HALCON combineert deep learning en klassieke vision in packaging

‘HALCON wordt in de verpakkingsindustrie vooral gebruikt op plekken waar betrouwbare inspectie, kwaliteitscontrole en automatisering nodig zijn. Dat kan zowel met 2D- als met 3D-vision’, vertelt zegt Podhorsky. ‘Een veelvoorkomend startpunt is de inspectie van producten vóór het verpakken. Daarbij controleert HALCON onder meer op compleetheid, geometrie, oppervlaktekwaliteiten defecten, zodat foutieve producten niet verder de verpakkingslijn in gaan.’
Daarnaast speelt de software een rol in automatisering, bijvoorbeeld bij pick-and-place-toepassingen. Robots moeten producten, trays of dozen snel en nauwkeurig kunnen lokaliseren en oriënteren, ook als positie of uiterlijk varieert. Verder wordt HALCON ingezet voor controles op verpakkingsintegriteiten aanwezigheid, zoals het verifiëren of verpakkingen correct zijn gesloten en of alle onderdelen zijn toegevoegd.
Een belangrijk toepassingsgebied is ook de eindcontrole van print- en labelkwaliteit. Daarbij gaat het om leesbaarheid, inhoud en positie van labelsen codes, zodat wordt voldaan aan kwaliteitseisen en regelgeving voor dat producten de lijn verlaten.

Use cases en sectoren van HALCON

De workflows die HALCON ondersteunt, zijn in veel sectorenvergelijkbaar. Podhorsky noemt als voorbeeld de verpakking van pralines. ‘Machinevision inspecteert elk product op afmetingen, uiterlijk en hoogte voordat het wordt verpakt. Het systeem lokaliseert de producten, stuurt het verpakkingsproces aan, controleert of alle vakjes zijn gevuld, kijkt of de verpakking goed gesloten is en inspecteert vervolgens het label.’
Die labelinspectie omvat onder meer positiebepaling, inhoudscontrole, codelezing en Deep OCR (Optical Character Recognition) voor gedrukte tekst. Vergelijkbare processen zijn te vinden in de farmaceutische industrie, waar aanvullende wettelijke eisen gelden. HALCON ondersteunt daar onder andere het lezen en verifiëren van pharmacodes en het controleren van consistentie tussen verpakkingen bedrukking.
Ook sealinspectie en het lezen van houdbaarheidsdata zijn veelvoorkomende toepassingen in uiteenlopende sectoren, vaak gecombineerd met OCR en printkwaliteitscontrole.

Robuust en flexibel

Volgens Podhorsky kiezen systeemintegratoren en machinebouwers om meerdere redenen voor HALCON. Een belangrijke factor is de combinatie van robuustheid, prestaties en flexibiliteit.
‘Verpakkingslijnen draaien op hoge snelheid en met kleine toleranties. Algoritmen moeten stabiel blijven bij wisselende materialen, reflecties, printkwaliteit en positionering.’
HALCON biedt daarvoor snelle verwerkingstijden en betrouwbare resultaten, wat helpt om foutafkeur en ongeplande stilstand te beperken. Een ander aspect is de korte time-to-market. Het platform bevat een breed scala aan volwassenvision-tools, waardoor ontwikkelaars geen basisfunctionaliteit zelf hoeven tebouwen.
Ook de combinatie van klassieke beeldverwerking, deep learning, 2D- en3D-vision binnen één framework wordt als voordeel gezien. Dat vereenvoudigt integratie en onderhoud, zeker in vergelijking met het combineren van meerdere losse libraries. Daarnaast is HALCON hardware-onafhankelijk en toekomstbestendig, met doorlopende uitbreidingen en behoud van backward compatibility.

Integratie van AI en deep learning

MVTec integreert sinds 2017 deep learning-methoden inHALCON. Het platform ondersteunt onder meer classificatie, objectdetectie, segmentatie en anomaliedetectie, die kunnen worden gecombineerd met rule-basedmethoden.
In verpakkingsomgevingen wordt AI vooral ingezet waar variatie groot is en klassieke regels te kwetsbaar worden. Deep OCR is daar een belangrijkvoorbeeld. ‘Verpakkingslijnen hebben te maken met wisselende fonts, fluctuatiesin printkwaliteit en reflecterende of gebogen oppervlakken’, aldus Podhorsky.
Een andere ontwikkeling is Deep 3D Matching, bedoeld voor situaties waar in producten of verpakkingen in willekeurige oriëntaties liggen en betrouwbare positiebepaling nodig is voor geautomatiseerde handling.

Potentie en uitdagingen van AI in packaging

De grootste potentie voor AI-gebaseerde vision ziet MVTec in toepassingen met natuurlijke variatie en inconsistente defecten. Denk aan inspectie van natuurlijke producten, zoals fruit, waarbij kleur, vorm en textuur sterk kunnen verschillen. Deep learning kan deze variatie betermodelleren dan vaste regels.
Tegelijkertijd zijn er uitdagingen. Podhorsky noemt datakwaliteit, zeldzame defecten en operationele haalbaarheid op de werkvloer. Om daarmee om te gaan, biedt MVTec onder meer de Deep Learning Tool voor databeheer, training enevaluatie, en methoden zoals Global Context Anomaly Detection, die ook met weinig defectdata kunnen werken.
Een hybride aanpak, waarin AI wordt gecombineerd met deterministische vision-methoden, helpt volgens hem om robuustheid te vergroten en onderhoud beheersbaar te houden.

Blik op de toekomst

De eisen aan machine vision in verpakkingen zullen de komende jaren verder toenemen. Kortere productcycli, meer SKU-variatie en het gebruik van recyclebare en biobased materialen zorgen voor extra visuele  complexiteit. Tegelijk groeit de druk om afval en herwerk te beperken en om te voldoen aan strengere regelgeving rond traceerbaarheid.
MVTec ziet voor HALCON een rol in het ondersteunen van deze ontwikkelingen door stabiele inspectie, snelle aanpassing aan veranderingen en integratie in bredere automatiseringsomgevingen. ‘Het gaat steeds minder om losse inspectiestappen en meer om end-to-end borging van processen’, besluit Podhorsky. ‘Machine vision wordt daarmee een integraal onderdeel van gesloten kwaliteits- en automatiseringslussen in de verpakkingsindustrie.’

Felix Podhorsky, Business Development Manager bij MVTec over de ontwikkelingen van deep learning in HALCON vision software.