos com base na categoria dos defeitos. Conforme mencionado, no caso do defeito ser uma rugosidade ou dente, os parâmetros de imagem podem ser otimizados para isolar os recursos de imagem representando esses defeitos mais claramente, por exemplo, ao otimizar o equilíbrio de cor, exposição ou qualquer filtro de processamento de imagem que enfatize as características para a categoria particular do defeito. Os componentes óticos do dispositivo de captura de imagem 201 também pode ser otimizado, dependendo da categoria dos defeitos, por exemplo, variando filtros óticos, lentes, sensor de imagem, etc. Consequentemente, a unidade de processamento 202 pode ser configurada para processar os dados de imagem de acordo com um conjunto de parâmetros de imagem definidos com base na categoria dos defeitos.
[0028] O método 100 pode compreender comunicar 109 instruções de controle à máquina compreendendo parâmetros de produção modificada de acordo com a ocorrência e/ou categoria dos defeitos. As instruções de controle podem, assim, prover retorno à máquina para 300 para modificar o processo de produção na dependência dos defeitos detectados. Por exemplo, os ajustes de máquina podem ser ajustados, de modo que a ocorrência de uma categoria particular de defeitos possa ser minimizada. Além da modificação dos parâmetros de produção dependendo de se um defeito foi detectado ou não, a unidade de processamento 202 pode ser configurada para modificar os parâmetros de produção com base, por exemplo, no tamanho e/ou posição de
12 / 13 um defeito em uma categoria particular. Assim, o sistema 200 pode compreender uma unidade de controle 203 configurada para comunicar instruções de controle à máquina compreendendo parâmetros de produção modificada de acordo com a ocorrência e/ou categoria dos defeitos, conforme ilustrado esquematicamente na Figura 1.
[0029] O método pode compreende determinar 110 um conjunto de notificações de alerta de acordo com a ocorrência e/ou categoria dos defeitos. Um usuário pode assim ser notificado de vários defeitos e agir na dependência do alerta.
[0030] As Figuras 3a-b são ilustrações esquemáticas do processador 201 configuradas para executar o método 100 conforme descrito acima em relação às Figuras 2a-b em uma máquina de preenchimento 300.
[0031] Um produto de programa de computador é provido compreendendo instruções que, quando o programa é executado por um computador, faz com que o computador realize as etapas do método100 conforme descrito acima em relação às Figuras 1 e 2.
[0032] Uma máquina de preenchimento 300 é provida compreendendo um sistema 200 conforme descrito acima em relação à Figura
1. A máquina de preenchimento 300 é configurada para produzir recipientes para acondicionamento de alimentos líquidos ou semilíquidos. O sistema 200 compreende um dispositivo de geração de imagem 201 configurado para dados de imagem dos recipientes de acondicionamento 301 e uma unidade de processamento 202 configurada para definir 102 características de imagem nos dados de imagem representando defeitos 302 nos recipientes de acondicionamento. A unidade de processamento 202 é configurada para associar 103 as características de imagem a diferentes categorias de defeitos, inserir 104 as características de imagem em um modelo à base de aprendizado de máquina para detecção 105 subsequente das categorias de defeitos em recipientes de acondicionamento 301 com base nas características das
13 / 13 imagens, determinar 106 registros temporais para a ocorrência dos defeitos em dita detecção subsequente, determinar 107 parâmetros de produção associados dos recipientes de acondicionamento 301 na máquina de preenchimento 300 para a ocorrência dos defeitos com base nos registros temporais, e correlacionar 108 a dita ocorrência e categoria dos defeitos com ditos parâmetros de produção. A máquina de preenchimento 100, desse modo, provê benefícios vantajosos conforme descritos acima em relação ao sistema 200 e método 100 e Figuras 1, 2a-b e 3a-b associadas.
[0033] A presente invenção foi descrita acima com referência aos exemplos específicos. Entretanto, outros exemplos além dos descritos acima são igualmente possível dentro do escopo da invenção. Os diferentes recursos e etapas da invenção podem ser combinados em outras combinações além das descritas. O escopo da invenção é apenas limitado pelas reivindicações em anexo da patente.
[0034] Mais geralmente, os versados na técnica irão prontamente reconhecer que todos os parâmetros, dimensões, materiais e configurações descritos aqui são destinados a serem exemplificativos, e que os parâmetros, dimensões, materiais e/ou configurações reais dependerão da aplicação ou aplicações específica(s) na(s) qual(is) os ensinamentos da presente invenção são usados.
Claims (14)
1. Método (100) para detecção de defeitos em recipientes para acondicionamento (301) de alimentos líquidos produzidos em uma máquina (300), caracterizado pelo fato de que compreende: capturar (101) dados de imagem dos recipientes de acondicionamento, definir (102) características de imagem nos dados de imagem representando defeitos (302) nos recipientes de acondicionamento, associar (103) as características de imagem a diferentes categorias de defeitos, inserir (104) as características de imagem em um modelo à base de aprendizado de máquina para detecção subsequente (105) das categorias de defeitos em recipientes de acondicionamento com base nas características das imagens, determinar (106) registros temporais para a ocorrência dos defeitos em dita detecção subsequente, determinar (107) parâmetros de produção associados dos recipientes de acondicionamento na máquina para a ocorrência dos defeitos com base nos registros temporais, e correlacionar (108) a dita ocorrência e categoria dos defeitos com ditos parâmetros de produção.
2. Método de acordo com a reivindicação 1, caracterizado pelo fato de que compreende determinar (103’) uma região de interesse nos dados de imagem com base na categoria de defeitos.
3. Método de acordo com a reivindicação 2, caracterizado pelo fato de que compreende determinar (103’’) uma posição e/ou um tamanho da região de interesse nos dados de imagem com base na categoria de defeitos.
4. Método de acordo com a reivindicação 3, caracterizado pelo fato de que compreende selecionar um tamanho da região de interesse de acordo com um intervalo de confiabilidade definido da detecção de um defeito nos dados de imagem.
5. Método de acordo com qualquer uma das reivindicações 2 a 4, caracterizado pelo fato de que compreende processar (103’’’) os dados de imagem na região de interesse de acordo com um conjunto de parâmetros de imagens definidos com base na categoria dos defeitos.
6. Método de acordo com qualquer uma das reivindicações 1 a 5, caracterizado pelo fato de que compreende comunicar (109) instruções de controle à máquina compreendendo parâmetros de produção modificada de acordo com a ocorrência e/ou categoria dos defeitos.
7. Método de acordo com qualquer uma das reivindicações 1 a 6, caracterizado pelo fato de que compreende determinar (110) um conjunto de notificações de alerta de acordo com a ocorrência e/ou categoria dos defeitos.
8. Método de acordo com qualquer uma das reivindicações 1 a 7, caracterizado pelo fato de que os defeitos compreendem qualquer um dentre: rugosidades no material dos recipientes de acondicionamento, abas não vedadas dos recipientes de acondicionamento, furos pré-perfurados rasgados ou obstruídos nas recipientes de acondicionamento, dentes nas recipientes de acondicionamento, delaminação nas áreas de abertura das recipientes de acondicionamento.
9. Mídia legível por computador, caracterizada pelo fato de que compreende instruções legíveis por computador que, quando executadas por um processador, fazem com que o computador realize as etapas do método como definido em qualquer uma das reivindicações 1 a 8.
10. Sistema (200) para detecção de defeitos em recipientes para acondicionamento (301) de alimentos líquidos produzidos em uma máquina (300), o sistema caracterizado pelo fato de que compreende um dispositivo de captura de imagem (201) configurado para capturar (101) dados de imagem dos recipientes para acondicionamento, uma unidade de processamento (202) configurada para definir (102) características de imagem nos dados de imagem representando defeitos (302) nos recipientes de acondicionamento, associar (103) as características de imagem a diferentes categorias de defeitos, inserir (104) as características de imagem em um modelo à base de aprendizado de máquina para detecção subsequente (105) das categorias de defeitos em recipientes de acondicionamento com base nas características das imagens, determinar (106) registros temporais para a ocorrência dos defeitos em dita detecção subsequente, determinar (107) parâmetros de produção associados dos recipientes de acondicionamento na máquina para a ocorrência dos defeitos com base nos registros temporais, e correlacionar (108) a dita ocorrência e categoria dos defeitos com ditos parâmetros de produção.
11. Sistema de acordo com a reivindicação 10, caracterizado pelo fato de que a unidade de processamento é configurada para processar os dados de imagem de acordo com um conjunto de parâmetros de imagens definidos com base na categoria dos defeitos.
12. Sistema de acordo com a reivindicação 10, caracterizado pelo fato de que compreende uma unidade de controle (203) configurada para comunicar instruções de controle à máquina compreendendo parâmetros de produção modificada de acordo com a ocorrência e/ou categoria dos defeitos.
13. Máquina de preenchimento (300), caracterizada pelo fato de que compreende um sistema (200) como definido em qualquer uma das reivindicações 10 a 12.
14. Máquina de preenchimento (300) para produzir recipientes para acondicionamento de alimentos líquidos, caracterizada pelo fato de que compreende um sistema (200) para detecção de defeitos nos recipientes de acondicionamento, o sistema compreendendo um dispositivo de captura de imagem (201) configurado para capturar (101) dados de imagem dos recipientes de acondicionamento, uma unidade de processamento (202) configurada para definir (102) características de imagem nos dados de imagem representando defeitos (302) nos recipientes de acondicionamento, associar (103) as características de imagem a diferentes categorias de defeitos, inserir (104) as características de imagem em um modelo à base de aprendizado de máquina para detecção subsequente (105) das categorias de defeitos em recipientes de acondicionamento com base nas características das imagens, determinar (106) registros temporais para a ocorrência dos defeitos em dita detecção subsequente, determinar (107) parâmetros de produção associados dos recipientes de acondicionamento na máquina de preenchimento para a ocorrência dos defeitos com base nos registros temporais, e correlacionar (108) a dita ocorrência e categoria dos defeitos com ditos parâmetros de produção.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP17208533.4 | 2017-12-19 | ||
| EP17208533 | 2017-12-19 | ||
| PCT/EP2018/080661 WO2019120738A1 (en) | 2017-12-19 | 2018-11-08 | Method of defect detection in packaging containers |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| BR112020012257A2 true BR112020012257A2 (pt) | 2020-11-24 |
Family
ID=60915249
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| BR112020012257-2A BR112020012257A2 (pt) | 2017-12-19 | 2018-11-08 | método e sistema para detecção de defeitos em recipientes para acondicionamento de alimentos líquidos, produto de programa de computador, e, máquina de preenchimento. |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US11100630B2 (pt) |
| EP (1) | EP3503024A1 (pt) |
| JP (1) | JP7239588B2 (pt) |
| CN (1) | CN111492401B (pt) |
| BR (1) | BR112020012257A2 (pt) |
| WO (1) | WO2019120738A1 (pt) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108776808A (zh) * | 2018-05-25 | 2018-11-09 | 北京百度网讯科技有限公司 | 一种用于检测钢包溶蚀缺陷的方法和装置 |
| WO2020060565A1 (en) * | 2018-09-21 | 2020-03-26 | Hewlett-Packard Development Company, L.P. | Part replacement predictions using convolutional neural networks |
| CN109544548A (zh) * | 2018-11-30 | 2019-03-29 | 北京百度网讯科技有限公司 | 餐盒的缺陷检测方法、装置、服务器、设备和存储介质 |
| CN113468909A (zh) * | 2020-03-30 | 2021-10-01 | 海信集团有限公司 | 物品管理方法、装置及智能冰箱 |
| CN114002225B (zh) * | 2021-10-19 | 2023-05-12 | 业成科技（成都）有限公司 | 光学检测系统与方法 |
| CN117670820B (zh) * | 2023-12-04 | 2024-07-12 | 深圳市强辉科技有限公司 | 一种塑料薄膜生产缺陷检测方法及系统 |
Family Cites Families (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09160982A (ja) * | 1995-12-13 | 1997-06-20 | Fuji Xerox Co Ltd | 品質管理方法および品質管理システム |
| JP2006098151A (ja) * | 2004-09-29 | 2006-04-13 | Dainippon Screen Mfg Co Ltd | パターン検査装置およびパターン検査方法 |
| WO2007023502A2 (en) * | 2005-08-26 | 2007-03-01 | Camtek Ltd. | Method and system for automatic defect detection of articles in visual inspection machines |
| JP4908995B2 (ja) * | 2006-09-27 | 2012-04-04 | 株式会社日立ハイテクノロジーズ | 欠陥分類方法及びその装置並びに欠陥検査装置 |
| US8014586B2 (en) * | 2007-05-24 | 2011-09-06 | Applied Vision Corporation | Apparatus and methods for container inspection |
| US8009864B2 (en) * | 2007-08-31 | 2011-08-30 | Accenture Global Services Limited | Determination of inventory conditions based on image processing |
| GB2471886A (en) * | 2009-07-16 | 2011-01-19 | Buhler Sortex Ltd | Inspection apparatus |
| JP5560628B2 (ja) * | 2009-09-04 | 2014-07-30 | ソニー株式会社 | 検査装置および検査方法 |
| JP5948262B2 (ja) * | 2013-01-30 | 2016-07-06 | 株式会社日立ハイテクノロジーズ | 欠陥観察方法および欠陥観察装置 |
| DE102013207139A1 (de) * | 2013-04-19 | 2014-10-23 | Krones Ag | Verfahren zur Überwachung und Steuerung einer Abfüllanlage und Vorrichtung zur Durchführung des Verfahrens |
| US9430743B2 (en) * | 2014-03-06 | 2016-08-30 | Kla-Tencor Corp. | Composite defect classifier |
| EP3204898A1 (en) | 2014-10-09 | 2017-08-16 | Tetra Laval Holdings & Finance SA | Quality monitoring in a packaging line |
| JP6403261B2 (ja) | 2014-12-03 | 2018-10-10 | タカノ株式会社 | 分類器生成装置、外観検査装置、分類器生成方法、及びプログラム |
| WO2016105441A1 (en) | 2014-12-27 | 2016-06-30 | Hill's Pet Nutrition, Inc. | Food processing method and system |
| JP6607261B2 (ja) * | 2015-12-24 | 2019-11-20 | 富士通株式会社 | 画像処理装置、画像処理方法および画像処理プログラム |
| JP6172784B1 (ja) | 2017-02-22 | 2017-08-02 | 株式会社悠心 | 包装体の画像検査システム |
| CN114972180A (zh) * | 2017-04-13 | 2022-08-30 | 英卓美特公司 | 用于预测在装配单元中的缺陷的方法 |
| US10628961B2 (en) * | 2017-10-13 | 2020-04-21 | Qualcomm Incorporated | Object tracking for neural network systems |
| US20190130188A1 (en) * | 2017-10-26 | 2019-05-02 | Qualcomm Incorporated | Object classification in a video analytics system |
| US11393082B2 (en) * | 2018-07-26 | 2022-07-19 | Walmart Apollo, Llc | System and method for produce detection and classification |
-
2018
- 2018-11-08 JP JP2020533628A patent/JP7239588B2/ja active Active
- 2018-11-08 EP EP18205222.5A patent/EP3503024A1/en active Pending
- 2018-11-08 CN CN201880082213.XA patent/CN111492401B/zh active Active
- 2018-11-08 US US16/955,305 patent/US11100630B2/en active Active
- 2018-11-08 WO PCT/EP2018/080661 patent/WO2019120738A1/en active Application Filing
- 2018-11-08 BR BR112020012257-2A patent/BR112020012257A2/pt unknown
Also Published As
| Publication number | Publication date |
|---|---|
| CN111492401A (zh) | 2020-08-04 |
| CN111492401B (zh) | 2022-04-05 |
| EP3503024A1 (en) | 2019-06-26 |
| JP7239588B2 (ja) | 2023-03-14 |
| US11100630B2 (en) | 2021-08-24 |
| WO2019120738A1 (en) | 2019-06-27 |
| JP2021507239A (ja) | 2021-02-22 |
| US20200380656A1 (en) | 2020-12-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| BR112020012257A2 (pt) | método e sistema para detecção de defeitos em recipientes para acondicionamento de alimentos líquidos, produto de programa de computador, e, máquina de preenchimento. | |
| CN110852983B (zh) | 用于检测半导体装置中的缺陷的方法 | |
| US20200273177A1 (en) | Assembly monitoring method and device based on deep learning, and readable storage medium | |
| CN110322583A (zh) | 异常探测系统、支持装置以及异常探测方法 | |
| JP6742859B2 (ja) | 錠剤検知方法、錠剤検知装置および錠剤検知プログラム | |
| CN110275506A (zh) | 异常检测系统、支持装置以及模型生成方法 | |
| TW201329909A (zh) | 智慧型缺陷診斷方法 | |
| CN110275505A (zh) | 异常检测系统、支持装置以及模型生成方法 | |
| CN111132820B (zh) | 用于监视相同对象的3d打印作业系列的对象的质量的方法和装置 | |
| CN109241997B (zh) | 一种生成训练集的方法及装置 | |
| EP3114538B1 (en) | Optimized method for sorting alarms | |
| EP3605453A1 (en) | Convolutional neural network based inspection of blade-defects of a wind turbine | |
| CN108319673A (zh) | 一种基于关系数据库的故障树构建方法 | |
| CN106338514B (zh) | 一种兼容多种产品检测的视觉系统及其检测方法 | |
| JP6625625B2 (ja) | チューブ構成要素を配向する方法 | |
| US20230020485A1 (en) | System For Detecting Data Drift In Machine-Learning Process Monitoring | |
| WO2021042250A1 (zh) | 用于确定生产设备的生产周期的方法和装置 | |
| JP2015085437A (ja) | 判定装置、判定方法、および判定プログラム | |
| US20200272224A1 (en) | Method of generating a virtual overlay for a packaging machine | |
| JP7476179B2 (ja) | 包装ユニットの製造プロセスを制御するシステム | |
| JP2020047016A (ja) | 制御装置および制御システム | |
| JP2021506015A (ja) | 機械におけるプロセス監視の方法 | |
| JP2012159943A (ja) | ユーザインタフェース設計装置 | |
| CN202126273U (zh) | 汽车组合仪表产品自动化检测系统 | |
| TWI773483B (zh) | 感測資料處理方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| B350 | Update of information on the portal [chapter 15.35 patent gazette] |