某食品包裝廠：封口、標籤、噴碼線上AI全檢解決方案

在食品包裝行業，產品的封口、標籤和噴碼質量直接關係到消費者的體驗和品牌的聲譽。傳統的檢測方法在應對複雜多變的生產環境時往往力不從心，而AI技術的應用為解決這一問題提供了新的途徑。

場景：食品包裝行業是一個高度競爭且對質量要求極為嚴格的行業。食品包裝不僅要保證產品的密封性以延長保質期，還要確保標籤資訊準確、噴碼清晰可辨，這些都是產品合規上市的基本要求。對於食品包裝廠來說，它們通常為多個品牌進行代工灌裝與包裝，這意味著生產線上存在大量不同規格的SKU，換線操作頻繁。在這樣的生產環境下，如何高效、準確地對產品的封口完整性、標籤位置與貼合度、生產日期噴碼的有無與清晰度進行檢測，成為了企業面臨的重要挑戰。

痛點：為什麼難

從量化維度來看，傳統的規則式機器視覺加人工抽檢方案存在諸多問題。首先，誤判率極高，在實際生產中，由於光照波動、包裝反光、產品輕微位移等因素的影響，誤判率可達到30% -40%。其次，漏檢情況嚴重，為了減少因誤判導致的生產線頻繁停止，企業不得不放寬檢測規則，這使得真缺陷的漏檢率高達20% -30%。再者，客訴與退貨率居高不下，由於缺陷產品流入市場，因封口、標籤、噴碼問題引發的終端客訴同比增長約150%，退貨率也達到了10% -15%。

這些問題的根源在於規則式機器視覺的侷限性。規則式視覺系統是透過預先設定的閾值來進行判斷，它對光照、反光、位移等微小變化極其敏感。當光照條件發生變化時，包裝表面的反光情況會改變，導致系統無法準確識別產品特徵；產品的輕微位移也會使系統檢測到的影象與預設模板不匹配，從而產生大量誤判。而且，規則式視覺系統難以適應多SKU的生產環境，每更換一種產品規格，都需要重新進行復雜的引數設定和除錯，除錯時間可能長達數天，嚴重影響了生產效率。

技術原理

微鏈道愛的AI-AOI深度學習方案主要基於卷積神經網路（CNN）演算法。該演算法透過對大量的缺陷樣本進行學習，能夠自動提取缺陷的特徵模式。在成像方面，採用高解析度的工業相機，確保能夠清晰捕捉產品的細微特徵。硬體上，配備高效能的計算裝置，保證模型的執行速度和實時性。

與傳統的規則式視覺方法相比，AI-AOI方案具有明顯的優勢。規則式視覺是基於‘寫死閾值’的方式進行判斷，一旦生產環境發生變化，就容易出現誤判和漏檢。而AI-AOI則是透過‘學習缺陷特徵’，對光照、反光、位移等變化具有更強的魯棒性。例如，當光照強度發生一定程度的波動時，AI-AOI模型依然能夠準確識別產品的缺陷，而規則式視覺可能會因為光照變化導致影象灰度值超出預設閾值而產生誤判。

典型應用場景

• 封口檢測：主要檢測封口褶皺與虛封情況。在檢測過程中，透過工業相機拍攝封口部位的影象，AI-AOI模型對影象進行分析，識別封口處的紋理和形狀特徵。難點在於封口褶皺的形態多樣，且虛封在外觀上可能並不明顯，傳統的規則式視覺很難準確判斷，但AI-AOI透過深度學習能夠準確識別這些細微缺陷。
• 標籤檢測：檢測標籤翹邊、氣泡和偏移等問題。利用高解析度相機捕捉標籤的整體影象，模型對標籤的邊緣、平整度和位置進行分析。難點在於標籤的材質可能會有反光，而且翹邊和氣泡的程度各不相同，規則式視覺容易受到反光影響而誤判，而AI-AOI能夠透過對不同反光情況的學習，準確判斷標籤的缺陷。
• 噴碼檢測：檢查噴碼缺字、重影和位置異常。相機拍攝噴碼影象後，模型對字元的完整性、清晰度和位置進行識別。難點在於噴碼的字型、大小和顏色可能不同，而且噴碼過程中可能會出現油墨不均勻等情況，規則式視覺很難適應這些變化，而AI-AOI可以透過學習不同的噴碼特徵進行準確檢測。
• 多SKU換線檢測：當生產線上更換不同規格的SKU時，AI-AOI利用APDT少樣本能力，只需少量的良品樣本，就能快速建立新的檢測模型。難點在於傳統方法換線除錯時間長，而AI-AOI能夠在短時間內完成新規格的建模，實現換線即可投產。

落地案例

某食品包裝廠規模較大，為多個知名品牌進行代工灌裝與包裝，生產線上的SKU多達上百種，換線操作頻繁。在採用微鏈道愛的AI-AOI方案之前，該廠一直使用規則式機器視覺加人工抽檢的方法進行質量檢測，但效果不佳，客訴和退貨問題嚴重影響了企業的效益。

在上線過程中，微鏈道愛的技術團隊首先對該廠的生產流程進行了詳細的調研和分析，確定了檢測的重點和難點。然後收集了大量的缺陷樣本進行模型訓練，並對工業相機和計算裝置進行了合理的佈局和安裝。在除錯階段，透過不斷最佳化模型引數，確保了檢測的準確性和穩定性。

上線後，三項檢測的綜合準確率超過99.5%，線上實現100%全檢而非抽檢；因封口、標籤、噴碼問題引發的終端客訴同比下降約61%，退貨與召回風險顯著降低，換線除錯時間從原來的數天大幅壓縮到小時級，產線整體OEE得到了有效提升。

微鏈道愛解決方案與產品

微鏈道愛的AI-AOI深度學習方案是一套完整的質量檢測解決方案。該方案整合了先進的AI演算法、高解析度工業相機和高效能運算裝置，能夠實現封口、標籤、噴碼三項檢測的合一，在單個工位上完成所有檢測任務，無需串接多套裝置。同時，方案具備APDT少樣本能力，在多SKU切換時，能夠快速適配新的包裝規格，大幅縮短除錯時間。此外，方案還支援全檢留痕功能，每件產品的檢測結果都可以追溯，為品牌方的質量審計提供了有力支援。

量化成效：透過採用微鏈道愛的AI-AOI方案，該食品包裝廠取得了顯著的量化成效。檢測準確率從原來的不到70%提升到超過99.5%；因質量問題引發的客訴下降了61%；換線除錯時間從原來的數天縮短到小時級，產線整體OEE提升了約20%。這些資料充分證明了該方案在提高檢測效率和質量方面的有效性。

本文由人工智慧生成。文中客戶案例為基於產品真實能力的模擬場景，成效數字為示例性質；官方標定口徑以產品頁為準。