KR20210113178A - 패리슨의 광학 검사용 디바이스 - Google Patents
패리슨의 광학 검사용 디바이스 Download PDFInfo
- Publication number
- KR20210113178A KR20210113178A KR1020217018061A KR20217018061A KR20210113178A KR 20210113178 A KR20210113178 A KR 20210113178A KR 1020217018061 A KR1020217018061 A KR 1020217018061A KR 20217018061 A KR20217018061 A KR 20217018061A KR 20210113178 A KR20210113178 A KR 20210113178A
- Authority
- KR
- South Korea
- Prior art keywords
- image
- parison
- reference data
- detector
- images
- Prior art date
Links
- 238000007689 inspection Methods 0.000 title claims description 96
- 230000003287 optical effect Effects 0.000 title claims description 60
- 238000000034 method Methods 0.000 claims description 76
- 238000012545 processing Methods 0.000 claims description 68
- 230000010287 polarization Effects 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 33
- 238000000071 blow moulding Methods 0.000 claims description 21
- 230000007547 defect Effects 0.000 claims description 21
- 238000004519 manufacturing process Methods 0.000 claims description 19
- 239000000463 material Substances 0.000 claims description 9
- 239000004033 plastic Substances 0.000 claims description 9
- 229920003023 plastic Polymers 0.000 claims description 9
- 239000012815 thermoplastic material Substances 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000000465 moulding Methods 0.000 claims description 7
- 238000003672 processing method Methods 0.000 claims description 7
- 238000011144 upstream manufacturing Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 230000002950 deficient Effects 0.000 description 34
- 230000000875 corresponding effect Effects 0.000 description 25
- 238000013528 artificial neural network Methods 0.000 description 17
- 238000010438 heat treatment Methods 0.000 description 9
- 229920000139 polyethylene terephthalate Polymers 0.000 description 8
- 239000005020 polyethylene terephthalate Substances 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 239000003086 colorant Substances 0.000 description 4
- 229920000642 polymer Polymers 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000001179 sorption measurement Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000001746 injection moulding Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- -1 polyethylene terephthalate Polymers 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000002775 capsule Substances 0.000 description 1
- 238000000748 compression moulding Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 239000013067 intermediate product Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C49/00—Blow-moulding, i.e. blowing a preform or parison to a desired shape within a mould; Apparatus therefor
- B29C49/42—Component parts, details or accessories; Auxiliary operations
- B29C49/78—Measuring, controlling or regulating
- B29C49/80—Testing, e.g. for leaks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C49/00—Blow-moulding, i.e. blowing a preform or parison to a desired shape within a mould; Apparatus therefor
- B29C49/02—Combined blow-moulding and manufacture of the preform or the parison
- B29C49/06—Injection blow-moulding
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8806—Specially adapted optical and illumination features
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C49/00—Blow-moulding, i.e. blowing a preform or parison to a desired shape within a mould; Apparatus therefor
- B29C49/02—Combined blow-moulding and manufacture of the preform or the parison
- B29C2049/023—Combined blow-moulding and manufacture of the preform or the parison using inherent heat of the preform, i.e. 1 step blow moulding
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C49/00—Blow-moulding, i.e. blowing a preform or parison to a desired shape within a mould; Apparatus therefor
- B29C49/42—Component parts, details or accessories; Auxiliary operations
- B29C49/78—Measuring, controlling or regulating
- B29C2049/787—Thickness
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C49/00—Blow-moulding, i.e. blowing a preform or parison to a desired shape within a mould; Apparatus therefor
- B29C49/42—Component parts, details or accessories; Auxiliary operations
- B29C49/78—Measuring, controlling or regulating
- B29C2049/7874—Preform or article shape, weight, defect or presence
- B29C2049/7876—Defects
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C2949/00—Indexing scheme relating to blow-moulding
- B29C2949/07—Preforms or parisons characterised by their configuration
- B29C2949/0715—Preforms or parisons characterised by their configuration the preform having one end closed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C49/00—Blow-moulding, i.e. blowing a preform or parison to a desired shape within a mould; Apparatus therefor
- B29C49/42—Component parts, details or accessories; Auxiliary operations
- B29C49/42378—Handling malfunction
- B29C49/4238—Ejecting defective preforms or products
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C49/00—Blow-moulding, i.e. blowing a preform or parison to a desired shape within a mould; Apparatus therefor
- B29C49/42—Component parts, details or accessories; Auxiliary operations
- B29C49/78—Measuring, controlling or regulating
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29K—INDEXING SCHEME ASSOCIATED WITH SUBCLASSES B29B, B29C OR B29D, RELATING TO MOULDING MATERIALS OR TO MATERIALS FOR MOULDS, REINFORCEMENTS, FILLERS OR PREFORMED PARTS, e.g. INSERTS
- B29K2067/00—Use of polyesters or derivatives thereof, as moulding material
- B29K2067/003—PET, i.e. poylethylene terephthalate
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29L—INDEXING SCHEME ASSOCIATED WITH SUBCLASS B29C, RELATING TO PARTICULAR ARTICLES
- B29L2031/00—Other particular articles
- B29L2031/712—Containers; Packaging elements or accessories, Packages
- B29L2031/7158—Bottles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8806—Specially adapted optical and illumination features
- G01N2021/8848—Polarisation of light
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Mechanical Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Blow-Moulding Or Thermoforming Of Plastics Or The Like (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Description
본 발명은 패리슨(parison)의 광학 검사용 디바이스에 관한 것이다.
플라스틱 용기, 특히 병을 생산하기 위한 라인은 일반적으로 PET(polyethylene terephthalate, 폴리에틸렌 테레프탈레이트)로부터 패리슨을 형성하도록 구성된 성형 머신 및 용기를 만드는 몰드에서 패리슨을 블로우(blow)하도록 구성된 블로우 성형 머신을 포함한다. 예를 들어, 불규칙한 두께, 구멍, 수포 또는 이물질로 인해 일부 예비성형품(preform)에 결함이 있을 수 있다; 이러한 결함은 결함 있는 패리슨을 생산 라인으로부터 지체 없이 제거하려는 품질 검사에 의해 검출되어야 한다.
특허 문헌 EP2976204B1에는 패리슨이 컨베이어에 의해 수집 용기로 이송되는 동안 패리슨을 체크하도록 구성된, 패리슨을 광학적으로 체크하기 위한 시스템이 공지되어 있다; 시스템은 광원이 패리슨을 후면에서 조명하고 카메라가 각각의 패리슨의 이미지를 정면에서 캡처하는 방식으로 배치된 광원 및 카메라를 포함한다.
다른 검사 시스템은 다음과 같은 특허 문헌: US2017/129157A1, DE102006047150A1, US2018/311883A1에 개시되어 있다.
종래 기술의 광학 검사 시스템의 한 가지 한계는 카메라에서 볼 수 있는 (기포발생(blistering))과 같은 이미지 특징으로 품질 체크를 제한하고 있지만 PET의 폴리머 체인에서 불규칙한 잔류 응력과 같은 재료의 내부 결함을 검출할 수 없다는 것이다.
또한, 종래의 시스템은 데이터베이스에 저장된 다른 결함 있는 패리슨의 이미지와의 유사성에 기초하여 결함 있는 패리슨을 검출한다. 그러므로 이러한 시스템은 검출되어야 하는 모든 가능한 결함을 포함하는 데이터베이스로 초기화되어야 한다; 그러나 결함은 매우 다양하며 결함 있는 패리슨은 제조되는 패리슨의 극히 적은 비율을 차지하기 때문에, 이러한 종류의 완전하고 철저한 데이터베이스는 찾기 어렵다.
그러므로, 일반적으로 말해서, 종래 기술의 시스템은 결함 있는 패리슨을 식별할 수 있는 신뢰성이 제한된다.
본 개시내용의 목적은 위에서 언급된 종래 기술의 단점을 극복하기 위해 패리슨의 광학 검사용 디바이스 및 방법을 제공하는 것이다. 본 개시내용의 다른 목적은 위에서 언급한 종래 기술의 단점을 극복하기 위해 패리슨의 이미지를 처리하는 방법을 제공하는 것이다.
이러한 목적은, 본 개시내용에 따라, 첨부된 청구 범위에서 특징으로 하는 바와 같은 패리슨의 광학 검사용 디바이스, 패리슨의 광학 검사용 방법, 및 패리슨의 이미지를 처리하기 위한 방법에 의해 완전히 달성된다.
보다 구체적으로, 본 개시내용은 패리슨(또는 예비성형품) 또는 (캡 또는 캡슐과 같은) 플라스틱 재료 또는 (리드(lid)와 같은) 금속으로 제조된 다른 물체의 광학 검사용 디바이스에 관한 것이다; 이와 관련하여, 패리슨과 관련하여 작성된 나머지 설명은 플라스틱 또는 금속 재료로 제조된 다른 물체에도 적용할 수 있다고 생각된다. "패리슨"이라는 용어는 예를 들어, 음료수 병과 같은 플라스틱 용기의 생산을 위한 프로세스에서 중간 제품을 나타내는데 사용된다. 보다 구체적으로, 패리슨은 플라스틱 재료를 성형하여(일반적으로 사출 또는 압축 성형하여) 형성되고, 이후의 단계에서, 블로우 성형으로 확장되어 완성된 용기를 생산한다. 패리슨은 플라스틱 재료, 바람직하게는 PET(폴리에틸렌 테레프탈레이트)로 제조된다.
본 개시내용에 따른 패리슨의 광학 검사용 디바이스는 조명기를 포함한다. 조명기는 검사 위치에 위치한 패리슨을 향한 광 빔을 방출하도록 구성된 광원을 포함한다.
일 실시예에서, 디바이스는 검사 위치에서 패리슨을 수용하도록 구성된 검사 포켓을 포함한다. 다른 실시예에서, 검사 위치에서 패리슨을 수용하도록 구성된 검사 포켓은 무엇보다도 디바이스를 포함하는 라인의 일부이다.
디바이스는 검출기를 포함한다. 검출기는 카메라를 포함한다. 카메라(즉, 검출기)는 검사 위치에 위치한 패리슨의 이미지를 캡처하도록 구성된다.
실시예에서, 광원은 광 빔을 연속적으로 방출하도록 구성된다. 실시예에서, 광원은 스트로보스코픽(stroboscopic)이며 미리 결정된 방출 간격(각각의 방출 간격은 패리슨을 검사 위치에 공급하는데 걸리는 시간에 대응함)으로 광 빔을 방출하도록 구성된다.
실시예에서, 카메라는 미리 결정된 캡처 간격(각각의 캡처 간격은 패리슨을 검사 위치에 공급하는데 걸리는 시간에 대응함)으로 이미지를 캡처하도록 구성되며, 광원이 스트로보스코픽이면, 방출 간격은 캡처 간격에 대응한다(즉, 캡처 간격과 동일하다).
검사 위치에서, 패리슨은 조명기와 검출기 사이에 작동 가능하게 개재된다. 이러한 방식으로, 조명기는 제1 측면(예를 들어, 정면)에서 패리슨을 비추고, 검출기는 제1 측면과 반대 측인 제2 측면(예를 들어, 후면)에서 패리슨의 이미지를 캡처하며; 따라서, 검출기는 패리슨의 백라이트 이미지를 캡처한다.
바람직하게는, 조명기(또는 디바이스)는 방출 편광 필터(emission-polarizing filter)(또는 제1 편광 필터)를 포함한다. 방출 편광 필터는 광원에 의해 방출되는 광 빔을 인터셉트하도록 구성된다. 방출 편광 필터는 광원에 의해 방출되는 광 빔으로부터 대응하는 편광된 광 빔을 생성하도록 구성된다.
바람직하게는, 검출기(또는 검사 디바이스)는 수신 편광 필터(receiving polarizing filter)(또는 제2 편광 필터)를 포함한다.
바람직하게는, 검사 위치에서, 패리슨은 방출 편광 필터와 수신 편광 필터 사이에 작동 가능하게 개재된다.
수신 편광 필터는 편광된 광 빔을 수신하도록 구성된다. 보다 구체적으로, 수신 편광 필터는 방출 편광 필터에 의해 편광되어 패리슨에 의해 굴절된 광 빔을 수신하고 제2 편광된 광 빔을 생성하도록 구성된다. 따라서, 카메라는 제2 편광된 광 빔을 수신한다.
패리슨이 제조되는 재료(바람직하게는 PET)는 복굴절에 의해 특징지어지기 때문에, 내부의 폴리머 체인이 배향되어 응력을 받을 때, 패리슨에 부딪치는(제1 편광 필터로부터) 편광된 광은 응력에 따라 달라지는 굴절률에 따라 굴절된다. 보다 구체적으로, 패리슨에 부딪치는 광선은 수직 평면에서 진동하는 두 개의 광선으로 분할되고 제2 편광기는 일부 성분만 통과할 수 있게 하여, 이것을 동일한 평면으로 가져와 간섭을 생성하며; 이에 따라, 동일한 응력을 받는 영역이 동일한 간섭을 갖게 되고 그래서 동일한 색상을 갖게 될 것이고, 반면에 상이한 응력을 받는 영역은 다른 색상을 갖게 될 것이다. 따라서, 카메라는 패리슨 내의 응력의 내부 분포를 나타내는 색상 패턴을 보여주는 이미지를 캡처한다.
제1 및 제2 편광 필터는 평행한 평면상에 배열되는 것으로 제공된다. 제1 편광 필터(또는 방출 필터)는 선형 편광 필터인 것으로 제공된다. 특히, 제1 편광 필터(또는 발광 필터)는 광을 제1 편광 방향으로 편광시키도록 구성된다. 검사 위치에서, 패리슨의 축은 (방출 필터의) 제1 편광 방향에 평행하게 배향되는 것으로 제공된다. 여기서, 이것은 "패리슨의 축"으로서, 패리슨의 측벽이 연장되는 패리슨의 중심 대칭축을 의미한다.
편광 필터(또는 수신 필터)는 선형 편광 필터이고; 제2 편광 필터(또는 수신 필터)는 광을 제2 편광 방향으로 편광하도록 구성되는 것으로 제공된다. 바람직하게는, 제1 편광 필터와 제2 편광 필터 모두는 선형 편광 필터이다. 실시예에서, 제1 편광 방향과 제2 편광 방향은 서로 평행하다(그리고 이 경우, 결과로 발생된 광은 백색이다). 실시예에서, 제1 편광 방향과 제2 편광 방향은 서로 상이하다. 특히, 제1 및 제2 편광 방향은 5°와 50° 사이로 구성된 각도를 정의할 수 있으며; 예를 들어, 제1 및 제2 편광 방향은 서로 수직일 수 있다(그리고 이 경우, 결과적으로 발생된 광은 흑색이다). 추가 예에서, 제1 및 제2 편광 방향은 45°의 각도를 정의할 수 있다. 추가 예에서, 제1 및 제2 편광 방향은 30°의 각도를 정의할 수 있다. 추가 예에서, 제1 및 제2 편광 방향은 15°의 각도를 정의할 수 있다.
다른 실시예에서, 제1 및/또는 제2 편광 필터는 원형 편광 필터이다.
다른 실시예에서, 제1 및 제2 편광 필터는 제공되지 않으며 따라서 카메라는 (밝고 어두운 영역이 있는) 패리슨의 단색, 백라이트 이미지를 캡처한다.
패리슨은, 검사 위치에서, 단독으로, 즉 차례로 공급되는 것으로 제공된다. 예를 들어, 검사 디바이스는 검사 경로(여기서, 검사 경로 내에서 검사 위치가 정의됨)를 따라 검사될 패리슨을 연속적으로 이송하도록 구성된 컨베이어를 포함하는 (본 개시내용의 목적 자체일 수 있는) 장치의 일부인 것으로 제공된다. 컨베이어는, 복수의 개구를 정의하는 그리고 패리슨의 내부 캐버티에 음압(즉, 진공)을 생성하기 위해, 패리슨의 상부 에지와 접촉하도록 구성된 흡착 벨트를 포함할 수 있다. 흡착 벨트는 상기 음압을 통해 패리슨을 지지하도록 구성된다. 흡착 벨트는 검사 경로를 따라 패리슨을 이동하고, 검사 위치에서, 차례로 패리슨을 위치시키도록 구성된다. 조명기 및 발광 편광 필터는 검사 경로의 제1 측면(즉, 흡착 벨트의 제1 측면)에 배열될 수 있으며, 카메라 및 수신 편광 필터는 제1 측면에 반대 측인, 검사 경로의 제2 측면(즉, 흡착 벨트의 제2 측면)에 배열될 수 있다; 그러므로 흡착 벨트에 의해 지지되는 패리슨은 방출 편광 필터와 수신 편광 필터 사이에 개재된다.
실시예에서, 디바이스는 처리 유닛을 포함한다. 처리 유닛은 검출기에 연결된다.
처리 유닛은 참조 데이터를 포함하는 메모리를 포함한다. 처리 유닛은, 패리슨의 결함에 대한 진단 표시를 도출하기 위해, 참조 데이터에 기초하여 검출기에 의해 캡처된 이미지를 처리하도록 프로그램된 프로세서를 포함한다.
실시예에서, 프로세서는 메모리에 저장된 하나 이상의 문턱 값에 기초하여, 결함 있는 패리슨의 식별을 위한 하나 이상의 기준을 포함할 수 있다. 예를 들어, 프로세서는 카메라에 의해 캡처된 이미지의 밝기가 미리 결정된 문턱 값 이상인 경우(실제로, 밝기가 높은 이미지는 매우 얇은 벽을 갖는 패리슨을 나타냄) 및/또는 이미지가 특정 문턱치를 초과하여 선명한 색상 전이를 나타내는 경우에, 결함 있는 패리슨을 식별하도록 구성될 수 있다.
바람직한 실시예에서, 처리 유닛은, 캡처된 이미지로부터 복수의 이미지 특징의 값을 도출하기 위해, (참조 데이터에 기초하여) 검출기에 의해 캡처된 이미지를 처리하도록 구성되며, 이러한 프로세스는 이미지 코드를 (미리 결정된 알고리즘 또는 자체 학습 단계에서 처리 시스템에 의해 도출된 것에 따라 이미지를 변환 또는 압축함으로써) 인코딩한다. 따라서, 처리 유닛은 복수의 이미지 특징의 각각의 특징에 하나의 값을 할당하도록 구성된다. 실시예에서, 이미지를 인코딩하는 것은 이미지의 크기를 줄이는 것을 포함한다(예를 들어, 복수의 이미지 특징은 500개의 특징을 포함 할 수 있다).
이들 이미지 특징은 이미지를 나타낸다. 따라서, 처리 유닛은 이미지로부터 대응하는 복수의 이미지 특징에 할당된 복수의 값을 추출하고 이미지를 이미지의 이러한 대표 (또는 중요한) 값으로 줄이도록 구성된다.
실시예에서, 처리 유닛은, 패리슨의 결함에 대한 진단 표시를 도출하기 위해, (참조 데이터에 기초하여) 복수의 이미지 특징의 값을 처리하도록 구성된다.
실시예에서, 처리 유닛은 복수의 이미지 특징의 값에 기초하여 이미지를 분류하도록 구성된다; 예를 들어, 각각의 이미지 특징에 대해, 메모리는 양호한 (즉, 결함 없는) 패리슨의 하나 이상의 전형적인 값 및 결함 있는 패리슨의 하나 이상의 전형적인 값을 포함할 수 있으며, 처리 유닛은 이미지 특징의 적어도 하나의 값이 결함 있는 패리슨의 각각의 전형적인 값에 합리적으로 가까우면(특정 문턱치를 초과하면) 및/또는 특정 조합(예를 들어, 곱셈)이 결함 있는 패리슨의 전형적인 그 조합에 대한 참조 값에 합리적으로 가까우면(특정 문턱치를 초과하면), 패리슨을 결함 있는 것으로 식별하도록 구성될 수 있다.
예를 들어, 이미지 특징은 특정 색상 또는 색상의 조합의 존재 또는 부재, 및/또는 특정 지점에서의 특정 대칭 및/또는 광 강도의 존재 또는 부재를 포함할 수 있다; 처리 유닛은, 이미지가 특정 색상 또는 색상의 조합을 나타내거나 특정 대칭이 있으면(또는 있지 않으면), 또는 특정 지점에서 광 강도가 문턱 값보다 크거나 작으면, 패리슨을 결함 있는 것으로 식별하도록 구성될 수 있다.
실시예에서, 처리 유닛은 복수의 이미지 특징의 값으로부터 (및 참조 데이터에 기초하여) 재구성된 이미지를 생성하도록 구성된다. 실시예에서, 처리 유닛은 검출기에 의해 캡처된 이미지를 (참조 데이터를 기초로 하여) 재구성된 이미지와 비교하는 함수로서 패리슨의 결함에 대한 진단 표시를 도출하도록 구성된다.
보다 구체적으로, 처리 유닛은 검출기에 의해 캡처된 이미지를 재구성된 이미지와 비교하고 검출기에 의해 캡처된 이미지와 재구성된 이미지 사이의 유사성을 나타내는 유사 파라미터를 도출하도록 구성된다. 처리 유닛은 유사 파라미터를 미리 결정된 문턱 값(그 자체가 참조 데이터의 일부일 수 있음)과 비교하고 미리 결정된 문턱 값을 유사 파라미터와 비교하는 함수로서 진단 표시를 도출하도록 구성된다. 예를 들어, 유사 파라미터가 특정 유사성 문턱치를 초과하면 패리슨을 양호한 것으로서 식별하도록 구성될 수 있다. 따라서, 처리 유닛은 재구성된 이미지가 카메라에 의해 캡처된 시작 이미지와 충분히 유사한 경우 패리슨을 양호한 것으로 식별하도록 구성된다.
실제로, 처리 유닛은, 양호한, 즉, 결함이 없는 패리슨에 기초하여 이미지를 처리하도록 (즉, 이미지를 인코딩하고, 복수의 이미지 특징의 값을 도출하고, 이로부터 재구성된 이미지를 생성하도록) 훈련된다. 처리 유닛은, 아래에 설명되는 바와 같이, 자체 학습 시스템에 의해 훈련될 수 있거나, 또는 상업적으로 이용 가능한 사전-훈련된 유닛일 수 있다. 패리슨이 양호하다면, 처리 유닛은 또한 그의 이미지를 올바르게 처리하고 원래의 이미지와 유사한 재구성된 이미지를 생성할 수 있으며, 반면에 패리슨에 결함이 있다면, 양호한 패리슨에 대해 훈련된 처리 유닛은 이미지를 올바르게 재구성할 수 없고, 결과적으로 원래의 것과 크게 상이한 재구성된 이미지를 생성한다.
그러므로 처리 유닛은 단일 모형(typology)(예를 들어, 결함 없는 모형)의 물체의 샘플로 훈련되는 것으로 제공된다; 그러면, 처리 유닛은 적어도 두 가지 유형(예를 들어, 결함 있는 모형 및 결함이 없는 모형)의 물체 중에서 구분할 수 있게 될 것이다.
실시예에서, 디바이스는 자체 학습 시스템을 포함한다.
자체 학습 시스템은, 일 실시예에서, 처리 유닛에 통합된다. 자체 학습 시스템은, 일 실시예에서, 처리 유닛에 연결된다. 자체 학습 시스템은, 일 실시예에서, 메모리에 연결된다.
자체 학습 시스템은 대응하는 복수의 패리슨에 대해 검출기에 의해 캡처된 복수의 이미지를 입력으로서 수신하도록 구성된다.
자체 학습 시스템은 (참조 데이터에 기초하여) 대응하는 복수의 패리슨에 대해 검출기에 의해 캡처된 복수의 이미지의 각각의 이미지를 인코딩하여 복수의 이미지의 각각의 이미지로부터 복수의 이미지 특징의 대응하는 값을 도출하도록 구성된다. 바람직하게는, 자체 학습 시스템은 미리 결정된 기준(그 자체가 참조 데이터의 일부일 수 있음)에 기초하여 이미지를 인코딩하도록 구성된다.
자체 학습 시스템은 복수의 이미지의 각각의 이미지에 대해 복수의 이미지 특징의 대응하는 값으로부터 (및 참조 데이터에 기초하여) 재구성된 대응하는 이미지를 생성하도록 구성된다.
자체 학습 시스템은, 각각의 이미지에 대해, 검출기에서 캡처된 이미지와 대응하는 재구성된 이미지 사이의 유사성을 나타내는 유사 파라미터를 도출하기 위해, 복수의 이미지의 각각의 이미지를 대응하는 재구성된 이미지와 비교하도록 구성된다.
자체 학습 시스템은, 유사 파라미터가 미리 결정된 문턱 값보다 낮게 되는 방식으로 (만약, 유사 파라미터가 이미지 간의 유사성에 정비례하는 경우; 그렇지 않으면, 유사 파라미터가 이미지 간의 차이에 반비례하는 경우, 유사 파라미터가 미리 결정된 문턱 값보다 큰 방식으로), 참조 데이터를 유사 파라미터의 함수로서 업데이트하도록 구성된다. 실시예에서, 미리 결정된 문턱 값 자체는 참조 데이터의 일부이다. 바람직하게는, 자체 학습 시스템은 복수의 이미지의 각각의 이미지에 대한 유사 파라미터의 함수로서 참조 데이터를 (반복적으로) 업데이트하도록 구성된다.
바람직한 실시예에서, 자체 학습 시스템은, (바람직하게는 참조 데이터와 함께) 복수의 이미지 특징을 유사 파라미터와 미리 결정된 문턱 값의 함수로서 업데이트하도록 구성된다. 보다 구체적으로, 참조 데이터 및/또는 복수의 이미지 특징은 복수의 이미지의 각각의 이미지에 대해, (유사 파라미터가 이미지 간의 유사성에 정비례하는 경우) 유사 파라미터가 미리 결정된 문턱 값보다 더 큰 방식으로 업데이트된다.
반면에, 유사 파라미터가 이미지 간의 차이에 정비례하는 경우(즉, 유사성에 반비례하는 경우), 자체 학습 시스템은 유사 파라미터가 미리 결정된 문턱 값보다 작은 방식으로 참조 데이터 및/또는 이미지 특징을 업데이트하도록 구성된다.
바람직한 실시예에서, 미리 결정된 기준은 복수의 이미지 특징에 대해 최대 개수의 (또는 미리 결정된 개수의) 특징을 포함한다(또는 이들 개수에 의해 정의된다). 미리 결정된 기준은 패리슨의 결함과 관계없이, 시스템이 캡처된 이미지를 식별하는 기능을 단순히 수행하지 않는 다는 것을 보장한다.
따라서, 바람직한 실시예에서, 자체 학습 시스템은 이미지 특징 및 참조 데이터 둘 모두를 검출기에 의해 캡처된 이미지의 함수로서 결정하도록 구성된다.
이 시스템은 캡처된 이미지가 양호한 패리슨을 나타내는 경우 특히 잘 수행된다; 이러한 방식으로, 시스템은 양호한 패리슨의 이미지(즉, 인코딩에 사용할 참조 데이터, (양호한 패리슨을 나타내기 때문에) 추출될 이미지 특징 및 재구성에 사용할 참조 데이터)를 인코딩 및 재구성하는 방법을 학습한다. 그러면, 처리 시스템이 결함 있는 패리슨을 인코딩하고 재구성해야 할 때, 처리 시스템은 성공하지 못하고 시작 이미지와 크게 상이한 재구성된 이미지를 생성할 것이다.
다른 실시예에서, 미리 결정된 기준은 복수의 이미지 특징(즉, 값이 추출되는 특징)을 포함한다(또는 이에 의해 정의된다).
실시예에서, 자체 학습 시스템은 분류기를 포함한다. 분류기는 예를 들어, 색상, 색상 구배, 픽셀 주변의 색상 표준 편차, 픽셀 주변의 평균 색상 등과 같은 파라미터에 기초하여 캡처된 이미지를 분류하도록 구성된다. 구체적으로, 분류기는 이미지에서 색상의 분포를 나타내는 히스토그램을 구축하고, 상기 히스토그램에서 색상의 대칭성 및/또는 균일성에 기초하여 이미지를 분류하도록 프로그램될 수 있다. 실시예에서, 파라미터는 분류기에서 미리 설정(즉, 명시적으로 정의)될 수 있는 것으로 제공된다. 예를 들어, 분류기는 "1-급(one-class)" 유형인 것으로 제공된다. 분류기는 복수의 미리 설정된 파라미터 중에서 검사 동안 사용될 하나 이상의 파라미터를 선택하도록 구성될 수 있다(이러한 선택은 학습 단계 동안 분류기에 의해 수행될 수 있다).
실시예에서, 분류기는 의사-결정 브랜치(branch)이다. 특히, "1-급" 분류기는 "랜덤 포레스트(random forest)" 유형의 의사 결정 브랜치로서 제공된다. 이러한 분류기는 (분류기는 "1-클래스" 모형에 속하기 때문에) 결함이 없는 물체의 이미지로 (단독으로) 훈련될 수 있다는 것이 관찰된다.
바람직한 실시예에서, 자체 학습 시스템은 신경망을 포함한다. 특히, 자체 학습 시스템에는 컨볼루션 신경망(convolutional neural network)이 포함할 수 있다.
"컨볼루션 신경망"은 일련의 풀링 단계와 번갈아 지속되는 일련의 컨볼루션 단계를 통해 이미지를 인코딩하여 복수의 이미지 특징의 값을 도출하도록 구성된 신경망을 의미한다. 컨볼루션 단계에서, 컨볼루션 필터(그 값은 참조 데이터의 일부임)는 변환된 이미지를 도출하기 위해 이미지(즉, 이미지의 각각의 색상을 나타내는 픽셀의 매트릭스)에 적용되며; 풀링 단계에서, 변환된 이미지의 차원은 예를 들어 인접한 픽셀 간의 최대 또는 최소 또는 평균 수학적 연산에 의해 감소된다. 따라서, 컨볼루션 및 풀링 단계는 복수의 이미지 특징의 값을 획득하기 위해 사용된다.
실시예에서, 신경망은 복수의 이미지 특징의 값을 추출(즉, 도출)하도록 미리 훈련되고; 실시예에서, 신경망은 (예를 들어, 데이터세트 "ImmageNet"에 기초하여) 이미지 내의 피사체를 식별하도록 구성된 공지된 신경망(또는 그 일부)을 포함할 수 있다.
실시예에서, 컨볼루션 신경망은 (참조 데이터의 일부를 형성하는) 참조 값과 비교되는, 복수의 이미지 특징의 값에 기초하여 이미지를 분류하도록 구성된다. 일 실시예에서, 이미지는 양호한 패리슨 또는 결함 있는 패리슨을 나타내는 것으로 분류된다; 다른 실시예에서, 이미지는 양호한 패리슨 또는 특정 결함을 갖는 패리슨을 나타내는 것으로 분류된다. 실시예에서, 신경망은 복수의 이미지 특징의 값에 기초하여 이미지를 분류하는 "이상 검출(anomaly-detection)" 분류기 또는 "완전-연결된(fully-connected)" 네트워크를 포함한다. 예를 들어, 추출(즉, 이미지 특징의 값을 도출)하기 위해, "ImageNet"와 같은 데이터세트에 기초하여 알려진 네트워크의 일부 - 컨볼루션 및 풀링을 포함하는 네트워크(그러므로 미리 훈련된 네트워크) - 가 사용되고, 이미지를 분류하기 위해, (바람직하게는 양호한 패리슨의 예 및 결함 있는 패리슨의 예로) 자체 학습 시스템에 의해 훈련된 그리고 이미지 특징의 값에 기초하여 양호한 패리슨을 결함 있는 패리슨으로부터 구별할 수 있는 "완전-연결된" 네트워크가 사용된다.
실시예에서, 학습 시스템은 "생성적 대립쌍 네트워크(Generative Adversarial Network)(GAN)로 알려진 유형의 신경망을 포함한다; 생성적 대립쌍 네트워크는 생성기 및 판별기를 포함하고, 생성기는 (검출기에 의해 캡처된 실제 이미지로부터 컨볼루션 단계로 획득된) 복수의 이미지 특징을 사용하여 대응하는 재구성된 이미지를 생성하고 이를 판별기에 전달한다; 판별기는 수신된 이미지가 실제인지 - 즉, 검출기에 의해 캡처된 것인지 - 또는 재구성된 것인지를 구별하도록 시도하고, 생성기에 피드백을 전송한다; 판별기의 피드백에 기초하여, 생성기는 가능한 한 실제 이미지와 유사한 재구성된 이미지를 생성하도록 (예를 들어, 판별기가 이것을 실제라고 간주하도록) 학습한다. 훈련 동안, GAN은 바람직하게는 양호한 패리슨의 이미지를 수신한다; 따라서, 자체 학습 시스템에 의해 결정된 참조 데이터(및 이미지 특징)가 처리 시스템에 의해 패리슨을 검사하는데 사용될 때, 판별기는 결함 있는 패리슨과 관련된 이미지만을 재구성된 이미지로 인식한다.
바람직한 실시예에서, 자체 학습 시스템은 "오토인코더(autoencoder)" 컨볼루션 신경망을 포함한다. 실시예에서, 참조 데이터는 제1 참조 데이터 세트 및 제2 참조 데이터 세트를 포함한다. 제1 참조 데이터 세트는 일련의 컨볼루션 단계(예를 들어, 이것은 복수의 컨볼루션 필터를 포함함)에 관련된다; 제2 참조 데이터 세트는 일련의 업샘플링 단계에 관련된다. 특히, 제2 참조 데이터 세트는 일련의 디컨볼루션 단계(예를 들어, 이것은 복수의 디컨볼루션 필터를 포함함)와 관련될 수 있다.
오토인코더 신경망은, 일련의 컨볼루션 단계에 관련된 제1 참조 데이터 세트에 기초하여 이미지로부터 복수의 참조 특징의 값을 추출(즉, 도출)하고, 일련의 디컨볼루션 단계에 관련된 제2 참조 데이터 세트에 기초하여, 복수의 이미지 특징의 값을 사용하여 재구성된 이미지를 재구성(즉, 재구성된 이미지를 생성)하도록 구성된다.
오토인코더 네트워크를 포함하는 실시예에서, 학습 시스템은 양호한 패리슨의 복수의 이미지를 입력으로 수신하여 제1 참조 데이터 세트에 기초하여 이미지 특징의 대응하는 값을 도출하도록 구성된다; 학습 시스템은 이미지 특징의 값을 사용하고 디컨볼루션 단계와 관련된 제2 참조 데이터 세트에 기초하여 복수의 재구성된 이미지를 생성하도록 구성된다; 마지막으로, 자체 학습 시스템은 복수의 재구성된 이미지를 대응하는 복수의 원래의 이미지와 비교하고, 검출기에 의해 캡처된 원래의 이미지와 대응하는 재구성된 이미지 사이의 차이를 최소화하기 위해 참조 데이터(구체적으로, 제1 참조 데이터 세트 또는 제2 참조 데이터 세트, 또는 조합된 제1 및 제2 참조 데이터 세트 모두)를 업데이트하도록 구성된다. 보다 구체적으로, 실시예에서, 자체 학습 시스템은, 각각의 이미지에 대해, (예를 들어, 다음과 같은 함수: 표준 l1, 표준 l2, "SSIM" 구조적 유사성 지수, "PSNR" 피크 신호 대 잡음비, "HaarPSI" 하르 웨이블릿(Haar wavelet) 기반 지각 유사성 지수 중 하나 또는 이러한 함수 중 둘 이상의 조합을 이용하여 계산된) 유사 파라미터를 도출하고, 유사 파라미터가 이미지 간의 차이에 정비례하면, 유사 파라미터를 최소화하고(즉, 특정 문턱치 미만이 되게 하고), 또는 그 반대로도 가능하고, 유사 파라미터가 이미지 간의 유사성에 정비례하면, 유사 파라미터를 최대화하도록(즉, 특정 문턱치를 초과하도록) 구성된다. 오토인코더 네트워크를 포함하는 실시예에서, 학습 시스템은, 제1 및 제2 참조 데이터 세트와 조합하여, 결함 없는 패리슨의 이미지를 가장 잘 표현하는 이미지 특징을 식별하고 이를 도출하기 위한 컨볼루션 단계 및 이러한 이미지 특징을 이용하여 재구성된 이미지를 생성하기 위한 디컨볼루션 단계를 공동으로 식별하기 위해, 네트워크의 필터(및 결과적으로 복수의 이미지 특징)를 업데이트하도록 구성된다. 바람직하게는, 오토인코더 네트워크를 포함하는 자체 학습 시스템은, 이미지를 인코딩할 때 적어도 하나의 미리 결정된 기준(즉, 제약)으로 제한된다; 예를 들어, 기준은 복수의 이미지 특징에 대해 식별될 수 있는 최대 개수의 이미지 특징을 고려할 수 있다. 따라서, 실제로 인코딩 작업은 이미지의 압축을 구성한다.
따라서, 실시예에서, 자체 학습 시스템은 처리 시스템이 패리슨을 검사하기 위해 사용하는 참조 데이터 및 이미지 특징을 학습하도록 구성된다. 오토인코더 네트워크를 포함하는 실시예에서, 자체 학습 시스템은 양호한 복수의 패리슨으로 훈련된다; 따라서, 자체 학습 시스템은 (즉, 검출기에 의해 캡처된 이미지와 대응하는 재구성된 이미지 사이의 유사성이 높은) 양호한 패리슨의 이미지를 정확하게 재구성하기 위해 사용되는 참조 데이터 및 이미지 특징을 결정하고. 이러한 참조 데이터 및 이미지 특징을 결함 있는 패리슨에 적용할 때, 재구성된 이미지는 대응하는 캡처된 이미지와 크게 상이하며, 처리 시스템은 이를 비교할 때, 패리슨을 결함 있는 것으로 식별한다.
캡처된 이미지와 재구성된 이미지 사이의 비교는 네트워크 학습(또는 훈련) 동안 및 검사 동안 수행되는 것으로 관찰된다; 훈련에 사용되는 유사 파라미터는 검사 동안 사용될 유사 파라미터와 상이할 수 있다. 특히, "PSNR", "HaarPSI" 함수는 훈련 동안이 아닌 검사 동안 사용하는 것이 바람직하다. 예를 들어, 훈련을 위해 "SSIM" 함수 또는 표준 I1 함수 또는 표준 I2 함수를 사용하고, 검사를 위해 "PSNR" 함수 또는 "HaarPSI" 함수를 사용하도록 제공된다.
바람직하게는, 자체 학습 시스템(또는 처리 시스템)은 이미지 특징의 값을 도출하기 위해 이미지를 인코딩하는 역할을 하는 제1 신경망 (하위 신경망) 및 이미지를 재구성하기 위해 이미지 특징의 값을 디코딩하는 역할을 하는 제2 신경망 (하위 신경망)을 포함한다; 제1 및 제2 신경망 (하위 신경망)은 공동으로 훈련된다. 제1 및 제2 신경망 (하위 신경망)은 단일 신경망의 일부일 수 있다.
본 개시내용은 또한 열가소성 재료로부터 용기를 제조하기 위한 라인을 제공한다.
실시예에서, 라인은 패리슨을 제조하도록 구성된 성형 머신을 포함한다. 실시예에서, 성형 머신은 사출 성형 머신이다. 실시예에서, 성형 머신은 (회전 머신일 수 있는) 압축 성형 머신이다.
실시예에서, 라인은 패리슨을 가열 및/또는 냉각하는 열 조절 유닛을 포함한다. 설명의 편의를 위해, 온도 조절 유닛은 본 개시내용의 범위를 제한하지 않고 이하에 "가열 오븐"이라 지칭된다. 가열 오븐은 성형 머신에서 나오는 패리슨을 수용하도록 구성되며 패리슨을 가열하기 위한 가열 수단이 장착되어 있다.
실시예에서, 라인은 패리슨을 수용하고 용기를 제조하기 위한 몰드에서 블로우 성형하도록 구성된 블로우 성형 머신을 포함한다. 바람직하게는 블로우 성형 머신은 가열 오븐에서 가열된 패리슨을 수용하도록 구성된다. 오븐은 블로우 성형 머신에 통합될 수 있다.
실시예에서, 블로우 성형 머신 및 패리슨 성형 머신은 열가소성 재료의 용기를 제조하기 위해 함께 작동하는 (심지어 별도의 공장에 설치된) 서로 다른 라인에 위치할 수 있다: 사실상 성형 머신은 블로우 성형 머신을 포함하는 라인에 공급되는 패리슨을 제조한다. 오븐은 블로우 성형 이전에 패리슨을 가열하기 위해 블로우 성형 머신의 상류에 블로우 성형 머신을 포함하는 라인에 통합되는 것이 바람직하다.
실시예에서, 라인은 패리슨을 수용하여 저장하는 (자동일 수 있는) 저장 유닛을 포함한다; 저장 유닛은 패리슨을 성형 머신으로부터 수신하고 패리슨을 블로우 성형 머신, 또는 오븐에 공급하도록 구성된다.
실시예에서, 라인은 본 개시내용의 하나 이상의 양태에 따른 패리슨의 광학 검사용 디바이스를 포함한다. 광학 검사 디바이스는 성형 머신의 라인 하류에 위치한다. 광학 검사 디바이스는 블로우 성형 머신의 라인 상류에 위치한다. 실시예에서, 광학 검사 디바이스는 성형 머신의 하류 및 오븐의 상류에 위치한다. 실시예에서, 광학 검사 디바이스는 오븐의 하류 및 블로우 성형 머신의 상류에 위치한다. 디바이스가 블로우 성형 머신의 상류에 있다는 사실은 비정상적인 스트레스 프로파일로 인해 블로우 성형 동안 폭발하기 이전에 결함 있는 패리슨을 식별할 수 있도록 한다. 실시예에서, 광학 검사 디바이스는 저장 유닛 내에 또는 저장 유닛을 라인의 다른 부분에 연결하는 컨베이어 상에 위치할 수 있다.
실시예에서, 광학 검사 디바이스는 섭씨 30도 내지 70도(바람직하게는 섭씨 50도 내지 60도)의 온도에서 패리슨을 검사하는 방식으로 라인 상에 위치한다. 패리슨은, 예를 들어, 성형 머신에서 나올 때 이러한 온도에 있을 수 있다.
실시예에서, 광학 검사 디바이스는 주변 온도(예를 들어, 섭씨 5 내지 30도)에서 패리슨을 검사하는 방식으로 라인 상에 위치한다. 패리슨은 성형 이후 다시 저장 또는 냉각되는 경우 상온에 있을 수 있다.
바람직하게는, 광학 검사 디바이스는 섭씨 60도 이하(바람직하게는 섭씨 50도 이하)의 온도에서 패리슨을 검사하는 방식으로 라인 상에 위치한다; 실제로, 더 높은 온도에서, 패리슨은 그 응력 프로파일을 달라지게 할 수도 있는 변형을 받을 수 있다.
실시예에서, 광학 검사 디바이스는 오븐에 통합된다. 광학 검사 디바이스가 오븐에 (바람직하게는 히터의 상류, 즉 오븐 입구에) 통합되면, 오븐 내부에 개별화하여 순서대로 패리슨을 위치 설정하는 것을 활용할 수 있다.
다른 실시예에서, 본 개시내용에 따른 광학 검사 디바이스는 오프라인에 위치하며, 고속 리뷰 머신 또는 저속 샘플링 머신에 통합된다.
본 개시내용은 또한 패리슨의 광학 검사용 방법에 관한 것이다. 광학 검사 방법은 검사 위치에 위치한 패리슨을 향한 광 빔을 조명기로 방출하는 단계를 포함한다. 광학 검사 방법은 검사 위치에 위치한 패리슨의 이미지를 검출기로 캡처하는 단계를 포함한다. 검사 위치에서, 패리슨은 조명기와 검출기 사이에 작동 가능하게 개재되어 있다. 따라서, 캡처된 이미지는 백라이트 이미지이다.
실시예에서, 광학 검사 방법은 조명기와 패리슨 사이에 개재된 방출 편광 필터 상의 조명기에 의해 방출되는 광 빔을 인터셉트함으로써 편광된 광 빔을 생성하는 단계를 포함한다.
실시예에서, 광학 검사 방법은 수신 편광 필터 상에서 편광된 광 빔을 수신하는 단계를 포함한다. 검사 위치에서, 패리슨은 방출 편광 필터와 수신 편광 필터 사이에 작동 가능하게 개재된다.
실시예에서, 패리슨은 폴리머 체인(바람직하게는 PET)을 포함하는 재료로 제조된다. 실시예에서, 검출기에 의해 캡처된 이미지는 PET의 폴리머 체인이 받는 응력을 나타내는 색상 패턴을 포함한다.
실시예에서, 광학 검사 방법은 (처리 시스템을 사용하여) 이미지를 처리하는 단계를 포함한다. 실시예에서, 처리하는 단계에서, 검출기에 의해 캡처된 이미지는 메모리에 포함된 참조 데이터에 기초하여 처리된다. 실시예에서, 처리 단계는 패리슨의 결함에 대한 진단 표시를 도출하는 단계를 포함한다.
실시예에서, 처리하는 단계는, 이미지로부터 복수의 이미지 특징의 값을 도출하기 위해, 참조 데이터에 기초하여, 검출기에 의해 캡처된 이미지를 인코딩하는 하위 단계를 포함한다.
실시예에서, 처리하는 단계는 복수의 이미지 특징을 처리하여 패리슨의 결함에 대한 진단 표시를 도출하는 단계를 포함한다. 보다 구체적으로, 실시예에서, 처리하는 단계는 복수의 이미지 특징의 값으로부터 그리고 참조 데이터에 기초하여 재구성된 이미지를 생성하는 하위 단계를 포함한다. 실시예에서, 처리하는 단계는 검출기로 캡처된 이미지와 재구성된 이미지를 비교하는 함수로서 패리슨의 결함에 대한 진단 표시를 도출하는 하위 단계를 포함한다.
실시예에서, 방법은 (처리 시스템에 연결된 자체 학습 시스템에 의해 수행되는) 자체 학습의 단계를 포함한다.
실시예에서, 자체 학습하는 단계는 대응하는 복수의 패리슨에 대한 복수의 이미지를 캡처하는 하위 단계를 포함한다. 실시예에서, 자체 학습하는 단계는, 복수의 이미지 중 각각의 이미지로부터, (복수의 이미지 특징 중 최대 개수의 이미지 특징에 대한 제약을 포함할 수 있는) 미리 결정된 기준에 따라, 복수의 이미지 특징의 대응하는 값을 도출하는 것을 비롯하여, 참조 데이터에 기초하여 복수의 이미지의 각각의 이미지를 인코딩하는 하위 단계를 포함한다. 실시예에서, 자체 학습하는 단계는, 복수의 이미지의 각각의 이미지에 대해, 복수의 이미지 특징의 대응하는 값으로부터 그리고 참조 데이터에 기초하여 재구성된 대응하는 이미지를 생성하는 하위 단계를 포함한다. 실시예에서, 자체 학습하는 단계는 복수의 이미지의 각각의 이미지를 대응하는 재구성된 이미지와 비교하고, 검출기에 의해 캡처된 이미지와 대응하는 재구성된 이미지 사이의 유사성을 나타내는 대응하는 유사 파라미터를 도출하는 하위 단계를 포함한다. 실시예에서, 자체 학습하는 단계는 유사 파라미터 및 미리 결정된 문턱 값의 함수로서 참조 데이터 및/또는 복수의 이미지 특징을 업데이트하는 하위 단계를 포함한다. 보다 구체적으로, 참조 데이터 및 복수의 이미지 특징은 유사 파라미터가 미리 결정된 문턱 값보다 작게(또는 크게) 되는 방식으로 업데이트된다.
실시예에서, 자체 학습하는 단계 동안 카메라에 의해 캡처된 복수의 이미지의 이미지는 대응하는 복수의 무결함 패리슨을 나타낸다. 결함 있는 패리슨을 발견하기 어렵기 때문에 자체 학습 시스템이 결함 있는 패리슨의 이미지를 입력으로서 수신할 필요가 없다는 사실은 매우 유리하다.
바람직하게는, 방출 편광 필터 및 수신 편광 필터는 자체 학습하는 단계 및 처리하는 단계에서 동일한 미리 결정된 배향(예를 들어, 평행 또는 수직)에 따라 서로에 대해 배향된다.
실시예에서, 방법은 복수의 패리슨 중 패리슨을 검사 위치에 한 번에 하나씩 (연속적으로) 공급하는 단계를 포함한다. 실시예에서, 패리슨은 방출 편광 필터 및 수신 편광 필터에 대해 상대적인 미리 결정된 배향에 따라 공급된다. 그 배향은 자체 학습하는 단계 및 처리하는 단계에서 동일하다. 복수의 패리슨의 각각의 패리슨의 이미지는 패리슨이 검사 위치에 있을 때 캡처된다.
실시예에서, 프로세서는 무작위로 배향된 이미지를 처리하도록 (예를 들어, 이미지를 미리 결정된 배향으로 되게 회전시키도록) 구성된다; 따라서, 실시예에서, 디바이스는 패리슨의 배향에 불변적이다.
실시예에서, 처리 시스템은 패리슨의 이미지를 실시간으로 (이미지가 캡처되는 즉시) 처리하도록 구성된다. 일 실시예에서, 디바이스가 패리슨을 결함 있는 것으로서 식별하는 진단 표시를 제공할 때, 라인은 작업자가 결함 있는 패리슨을 제거할 수 있도록 중지하거나 결함 있는 패리슨을 스스로 제거하도록 구성된다.
다른 실시예에서, 처리 시스템은 패리슨의 이미지를 캡처하여 전처리 모드에서 처리하도록 구성된다. 이 경우에, 시스템은 이미지가 진단 결함 패리슨 표시를 생성한 패리슨을 식별할 수 있도록 각각의 이미지를 각각의 패리슨과 연관시키도록 구성된다.
본 개시내용은 또한 패리슨의 이미지를 처리하기 위한 방법에 관한 것이다. 실시예에서, 이미지 처리 방법은 복수의 이미지 특징의 값을 도출하는 단계를 비롯하여, 이미지를 인코딩하는 단계를 포함한다. 실시예에서, 이미지 처리 방법은 복수의 이미지 특징의 함수로서 재구성된 이미지를 생성하는 단계를 포함한다. 실시예에서, 이미지 처리 방법은 카메라에 의해 캡처된 이미지를 재구성된 이미지와 비교하는 함수로서 패리슨의 결함에 대한 진단 표시를 도출하는 단계를 포함한다.
실시예에서, 이미지 처리 방법은 (본 개시내용에 기재된 하나 이상의 양태에 따른) 자체 학습하는 단계를 포함한다.
본 개시내용은 또한 (프로세서, 구체적으로 본 개시내용에 설명된 하나 이상의 양태에 따른 디바이스의 처리 유닛에 의해 실행될 때) 본 개시내용에 설명된 하나 이상의 양태에 따른 처리 방법의 단계를 수행하도록 구성된 작동 명령어를 포함하는 컴퓨터 프로그램(소프트웨어)에 관한 것이다.
이러한 특징 및 다른 특징은 첨부된 도면에서 비제한적인 예로서 예시된 바람직한 실시예의 다음의 상세한 설명으로부터 더욱 명백해질 것이다.
도 1은 본 개시내용에 따른 광학 검사 디바이스를 예시한다.
도 2는 도 1의 광학 검사 디바이스에 의해 이미지가 처리되는 프로세스를 나타낸다.
도 3은 도 1의 광학 검사 디바이스에 의해 이미지에 대해 수행된 자체 학습 프로세스를 나타낸다.
도 4a, 도 4b 및 도 4c는 각각 결함 없는 패리슨에 대해, 카메라에 의해 캡처된 이미지, 재구성된 이미지, 및 캡처된 이미지와 재구성된 이미지 사이의 비교를 도시한다.
도 5a, 도 5b 및 도 5c는 각각 결함 패리슨에 대해, 카메라에 의해 캡처된 이미지, 재구성된 이미지, 및 캡처된 이미지와 재구성된 이미지 사이의 비교를 각각 도시한다.
도 6은 도 1의 디바이스를 포함하는, 열가소성 재료의 용기를 제조하기 위한 라인을 예시한다.
도 1은 본 개시내용에 따른 광학 검사 디바이스를 예시한다.
도 2는 도 1의 광학 검사 디바이스에 의해 이미지가 처리되는 프로세스를 나타낸다.
도 3은 도 1의 광학 검사 디바이스에 의해 이미지에 대해 수행된 자체 학습 프로세스를 나타낸다.
도 4a, 도 4b 및 도 4c는 각각 결함 없는 패리슨에 대해, 카메라에 의해 캡처된 이미지, 재구성된 이미지, 및 캡처된 이미지와 재구성된 이미지 사이의 비교를 도시한다.
도 5a, 도 5b 및 도 5c는 각각 결함 패리슨에 대해, 카메라에 의해 캡처된 이미지, 재구성된 이미지, 및 캡처된 이미지와 재구성된 이미지 사이의 비교를 각각 도시한다.
도 6은 도 1의 디바이스를 포함하는, 열가소성 재료의 용기를 제조하기 위한 라인을 예시한다.
첨부된 도면을 참조하면, 숫자 1은 패리슨(2)을 검사하도록 구성된 광학 검사 디바이스를 나타낸다.
패리슨(2)은 실질적으로 원통형인 몸체(200)를 포함한다. 패리슨(2)(또는, 몸체(200))은 대칭의 축(A)을 정의한다. 따라서, 몸체(200)는 대칭 축(A)을 중심으로 원통형 대칭이다. 패리슨(2)은 닫힌 바닥(201)을 포함한다. 패리슨(2)은 개방부를 정의하는 넥(neck)(202)을 포함한다. 패리슨(2)은 링(203)을 포함한다.
디바이스(1)는 검사 위치(10)에서 패리슨(2)을 수용하도록 구성된다. 실시예에서, 검사 위치는 검사 포켓에 의해 정의된다. 실시예에서, 검사 포켓은 (바람직하게는 링(203)을 지지함으로써) 패리슨(2)을 유지하도록 구성된 지지 요소(11)를 포함한다.
디바이스(1)는 조명기(3)를 포함한다. 조명기(3)는 광원(31)을 포함한다. 광원(31)은 패리슨(2)을 향한 (즉, 검사 위치(10)에서) 광 빔을 방출하도록 구성된다. 조명기(3)는 방출 편광 필터(32)를 포함한다. 실시예에서, 방출 편광 필터(32)는 광원(31)에 연결된다. 방출 편광 필터(32)는 광원(31)에 의해 방출되는 광 빔을 인터셉트하고 이것을 편광하도록 구성된다. 따라서, 패리슨(2)은 방출 편광 필터(32)로부터 편광된 광 빔을 수신하여 이것을 굴절한다.
디바이스(1)는 검출기(4)를 포함한다. 검출기(4)는 카메라(41)를 포함한다. 검출기는 수신 편광 필터(42)를 포함한다. 실시예에서, 수신 편광 필터(42)는 카메라(41)에 연결된다. 수신 편광 필터(42)는 패리슨(2)에 의해 굴절된 광 빔을 수신하고 이것을 편광한다. 따라서, 카메라(41)는 방출 편광 필터(32)에 의해 편광되고, 패리슨에 의해 굴절되며, 수신 편광 필터(42)에 의해 더 편광되는 광 빔을 수신한다. 카메라(41)는 패리슨(2)의 이미지(20)를 캡처(또는 획득)하도록 구성된다.
조명기(3)는 패리슨(2)을 몸체(200)의 제1 측면(200A)에 대해 측방으로 조명한다. 검출기(4)는 패리슨(2)의 측면 이미지를 몸체(200)의 제1 측면(200A)에 대해 반대인 몸체(200)의 제2 측면(200B)에 대해 캡처한다.
디바이스(1)는 메모리(5)를 포함한다. 메모리(5)는 참조 데이터를 포함한다. 보다 구체적으로, 메모리(5)는 적어도 제1 참조 데이터 세트(51) 및 제2 참조 데이터 세트(52)를 포함한다; 실시예에서, 제1 참조 데이터 세트(51) 및 제2 참조 데이터 세트(52)는 서로 구별된다.
디바이스(1)는 프로세서(6)를 포함한다. 프로세서(6)는 메모리(5)에 연결된다. 프로세서(6)는, 패리슨(2)의 결함에 관한 진단 표시(23)를 도출하기 위해, 참조 데이터 세트(51, 52)에 기초하여 카메라(41)에 의해 캡처된 이미지(20)를 처리하도록 프로그램된다. 보다 구체적으로, 프로세서(6)는 복수의 이미지 특징(21)의 값을 도출하기 위해 제1 참조 데이터 세트(51)의 함수로서 이미지(20)를 인코딩하는 단계(61)를 수행하도록 프로그램된다. 프로세서(6)는 또한 이미지 특징(21)을 디코딩하는 단계(62)를 수행하여, 제2 참조 데이터 세트(52)에 기초하여 재구성된 이미지(22)를 생성하도록 구성된다.
프로세서(6)는 재구성된 이미지(20)를 캡처된 이미지(22)와 비교하여 패리슨(2)의 결함에 관한 진단 표시(23)를 도출하는 단계(63)를 수행하도록 구성된다.
실시예에서, 진단 표시는 캡처된 이미지(20)와 재구성된 이미지(22) 사이(또는 그 반대)의 차이에 의해 주어진 에러 맵(25)을 포함한다. 도면에 도시된 실시예에서, 에러 맵(25)은 패리슨이 양호하면 균일한 음영을 나타내고 또는 패리슨에 결함이 있으면 반점 음영(patched shading)을 나타낸다.
실시예에서, 진단 표시(23)는 유사 파라미터(24)를 포함하며, 유사 파라미터의 값은 캡처된 이미지(20)와 재구성된 이미지(22) 사이의 유사성의 정도로 상관된다. 실시예에서, 프로세서(6)는 에러 맵(25)에 기초하여 유사 파라미터(24)를 도출하도록 프로그램된다. 실시예에서, 진단 표시(23)는 패리슨이 양호한지 또는 결함 있는지(예를 들어, 유사 파라미터(24)를 미리 결정된 문턱 값과 비교하여 계산됨)를 표시하는 이진 파라미터 값을 포함한다.
실시예에서, 디바이스(1)(또는 바람직하게는 처리 시스템)는 자체 학습 시스템(7)을 포함한다. 자체 학습 시스템(7)은 바람직하게는 프로세서(6)에 통합된다. 자체 학습 시스템(7)은 메모리(5)에 연결된다.
자체 학습 시스템(7)은 대응하는 복수의 패리슨(2)에 대해 복수의 캡처된 이미지(20)를 수신하도록 구성된다. 자체 학습 시스템(7)은 바람직하게는, 시스템이 수신하는 각각의 이미지에 대해, 다음과 같은 단계: 복수의 이미지 특징(21)을 도출하기 위해, 제1 참조 데이터 세트(51)에 기초하여 이미지(20)를 인코딩하는 단계(61); 제2 참조 데이터 세트(52)에 기초하여 이미지 특징(21)을 디코딩하여 재구성된 이미지(22)를 생성하는 단계(62); 재구성된 이미지(22)를 캡처된 이미지(20)와 비교하여 캡처된 이미지(20)와 재구성된 이미지(22) 사이의 유사성을 나타내는 유사 파라미터(24)를 도출하는 단계(63); 그 유사 파라미터에 대해 미리 결정된 문턱 값(72)과 관련하여 유사 파라미터(24)를 평가하는 단계(70); 유사 파라미터(24)가 문턱치 파라미터(72)를 초과할 때까지 (또는 미만일 때까지) 제1 참조 데이터 세트(51), 제2 참조 데이터 세트(52) 및 이미지 특징(21)을 (반복적으로) 업데이트하는 단계를 수행하도록 구성된다.
따라서, 자체 학습 시스템(7)은 인코딩 동작(61) 및 디코딩 동작(62)을 최적화하는 과제를 해결하며, 여기서, 유사 파라미터(24)를 최소화하기 위해, 즉, 이것을 특정 문턱치 미만이 되도록 하기 위해, (또는 이것을 최대화, 즉, 특정 문턱치를 초과되도록 하기 위해), 제1 참조 데이터 세트(51) 및 제2 참조 데이터 세트(52)(및 필요한 경우 이미지 특징(21)의 세트)에 의해 변수가 정의된다. 그러므로, 바람직하게는, 제1 참조 데이터 세트(51) 및 제2 참조 데이터 세트(52)는 짝지어서 업데이트된다.
자체 학습 시스템(7)은 인코딩 및 디코딩 동작(61 및 62)을 양호한 패리슨(2)의 이미지(20)로 최적화하기 때문에, 최적화의 결과로서 결정된 참조 데이터 세트(51, 52)(및, 필요한 경우, 이미지 특징(21)의 세트)는, 양호한 패리슨(2)의 경우, 캡처된 이미지(20)와 재구성된 이미지(22) 사이의 차이가 최소화되고, 다른 한편으로, 이러한 작동은 결함 있는 패리슨(2)의 경우 최적화되지 않기 때문에, 결함 있는 패리슨의 경우에 재구성된 이미지(22)는 캡처된 이미지(20)와 크게 상이하고, (그 차이를 인지하는) 프로세서(6)는 패리슨에 결함이 있음을 보여주는 진단 표시(23)를 생성한다.
바람직하게는, 인코딩하는 단계(62) 디코딩하는 단계(62), 비교하는 단계(63), 참조 데이터 세트(51, 52)(및 필요하다면, 이미지 특징(21))를 평가 및 업데이트하는 단계(70)는 각각의 이미지(20)에 대해 자체 학습 시스템(7)에 의해 반복적으로 수행된다(즉, 유사 파라미터(24)를 최소화 또는 최대화하기 위해 필요한 모든 반복은 제1 패리슨(2)에 대해 먼저 수행되고, 다음으로 제2 패리슨(2)에 대해 수행되는 방식 등등으로 수행된다). 실시예에서, 자체 학습 시스템은 또한, 모든 이미지(20)에 대해 인코딩 단계(61), 디코딩 단계(62), 비교 단계(63) 및 평가 단계(70)를 수행하는 제1 반복을 수행할 수 있다; 그런 다음, 모든 패리슨(2)에 대해 획득한 유사 파라미터(24)로부터 시작하여, 자체 학습 시스템은 참조 데이터 세트(51, 52)(필요한 경우, 이미지 특징(21))를 업데이트하고, 모든 이미지(20)에 대해 인코딩 단계(61), 디코딩 단계(62), 비교 단계(63) 및 평가 단계(70)를 다시 수행하는 제2 반복을 계속하는 방식 등등을 계속한다.
본 개시내용은 또한 열가소성 재료의 용기, 예를 들어 병을 제조하기 위한 라인(100)에 관한 것이다.
라인(100)은 패리슨(2)을 제조(즉, 성형)하도록 구성된 성형 머신(101)을 포함한다. 실시예에서, 성형 머신(101)은 회전 머신이다. 라인(100)은 또한 성형된 패리슨(2)을 수용하고 이를 가열하도록 구성된 가열 오븐(102)을 포함한다. 라인(100)은 용기를 제조하기 위해 패리슨(2)을 블로우 성형하도록 구성된 블로우 성형 머신(103)을 포함한다. 실시예에서 블로우 성형 머신(103)은 회전 머신이다.
바람직하게는, 라인(100)은 패리슨(2)을 성형 머신(101)에서 가열 오븐(102)으로 이송하도록 구성된 제1 이송 캐러셀(106)을 포함한다. 바람직하게는, 라인(100)은 패리슨(2)을 가열 오븐(102)으로부터 블로우 성형 머신(103)으로 이송하도록 구성된 제2 이송 캐러셀(107)을 포함한다. 실시예에서, 라인(100)은 블로우 성형되기 이전에 성형된 패리슨(2)을 저장하는 저장 유닛(104)을 포함한다. 실시예에서, 라인(100)은 패리슨(2)이 저장 유닛(104)을 떠나고/떠나거나 저장 유닛에 들어오는 것을 지향하도록 구성된 패리슨 지향 디바이스(105)를 포함한다. 실시예에서, 라인(100)은 패리슨(2)을 저장 유닛(104)의 내부 및/또는 외부로 운반하도록 구성된 컨베이어(108)를 포함한다. 컨베이어(108)는 패리슨(2)을 저장 유닛(104)으로부터 가열 오븐(102)으로 공급한다.
Claims (35)
- 패리슨(2)의 광학 검사용 디바이스(1)로서,
- 검사 위치(10)에 위치한 패리슨(2)을 향한 광 빔을 방출하도록 구성된 광원(31)을 포함하는 조명기(3);
- 상기 검사 위치(10)에 위치한 상기 패리슨(2)의 이미지(20)를 캡처하도록 구성된 카메라(41)를 포함하는 검출기(4) - 상기 패리슨(2)은, 상기 검사 위치(10)에서, 상기 조명기(3)와 상기 검출기(4) 사이에서 작동 가능하게 개재됨 - 를 포함하고,
상기 조명기(3)가 상기 광원(31)에 의해 방출된 상기 광 빔을 인터셉트하고 편광된 광 빔을 생성하도록 구성된 방출 편광 필터(32)를 포함하는 것, 및 상기 검출기(4)가 상기 편광된 광 빔을 수신하도록 구성된 수신 편광 필터(42)를 포함하여, 상기 패리슨(2)이, 검사 위치(10)에서, 상기 방출 편광 필터(32)와 상기 수신 편광 필터(42) 사이에서 작동 가능하게 개재되는 것을 특징으로 하는
패리슨의 광학 검사용 디바이스. - 제1항에 있어서,
참조 데이터 세트(51, 52)를 포함하는 메모리(5);
상기 패리슨(2)의 결함에 대한 진단 표시(23)를 도출하기 위해, 상기 참조 데이터 세트(51, 52)에 기초하여 상기 검출기(4)에 의해 캡처된 이미지(20)를 처리하도록 프로그램된 프로세서(6)를 포함하는 처리 유닛을 더 포함하는
패리슨의 광학 검사용 디바이스. - 제2항에 있어서,
상기 처리 유닛은,
- 복수의 이미지 특징(21)의 이미지(20) 값으로부터 도출하기 위해, 상기 참조 데이터 세트(51, 52)에 기초하여 상기 검출기(4)에 의해 캡처된 상기 이미지(20)를 처리하고,
- 상기 복수의 이미지 특징(21)의 값을 처리하여 상기 패리슨(2)의 결함에 대한 상기 진단 표시(23)를 도출하도록 구성되는
패리슨의 광학 검사용 디바이스. - 제3항에 있어서,
상기 처리 유닛은,
- 상기 복수의 이미지 특징(21)의 값으로부터 그리고 상기 참조 데이터 세트(51, 52)에 기초하여 재구성된 이미지(22)를 생성하고;
- 상기 검출기(4)에 의해 캡처된 상기 이미지(20)를 상기 재구성된 이미지(22)와 비교하는 함수로서 상기 패리슨(2)의 결함에 대한 상기 진단 표시(23)를 도출하도록 구성되는
패리슨의 광학 검사용 디바이스. - 제5항에 있어서,
- 상기 검출기(4)에 의해 캡처된, 대응하는 복수의 패리슨(2)에 대한 복수의 이미지(20)를 입력으로서 수신하고;
- 각각의 이미지(20)에 대해, 미리 결정된 기준에 기초한 상기 복수의 이미지 특징(21)에 대한 대응 값을 도출하기 위해, 상기 참조 데이터 세트(51, 52)에 기초하여 상기 검출기(4)에 의해 캡처된 상기 복수의 이미지(20)의 각각의 이미지(20)를 처리하고;
- 상기 복수의 이미지(20)의 각각의 이미지(20)에 대해, 상기 참조 데이터 세트(51, 52)에 기초하여, 상기 복수의 이미지 특징(21)에 대해 상기 대응하는 도출된 값을 사용하여, 대응하는 재구성된 이미지(22)를 생성하고;
- 상기 복수의 이미지(20)의 각각의 이미지(20)에 대해, 상기 검출기(4)에 의해 캡처된 이미지(20)와 상기 대응하는 재구성된 이미지(22) 사이의 유사성을 나타내는 대응하는 유사 파라미터(24)를 도출하기 위해, 상기 검출기(4)에 의해 캡처된 상기 복수의 이미지(20)의 각각의 이미지(20)를 대응하는 재구성된 이미지(22)와 비교하고;
- 상기 복수의 이미지(20)의 각각의 이미지(20)에 대해, 상기 참조 데이터 세트(51, 52)를 상기 유사 파라미터(24) 및 상기 유사 파라미터(24)에 대한 미리 결정된 문턱 값(72)의 함수로서 업데이트하도록 구성된 자체 학습 시스템(7)을 포함하는
패리슨의 광학 검사용 디바이스. - 제5항에 있어서,
상기 자체 학습 시스템(7)은 상기 유사 파라미터(24) 및 상기 미리 결정된 문턱 값(72)의 함수로서 상기 복수의 이미지 특징(21)을 업데이트하도록 구성되는
패리슨의 광학 검사용 디바이스. - 제5항 또는 제6항에 있어서,
상기 미리 결정된 기준은 상기 복수의 이미지 특징(21)에 대해 최대 개수의 이미지 특징(21)을 포함하는
패리슨의 광학 검사용 디바이스. - 제5항 내지 제7항 중 어느 한 항에 있어서,
상기 자체 학습 시스템(7)은 컨볼루션 신경망(convolutional neural network)을 포함하는
패리슨의 광학 검사용 디바이스. - 제1항 내지 제8항 중 어느 한 항에 있어서,
상기 방출 편광 필터(32)는 상기 광을 제1 편광 방향으로 편광하도록 구성된 선형 필터인,
패리슨의 광학 검사용 디바이스. - 제1항 내지 제9항 중 어느 한 항에 있어서,
상기 수신 편광 필터(42)는 상기 광을 제2 편광 방향으로 편광하도록 구성된 선형 필터인,
패리슨의 광학 검사용 디바이스. - 열가소성 재료의 용기를 제조하기 위한 라인(100)으로서,
패리슨(2)을 제조하도록 구성된 성형 머신(moulding machine)(101)을 포함하고,
상기 라인이 제1항 내지 제10항 중 어느 한 항에 따른 패리슨(2)의 광학 검사용 디바이스(1)를 포함하고, 상기 광학 검사용 디바이스(1)가 상기 성형 머신(101)의 하류에 작동 가능하게 위치하는 것을 특징으로 하는
열가소성 재료의 용기를 제조하기 위한 라인. - 열가소성 재료의 용기를 제조하기 위한 라인(100)으로서,
패리슨(2)을 수용하고 이를 몰드에서 블로우 성형하여 상기 용기를 제조하도록 구성된 블로우 성형 머신(103)을 포함하고,
상기 라인이 제1항 내지 제10항 중 어느 한 항에 따른 패리슨(2)의 광학 검사용 디바이스(1)를 포함하고, 상기 광학 검사용 디바이스(1)가 상기 블로우 성형 머신(103)의 상류에 작동 가능하게 위치하는 것을 특징으로 하는
가소성 재료의 용기를 제조하기 위한 라인. - 패리슨의 광학 검사 방법으로서,
- 광원(31)을 포함하는 조명기(3)에 의해, 검사 위치(10)에 위치한 패리슨(2)을 향한 광 빔을 방출하는 단계;
- 카메라(41)를 포함하는 검출기(4)로, 상기 검사 위치(10)에 위치한 상기 패리슨(2)의 이미지(20)를 캡처하는 단계 - 상기 패리슨(2)은, 상기 검사 위치(10)에서, 상기 조명기(3)와 상기 검출기(4) 사이에서 작동 가능하게 개재됨 - 를 포함하고,
상기 패리슨의 광학 검사 방법은,
- 상기 조명기(3)에 의해 방출되는 상기 광 빔을 인터셉트함으로써 편광된 광 빔을, 상기 광원(31)과 상기 패리슨(2) 사이에 개재된 방출 편광 필터(32) 상에 생성하는 단계;
- 상기 패리슨(2)과 상기 카메라(41) 사이에 개재된 수신 편광 필터(42) 상에 상기 편광된 광 빔을 수신하는 단계를 포함하고;
상기 검사 위치(10)에서, 상기 패리슨(2)은 상기 방출 편광 필터(32)와 상기 수신 편광 필터(42) 사이에서 작동 가능하게 개재되는 것을 특징으로 하는
패리슨의 광학 검사 방법. - 제13항에 있어서,
상기 이미지(20)를 처리하는 단계를 포함하고,
상기 처리하는 단계는, 다음의 하위 단계인,
- 복수의 이미지 특징(21)의 이미지(20) 값으로부터 도출하기 위해, 참조 데이터 세트(51, 52)에 기초하여 상기 검출기(4)에 의해 캡처된 상기 이미지(20)를 처리하는 단계(61);
- 상기 복수의 이미지 특징(21)의 값으로부터 그리고 상기 참조 데이터 세트(51, 52)에 기초하여 재구성된 이미지(22)를 생성하는 단계(62);
- 상기 검출기(4)에 의해 캡처된 상기 이미지(20)를 상기 재구성된 이미지(22)와 비교하는 함수로서 상기 패리슨(2)의 결함에 대한 진단 표시(23)를 도출하는 단계(63)를 포함하는
패리슨의 광학 검사 방법. - 제14항에 있어서,
자체 학습하는 단계를 포함하고,
상기 자체 학습하는 단계는, 다음의 하위 단계인,
- 대응하는 복수의 패리슨(2)에 대해 복수의 이미지(20)를 캡처하는 단계;
- 상기 복수의 이미지(20)의 각각의 이미지(20)로부터 미리 결정된 기준의 함수로서 복수의 이미지 특징(21)의 대응 값을 도출하기 위해, 상기 참조 데이터 세트(51, 52)에 기초하여 상기 복수의 이미지(20)의 각각의 이미지(20)를 처리하는 단계;
- 상기 복수의 이미지(20)의 각각의 이미지(20)에 대해, 상기 복수의 이미지 특징(21)의 대응 값을 사용하고 그리고 상기 참조 데이터 세트(51, 52)에 기초하여 대응하는 재구성된 이미지(22)를 생성하는 단계;
- 상기 복수의 이미지(20)의 각각의 이미지(20)를 상기 대응하는 재구성된 이미지(22)와 비교하고, 상기 검출기(4)에 의해 캡처된 이미지(20)와 상기 대응하는 재구성된 이미지(22) 사이의 유사성을 나타내는 대응하는 유사 파라미터(24)를 도출하는 단계;
- 상기 참조 데이터 세트(51, 52) 및 상기 복수의 이미지 특징(21)을 상기 유사 파라미터(24) 및 미리 결정된 문턱 값(72)의 함수로서 업데이트하는 단계를 포함하는
패리슨의 광학 검사 방법. - 제15항에 있어서,
상기 자체 학습하는 단계 동안 상기 카메라(41)에 의해 캡처된 상기 복수의 이미지(20)의 상기 이미지(20)는 대응하는 복수의 결함 없는 패리슨(2)을 나타내는
패리슨의 광학 검사 방법. - 제15 항 또는 제16항에 있어서,
상기 복수의 패리슨(2)의 상기 패리슨(2)을 한 번에 하나씩 및 상기 방출 편광 필터(32) 및 상기 수신 편광 필터(42)에 관련된 미리 결정된 배향에 따라 검사 위치(10)로 공급하는 단계를 포함하는
패리슨의 광학 검사 방법. - 제13항 내지 제17항 중 어느 한 항에 있어서,
상기 방출 편광 필터(32)는 상기 광을 제1 편광 방향으로 편광하도록 구성된 선형 편광 필터인,
패리슨의 광학 검사 방법. - 제18항에 있어서,
상기 패리슨(2)은, 상기 검사 위치(10)에서, 상기 제1 편광 방향에 평행한 각각의 축(A)을 가지고 배향되는
패리슨의 광학 검사 방법. - 제18항 내지 제19항에 있어서,
상기 수신 편광 필터(42)는 상기 광을 상기 제1 편광 방향과 상이한 제2 편광 방향으로 편광하도록 구성된 선형 편광 필터인,
패리슨의 광학 검사 방법. - 검출기(4)에 의해 캡처된 패리슨의 이미지를 처리하기 위한 방법으로서,
- 상기 이미지(20)로부터 복수의 이미지 특징(21)의 값을 도출하기 위해, 참조 데이터 세트(51, 52)에 기초하여 상기 검출기(4)에 의해 캡처된 이미지(20)를 처리하는 단계;
- 상기 복수의 이미지 특징(21)의 값으로부터 그리고 상기 참조 데이터 세트(51, 52)에 기초하여 재구성된 이미지(22)를 생성하는 단계;
- 카메라에 의해 캡처된 이미지(20)를 상기 재구성된 이미지(22)와 비교하는 함수로서 상기 패리슨(2)의 결함에 대한 진단 표시(23)를 도출하는 단계를 포함하는
패리슨의 이미지 처리 방법. - 제21항에 있어서,
자체 학습하는 단계를 포함하고,
상기 자체 학습하는 단계는, 다음의 하위 단계인,
- 대응하는 복수의 패리슨(2)에 대한 복수의 이미지(20)를 캡처하는 단계;
- 상기 복수의 이미지(20)의 각각의 이미지(20)로부터 미리 결정된 기준에 기초한 복수의 이미지 특징(21)의 대응하는 값을 도출하기 위해, 상기 참조 데이터 세트(51, 52)에 기초하여 상기 복수의 이미지(20)의 각각의 이미지(20)를 처리하는 단계;
- 상기 복수의 이미지(20)의 각각의 이미지(20)에 대해, 상기 복수의 이미지 특징(21)의 대응하는 값을 사용하고 상기 참조 데이터 세트(51, 52)에 기초하여 대응하는 재구성된 이미지(22)를 생성하는 단계;
- 상기 복수의 이미지(20)의 각각의 이미지(20)를 상기 대응하는 재구성된 이미지(22)와 비교하고 상기 검출기(4)에 의해 캡처된 이미지(20)와 상기 대응하는 재구성된 이미지(22) 사이의 유사성을 나타내는 대응하는 유사 파라미터(24)를 도출하는 단계;
- 상기 참조 데이터 세트(51, 52) 및 상기 복수의 이미지 특징(21)을 상기 유사 파라미터(24) 및 미리 결정된 문턱 값(72)의 함수로서 업데이트하는 단계를 포함하는
패리슨의 이미지 처리 방법. - 컴퓨터 프로그램으로서,
컴퓨터에서 실행될 때, 제21항 또는 제22항에 따른 방법의 단계를 수행하도록 구성된 작동 명령어를 포함하는
컴퓨터 프로그램. - 플라스틱 재료로 제조된 물체의 이미지 - 상기 이미지는 검출기(4)에 의해 캡처됨 - 를 처리하기 위한 방법으로서,
- 참조 데이터 세트(51, 52)에 기초하여 상기 검출기(4)에 의해 캡처된 상기 이미지(20)를 처리하여, 상기 이미지(20)로부터 복수의 이미지 특징(21)의 값을 도출하는 단계;
- 상기 복수의 이미지 특징(21)의 값으로부터 그리고 상기 참조 데이터 세트(51, 52)에 기초하여 재구성된 이미지(22)를 생성하는 단계;
- 상기 검출기(4)에 의해 캡처된 상기 이미지(20)를 상기 재구성된 이미지(22)와 비교하는 함수로서, 상기 물체의 결함에 대한 진단 표시(23)를 도출하는 단계를 포함하는
물체의 이미지 처리 방법. - 제24항에 있어서,
자체 학습하는 단계를 포함하고,
상기 자체 학습하는 단계는, 다음의 하위 단계인,
- 대응하는 복수의 물체에 대한 복수의 이미지(20)를 캡처하는 단계;
- 상기 참조 데이터 세트(51, 52)에 기초하여 상기 복수의 이미지(20)의 각각의 이미지(20)를 처리하여 상기 복수의 이미지(20)의 각각의 이미지(20)로부터 미리 결정된 기준에 기초한 복수의 이미지 특징(21)의 대응하는 값을 도출하는 단계;
- 상기 복수의 이미지(20)의 각각의 이미지(20)에 대해, 상기 복수의 이미지 특징(21)의 상기 대응하는 값을 사용하고 상기 참조 데이터 세트(51, 52)에 기초하여 대응하는 재구성된 이미지(22)를 생성하는 단계;
- 상기 복수의 이미지(20)의 각각의 이미지(20)를 상기 대응하는 재구성된 이미지(22)와 비교하고 상기 검출기(4)에 의해 캡처된 이미지(20)와 상기 대응하는 재구성된 이미지(22) 사이의 유사성을 나타내는 대응하는 유사 파라미터(24)를 도출하는 단계;
- 상기 참조 데이터 세트(51, 52) 및 상기 복수의 이미지 특징(21)을 상기 유사 파라미터(24) 및 미리 결정된 문턱 값(72)의 함수로서 업데이트하는 단계를 포함하는
물체의 이미지 처리 방법. - 제25항에 있어서,
상기 자체 학습하는 단계에서, 또한 상기 복수의 이미지 특징(21)은 상기 유사 파라미터(24) 및 상기 미리 결정된 문턱 값(72)의 함수로서 업데이트되는,
물체의 이미지 처리 방법. - 제25항 또는 제26항에 있어서,
상기 미리 결정된 기준은 상기 복수의 이미지 특징(21)에 대해 최대 개수의 이미지 특징(21)을 포함하는
물체의 이미지 처리 방법. - 제25항 내지 제27항 중 어느 한 항에 있어서,
상기 자체 학습 단계는 컨볼루션 신경망을 사용하는 단계를 포함하는
물체의 이미지 처리 방법. - 제25항 내지 제28항 중 어느 한 항에 있어서,
상기 자체 학습하는 단계 동안 상기 검출기(4)에 의해 캡처된 상기 복수의 이미지(20)의 상기 이미지(20)는 대응하는 복수의 결함 없는 물체를 나타내는
물체의 이미지 처리 방법. - 제24항 내지 제29항 중 어느 한 항에 있어서,
상기 물체는 예비성형품(preform) 또는 패리슨(2)인
물체의 이미지 처리 방법. - 컴퓨터 프로그램으로서,
컴퓨터에서 실행될 때, 제24항 내지 제30항에 따른 방법의 단계를 수행하도록 구성된 작동 명령어를 포함하는
컴퓨터 프로그램. - 플라스틱 재료로 제조된 물체의 광학 검사용 디바이스(1)로서,
- 검사 위치(10)에 위치한 패리슨(2)을 향한 광 빔을 방출하도록 구성된 광원(31)을 포함하는 조명기(3);
- 상기 검사 위치(10)에 위치한 물체의 이미지(20)를 캡처하도록 구성된 카메라(41)를 포함하는 검출기(4) - 상기 물체는, 상기 검사 위치(10)에서, 상기 조명기(3)와 상기 검출기(4) 사이에 작동 가능하게 개재됨 -;
- 참조 데이터(51, 52)를 포함하는 메모리(5) 및 상기 참조 데이터(51, 52)에 기초하여, 상기 검출기(4)에 의해 캡처된 이미지(20)를 처리하여 상기 캡처된 이미지(20)로부터 복수의 이미지 특징(21)의 값을 도출하고, 상기 복수의 이미지 특징(21)의 값을 처리하여 상기 물체의 결함에 관한 진단 정보를 도출하도록 프로그램된 프로세서(6)를 포함하는 처리 유닛을 포함하고,
상기 처리 유닛은 상기 복수의 이미지 특징(21)의 값으로부터 그리고 상기 참조 데이터 세트(51, 52)에 기초하여 재구성된 이미지(22)를 생성하고, 상기 검출기(4)에 의해 캡처된 상기 이미지(20)를 상기 재구성된 이미지(22)와 비교하는 함수로서 상기 물체(2)의 결함에 관한 진단 표시(23)를 도출하도록 구성되는 것을 특징으로 하는
물체의 광학 검사용 디바이스. - 제32항에 있어서,
- 대응하는 복수의 물체에 대한 상기 검출기(4)에 의해 캡처된 복수의 이미지(20)를 입력으로서 수신하고;
- 각각의 이미지(20)에 대해, 미리 결정된 기준에 기초한 복수의 이미지 특징(21)에 대한 대응 값을 도출하기 위해, 상기 참조 데이터 세트(51, 52)에 기초하여 상기 검출기(4)에 의해 캡처된 복수의 이미지(20)의 각각의 이미지(20)를 처리하고;
- 상기 복수의 이미지(20)의 각각의 이미지(20)에 대해, 상기 참조 데이터 세트(51, 52)에 기초하여, 상기 복수의 이미지 특징(21)에 대한 대응하는 도출된 값을 사용하여, 대응하는 재구성된 이미지(22)를 생성하고;
- 상기 복수의 이미지(20)의 각각의 이미지(20)에 대해, 상기 검출기(4)에 의해 캡처된 이미지(20)와 상기 대응하는 재구성된 이미지(22) 사이의 유사성을 나타내는 대응하는 유사 파라미터(24)를 도출하기 위해, 상기 검출기(4)에 의해 캡처된 상기 복수의 이미지(20)의 각각의 이미지(20)를 상기 대응하는 재구성된 이미지(22)와 비교하고;
- 상기 복수의 이미지(20)의 각각의 이미지(20)에 대해, 상기 참조 데이터 세트(51, 52)를 상기 유사 파라미터(24) 및 상기 유사 파라미터(24)에 대한 미리 결정된 문턱 값(72)의 함수로서 업데이트하도록 구성된 자체 학습 시스템(7)을 포함하는
물체의 광학 검사용 디바이스. - 제33항에 있어서,
상기 자체 학습 시스템(7)은 컨볼루션 신경망을 포함하는
물체의 광학 검사용 디바이스. - 열가소성 재료의 용기를 제조하기 위한 라인(100)으로서,
패리슨(2)을 제조하도록 구성된 성형 머신(101)을 포함하고,
상기 라인은 제32항 내지 제34항 중 어느 한 항에 따른 물체의 광학 검사용 디바이스(1)를 포함하고, 상기 광학 검사용 디바이스(1)는 상기 성형 머신(101)의 하류에 작동 가능하게 위치하고, 상기 물체는 예비성형품인 것을 포함하는
열가소성 재료의 용기를 제조하기 위한 라인.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IT102018000011107A IT201800011107A1 (it) | 2018-12-14 | 2018-12-14 | Dispositivo di ispezione ottica di preforme |
IT102018000011107 | 2018-12-14 | ||
PCT/IB2019/060699 WO2020121239A2 (en) | 2018-12-14 | 2019-12-12 | Device for optical inspection of parisons |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20210113178A true KR20210113178A (ko) | 2021-09-15 |
KR102524470B1 KR102524470B1 (ko) | 2023-04-20 |
Family
ID=65767253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020217018061A KR102524470B1 (ko) | 2018-12-14 | 2019-12-12 | 패리슨의 광학 검사용 디바이스 |
Country Status (9)
Country | Link |
---|---|
US (1) | US20220048237A1 (ko) |
EP (2) | EP4269067A3 (ko) |
KR (1) | KR102524470B1 (ko) |
CN (1) | CN113631350B (ko) |
CA (1) | CA3123376A1 (ko) |
ES (1) | ES2969140T3 (ko) |
IT (1) | IT201800011107A1 (ko) |
WO (1) | WO2020121239A2 (ko) |
ZA (1) | ZA202104151B (ko) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022114331A (ja) * | 2021-01-26 | 2022-08-05 | 日東電工株式会社 | 検査システム、検査方法及び検査プログラム |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5926268A (en) * | 1996-06-04 | 1999-07-20 | Inex, Inc. | System and method for stress detection in a molded container |
JP2000146851A (ja) * | 1998-11-16 | 2000-05-26 | Mitsubishi Plastics Ind Ltd | 透光性物品の検査装置及び方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7643137B2 (en) * | 2003-03-26 | 2010-01-05 | Nikon Corporation | Defect inspection apparatus, defect inspection method and method of inspecting hole pattern |
US20050041848A1 (en) | 2003-08-18 | 2005-02-24 | Thomas Alan E. | Method and system for detection of barrier core material in container preforms |
DE102006047150B4 (de) * | 2006-10-05 | 2013-01-17 | Krones Aktiengesellschaft | Inspektionsvorrichtung für Behältnisse |
GB0809037D0 (en) * | 2008-05-19 | 2008-06-25 | Renishaw Plc | Video Probe |
DE102009011270B4 (de) * | 2009-03-05 | 2012-01-19 | Intravis Gmbh | Verfahren und Vorrichtung zur Qualitätssicherung von zumindest partiell lichtdurchlässigen Hohlkörpern |
CH707559A2 (de) | 2013-03-22 | 2014-09-30 | Finatec Holding Ag | Verfahren und System zur Prüfung der Farbbeschaffenheit von Preforms. |
CN106457653B (zh) * | 2014-06-18 | 2020-03-06 | 帝斯克玛股份有限公司 | 通过将液体注射至连续预制件内来生成容器的方法和机器 |
US11203145B2 (en) * | 2015-10-29 | 2021-12-21 | The Coca-Cola Company | Photoelastic characterization of residual stresses and stress distributions in injection molded preforms and stretch blow-molded bottle |
WO2018208791A1 (en) * | 2017-05-08 | 2018-11-15 | Aquifi, Inc. | Systems and methods for inspection and defect detection using 3-d scanning |
WO2018216629A1 (ja) * | 2017-05-22 | 2018-11-29 | キヤノン株式会社 | 情報処理装置、情報処理方法、及びプログラム |
-
2018
- 2018-12-14 IT IT102018000011107A patent/IT201800011107A1/it unknown
-
2019
- 2019-12-12 EP EP23196343.0A patent/EP4269067A3/en active Pending
- 2019-12-12 WO PCT/IB2019/060699 patent/WO2020121239A2/en unknown
- 2019-12-12 EP EP19813404.1A patent/EP3894178B1/en active Active
- 2019-12-12 ES ES19813404T patent/ES2969140T3/es active Active
- 2019-12-12 US US17/413,170 patent/US20220048237A1/en active Pending
- 2019-12-12 CA CA3123376A patent/CA3123376A1/en active Pending
- 2019-12-12 CN CN201980088514.8A patent/CN113631350B/zh active Active
- 2019-12-12 KR KR1020217018061A patent/KR102524470B1/ko active IP Right Grant
-
2021
- 2021-06-17 ZA ZA2021/04151A patent/ZA202104151B/en unknown
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5926268A (en) * | 1996-06-04 | 1999-07-20 | Inex, Inc. | System and method for stress detection in a molded container |
JP2000146851A (ja) * | 1998-11-16 | 2000-05-26 | Mitsubishi Plastics Ind Ltd | 透光性物品の検査装置及び方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2022512434A (ja) | 2022-02-03 |
CN113631350A (zh) | 2021-11-09 |
KR102524470B1 (ko) | 2023-04-20 |
WO2020121239A2 (en) | 2020-06-18 |
EP4269067A2 (en) | 2023-11-01 |
EP3894178A2 (en) | 2021-10-20 |
CA3123376A1 (en) | 2020-06-18 |
WO2020121239A3 (en) | 2020-07-23 |
IT201800011107A1 (it) | 2020-06-14 |
ES2969140T3 (es) | 2024-05-16 |
ZA202104151B (en) | 2023-12-20 |
CN113631350B (zh) | 2024-03-22 |
US20220048237A1 (en) | 2022-02-17 |
EP4269067A3 (en) | 2024-01-24 |
EP3894178B1 (en) | 2023-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11597135B2 (en) | Blow molder control systems and methods | |
CN113711234A (zh) | 纱线质量控制 | |
US20220214243A1 (en) | System for in-line inspection of seal integrity | |
US12005626B2 (en) | Energy efficient blow molder control | |
CN111062908A (zh) | 检测膜缺陷的方法及系统 | |
KR102524470B1 (ko) | 패리슨의 광학 검사용 디바이스 | |
JP7526182B2 (ja) | パリソンの光学検査装置 | |
IT201900019070A1 (it) | Metodo di elaborazione di un’immagine di un oggetto | |
CN114761790A (zh) | 检查由至少部分透明的材料制成的容器的壁厚度的方法 | |
KR102676508B1 (ko) | 안과용 렌즈들의 이미지들의 획득 및 검사 | |
WO2024018163A1 (fr) | Procede et dispositif pour inspecter des recipients en verre selon au moins deux modalites en vue de classer les recipients selon des defauts verriers |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |