IT201800011107A1

IT201800011107A1 - Dispositivo di ispezione ottica di preforme

Info

Publication number: IT201800011107A1
Application number: IT102018000011107A
Authority: IT
Inventors: Donato Laico
Original assignee: Sacmi
Priority date: 2018-12-14
Filing date: 2018-12-14
Publication date: 2020-06-14
Also published as: CN113631350A; EP4269067A3; CN113631350B; KR102524470B1; CA3123376A1; WO2020121239A2; EP3894178B1; US20220048237A1; JP2022512434A; WO2020121239A3; KR20210113178A; ES2969140T3; ZA202104151B; EP4269067A2; EP3894178A2

Description

DESCRIZIONE

Annessa a domanda di brevetto per INVENZIONE INDUSTRIALE avente per titolo

“DISPOSITIVO DI ISPEZIONE OTTICA DI PREFORME”

La presente invenzione ha per oggetto un dispositivo di ispezione ottica di preforme.

Le linee per la produzione di contenitori di plastica, in particolare bottiglie, comprendono comunemente una macchina formatrice, configurata per formare preforme di PET (polyethilene terephtalate), e una macchina soffiatrice, configurata per soffiare le preforme in stampi per realizzare i contenitori. Alcune preforme possono presentare difettosità, come ad esempio spessore irregolare, fori, presenza di bolle o corpi estranei; tali difettosità devono essere individuate in un controllo di qualità volto a rimuovere tempestivamente le preforme difettose dalla linea di produzione. È noto dal documento brevettuale EP2976204B1 un sistema di ispezione ottica di preforme configurato per ispezionare le preforme mentre vengono trasportate da un trasportatore verso un magazzino di raccolta; il sistema comprende una telecamera e una sorgente di illuminazione, disposte in modo tale che la sorgente di illuminazione illumini le preforme da dietro e la telecamera acquisisca un’immagine della preforma da davanti.

Un limite dei sistemi di ispezione ottica noti è che essi limitano il controllo di qualità alle caratteristiche dell’immagine visibili dalla telecamera (come per esempio la presenza di bolle), ma non riescono a rilevare difetti interni del materiale, come tensioni residue irregolari delle catene polimeriche del PET.

Inoltre, i sistemi noti individuano le preforme difettose sulla base di una loro somiglianza con immagini di altre preforme difettose, memorizzate in una base di dati. Quindi, i sistemi devono essere inizializzati con una base di dati relativa a tutti i possibili difetti che si vogliono individuare; tuttavia, è raro trovare una base dati completa ed esaustiva, poiché i difetti sono molto vari e le preforme difettose costituiscono solo una piccola percentuale delle preforme prodotte.

Quindi, in generale, i sistemi noti hanno un’affidabilità limitata nell’individuazione delle preforme difettose.

Scopo del presente trovato è rendere disponibile un dispositivo e un metodo di ispezione ottica di preforme, che superino gli inconvenienti della tecnica nota sopra citati. Scopo del presente trovato è altresì rendere disponibile un metodo di elaborazione di un’immagine di una preforma, che superi gli inconvenienti della tecnica nota sopra citati.

Detti scopi sono pienamente raggiunti dal dispositivo di ispezione ottica di preforme, dal metodo di ispezione ottica di preforme e dal metodo di elaborazione di un’immagine di una preforma oggetto del presente trovato, che si caratterizzano per quanto contenuto nelle rivendicazioni sotto riportate.

In particolare, il presente trovato concerne un dispositivo di ispezione ottica di preforme o di altri oggetti realizzati in materiale plastico (quali ad esempio tappi o capsule); a tale proposito, si osservi che, nel resto della descrizione si farà riferimento a preforme, intendendo che la soluzione descritta può applicarsi anche ad altri oggetti realizzati in materiale plastico. Per preforme si intendono componenti intermedi del processo produzione di contenitori di plastica, come ad esempio bottiglie per bevande. In particolare, a partire da dosi di materiale plastico vengono formate per stampaggio (tipicamente a iniezione o a compressione) le preforme, che vengono successivamente espanse mediante soffiaggio per produrre i contenitori. Le preforme sono composte di materiale plastico, quale, preferibilmente, il PET (polietilene tereftalato).

Il dispositivo di ispezione ottica di preforme secondo il presente trovato include un illuminatore. L’illuminatore include una sorgente luminosa, configurata per emettere un fascio di luce verso una preforma collocata in una posizione di ispezione.

In una forma realizzativa, il dispositivo include una sede di ispezione, configurata per ricevere la preforma nella posizione di ispezione. In un’altra forma realizzativa, la sede di ispezione, configurata per ricevere la preforma nella posizione di ispezione, è inclusa in una linea che include, inter alia, il dispositivo.

Il dispositivo comprende un rilevatore. Il rilevatore include una telecamera. La telecamera (ovvero il rilevatore) è configurata per rilevare un’immagine della preforma collocata nella posizione di ispezione.

In una forma realizzativa, la sorgente luminosa è configurata per emettere continuativamente il fascio di luce. In una forma realizzativa, la sorgente luminosa è stroboscopica ed è configurata per emettere il fascio di luce ad intervalli di emissione prestabiliti (ad ogni intervallo di emissione corrisponde un’alimentazione di una preforma alla posizione di ispezione). In una forma realizzativa, la telecamera è configurata per rilevare l’immagine ad intervalli di rilevazione prestabiliti (ad ogni intervallo di rilevazione corrisponde un’alimentazione di una preforma alla posizione di ispezione); qualora la sorgente luminosa sia stroboscopica, gli intervalli di emissione corrispondono (ovvero sono uguali) agli intervalli di rilevazione. La preforma, nella posizione di ispezione, è operativamente interposta tra l’illuminatore e il rilevatore. In questo modo, l’illuminatore illumina la preforma da un primo lato (ad esempio, da davanti), mentre il rilevatore rileva un’immagine della preforma da un secondo lato opposto al primo (ad esempio, da dietro); dunque, il rilevatore rileva un’immagine della preforma in controluce.

Preferibilmente, l’illuminatore (ovvero il dispositivo) include un filtro polarizzatore di emissione (o primo filtro polarizzatore). Il filtro polarizzatore di emissione è configurato per intercettare il fascio di luce emesso dalla sorgente luminosa. Il filtro polarizzatore di emissione è configurato per generare, a partire dal fascio di luce emesso dalla sorgente luminosa, un corrispondente fascio di luce polarizzata.

Preferibilmente, il rilevatore (ovvero il dispositivo) include un filtro polarizzatore di ricezione (o secondo filtro polarizzatore).

Preferibilmente la preforma, collocata nella posizione di ispezione, è operativamente interposta tra il filtro polarizzatore di emissione e il filtro polarizzatore di ricezione.

Il filtro polarizzatore di ricezione è configurato per ricevere il fascio di luce polarizzata. In particolare. il filtro polarizzatore di ricezione è configurato per ricevere il fascio di luce polarizzata dal filtro polarizzatore di emissione e rifratta dalla preforma, e per generare un secondo fascio di luce polarizzata. La telecamera riceve quindi il secondo fascio di luce polarizzata.

Poiché il materiale di cui è fatta la preforma (preferibilmente PET) è caratterizzato da birifrangenza quando le catene polimeriche al suo interno sono orientate ed è sottoposto a stress, la luce polarizzata (dal primo filtro polarizzatore) che la colpisce viene rifratta secondo indici di rifrazioni differenti a seconda dello stress. In particolare, i raggi di luce che colpiscono la preforma vengono scomposti in due raggi che oscillano su piani perpendicolari e il secondo polarizzatore lascia passare solo alcune componenti, portandole sul medesimo piano e facendo sì che vi siano interferenze; pertanto, zone sottoposte ad uno stesso stress avranno le stesse interferenze, di conseguenza saranno isocromatiche, mentre zone sottoposte a stress diversi avranno colori diversi. La telecamera rileva quindi un’immagine che mostra un pattern cromatico rappresentativo di una distribuzione interna dello stress nella preforma.

Il primo filtro polarizzatore (o filtro di emissione) è configurato per polarizzare la luce in una prima direzione di polarizzazione: il secondo filtro polarizzatore (o filtro di ricezione) è configurato per polarizzare la luce in una seconda direzione di polarizzazione. In una forma realizzativa, la prima direzione di polarizzazione e la seconda direzione di polarizzazione sono tra esse parallele (in questo caso, la luce risultante è di colore bianco). In una forma realizzativa, la prima direzione di polarizzazione e la seconda direzione di polarizzazione sono tra esse perpendicolari (in questo caso, la luce risultante è di colore nero).

In altre forme realizzative, non sono previsti il primo e il secondo filtro polarizzatore, e la telecamera rileva quindi, in controluce, un’immagine della preforma monocromatica (con zone più chiare e più scure).

In una forma realizzativa, il dispositivo comprende un’unità di elaborazione. L’unità di elaborazione è collegata al rilevatore.

L’unità di elaborazione include una memoria, includente dati di riferimento. L’unità di elaborazione include un processore, programmato per elaborare l’immagine rilevata dal rilevatore sulla base dei dati di riferimento, per derivare un’informazione diagnostica circa una difettosità della preforma. In una forma realizzativa, il processore può includere uno o più criteri di identificazione di preforme difettose, sulla base di uno o più valori di soglia memorizzati nella memoria. Ad esempio, il processore può essere configurato per identificare una preforma difettosa nel caso in cui una luminosità dell’immagine rilevata dalla telecamera sia al di sopra di un valore di soglia prestabilito (infatti, una luminosità elevata dell’immagine indica una preforma con pareti molto sottili), e/o nel caso in cui l’immagine mostri una transizione cromatica repentina, sopra una certa soglia.

In una forma realizzativa preferita, l’unità di elaborazione è configurata per elaborare l’immagine rilevata dal rilevatore (sulla base dei dati di riferimento), per derivare dall’immagine valori di una pluralità di caratteristiche di immagine; tale elaborazione costituisce una codifica dell’immagine (tramite trasformazione ovvero compressione dell’immagine secondo un algoritmo prestabilito, ovvero derivato dal sistema di elaborazione in una fase di autoapprendimento). Dunque, l’unità di elaborazione è configurata per assegnare un valore a ciascuna caratteristica di immagine di detta pluralità. In una forma realizzativa, la codifica dell’immagine include una riduzione di dimensioni dell’immagine (ad esempio, la pluralità di caratteristiche di immagine può includere ovvero consistere in 500 caratteristiche).

Dette caratteristiche di immagine sono rappresentative dell’immagine. Dunque, l’unità di elaborazione è configurata per estrarre dall’immagine una pluralità di valori assegnati ad una corrispondente pluralità di caratteristiche di immagine, e per ridurre l’immagine a detti valori rappresentativi (ovvero significativi) dell’immagine.

In una forma realizzativa, l’unità di elaborazione è configurata per elaborare i valori della pluralità di caratteristiche di immagine (sulla base dei dati di riferimento), per derivare l’informazione diagnostica circa la difettosità della preforma.

In una forma realizzativa, l’unità di elaborazione è configurata per classificare l’immagine sulla base dei valori della pluralità di caratteristiche di immagine; ad esempio, la memoria può includere, per ciascuna caratteristica di immagine, uno o più valori tipici di una preforma sana (ovvero priva di difetti) e uno o più valori tipici di una preforma difettosa, e l’unità di elaborazione può essere configurata per identificare una preforma come difettosa nel caso in cui almeno un valore di una caratteristica di immagine sia ragionevolmente vicina (oltre una certa soglia) al rispettivo valore tipico della preforma difettosa, e/o nel caso in cui una certa combinazione (per esempio, una moltiplicazione) di caratteristiche di immagine sia ragionevolmente vicina (oltre una certa soglia) ad un valore di riferimento per la combinazione, tipico di una preforma difettosa.

Per esempio, le caratteristiche di immagine possono includere la presenza o assenza di certi colori o combinazioni di colori, e/o la presenza o assenza di una certa simmetria, e/o l’intensità luminosa in determinati punti; l’unità di elaborazione può essere configurata per identificare una preforma come difettosa nel caso in cui l’immagine presenti un certo colore o una certa combinazione di colori, o abbia (o non abbia) una certa simmetria, o l’intensità luminosa in determinati punti sia superiore o inferiore ad un valore di soglia.

In una forma realizzativa preferita, l’unità di elaborazione è configurata per generare un’immagine ricostruita, a partire dai valori della pluralità di caratteristiche di immagine (e sulla base dei dati di riferimento). In una forma realizzativa preferita, l’unità di elaborazione è configurata per derivare l’informazione diagnostica circa la difettosità della preforma in funzione di un confronto tra l’immagine rilevata dal rilevatore e l’immagine ricostruita (sulla base dei dati di riferimento).

In particolare, l’unità di elaborazione è configurata per confrontare l’immagine rilevata dal rilevatore con l’immagine ricostruita e per derivare un parametro di similitudine, rappresentativo di una somiglianza tra l’immagine rilevata dal rilevatore e l’immagine ricostruita. L’unità di elaborazione è configurata per confrontare il parametro di similitudine con un valore di soglia prestabilito (che può essere esso stesso parte dei dati di riferimento), e per derivare l’informazione diagnostica in funzione del confronto tra il valore di soglia prestabilito e il parametro di similitudine. Ad esempio, l’unità di elaborazione può essere configurata per identificare una preforma come sana qualora il parametro di similitudine sia sopra una certa soglia di somiglianza. Dunque, l’unità di elaborazione è configurata per identificare una preforma come buona qualora l’immagine ricostruita sia sufficientemente simile all’immagine di partenza, rilevata dalla telecamera.

Infatti, preferibilmente, l’unità di elaborazione è addestrata per elaborare l’immagine (cioè codificarla, derivare i valori della pluralità di caratteristiche di immagine e generare da essi l’immagine ricostruita) su preforme sane ovvero prive di difetti. L’unità di elaborazione può essere addestrata mediante un sistema di autoapprendimento, come descritto nel seguito, o può essere un’unità commerciale pre-addestrata. Qualora la preforma sia sana, l’unità di elaborazione riesce a elaborare la sua immagine correttamente e a generare un’immagine ricostruita simile all’immagine originale; invece, qualora la preforma sia difettosa, l’unità di elaborazione, addestrata su preforme sane, non riesce a ricostruire correttamente l’immagine e di conseguenza genera un’immagine ricostruita significativamente diversa da quella originale.

In una forma realizzativa, il dispositivo comprende un sistema di autoapprendimento.

Il sistema di autoapprendimento, in una forma realizzativa, è integrato nell’unità di elaborazione. Il sistema di autoapprendimento, in una forma realizzativa è connesso al processore. Il sistema di autoapprendimento, in una forma realizzativa, è connesso alla memoria.

Il sistema di autoapprendimento è configurato per ricevere in ingresso una pluralità di immagini rilevate dal rilevatore per una corrispondente pluralità di preforme.

Il sistema di autoapprendimento è configurato per codificare ciascuna immagine di detta pluralità di immagini rilevate dal rilevatore (sulla base dei dati di riferimento), per derivare da ciascuna immagine di detta pluralità di immagine corrispondenti valori di una pluralità di caratteristiche di immagine. Preferibilmente, il sistema di autoapprendimento è configurato per codificare le immagini sulla base di un criterio prestabilito (che può essere esso stesso parte dei dati di riferimento).

Il sistema di autoapprendimento è configurato per generare, per ciascuna immagine di detta pluralità di immagini, una corrispondente immagine ricostruita, a partire dai corrispondenti valori della pluralità di caratteristiche di immagine (e sulla base dei dati di riferimento).

Il sistema di autoapprendimento è configurato per confrontare ciascuna immagine di detta pluralità di immagini con la corrispondente immagine ricostruita, per derivare, per ciascuna immagine, un corrispondente parametro di similitudine, rappresentativo di una somiglianza tra l’immagine rilevata dal rilevatore e la corrispondente immagine ricostruita. Il sistema di autoapprendimento è configurato per aggiornare i dati di riferimento in funzione del parametro di similitudine, in modo tale che il parametro di similitudine sia inferiore ad un valore di soglia prestabilito (nel caso in cui il parametro di similitudine sia direttamente proporzionale alla somiglianza tra le immagini; altrimenti, se il parametro di similitudine è inversamente proporzionale alla differenza tra le immagini, in modo tale che sia maggiore di un valore di soglia prestabilito). Il valore di soglia prestabilito, in una forma realizzativa, è esso stesso parte dei dati di riferimento. Preferibilmente, il sistema di autoapprendimento è configurato per aggiornare (iterativamente) i dati di riferimento in funzione del parametro di similitudine, per ciascuna immagine di detta pluralità di immagini.

In una forma realizzativa preferita, il sistema di autoapprendimento è configurato per aggiornare (preferibilmente in combinazione con i dati di riferimento) la pluralità di caratteristiche di immagine, in funzione del parametro di similitudine e di un valore di soglia prestabilito. In particolare, i dati di riferimento e/o la pluralità di caratteristiche di immagine in modo tale che, per ciascuna immagine di detta pluralità di immagini, il parametro di similitudine sia maggiore ad un valore di soglia prestabilito (nel caso in cui il parametro di similitudine sia direttamente proporzionale alla somiglianza tra le immagini).

Viceversa, nel caso in cui il parametro di similitudine sia direttamente proporzionale ad una differenza tra le immagini (ovvero inversamente proporzionale alla somiglianza), il sistema di autoapprendimento è configurato per aggiornare i dati di riferimento e/o le caratteristiche di immagini in modo che il parametro di similitudine sia inferiore ad un valore di soglia prestabilito.

Il criterio prestabilito, in una forma realizzativa preferita, include (ovvero è definito da) un numero massimo (o un numero prestabilito) di caratteristiche per detta pluralità di caratteristiche di immagine. Il criterio prestabilito assicura che il sistema non svolga semplicemente una funzione identità ricostruendo un’immagine identica all’immagine rilevata, indipendentemente dalla difettosità della preforma.

Dunque, in una forma realizzativa preferita, il sistema di autoapprendimento è configurato per determinare sia le caratteristiche di immagine sia i dati di riferimento in funzione delle immagini rilevate dal rilevatore.

Questo sistema funziona è particolarmente performante se le immagini che vengono rilevate sono rappresentative di preforme sane; in questo modo, il sistema apprende come codificare e ricostruire tali immagini di preforme sane (ovvero in base a quali dati di riferimento effettuare la codifica, quali caratteristiche di immagine estrarre - in quanto rappresentative di preforme buone - e in base a quali dati di riferimento effettuare la ricostruzione). Quando il sistema di elaborazione si ritroverà a dover codificare e ricostruire una preforma difettosa, non riuscirà e genererà un’immagine ricostruita che si discosta significativamente da quella iniziale.

Il criterio prestabilito, in un’altra forma realizzativa, include (ovvero è definito da) la pluralità di caratteristiche di immagine (ovvero per quali caratteristiche si estraggono valori).

In una forma realizzativa, il sistema di autoapprendimento include alberi decisionali.

In una forma realizzativa preferita, il sistema di autoapprendimento include reti neurali. In una forma realizzativa, il sistema di autoapprendimento include reti neurali convoluzionali.

Per reti neurali convoluzionali, si intendono reti neurali configurate per codificare l’immagine mediante una serie di step convoluzionali, alternati ad una serie di step di pooling, per ricavare valori della pluralità di caratteristiche di immagine. Negli step convoluzionali, all’immagine (ovvero alla matrice di pixel che rappresenta ciascun colore dell’immagine) vengono applicati filtri convoluzionali (i cui valori sono parte dei dati di riferimento) per ricavare un’immagine trasformata; negli step di pooling, si riduce una dimensione dell’immagine trasformata, per esempio mediante un’operazione matematica di massimo o minimo o media tra pixel adiacenti. Mediante gli step di convoluzione e pooling, si ricavano pertanto i valori della pluralità di caratteristiche di immagine.

In una forma realizzativa, le reti neurali sono pre-addestrate per estrarre (ovvero derivare) i valori della pluralità di caratteristiche di immagine; in una forma realizzativa, le reti neurali possono includere reti neurali commerciali (o parti di esse) configurate per individuare soggetti in un’immagine, per esempio “ImageNet”.

In una forma realizzativa, le reti neurali convoluzionali sono configurate per classificare l’immagine sulla base dei valori della pluralità di caratteristiche di immagine, confrontati con valori di riferimento (che fanno parte dei dati di riferimento). L’immagine, in una forma realizzativa, è classificata come rappresentativa di una preforma sana o di una preforma difettosa; in un’altra forma realizzativa, l’immagine può essere classificata come rappresentativa di una preforma sana o di una preforma avente un determinato difetto. In una forma realizzativa, le reti neurali includono reti “anomaly detection” o “fully connected” per classificare l’immagine sulla base dei valori della pluralità di caratteristiche di immagine. Ad esempio, si prevede di utilizzare per l’estrazione (ovvero la derivazione dei valori delle caratteristiche di immagine) una parte di una rete commerciale del tipo “ImageNet” includente convoluzioni e pooling (dunque, una rete preaddestrata) e di utilizzare per la classificazione dell’immagine una rete “fully connected” addestrata dal sistema di autoapprendimento (preferibilmente, con esempi di preforme buone ed esempi di preforme difettose) e in grado di distinguere a partire dai valori delle caratteristiche di immagine una preforma sana da una preforma difettosa.

In una forma realizzativa, il sistema di apprendimento include reti neurali “Generative Adversial Network” (GAN); le reti neurali “Generative Adversial Network” includono un generatore e un discriminatore; il generatore, a partire dai valori della pluralità di caratteristiche di immagine (ricavate mediante step di convoluzione da un’immagine reale rilevata dal rilevatore) genera una corrispondente immagine ricostruita e la passa al discriminatore; il discriminatore cerca di distinguere se l’immagine che gli viene passata è reale, cioè rilevata dal rilevatore, o ricostruita, e invia un feedback al generatore; il generatore basandosi sul feedback del discriminatore impara a generare immagini ricostruite il più possibile simili alle immagini reali (tali che il discriminatore le consideri reali). Durante l’addestramento, la rete “GAN” riceve preferibilmente immagini di preforme sane; dunque, quando i dati di riferimento (e le caratteristiche di immagine) determinati dal sistema di autoapprendimento saranno utilizzati dal sistema di elaborazione per ispezionare le preforme, il discriminatore riconoscerà come ricostruite, tra tutte le immagini ricostruite, soltanto quelle relative a preforme difettose.

In una forma realizzativa preferita, il sistema di autoapprendimento include una rete neurale convoluzionale “Autoencoder”. In una forma realizzativa, i dati di riferimento includono un primo insieme di dati di riferimento e un secondo insieme di dati di riferimento. Il primo insieme di dati di riferimento è relativo ad una serie di step di convoluzione (ad esempio, include una pluralità di filtri di convoluzione); il secondo insieme di dati di riferimento è relativo ad una serie di step di deconvoluzione (ad esempio, include una pluralità di filtri di deconvoluzione).

Le reti neurali “autoencoder” sono configurate per estrarre (ovvero derivare) dall’immagine valori della pluralità di caratteristiche di riferimento, sulla base del primo insieme dei dati di riferimento relativi alla serie di step di convoluzione, e per ricostruire l’immagine (ovvero generare l’immagine ricostruita) a partire dai valori della pluralità di caratteristiche di immagine sulla base del secondo insieme di dati di riferimento relativi alla serie di step di convoluzione.

Il sistema di apprendimento, secondo la forma realizzativa in cui include una rete “autoencoder”, è configurato per ricevere in ingresso una pluralità di immagini di preforme buone, per derivarne corrispondenti valori delle caratteristiche di immagine, sulla base del primo insieme di dati di riferimento; il sistema di apprendimento è configurato per generare, a partire dai valori delle caratteristiche di immagine e sulla base del secondo insieme dei dati di riferimento relativi agli step di deconvoluzione, una corrispondente pluralità di immagini ricostruite; infine, il sistema di autoapprendimento è configurato per confrontare la pluralità di immagini ricostruite con la corrispondente pluralità di immagini originarie, e per aggiornare i dati di riferimento (in particolare, il primo insieme dei dati di riferimento o il secondo insieme dei dati di riferimento, o il primo e il secondo insieme dei dati di riferimento in combinazione) per minimizzare una differenza tra le immagini originarie rilevate dal rilevatore e le corrispondenti immagini ricostruite. In particolare, in una forma realizzativa, il sistema di autoapprendimento è configurato per derivare per ciascuna immagine un parametro di similitudine (ad esempio, calcolato con una delle seguenti funzioni, o con più delle seguenti funzioni in combinazione: norma l1, norma l2, similarità strutturale “SSIM”, peak signal-to-noise ratio “PSNR”, Haar wavelet-based perceptual similarity index “HaarPSI”) e per minimizzare il parametro di similitudine (ovvero portarlo sotto ad una certa soglia) nel caso in cui detto parametro di similitudine sia direttamente proporzionale ad una differenza tra le immagini, o viceversa massimizzarlo (ovvero portarlo sopra una certa soglia) nel caso in cui detto parametro di similitudine sia direttamente proporzionale ad una somiglianza tra le immagini. Secondo la forma realizzativa in cui include una rete “autoencoder”, il sistema di autoapprendimento è configurato per aggiornare, in combinazione col primo e col secondo insieme di dati di riferimento, la pluralità di caratteristiche di immagine, in modo tale da individuare le caratteristiche di immagine che meglio rappresentano immagini di preforme prive di difetti e individuare congiuntamente gli step di convoluzione per ricavarle e gli step di deconvoluzione per ricostruire, a partire da dette caratteristiche di immagine, l’immagine ricostruita. Preferibilmente, il sistema di autoapprendimento comprendente una rete “autoencoder” è vincolato ad almeno un criterio prestabilito (ovvero un vincolo) nel codificare l’immagine; ad esempio, il criterio può riguardare un numero massimo di caratteristiche di immagine che possono essere individuate per detta pluralità di caratteristiche di immagine. Dunque, l’operazione di codifica definisce, di fatto, una compressione dell’immagine.

Dunque, in una forma realizzativa, il sistema di autoapprendimento è configurato per apprendere i dati di riferimento e le caratteristiche d’immagine sulla base dei quali il sistema di elaborazione effettuerà poi l’ispezione delle preforme. Secondo la forma realizzativa in cui include una rete “autoencoder”, il sistema di autoapprendimento viene addestrato con una pluralità di immagini di preforme sane (prive di difetti); dunque, il sistema di autoapprendimento determina i dati di riferimento e le caratteristiche d’immagine sulla base dei quali le immagini delle preforme sane vengono ricostruite correttamente (cioè con una somiglianza elevata tra le immagini rilevate dal rilevatore e le corrispondenti immagini ricostruite); quando applicherà tali dati di riferimento e caratteristiche di immagine ad una preforma difettosa, l’immagine ricostruita sarà sensibilmente diversa dalla corrispondente immagine rilevata, e il sistema di elaborazione confrontandole individuerà la preforma come difettosa. Preferibilmente, il sistema di auto-apprendimento (o il sistema di elaborazione) include una prima rete neurale preposta a codificare le immagini per derivare i valori delle caratteristiche di immagine, e una seconda rete neurale preposta a decodificare i valori delle caratteristiche di immagine per ricostruire l’immagine; dette prima e seconda rete neurale sono addestrate in modo congiunto.

La presente descrizione mette anche a disposizione una linea per realizzare contenitori in materiale termoplastico.

In una forma realizzativa, la linea comprende una macchina formatrice, configurata per generare preforme. La macchina formatrice, in una forma realizzativa, è una macchina di stampaggio a iniezione. La macchina formatrice, in una forma realizzativa, è una macchina di stampaggio a compressione (la quale potrebbe essere rotativa).

In una forma realizzativa, la linea comprende una unità di condizionamento termico, per scaldare e/o raffreddare le preforme. Per semplicità di esposizione, nel seguito ci si riferirà alla unità di condizionamento termico come ad un forno di riscaldamento, senza tuttavia che si intenda togliere generalità alla descrizione. Il forno di riscaldamento è configurato per ricevere le preforme in uscita dalla macchina formatrice e provvisto di mezzi riscaldatori per riscaldare le preforme.

In una forma realizzativa, la linea comprende una macchina soffiatrice configurata per ricevere le preforme e per soffiarle in stampi per realizzare detti contenitori. Preferibilmente, la macchina soffiatrice è configurata per ricevere le preforme riscaldate nel forno di riscaldamento. Il forno potrebbe essere integrato nella soffiatrice.

È anche previsto, in una forma realizzativa, che la macchina soffiatrice e la macchina formatrice siano collocate in linee separate (che possono essere installate in stabilimenti separati), che cooperano alla produzione dei contenitori di materiale termoplastico: infatti, la linea includente la macchina formatrice produce preforme, che vengono alimentate in ingresso alla linea includente la macchina soffiatrice. Il forno è preferibilmente integrato nella linea che include la macchina soffiatrice, a monte della macchina soffiatrice per riscaldare le preforme prima del soffiaggio.

In una forma realizzativa, la linea comprende un magazzino (che potrebbe essere automatico), per ricevere le preforme e immagazzinarle; il magazzino è configurato per ricevere le preforme dalla macchina formatrice ed alimentarle alla soffiatrice, ovvero al forno.

In una forma realizzativa, la linea comprende un dispositivo di ispezione ottica delle preforme secondo uno o più aspetti della presente descrizione. Il dispositivo di ispezione ottica è collocato nella linea a valle della macchina formatrice. Il dispositivo di ispezione ottica è collocato nella linea a monte della macchina soffiatrice. In una forma realizzativa, il dispositivo di ispezione ottica è collocato a valle della macchina formatrice e a monte del forno. In una forma realizzativa, il dispositivo di ispezione ottica è collocato a valle del forno e a monte della macchina soffiatrice. Il fatto che il dispositivo sia collocato a monte della macchina soffiatrice consente di identificare le preforme difettose prima che essa, avendo un profilo di stress anomalo, esplodano durante il soffiaggio. In una forma realizzativa, il dispositivo di ispezione ottica potrebbe essere posizionato nel magazzino o in un trasportatore che collega il magazzino ad altre parti della linea.

In una forma realizzativa, il dispositivo di ispezione ottica è collocato nella linea in modo tale da ispezionare le preforme ad una temperatura tra i 30 e i 70 gradi Celsius (preferibilmente, tra i 50 e i 60 gradi Celsius). Infatti le preforme possono trovarsi a tali temperature, ad esempio, all’uscita della macchina formatrice.

In una forma realizzativa, il dispositivo di ispezione ottica è collocato nella linea in modo tale da ispezionare preforme ad una temperatura ambiente (ad esempio, tra i 5 e i 30 gradi Celsius). Infatti le preforme possono trovarsi a temperatura ambiente se vengono immagazzinate o raffreddate successivamente alla formatura.

Preferibilmente, il dispositivo di ispezione ottica è collocato nella linea in modo tale da ispezionare le preforme ad una temperatura inferiore a 60 gradi Celsius (preferibilmente, inferiore a 50 gradi Celsius); infatti, a temperature maggiori le preforme potrebbero essere soggette a deformazioni che altererebbero il profilo di stress interno delle stesse. In una forma realizzativa, il dispositivo di ispezione ottica è integrato nel forno. Se il dispositivo di ispezione ottica è integrato nel forno (preferibilmente a monte dei riscaldatori ovvero all’ingresso del forno) si può sfruttare il posizionamento delle preforme nel forno, singolarizzate e ordinate, per definire la posizione di ispezione del dispositivo di ispezione. In altre forme di realizzazione, il dispositivo di ispezione ottica secondo la presente descrizione è integrato fuori linea in una macchina di ripasso ad alta velocità, o in una macchina campionatrice a bassa velocità.

La presente descrizione riguarda anche un metodo di ispezione ottica di preforme. Il metodo di ispezione ottica comprende una fase di emissione di un fascio di luce verso una preforma collocata in una posizione di ispezione, mediante un illuminatore. Il metodo di ispezione ottica comprende una fase di rilevazione di un’immagine della preforma collocata nella posizione di ispezione, mediante un rilevatore. La preforma, nella posizione di ispezione, è operativamente interposta tra l’illuminatore e il rilevatore. Dunque, l’immagine viene rilevata in controluce.

In una forma realizzativa, il metodo di ispezione ottica comprende una fase di generazione di un fascio di luce polarizzata, mediante un’intercettazione del fascio di luce emesso dall’illuminatore su un filtro polarizzatore di emissione, interposto l’illuminatore e la preforma.

In una forma realizzativa, il metodo di ispezione ottica comprende una fase di ricezione del fascio di luce polarizzata su un filtro polarizzatore di ricezione. La preforma collocata nella posizione di ispezione è operativamente interposta tra il filtro polarizzatore di emissione e il filtro polarizzatore di ricezione.

In una forma realizzativa, la preforma è realizzata in un materiale (preferibilmente PET) includente catene polimeriche. In una forma realizzativa, l’immagine rilevata dal rilevatore include un pattern cromatico rappresentativo di uno stress a cui sono sottoposte le catene polimeriche del PET.

In una forma realizzativa, il metodo di ispezione ottica comprende una fase di elaborazione dell’immagine (mediante un sistema di elaborazione). In una forma realizzativa, nella fase di elaborazione l’immagine rilevata dal rilevatore viene elaborata sulla base di dati di riferimento contenuti in una memoria. In una forma realizzativa, la fase di elaborazione include una derivazione di un’informazione diagnostica circa una difettosità della preforma.

In una forma realizzativa, la fase di elaborazione include una sotto-fase di codifica dell’immagine rilevata dal rilevatore sulla base di dati di riferimento, per derivare dall’immagine valori di una pluralità di caratteristiche di immagine.

In una forma realizzativa, la fase di elaborazione include un’elaborazione della pluralità di caratteristiche di immagine, per derivare l’informazione diagnostica circa la difettosità della preforma. In particolare, in una forma realizzativa, la fase di elaborazione include una sotto-fase di generazione di una immagine ricostruita, a partire dai valori della pluralità di caratteristiche di immagine e sulla base dei dati di riferimento. In una forma realizzativa, la fase di elaborazione include una sotto-fase di derivazione di un’informazione diagnostica circa la difettosità della preforma, in funzione di un confronto tra l’immagine rilevata dal rilevatore e l’immagine ricostruita.

In una forma realizzativa, il metodo comprende una fase di autoapprendimento (effettuata mediante un sistema di autoapprendimento connesso al sistema di elaborazione). In una forma realizzativa, la fase di autoapprendimento comprende una sotto-fase di rilevazione di una pluralità di immagini per una corrispondente pluralità di preforme. In una forma realizzativa, la fase di autoapprendimento comprende una sottofase di codifica di ciascuna immagine di detta pluralità di immagini sulla base dei dati di riferimento, includente una derivazione, da ciascuna immagine di detta pluralità di immagini, di corrispondenti valori di una pluralità di caratteristiche di immagine, secondo di un criterio prestabilito (che può includere un vincolo sul numero massimo di caratteristiche di immagine di detta pluralità di caratteristiche di immagine). In una forma realizzativa, la fase di autoapprendimento comprende una sotto-fase di generazione, per ciascuna immagine di detta pluralità di immagini, di una corrispondente immagine ricostruita, a partire dai corrispondenti valori della pluralità di caratteristiche di immagine e sulla base dei dati di riferimento. In una forma realizzativa, la fase di autoapprendimento comprende una sotto-fase di confronto di ciascuna immagine di detta pluralità di immagini con la corrispondente immagine ricostruita, e derivazione di un corrispondente parametro di similitudine, rappresentativo di una somiglianza tra l’immagine rilevata dal rilevatore e la corrispondente immagine ricostruita. In una forma realizzativa, la fase di autoapprendimento comprende una sotto-fase di aggiornamento dei dati di riferimento e/o della pluralità di caratteristiche di immagine in funzione del parametro di similitudine e di un valore di soglia prestabilito. In particolare, i dati di riferimento e la pluralità di caratteristiche di immagine vengono aggiornati in modo tale che il parametro di similitudine sia inferiore (o superiore) al valore di soglia prestabilito.

In una forma realizzativa preferita, le immagini di detta pluralità di immagini rilevate dalla telecamera durante la fase di autoapprendimento sono rappresentative di una corrispondente pluralità di preforme prive di difetti. Il fatto che il sistema di autoapprendimento non necessiti di ricevere in ingresso immagini di preforme difettose è molto vantaggioso, poiché le preforme difettose sono difficili da reperire.

Preferibilmente, il filtro polarizzatore di emissione e il filtro polarizzatore di ricezione sono orientati tra di loro secondo un orientamento predefinito (per esempio, paralleli o perpendicolari), che è lo stesso nella fase di autoapprendimento e nella fase di elaborazione.

In una forma realizzativa, il metodo comprende una fase di alimentazione delle preforme di detta pluralità di preforme alla posizione di ispezione una alla volta (in successione). In una forma realizzative, le preforme sono alimentate secondo un’orientazione predefinita rispetto al filtro polarizzatore di emissione e rispetto al filtro polarizzatore di ricezione. Detta orientazione delle preforme è la stessa nella fase di autoapprendimento e nella fase di elaborazione. L’immagine di ciascuna preforma di detta pluralità di preforme è rilevata quando la preforma si trova nella posizione di ispezione.

In una forma realizzativa, il processore è configurato per processare le immagini di preforme orientate in modo casuale (ad esempio, ruotandole per ricondurle ad un orientamento prestabilito); dunque, in una forma realizzativa, il dispositivo è invariante all’orientamento delle preforme.

In una forma realizzativa, il sistema di elaborazione è configurato per elaborare in tempo reale l’immagine della preforma (non appena viene rilevata dal rilevatore). In una forma realizzativa, qualora il dispositivo fornisca un’informazione diagnostica che identifica una difettosità della preforma, la linea è configurata per fermarsi, per permettere ad un operatore di rimuovere la preforma avente difettosità, o è configurata per rimuovere essa stessa la preforma avente difettosità.

In un’altra forma realizzativa, il sistema di elaborazione è configurato per acquisire l’immagine della preforma ed elaborarla in post processing. In questo caso, il sistema è configurato per correlare ciascuna immagine alla rispettiva preforma, in modo tale da individuare la preforma la cui immagine ha dato luogo ad un’indicazione diagnostica di preforma difettosa.

La presente descrizione concerne anche un metodo di elaborazione di un’immagine di una preforma. In una forma realizzativa, il metodo di elaborazione dell’immagine include una fase di codifica dell’immagine, includente una derivazione di valori di una pluralità di caratteristiche di immagine. In una forma realizzativa, il metodo di elaborazione dell’immagine include una fase di generazione di un’immagine ricostruita, in funzione dei valori della pluralità di caratteristiche di immagine. In una forma realizzativa, il metodo di elaborazione dell’immagine include una fase di derivazione di un’informazione diagnostica circa una difettosità della preforma in funzione di un confronto tra l’immagine acquisita dalla telecamera e l’immagine ricostruita.

In una forma realizzativa, il metodo di elaborazione dell’immagine include una fase di autoapprendimento (secondo uno o più aspetti illustrati nella presente descrizione).

La presente descrizione riguarda inoltre un programma per elaboratore (software) comprendente istruzioni operative configurate per realizzare le fasi del metodo di elaborazione secondo uno o più degli aspetti illustrati nella presente descrizione (quando eseguite su un processore, in particolare sulla unità di elaborazione del dispositivo secondo uno o più degli aspetti illustrati nella presente descrizione).

Questa ed altre caratteristiche risulteranno maggiormente evidenziate dalla descrizione seguente di una preferita forma realizzativa, illustrata a puro titolo esemplificativo e non limitativo nelle unite tavole di disegno, in cui:

- la figura 1 illustra un dispositivo di ispezione ottica secondo la presente descrizione;

- la figura 2 illustra un’elaborazione di un’immagine svolta dal dispositivo di ispezione ottica di figura 1;

- la figura 3 illustra, per una immagine, un’auto-apprendimento svolto dal dispositivo di ispezione ottica di figura 1;

- le figure 4A, 4B e 4C illustrano, per una preforma priva di difetti, un’immagine rilevata da una telecamera, un’immagine ricostruita, e un confronto tra l’immagine rilevata e l’immagine ricostruita, rispettivamente; - le figure 5A, 5B e 5C illustrano, per una preforma difettosa, un’immagine rilevata da una telecamera, un’immagine ricostruita, e un confronto tra l’immagine rilevata e l’immagine ricostruita, rispettivamente;

- la figura 6 illustra una linea per realizzare contenitori in materiale termoplastico, comprendente il dispositivo di figura 1.

Con riferimento alle figure allegate, si è indicata col numero 1 si è indicato un dispositivo di ispezione ottica, configurato per ispezionare una preforma 2.

La preforma 2 include un corpo 200 di forma sostanzialmente cilindrica. La preforma 2 (ovvero il corpo 200) definisce un asse di simmetria A. Il corpo 200 ha dunque simmetria cilindrica intorno all’asse di simmetria A. La preforma 2 include un fondo 201 chiuso. La preforma 2 include un collo 202 definente un’apertura. La preforma 2 include una baga 203.

Il dispositivo 1 è configurato per ricevere la preforma 2 in una posizione di ispezione 10. In una forma realizzativa, la posizione di ispezione è definita da una sede di ispezione. In una forma realizzativa, la sede di ispezione include un elemento di sostegno 11, configurato per trattenere la preforma 2 (preferibilmente, sostenendo la baga 21).

Il dispositivo 1 include un illuminatore 3. L’illuminatore 3 include una sorgente luminosa 31. La sorgente luminosa 31 è configurata per configurata per emettere un fascio di luce verso una preforma 2 (ovvero verso la sede di ispezione 10). L’illuminatore 3 include un filtro polarizzatore di emissione 32. Il filtro polarizzatore di emissione 32, in una forma realizzativa, è connesso alla sorgente luminosa 31. Il filtro polarizzatore di emissione 32 è configurato per intercettare il fascio emesso dalla sorgente luminosa 31 e per polarizzarlo. Dunque, la preforma 2 riceve un fascio di luce polarizzato dal filtro polarizzatore di emissione 32 e lo rifrange.

Il dispositivo 1 include un rilevatore 4. Il rilevatore 4 include una telecamera 41. Il rilevatore include un filtro polarizzatore di ricezione 42. In una forma realizzativa, il filtro polarizzatore di ricezione 42 è collegato alla telecamera 41. Il filtro polarizzatore di ricezione 42 è configurato per ricevere il fascio di luce rifratto dalla preforma 2 e per polarizzarlo. Dunque, la telecamera 41 riceve il fascio di luce polarizzato dal filtro polarizzatore di emissione 32, rifratto dalla preforma e ulteriormente polarizzato dal filtro polarizzatore di ricezione 42. La telecamera 41 è configurata per rilevare (o acquisire) un’immagine 20 della preforma 2. L’illuminatore 3 illumina lateralmente la preforma 2, su un primo lato 200A del corpo 200. Il rilevatore 4 rileva un’immagine laterale della preforma 2, su un secondo lato 200B del corpo 200, opposto al primo lato 200A.

Il dispositivo 1 include una memoria 5. La memoria 5 contiene dati di riferimento. In particolare, la memoria 5 contiene almeno un primo insieme di dati di riferimento 51 e un secondo insieme di dati di riferimento 52; il primo insieme di dati di riferimento 51 e il secondo insieme di dati di riferimento 52, in una forma realizzativa, sono tra di loro distinti.

Il dispositivo 1 include un processore 6. Il processore 6 è collegato alla memoria 5. Il processore 6 è programmato per elaborare l’immagine 20 rilevata dalla telecamera 41 sulla base dei dati di riferimento 51, 52, per derivare un’informazione diagnostica 23 circa una difettosità della preforma 2. In particolare, il processore 6 è programmato per codificare 61 l’immagine 20, in funzione del primo insieme di dati di riferimento 51, per derivare valori di una pluralità di caratteristiche 21 di immagine. Il processore 6 è inoltre configurato per decodificare 62 le caratteristiche 21 di immagine, generando un’immagine ricostruita 22, sulla base del secondo insieme di dati di riferimento 52.

Il processore 6 è quindi configurato per confrontare 63 l’immagine ricostruita 22 con l’immagine rilevata 20 per derivare un’informazione diagnostica 23 circa la difettosità della preforma 2.

In una forma realizzativa, l’informazione diagnostica include una mappa di errore 25 data da una differenza tra l’immagine rilevata 20 e l’immagine ricostruita 22 (o viceversa). In una forma realizzativa illustrata nelle figure, la mappa di errore 25 presenta una campitura omogenea nel caso di preforma buona, mentre presenta una colorazione a chiazze nel caso di preforma difettosa.

In una forma realizzativa, l’informazione diagnostica 23 include un parametro di similitudine 24 il cui valore è correlato ad un grado di similitudine tra l’immagine rilevata 20 e l’immagine ricostruita 22. In una forma realizzativa, il processore 6 è programmato per derivare il parametro di similitudine 24 sulla base della mappa di errore 25. In una forma realizzativa, l’informazione diagnostica 23 include un valore di un parametro binario indicante se la preforma è buona o è difettosa (calcolato, ad esempio, confrontando il parametro di similitudine 24 con un valore di soglia prestabilito).

In una forma realizzativa, il dispositivo 1 (o preferibilmente il sistema di elaborazione) comprende un sistema di autoapprendimento 7. Il sistema di autoapprendimento 7 è preferibilmente integrato nel processore 6. Il sistema di autoapprendimento 7 è collegato alla memoria 5.

Il sistema di auto-apprendimento 7 è configurato per ricevere una pluralità di immagini 20 rilevate per una corrispondente pluralità di preforme 2. Il sistema di auto-apprendimento 7 è preferibilmente configurato per svolgere il seguente procedimento per ciascuna immagine 20 ricevuta: codifica 61 dell’immagine 20 sulla base del primo insieme di dati di riferimento 51, per derivare valori di una pluralità di caratteristiche 21 di immagine; decodifica 62 delle caratteristiche 21 di immagine sulla base del secondo insieme di dati di riferimento 51, per generare un’immagine 22 ricostruita; confronto 63 tra l’immagine ricostruita 22 e l’immagine derivata 20, per derivare un parametro di similitudine 24 rappresentativo di una somiglianza tra l’immagine rilevata 20 e l’immagine ricostruita 22; valutazione 70 del parametro di similitudine 24, rispetto ad un valore di soglia 72 prestabilito per detto parametro di similitudine; aggiornamento (iterativo) del primo insieme di dati di riferimento 51, del secondo insieme di dati di riferimento 52 e delle caratteristiche di immagine 21, fino a che il parametro di similitudine 24 non è sopra (o sotto) il parametro di soglia 72. Dunque, il sistema di auto-apprendimento 7 svolge un problema di ottimizzazione delle operazioni di codifica 61 e decodifica 62, in cui le variabili sono definite dal primo insieme di dati di riferimento 51, dal secondo insieme di dati di riferimento 52, (ed eventualmente dall’insieme di caratteristiche di immagine 21), per minimizzare ovvero portare sotto una certa soglia (o massimizzare ovvero portare sopra una certa soglia) il parametro di similitudine 24. Dunque, preferibilmente, il primo insieme di dati di riferimento 51 e il secondo insieme di dati di riferimento 52 sono aggiornati in combinazione.

Poiché il sistema di auto-apprendimento 7 ottimizza tali operazioni di codifica 61 e decodifica 62 con immagini 20 di preforme 2 sane, i dati di riferimento 51, 52 (ed eventualmente l’insieme di caratteristiche di immagine 21) determinati in seguito all’ottimizzazione saranno tali per cui, per preforme sane 2, una differenza tra l’immagine 20 rilevata e l’immagine 22 ricostruita è minima. Viceversa, poiché tali operazioni non sono ottimizzate per preforme 2 difettose, l’immagine 22 ricostruita per una preforma difettosa sarà significativamente diversa dall’immagine 20 rilevata e il processore 6 (riscontrando tale differenza) genererà un’informazione diagnostica 23 indicante che la preforma è difettosa.

Preferibilmente, il sistema di auto-apprendimento 7 esegue iterativamente le operazioni di codifica 61, decodifica 62, confronto 63, valutazione 70 e aggiornamento dei dati di riferimento 51, 52 (ed eventualmente delle caratteristiche di immagine 21), per ciascuna immagine 20, in successione (ovvero, prima svolge tutte le iterazioni necessarie a minimizzare o massimizzare il parametro di similitudine 24 per una prima preforma 2, poi per una seconda preforma 2, e così via).

È anche previsto, in una forma realizzativa, che il sistema di autoapprendimento svolga una prima iterazione nella quale svolge, per tutte le immagini 20, le operazioni di codifica 61, decodifica 62, confronto 63 e valutazione 70; dunque, a partire dai parametri di similitudine 24 ricavati per tutte le preforme 2, aggiorna i dati di riferimento 51, 52 (ed eventualmente le caratteristiche di immagine 21) e passa ad una seconda iterazione nella quale svolge nuovamente, per tutte le immagini 20, le operazioni di codifica 61, decodifica 62, confronto 63 e valutazione 70, e così via.

La presente descrizione riguarda anche una linea 100 per realizzare contenitori in materiale termoplastico quali, per esempio, bottiglie.

La linea 100 comprende una macchina formatrice 101, configurata per generare (ovvero formare) preforme 2. La macchina formatrice 101 in una forma realizzativa è una macchina rotativa. La linea 100 comprende un forno di riscaldamento 102, configurato per ricevere le preforme 2 formate e per riscaldarle. La linea 100 comprende una macchina soffiatrice 103, configurata per soffiare le preforme 2 per generare i contenitori. La macchina soffiatrice 103 in una forma realizzativa è una macchina rotativa.

Preferibilmente, la linea 100 include una prima giostra di trasferimento 106 configurata per trasferire le preforme 2 dalla macchina formatrice 101 al forno di riscaldamento 102. Preferibilmente, la linea 100 include una seconda giostra di trasferimento 107 configurata per trasferire le preforme 2 dal forno di riscaldamento 102 alla macchina soffiatrice 103. In una forma realizzativa, la linea 100 include un magazzino 104, per immagazzinare le preforme 2 formate prima del soffiaggio. In una forma realizzativa, la linea 100 include un dispositivo di orientamento delle preforme 105, configurato per orientare le preforme 2 in uscita e/o in ingresso dal magazzino 104. In una forma realizzativa, la linea 100 include un trasportatore 108, configurato per trasportare le preforme 2 in ingresso e in uscita dal magazzino 104. Il trasportatore 108 alimenta le preforme 2 estratte dal magazzino 104 al forno di riscaldamento 102.

Claims

RIVENDICAZIONI 1. Dispositivo (1) di ispezione ottica di preforme (2), comprendente: - un illuminatore (3), includente una sorgente luminosa (31), configurata per emettere un fascio di luce verso una preforma (2) collocata in una posizione di ispezione (10); - un rilevatore (4), includente una telecamera (41) configurata per rilevare un’immagine (20) della preforma (2) collocata nella posizione di ispezione (10), in cui la preforma (2), nella posizione di ispezione (10), è operativamente interposta tra l’illuminatore (3) e il rilevatore (4), caratterizzato dal fatto che l’illuminatore (3) include un filtro polarizzatore di emissione (32), configurato per intercettare il fascio di luce emesso dalla sorgente luminosa (31) e per generare un fascio di luce polarizzata, e dal fatto che il rilevatore (4) include un filtro polarizzatore di ricezione (41), configurato per ricevere il fascio di luce polarizzata, per cui la preforma (2), nella posizione di ispezione (10), è operativamente interposta tra il filtro polarizzatore di emissione (32) e il filtro polarizzatore di ricezione (41).
2. Dispositivo (1) secondo la rivendicazione 1, comprendente ulteriormente un’unità di elaborazione includente: una memoria (5), includente dati di riferimento (51, 52); un processore (6), programmato per elaborare l’immagine (20) rilevata dal rilevatore (4) sulla base dei dati di riferimento (51, 52), per derivare un’informazione diagnostica (23) circa una difettosità della preforma (2).
3. Dispositivo (1) secondo la rivendicazione 2, in cui l’unità di elaborazione è configurata per: - elaborare l’immagine (20) rilevata dal rilevatore (4), sulla base dei dati di riferimento (51, 52), per derivare dall’immagine (20) valori di una pluralità di caratteristiche (21) di immagine; - elaborare i valori della pluralità di caratteristiche (21) di immagine, per derivare l’informazione diagnostica (23) circa la difettosità della preforma (2).
4. Dispositivo (1) secondo la rivendicazione 3, in cui l’unità di elaborazione è configurata per: - generare un’immagine ricostruita (22), a partire dai valori della pluralità di caratteristiche (21) di immagine e sulla base dei dati di riferimento (51, 52); - derivare l’informazione diagnostica (23) circa la difettosità della preforma (2) in funzione di un confronto tra l’immagine (20) rilevata dal rilevatore (4) e l’immagine ricostruita (22).
5. Dispositivo (1) secondo la rivendicazione 4, comprendente un sistema di autoapprendimento (7) configurato per: - ricevere in ingresso una pluralità di immagini (20) rilevate dal rilevatore (4) per una corrispondente pluralità di preforme (2); - elaborare, sulla base dei dati di riferimento (51, 52), ciascuna immagine (20) di detta pluralità di immagini (20) rilevate dal rilevatore (4), per derivare per ciascuna immagine (20), sulla base di un criterio prestabilito, corrispondenti valori per la pluralità di caratteristiche (21) di immagine; - generare, sulla base dei dati di riferimento (51, 52), per ciascuna immagine (20) di detta pluralità di immagini (20), una corrispondente immagine ricostruita (22), a partire dai corrispondenti valori derivati per la pluralità di caratteristiche (21) di immagine; - confrontare ciascuna immagine (20) di detta pluralità di immagini (20) rilevate dal rilevatore (4) con la corrispondente immagine ricostruita (22), per derivare, per ciascuna immagine (20) di detta pluralità di immagini (20), un corrispondente parametro di similitudine (24), rappresentativo di una somiglianza tra l’immagine (20) rilevata dal rilevatore (4) e la corrispondente immagine ricostruita (22); - per ciascuna immagine (20) di detta pluralità di immagini (20), aggiornare i dati di riferimento (51, 52) in funzione del parametro di similitudine (24) e di un valore di soglia (72) prestabilito per il parametro di similitudine (24).
6. Dispositivo (1) secondo la rivendicazione 5, in cui il sistema di autoapprendimento (7) è configurato per aggiornare la pluralità di caratteristiche (21) di immagine in funzione del parametro di similitudine (24) e del valore di soglia (72) prestabilito.
7. Dispositivo (1) secondo la rivendicazione 5 o la 6, in cui il criterio prestabilito include un numero massimo di caratteristiche (21) di immagine per detta pluralità di caratteristiche (21) di immagine.
8. Dispositivo (1) secondo una qualsiasi delle rivendicazioni da 5 a 7, in cui il sistema di autoapprendimento (7) include reti neurali convoluzionali.
9. Linea (100) per realizzare contenitori in materiale termoplastico, comprendente una macchina formatrice (101), configurata per generare preforme (2), caratterizzata dal fatto che comprende un dispositivo (1) di ispezione ottica delle preforme (2) secondo una qualsiasi delle rivendicazioni precedenti da 1 a 8, in cui detto dispositivo (1) di ispezione ottica è operativamente collocato a valle della macchina formatrice (101).
10. Linea (100) realizzare di contenitori in materiale termoplastico, comprendente una macchina soffiatrice (103) configurata per ricevere le preforme (2) e per soffiarle in stampi per realizzare detti contenitori, caratterizzata dal fatto che comprende un dispositivo (1) di ispezione ottica delle preforme (2) secondo una qualsiasi delle rivendicazioni precedenti da 1 a 8, in cui detto dispositivo (1) di ispezione ottica è operativamente collocato a monte della macchina soffiatrice (103).
11. Metodo di ispezione ottica di preforme, comprendente le seguenti fasi: - emissione di un fascio di luce verso una preforma (2) collocata in una posizione di ispezione (20), mediante un illuminatore (3) includente una sorgente luminosa (31); - rilevazione di un’immagine (20) della preforma (20) collocata nella posizione di ispezione (20), mediante un rilevatore (4) includente una telecamera (41), in cui la preforma (2), nella posizione di ispezione (10), è operativamente interposta tra l’illuminatore (3) e il rilevatore (4); caratterizzato dal fatto che comprende ulteriormente le seguenti fasi: - generazione di un fascio di luce polarizzata, mediante un’intercettazione del fascio di luce emesso dall’illuminatore (3) su un filtro polarizzatore di emissione (32), interposto la sorgente luminosa (31) e la preforma (2); - ricezione del fascio di luce polarizzata su un filtro polarizzatore di ricezione (41), interposto la preforma (2) e la telecamera (41) in cui la preforma (2) collocata nella posizione di ispezione (10) è operativamente interposta tra il filtro polarizzatore di emissione (32) e il filtro polarizzatore di ricezione (41).
12. Metodo secondo la rivendicazione 11, comprendente una fase di elaborazione dell’immagine (20), in cui la fase di elaborazione include le seguenti sotto-fasi: - elaborazione (61) dell’immagine (20) rilevata dal rilevatore (4) sulla base di dati di riferimento (51, 52), per derivare dall’immagine (20) valori di una pluralità di caratteristiche (21) di immagine; - generazione (62) di un’immagine ricostruita (22), a partire dai valori della pluralità di caratteristiche (21) di immagine e sulla base dei dati di riferimento (51, 52); - derivazione (63) di un’informazione diagnostica (23) circa la difettosità della preforma (2), in funzione di un confronto tra l’immagine (20) rilevata dal rilevatore (4) e l’immagine ricostruita (22).
13. Metodo secondo la rivendicazione 12, comprendente una fase di autoapprendimento, comprendente le seguenti sotto-fasi: - rilevazione di una pluralità di immagini (20) per una corrispondente pluralità di preforme (2); - elaborazione di ciascuna immagine (20) di detta pluralità di immagini (20) sulla base dei dati di riferimento (51, 52), per derivare da ciascuna immagine (20) di detta pluralità di immagini (20) corrispondenti valori di una pluralità di caratteristiche (21) di immagine, in funzione di un criterio prestabilito; - generazione, per ciascuna immagine (20) di detta pluralità di immagini (20), di una corrispondente immagine ricostruita (22), a partire dai corrispondenti valori della pluralità di caratteristiche (21) di immagine e sulla base dei dati di riferimento (51, 52); - confronto di ciascuna immagine (20) di detta pluralità di immagini (20) con la corrispondente immagine ricostruita (22), e derivazione di un corrispondente parametro di similitudine (24), rappresentativo di una somiglianza tra l’immagine (20) rilevata dal rilevatore (4) e la corrispondente immagine ricostruita (22); - aggiornamento dei dati di riferimento (51, 52) e della pluralità di caratteristiche (21) di immagine in funzione del parametro di similitudine (24), e di un valore di soglia (72) prestabilito.
14. Metodo secondo la rivendicazione 13, in cui le immagini (20) di detta pluralità di immagini (20) rilevate dalla telecamera (41) durante la fase di autoapprendimento sono rappresentative di una corrispondente pluralità di preforme (2) prive di difetti.
15. Metodo secondo la rivendicazione 13 o la 14, comprendente una fase di alimentazione delle preforme (2) di detta pluralità di preforme (2) alla posizione di ispezione (10) una alla volta e secondo un’orientazione predefinita rispetto al filtro polarizzatore di emissione (32) e rispetto al filtro polarizzatore di ricezione (41).
16. Metodo di elaborazione di un’immagine di una preforma, rilevata da un rilevatore (4), il metodo comprendendo le seguenti fasi: - elaborazione, sulla base dei dati di riferimento (51, 52), dell’immagine (20) rilevata dal rilevatore (4) per derivare dall’immagine (20) valori di una pluralità di caratteristiche di immagine (21); - generazione di un’immagine ricostruita (22), a partire dai valori della pluralità di caratteristiche (21) di immagine e sulla base dei dati di riferimento (51, 52); - derivazione di un’informazione diagnostica (23) circa una difettosità della preforma (2) in funzione di un confronto tra l’immagine (20) acquisita dalla telecamera e l’immagine ricostruita (22).
17. Metodo di elaborazione di un’immagine di una preforma secondo la rivendicazione 16, comprendente una fase di autoapprendimento, comprendente le seguenti sotto-fasi: - rilevazione di una pluralità di immagini (20) per una corrispondente pluralità di preforme (2); - elaborazione, sulla base dei dati di riferimento (51, 52), di ciascuna immagine (20) di detta pluralità di immagini (20), per derivare da ciascuna immagine (20) di detta pluralità di immagini (20) corrispondenti valori di una pluralità di caratteristiche (21) di immagine, sulla base di un criterio prestabilito; - generazione, per ciascuna immagine (20) di detta pluralità di immagini (20), di una corrispondente immagine ricostruita (22), a partire dai corrispondenti valori della pluralità di caratteristiche (21) di immagine e sulla base dei dati di riferimento (51, 52); - confronto di ciascuna immagine (20) di detta pluralità di immagini (20) con la corrispondente immagine ricostruita (22), e derivazione di un corrispondente parametro di similitudine (24), rappresentativo di una somiglianza tra l’immagine (20) rilevata dal rilevatore (4) e la corrispondente immagine ricostruita (22); - aggiornamento dei dati di riferimento (51, 52) e della pluralità di caratteristiche (21) di immagine in funzione del parametro di similitudine (24), e di un valore di soglia (72) prestabilito.
18. Programma per elaboratore comprendente istruzioni operative configurate per realizzare le fasi del metodo secondo la rivendicazione 16 o la 17, quando lanciate eseguite in un elaboratore.