CC BY
0
УДК 62-5
DOI: 10.24412/2071-6168-2025-2-163-164
АДАПТИВНЫЙ АЛГОРИТМ ОПРЕДЕЛЕНИЯ УРОВНЯ ЖИДКОСТИ В ТАРЕ НА РОБОТИЗИРОВАННЫХ ЛИНИЯХ
РОЗЛИВА
Е.С. Квас, А.П. Бобрышов, В.П. Кузьменко, С.В. Солёный
В работе рассматривается задача автоматизированного контроля уровня разлитой в прозрачную стеклянную тару жидкости для высокопроизводительных роботизированных линий розлива, где динамические условия (движение тары, наклоны, скорость потока, заторы) усложняют определение объёма при контроле переливов и недоливов. Целью исследования является разработка алгоритма, обеспечивающего достаточный контроль уровня недолива и перелива в таре в реальном времени с учетом динамических условий работы роботизированной линии розлива. В основе алгоритма лежит адаптивный метод сегментации, применяется метод расчета динамического порога интенсивности пикселей изображения с учетом текстурных контрастов. Произведена проверка работоспособности и корректности работы алгоритма на полностью прозрачной таре бутылочной формы максимальным объемом 450 мл при статичных условиях и при имитации движения тары с учетом возможного наклона жидкости при движении до 10°. Уникальность алгоритма заключается в его адаптивности за счет использования динамического порога интенсивности пикселей, зависящего от локальных условий линии. По результатам верификации алгоритм показал до 99% корректного определения перелива, недолива и наклона жидкости, что говорит о возможности его применения в производственных условиях.
Ключевые слова: техническое зрение, контроль качества роботизированных линий розлива, адаптивная сегментация изображения, динамический порог интенсивности пикселей, контроль уровня жидкости.
Роботизированные линии розлива (РЛР) являются неотъемлемой частью технического прогресса предприятий пищевой, косметической, химической промышленности. РЛР являются основой серийного выпуска и упаковки сыпучих или жидких материалов и требуют постоянного контроля качества выполнения данных производственных операций, с учетом множество параметров, особенно при заполнении тары, укупорке, маркировки, а также своевременного выявления дефектов, особенно как недоливов и переливов [1-3]. Из-за того, что требования к скорости и эффективности производства и упаковки продукции постоянно растут, решение сопутствующих задач контроля качества производственных процессов становится все сложнее.
Несмотря на значительный прогресс в развитии промышленных систем технического зрения (СТЗ), их внедрение нередко сопровождается трудностями, связанными с узкоспециализированными требованиями конкретного производственного кейса. При этом сами СТЗ как правило проектируется для выполнения универсальных задач и их адаптация под конкретную специфику производства, конкретную производственную операцию нередко сопровождается существенными сложностями и высокими экономическими и трудозатратами. При этом, контроль процессов операторами
163
роботизированных линий, хотя и сохраняет свою актуальность в отдельных сценариях, однако демонстрирует существенные ограничения, связанные с неспособностью операторов обеспечивать постоянное качество и скорость инспекции, соответствующую текущим стандартам промышленной автоматизации [4, 5].
В этой связи развитие алгоритмов применения технологии обработки изображений в реальном времени представляют собой перспективное решение, способное компенсировать недостатки как СТЗ, так и человеческого контроля, а их корректное применение и настройка могут существенно повысить как эффективность инспекционных процессов, так и общее качество выпускаемой продукции [6-9].
Автоматизированные системы визуального контроля представляют собой перспективный инструмент для повышения точности и стабильности таких операций, однако обзор литературы показывает, что существующие решения обладают рядом ограничений, требующих дальнейшего исследования. Например, в работе [10, 11] представлена система автоматизированной визуальной инспекции, основанная на применении методов искусственного интеллекта для выявления дефектов заполнения и проверки герметичности крышек. Хотя система демонстрирует высокую точность, её недостатком является необходимость значительных затрат вычислительных ресурсов при адаптации к изменениям, например, формы и размера бутылок.
Другие исследования, предлагают использовать алгоритмы обработки изображений, которые меньше зависят от изменений конфигурации объекта. Эти подходы эффективны для контроля уровня жидкости, обнаружения загрязнений бутылок и проверки качества этикеток [12, 13]. Однако описанные методы также имеют определенные недостатки, связанные с тем, что использование цветных изображений увеличивает время их обработки и накладывает ограничения на их применение в высокоскоростных производственных линиях, при этом, большинство систем требуют сложной перенастройки при изменении параметров продукции, что увеличивает время простоя оборудования [14-16].
Таким образом, проведенный аналитический обзор научной литературы по теме исследований подчёркивает актуальность разработки новых алгоритмов распознавания, способных объединять и балансировать между вычислительной эффективностью, адаптивностью, точностью и быстродействием.
1. Постановка задачи. РЛР с производительностью до 90 000 штук бутылочной тары в час представляют собой сложную и неунифицирован-ную систему, параметры контроля качества производственных процессов для которой сильно зависят от условий и типа производства, что делает затруднительным применение типовых решений в области контроля качества продукции и производственных процессов. При таких масштабах производительности в РЛР для контроля уровня недоливов и переливов используются основанные на обработке изображений системы технического зрения, которые сталкиваются с рядом нерешённых проблем, связанных
с необходимостью обработки больших объёмов данных в реальном времени, учёта разнообразия формы тары (возникает необходимость перенастройки системы), материалов жидкости и отражающих особенностей упаковки и жидкости, а также влиянием внешних факторов освещенности. При этом большинство существующих решений не способны интегрироваться с облачными сервисами для долгосрочного мониторинга производственных данных, что также снижает эффективность таки систем.
Главная задача при повышении качества и эффективности контроля недоливов и переливов в таре - это создание алгоритма для СТЗ, который:
обеспечивает точное определение уровня заполнения жидкости независимо от формы и прозрачности бутылки;
обладает достаточной вычислительной мощностью, чтобы обрабатывать данные в реальном времени при скорости 25-30 единиц тары в секунду;
сводит к минимуму ручные настройки и калибровки, тем самым ускоряя ввод системы в эксплуатацию;
легко встраивается в аналитические платформы для мониторинга и прогнозирования возможных неисправностей.
Сложность в том, что перечисленные требования нередко противоречат друг другу: увеличение скорости анализа обычно снижает точность, а гибкость и адаптивность могут усложнять конфигурацию под конкретные типы бутылок и жидкости. Особенно это заметно при работе с прозрачными жидкостями и стеклянной прозрачной тарой — они склонны к ошибкам в определении объёма. Поэтому необходим подход, сочетающий высокую производительность, точность и универсальность, а также позволяющий быстро перенастраивать систему под конкретные задачи.
Отсюда возникает необходимость разработки методов, выделяющих ключевые признаки, невосприимчивые к внешним условиям, и их последующей интеграции в аналитическую систему. Такая система должна обеспечивать достаточную точность контроля недолива и перелива в рамках производственного процесса РЛР.
2. Материалы и методы. Система контроля уровня жидкости предназначена для интеграции в производственные линии розлива и представляет собой автономное устройство. Основное назначение - автоматическое измерение уровня жидкости в бутылках на скорости перемещения до 90 000 штук бутылочной тары в час. Система функционирует на принципах оптического контроля с использованием методов компьютерного зрения.
Концепция системы основана на измерении интенсивности света, проходящего через бутылку. Прозрачная часть бутылки над уровнем жидкости пропускает больше света, чем жидкость, благодаря чему можно выделить границу уровня. Это основано на законе Бугера-Ламберта:
I = 1о •
где I - интенсивность света, прошедшего через среду (пиксели камеры, лк; 1о - интенсивность света перед прохождением через среду лк; ^ - коэффициент поглощения материала 1/мм; х - толщина среды, через которую
проходит свет, мм.
Для прозрачной жидкости ^ близок к нулю, а для стекла и воды значения различны, что позволяет выделить границу раздела.
Для анализа уровня жидкости используются методы обработки изображений. Камера захватывает изображение бутылки, после чего оно преобразуется в градации серого:
/(х, у) е [0,255],
где /(х, у) - интенсивность света в пикселе с координатами (х, у), лк. На следующем этапе проводится пороговая сегментация
1, 1(х, у) > Т
S(X' у)'Д 1(х, у) <Т ' где S (x, y), - бинарная карта сегментации; T - значение порога, определённое экспериментально. Сегментированное изображение представляет собой бинарную карту, где пиксели, соответствующие жидкости, имеют значение 1.
После сегментации выполняется морфологическая обработка, включая операции «открытие» и «закрытие», чтобы удалить шумы и выделить только связные области. Для выделенной области рассчитывается высота жидкости в пикселях:
Япикс = max(y) - min(y), где max(y) и min(y) - координаты верхней и нижней границ сегментированной области.
Высота жидкости в физических единицах определяется как:
L _ -^пикс _ 77
'1жид лбут'
пикс
где Нбут - фактическая высота бутылки, мм; Апикс - общее количество пикселей по высоте изображения.
Высота жидкости на изображении (Нпикс) рассчитывается согласно следующему выражению:
77 _ fr-жид 1 _ Нбут
лпикс >, , ^пикс '
кпикс "пикс
где ^пикс - коэффициент преобразования зависящий от параметров камеры и размеров тары.
Результаты анализа уровня жидкости передаются на сервер, где они сохраняются для дальнейшей обработки. На сервере проводится статистический анализ, включая подсчёт количества бутылок с недоливом или переливом, построение графиков изменений уровня жидкости для выявления трендов, оповещения в случае значительных отклонений.
Также метод морфологической обработки может быть представлен через структурное фильтрование элементов, где «открытие» - (°) и «закрытие» - (•):
S'(x, y) = (S о M) • M, где M - структурный элемент; S'(x, y) - отфильтрованное изображение.
Это означает, что помимо стандартных операций «закрытие» и «открытие», используется адаптивный структурный элемент M (x,y), изменяющий свою форму в зависимости от размера связанной компоненты.
166
Это позволяет эффективно фильтровать шумы и выделять значимые области.
Тогда для анализа выделенных областей используется метод поиска связанных компонентов. Каждая выделенная область характеризуется её размером At (в пикселях), где i - номер области. Если At порог < A порог, то область считается шумом и удаляется:
ч Н (х, У), Ai — -^порог 5 (х'У) 1 О А- < А ;
^ пI ^ -"порог
Оба представленных способа позволяют устранить шумы и выделить связные области.
Для преобразования высоты уровня жидкости в физический объём используется формула объёма цилиндра:
V = ЛГ^жид,
где V - объём жидкости, мл; r - радиус основания бутылки, мм; Ижид - высота жидкости, мм.
Радиус r изменяется с высотой бутылки И, так как бутылка имеет сложную геометрию.
Для участков, где радиус изменяется (например, горлышко бутылки), применяется линейная интерполяция:
r(h) = Г + ^жид-^перех° д,тт („ _„ ч
' (h) 'осн "г" h — h ('горл 'осн)'
"•переход ,тах '"-переход ,min
r(h) - радиус бутылки, мм, на текущей высоте Ижид; Ггорл — радиус горлышка, мм; Ипереход,мин - начальная высота сужения, мм; Ипереход,макс - максимальная высота переходной области, мм.
Объем жидкости определяется как сумма объемов цилиндров для каждого из участков:
V = Tl=1nr(hi )2Лhжид, где r(hi) определяется как описано выше для каждого слоя i; АИжид - толщина слоя жидкости в миллиметрах, мм.
При анализе изображения высота жидкости Ижид первоначально измеряется в пикселях Нпикс. Для преобразования этого значения в физическую высоту в миллиметрах используется соотношение между общей высотой бутылки в пикселях и её физической высотой:
В процессе анализа изображения в системе контроля уровня жидкости важно учитывать вычислительную эффективность и качество обработки. Для этого используется преобразование исходного изображения из цветовой модели RGB (Red, Green, Blue) в градации серого, что позволяет уменьшить количество обрабатываемых каналов с трёх до одного и снижает вычислительную сложность и объёмы данных.
Цветное изображение в модели RGB представляет собой набор трёх каналов: красного (R), зелёного (G) и синего (B), где интенсивность каждого канала задаётся значением в диапазоне [0,255]. Преобразование в градации серого осуществляется с использованием взвешенного суммирования ин-тенсивностей каждого канала. Математически это выражается формулой: /сер(х, y) = WR • R(x, y) + WG • G(x, y) + wb B(x, y),
где Тсер^, y) - интенсивность пикселя в градациях серого; R, G, B - значения интенсивности каналов RGB в пикселе (x, y); wr, wg, wb - коэффициенты взвешивания.
Коэффициенты взвешивания определяются с учётом чувствительности человеческого глаза к разным длинам волн. Для стандартной модели wr = 0,2989, wg = 0,5870, wb = 0,1140. Это позволяет учитывать большую чувствительность глаза к зелёному свету и меньшую к синему, преобразование в градации серого используется на начальном этапе обработки изображения после захвата камерой.
Однако с использованием фиксированного порога T, из-за колебаний в объемах розлива добиться стабильно высокой точности может быть затруднительно, особенно с учетом прозрачных материалов и жидкостей, поэтому применим динамическое пороговое значение, зависящее от локальных характеристик изображения.
Это выражается следующим образом:
Тдин = " (Е(и,у)ея v)) + a.J~£(u,r)6K v) - ^iocai(х> У)),
где n - количество пикселей в локальной области R; R - область с радиусом Пош/центрированная на (x, y); a - коэффициент регулирующий вклад стандартного отклонения в итоговое пороговое значение Тдин^, y); его значение зависит от свойств изображения (контрастность, шумы) и определяется экспериментально по валидационному набору изображений. Обычно a 6 [0.5, 2.0], где 0.50 усиливает роль средней интенсивности, а 2.0 делает систему более чувствительной к разбросу интенсивностей.
Для устранения ложных срабатываний, вызванных бликами или преломлением, используется анализ текстурного контраста:
C(x, y) = V/(x, y) + V2/(x, y), где V/(x, y) - градиент интенсивности, (разность яркости пикселей в градациях серого [0,255]).
V2/(x, y), - лапласиан изображения, то есть второй порядок изменения интенсивности, его использование позволяет выделить резкие перепады в изображении (границы).
Участки с низким контрастом игнорируются, а области с высоким контрастом включаются в анализ.
Частные производные второго порядка приближённо вычисляются с использованием свёртки изображения с оператором Лапласа:
V2/(x,у) « Iij/(x + ¿,У + У) • KUУ), где K(i, j) - ядро свёртки (обычно матрица 3*3).
Анализ текстурного контраста C(x, y) используется для фильтрации областей с низким уровнем текстуры, таких как равномерно освещённые или размазанные области. Это позволяет исключить ложные срабатывания, вызванные бликами или преломлением света в бутылке. Таким образом итоговый порог интенсивности пикселей Тдин^, y) становится адаптивным и лучше соответствует локальным особенностям изображения, улучшая точность сегментации.
3. Результаты и моделирование. Основными элементами рассматриваемой системы контроля уровня жидкости в таре является камера высокого разрешения с частотой съёмки до 200 кадров в секунду фиксирует изображения бутылок, специализированный светодиодный осветительный прибор с направленным под откалиброванным углом светом, датчик расстояния и программируемое одноплатное устройство, связанное с системой удаленной передачи, хранения и обработки данные. Камера технического зрения работает в паре с источником света - специализированным светодиодным модулем, расположенной напротив камеры, создающей равномерное освещение. Это обеспечивает высокий контраст между прозрачными и заполненными частями бутылки. Камера синхронизируется с оптическим датчиком расстояния, который фиксирует положение бутылки в зоне контроля. Структура описанной системы представлена на рис. 1
ф redis
Рис. 1. Структурная схема системы контроля уровня жидкости
Камера, установленная для фиксации изображений объема заполнения тары, генерирует поток данных в реальном времени, которые затем передаются в вычислительный модуль. Данные захватываемых изображений обрабатываются через систему высокопроизводительного хранилища и обработки данных Redis для организации промежуточного обмена информацией между компонентами системы.
Система Redis представляет собой сетевое хранилище типа «ключ-значение», обладает минимальными задержками при записи и чтении данных, что делает ее подходящей для систем реального времени и в данном случае выполняет роль буфера обработки и передачи данных. Результаты анализа уровня жидкости (данные о высотах сегментированной области статусы заполнения тары: недолив, перелив, допустимый диапазон наполнения, количество измерений) для каждой тары записываются в виде структурированных данных, где ключ представляет уникальный идентификатор бутылки, а значение включает измеренные параметры, такие как высота жидкости и статус заполнения.
Рассмотрим основные этапы реализации предлагаемого алгоритма распознавания и контроля.
1) Первым этапом работы системы захват изображения и синхронизация с движением тары через зону контроля. Камера высокого разрешения синхронизирована с оптическим датчиком приближения, который определяет точное положение бутылки. Когда бутылка попадает в зону съёмки, датчик активирует камеру, которая фиксирует изображение в формате RGB.
2) После захвата изображение преобразуется из формата RGB в градации серого, что снижает объём данных и упрощает дальнейшую обработку. Затем применяется обрезка изображения для выделения области интереса, чтобы исключить элементы, не относящиеся к бутылке (например, фоновые конструкции конвейера). Этот шаг позволяет сократить вычислительные затраты и повысить точность анализа.
3) На этапе сегментации алгоритм выделяет области, соответствующие жидкости, путём сравнения значений пикселей с динамическим порогом. Пороговое значение определяется локально для каждой части изображения, что делает систему адаптивной к изменениям освещённости и свойств материала бутылки.
4) После сегментации производится морфологическая обработка изображения. Этот этап необходим для удаления шумов и восстановления связных областей, соответствующих уровню жидкости. Операции «открытие» и «закрытие» выполняются с использованием адаптивного структурного элемента, размер которого определяется автоматически на основе выделенных областей. Это позволяет учесть вариации формы и размера бутылки.
5) На основе бинарного изображения, полученного после морфологической обработки, выделяется связная область, соответствующая уровню жидкости. Для этого используется алгоритм анализа связанных компонентов, который идентифицирует каждую выделенную область и определяет её размеры. Основная область, соответствующая жидкости, выбирается на основании её положения и размера.
6) Высота сегментированной области в пикселях масштабируется в физическую величину, которая затем преобразуется в объём. Для расчёта объёма используется предварительно созданная калибровочная шкала. Этот этап завершает обработку данных, предоставляя информацию о состоянии бутылки (недолив, перелив или норма).
На рис. 2 показаны результаты работы алгоритма для распознавания уровней заполнения стеклянной тары.
Для проверки точности алгоритма была проведена валидация на экспериментальных данных с использованием параметров полностью прозрачной стеклянной тары формы стандартной бутылки с максимальным объемом заполнения 450 мл, полной высотой от края до края - 255 мм, диаметром основания - 58 мм, максимальной высотой заполнения жидкости - 222 мм. Горлышко сужалось с диаметра 40мм до 25мм.
170
Вывод ошибки определения и времени ошибки
Вывод результатов
Рис. 2. Процесс определения уровня жидкости в таре
На рис. 3 представлены результаты распознавания жидкости по разработанному алгоритму для исследуемой тары, без детального вычисления объемов, но с отображением условно низкого и условно нормального уровня заполнения, который на данном этапе был задан как уровень заполнения горлышка тары.
Изображения тары на рис. 3 (а) соответствует распознаванию прозрачной жидкости в бутылке с неполный уровнем заполнения, изображения на рис. 3 (б) показывают распознавание нормально заполненной тары. Область жидкости выделена на сегментированном изображении, что позволяет точно определить границу заполнения. Оба примера подтверждают эффективность использования адаптивного порогового значения и морфологических операций для обработки изображений бутылок с прозрачными жидкостями. Алгоритм успешно устраняет шумы и выделяет связные области, соответствующие уровню жидкости, что обеспечивает высокую точность при дальнейших вычислениях.
а б
Рис. 3. Результаты распознавания уровня заполнения стеклянной тары: (а) бутылка с неполным уровнем заполнения; (б) бутылка с нормальным уровнем заполнения
На рис. 4 представлены результаты сегментации и выделения уровней жидкости с использованием морфологических операций «открытие» и «закрытие», применяемые для устранения шумов и уточнения границ жидкости.
а б
Рис. 4. Фрагменты сегментированных областей уровня жидкости в стеклянной таре: (а) выделение границ уровня жидкости при нормальном заполнении; (б) выделение границ области жидкости для частичного заполнения с применением морфологических операций
На рис. 4 (а) показаны результаты для бутылки с нормальным уровнем заполнения. Зелёные рамки демонстрируют чётко выделенную область жидкости после применения алгоритма сегментации и морфологической фильтрации. Видно, что алгоритм устойчив к бликам и отражениям.
На рис. 4 (б) представлены этапы обработки для бутылки с частичным уровнем заполнения. Красные рамки показывают результаты поэтапного выделения области жидкости. На каждом этапе морфологическая обработка корректирует выделенные области, удаляя мелкие шумы и уточняя границы.
Определение объемов жидкости в статичной обстановке (одинаковые объемы, тара без движения) является неполным решением поставленной задачи, поэтому необходимо рассмотреть функциональные возможности алгоритма. Для этого были измерены параметры заполнения прозрачной жидкостью исследуемой тары, высоты жидкости при известных объемах из чего были сформированы валидационные и калибровочные параметры для разработанного алгоритма, представленные в таблице 1.
Таблица 1
Экспериментальные данные для валидации разработанного алгоритма _ определения уровня жидкости в таре__
V, мл Йжид, мм Нпикс, пиксель ¿пикс, мм/пикс г(Ажид), мм а
400 145 568,63 29 1,3
420 155 607,84 24,5 1,4
440 185 725,49 18 1,3
450 215 843,14 15,6 1,3
Всего было произведено по 15 изображений с уровнями заполнения для каждого, представленного в таблице 1 объема. Каждое значение высоты было усреднено на основе полученных изображений с одинаковым уровнем заполнения. На рис.5 представлены данные калибровочной шкалы, по аппроксимации, которая была выполнена по кусочно-линейной функции для четырёх сегментов: [145 - 155 мм], [155 - 185 мм], [185 - 195 мм], [195 - 215 мм]. Каждый сегмент соответствует отдельному диапазону объёмов, рассчитанному по валидационным данным с точностью ~ 99,1%.
Рис. 5. Калибровочная шкала зависимости объема жидкости V от высоты жидкости в таре 1гжш>
Алгоритм также тестировался на движущихся бутылках, имитирующих реальные условия производственной линии. Тара перемещалась горизонтально перед камерой, также имитировался наклон 5° - 10° от нормали. Для каждого изображения высота сегментированной области Н пикс сопоставлялась с результатами неподвижных снимков.
173
На рис. 6 представлены результаты сегментации изображений тары с наклонами жидкости, области интереса определены четко, несмотря на смещения, вызванные движением, что указывает на хорошие возможности алгоритма эффективно выполнять свои функции как для неподвижных, так и для движущихся объектов.
Рис. 6. Результаты сегментации изображений и определения области интереса алгоритмом при движении и наклоне тары
На рисунке 7 представлены результаты обработки изображений тары с разными уровнями объема жидкости. Рисунок отражает особенности сегментации и анализа для каждого из снимков, включая обнаружения недоливов, заданный нормальный уровень жидкости и потенциальный перелив, а также иллюстрирует применение разработанного подхода в условиях, приближенных к реальной производственной линии.
Рис. 7. Результаты сегментации изображений и определения отклонений от заданного диапазона значений объема (445 - 450 мл)
в области интереса алгоритма
174
На полученных изображениях показаны результаты работы алгоритма в виде выделения областей интереса с определением соответствия уровня заполнения тары. Красным выделены участки, где был обнаружен недолив, что является критическим отклонением, особенно важным для предотвращения жалоб со стороны потребителей и минимизации рисков финансовых санкций для производителя. Зеленым определены области, которые указывают на диапазон, соответствующий нормальному уровню заполнения исходя из калибровочных параметров тары. Желтые рамки демонстрируют потенциальные случаи перелива, либо случаи распознавания наклона жидкости.
При наличии двойных зон выделения, алгоритм фокусируется на горизонтальных линиях в выделенных областях интереса. Такой подход не только упрощает алгоритм, но и позволяет минимизировать влияние внешних факторов, в виде отражения света, бликов и искажений, возникающих при движении тары, при этом, на рисунке 7 есть изображения, где видны по две пары горизонтальных бликов, в таком случае алгоритм ориентируется на верхний блик, учитывая параметры тары и условия освещенности. Таким образом, полученные данные подтверждают эффективность алгоритма как в условиях неподвижной тары, так и при моделировании реального производственного процесса с перемещением бутылок.
Заключение. Алгоритм, разработанный для анализа уровня жидкости, показал высокую точность и производительность в процессе тестирования. Этого возможно достичь за счёт представленных выражений в работе, включая сегментацию, морфологическую обработку, преобразование результатов в объёмы и использование адаптивного порода интенсивности пикселей в области интереса. При этом важно отметить, что добиться необходимой скорости определения объемов жидкости в таре при работе выко-эффективных роботизированных линий розлива с данным алгоритмов возможно только при использовании высокоскоростной камеры с разрешением, которое позволит фиксировать изображения тары в движении, сохраняя необходимую детализацию.
Валидация алгоритма проводилась в условиях, имитирующих реальную линию розлива, с контролем движения бутылок и моделированием наклонов до 10°. Результаты показали, что даже при динамических условиях алгоритм сохраняет точность классификации уровня жидкости, где допустимая ошибка не превышает 1-2%, что достигается благодаря сегментации горизонтальных линий уровня жидкости и их анализу в выделенных областях интереса, минимизируя влияние наклонов тары и динамических искажений.
При этом предлагаемое использование системы Redis в качестве промежуточного хранилища данных позволяет синхронизировать работу камеры, сенсоров и вычислительного модуля в режиме реального времени. Такой подход значительно сокращает задержки, обеспечивая беспрерывность процесса контроля.
Алгоритм может интегрирован в систему калибровки и визуализации данных и этапе настройки необходимо задавать ключевые параметры, такие
175
как выбор контрольных точек для сегментации, определение областей интереса, параметры камеры, тары и т.д.
Список литературы
1. Хамед Эраки Мохамед Тахер, Благовещенский И. Г., Благовещенский В. Г., Зубов Д. В. Контроль качества розлива и маркировки пищевых продуктов с использованием интеллектуальных технологий // Health, Food & Biotechnology. 2020. Т. 2, № 1. С. 112-127. DOI: 10.36107/hfb.2020.i1.s295.
2. Farhangi O., Sheidaee E., Kisalaei A. Machine Vision for Detecting Defects in Liquid Bottles: An Industrial Application for Food and Packaging Sector // Cloud Computing and Data Science. 2024. Vol. 5. P. 242-254. DOI: 10.37256/ccds.5220244756.
3. Мосин В. Г., Козловский В. Н., Антипова О. И., Гафаров Р. Р. Инструменты управления качеством. Поиск калибровочных границ методами машинного обучения // Известия Тульского государственного университета. Технические науки. 2024. № 7. С. 10-15. DOI: 10.24412/2071-61682024-7-10-11.
4. Зассеев А. А., Хасцаев Б. Д. Основные преимущества и недостатки автоматизированных систем управления технологическими процессами и производствами // Национальная ассоциация ученых. 2022. № 84-1. С. 5051.
5. Власов Д. В., Мясников А. В., Аксенов Д. А., Сидоров В. Г. Системы машинного зрения для автоматического управления производственными процессами // Актуальные проблемы авиации и космонавтики. 2021. Т. 2. С. 14-16.
6. Akhavan J., Mahmoud Y., Xu K., Lyu J., Manoochehri S. TDIP: Tunable Deep Image Processing, a Real Time Melt Pool Monitoring Solution // 2023 Congress in Computer Science, Computer Engineering, & Applied Computing (CSCE). Las Vegas, NV, USA, 2023. P. 1899-1908. DOI: 10.1109/CSCE60160.2023.00314.
7. Rozanec J. M., Trajkova E., Dam P., Fortuna B., Mladenic D. Streaming Machine Learning and Online Active Learning for Automated Visual Inspection // IFAC-PapersOnLine. 2022. Vol. 55, Issue 2. P. 277-282. DOI: 10.1016/j.ifacol.2022.04.206.
8. Беляев А. А., Михайлов Г. И. Современные средства обработки изображений в режиме реального времени // Современные инновации. 2016. № 11(13). С. 30-31.
9. Шиболденков В. А., Панова Д. А. Анализ данных производственного процесса в реальном времени: инновационная аналитическая платформа с использованием технологии искусственного интеллекта компании Sight Machine Inc // Креативная экономика. 2020. Т. 14, № 12. С. 3465-3478.
10. Мекшун А. Н., Мекшун Ю. Н., Мекшун А. Ю. Технологии мониторинга техники и оборудования в промышленном производстве // Вестник Курганской ГСХА. 2021. № 2(38). С. 62-68.
11. Ширяев Б. В., Ющенко А. Ю., Безрук А. В. Алгоритм автоматизированного визуального контроля монолитных интегральных схем с использованием искусственных нейронных сетей // Доклады Томского государственного университета систем управления и радиоэлектроники. 2019. Т. 22, № 2. С. 72-76.
12. Борминский С. А., Солнцева А. В., Скворцов Б. В. Метод опто-электронного контроля объема жидкости в резервуаре // Компьютерная оптика. 2016. Т. 40, № 4. С. 552-559. DOI: 10.18287/2412-6179-2016-40-4-552559.
13. Ефимов А. И., Муратов Е. Р., Никифоров М. Б. Автоматизированная система исследования алгоритмов обработки изображений // Известия Тульского государственного университета. Технические науки. 2023. № 11. С. 113-117. DOI: 10.24412/2071-6168-2023-11-113-114.
14. Назаров Н. Б., Набродова И. Н. Методы обработки изображений // Известия Тульского государственного университета. Технические науки. 2023. № 11. С. 59-60. DOI: 10.24412/2071-6168-2023-11-59-60.
15. Дурдымырадов М., Чарлыев С., Гадамова Дж. Системы автоматизированного контроля качества на производстве // Вестник науки. 2024. Т. 3, № 11(80). С. 957-960.
16. Онищенко С. В., Козловский А. В., Мельник Э. В. Разработка бесконтактной системы измерения геометрических параметров объектов на изображении // Известия Тульского государственного университета. Технические науки.2022.№ 9. С. 177-182.
Квас Евгений Станиславович, аспирант, старший преподаватель, E. kvas@guap. ru, Россия, Санкт-Петербург, Санкт-Петербургский государственный университет аэрокосмического приборостроения (ГУАП),
Бобрышов Алексей Павлович, аспирант, ассистент, [email protected], Россия, Санкт-Петербург, Санкт-Петербургский государственный университет аэрокосмического приборостроения (ГУАП),
Кузьменко Владимир Павлович, канд. техн. наук, доцент, mr. konnny@,gmail. com, Россия, Санкт-Петербург, Санкт-Петербургский государственный университет аэрокосмического приборостроения (ГУАП),
Солёный Сергей Валентинович канд. техн. наук, доцент, заведующий кафедрой, [email protected], Россия, Санкт-Петербург, Санкт-Петербургский государственный университет аэрокосмического приборостроения (ГУАП)
ADAPTIVE ALGORITHM FOR DETERMINING LIQUID LEVELS IN CONTAINERS ON
ROBOTIC BOTTLING LINES
E.S. Kvas, A.P. Bobryshov, V.P. Kuzmenko, S.V. Solyony
This study examines the problem of automated liquid level control in transparent glass containers for high-performance robotic filling lines, where dynamic conditions—such as container movement, tilts, flow velocity, and blockages—complicate volume measurement during overfill and underfill detection. The objective of the research is to develop an algorithm that
ensures adequate real-time control of underfilling and overfilling in the container, taking into account the dynamic operating conditions of the robotic filling line. The algorithm is based on an adaptive segmentation method and employs a dynamic pixel intensity threshold calculation that considers textural contrasts. The algorithm'sperformance and accuracy were verified using a fully transparent bottle-shaped container with a maximum capacity of450 ml under static conditions, as well as under simulated container motion accounting for possible liquid tilts of up to 10°. The novelty of the algorithm lies in its adaptability through the use of a dynamic pixel intensity threshold that depends on the local conditions of the filling line. Verification results demonstrated that the algorithm correctly identified overfill, underfill, and liquid tilt in up to 99% of cases, indicating its potential applicability in production environments.
Key words: machine vision systems, quality control of robotic bottling lines, adaptive image segmentation, dynamic pixel intensity threshold, liquid level control.
Kvas Evgeny Stanislavovich, postgraduate, senior lecturer, [email protected], Russia, Saint Petersburg, Saint Petersburg State University of Aerospace Instrumentation (GUAP),
Bobryshev Alexey Pavlovich, postgraduate, assistant, [email protected], Russia, Saint Petersburg, Saint Petersburg State University of Aerospace Instrumentation (GUAP),
Kuzmenko Vladimir Pavlovich, candidate of technical sciences, docent, mr.konnny@,gmail.com, Russia, Saint Petersburg, Saint Petersburg State University of Aerospace Instrumentation (GUAP),
Soleny Sergey Valentinovich, candidate of technical sciences, docent, head of the department, [email protected], Russia, Saint Petersburg, Saint Petersburg State University of Aerospace Instrumentation (GUAP)
УДК 658.518.3
Б01: 10.24412/2071-6168-2025-2-178-179
МЕТОДИКА ИДЕНТИФИКАЦИИ ТИПА ОРГАНИЗАЦИОННОЙ МОДЕЛИ ПРЕДПРИЯТИЯ ДЛЯ АДАПТАЦИИ СИСТЕМЫ БЕРЕЖЛИВОГО ПРОИЗВОДСТВА
А.А. Гореликов, Е. В. Плахотникова, С. И. Соловьев
В статье представлена методика идентификации типа организационной модели предприятия для адаптации системы бережливого производства в условиях реального производства. Сформулированы основные положения авторского подхода. Предложены механизмы сбора и обработки информации, позволяющей установить принадлежность предприятий к одной и более типам организационной модели. Разработано математическое описание для реализации методики и выявления «оттенков» базовых организационных моделей Ф. Лалу. Применение методики позволяет учесть особенности предприятий и сформировать номенклатуру методов бережливого производства с перспективой их долгосрочной эффективности.
Ключевые слова: бережливое производство, организационная модель предприятия, модели Ф. Лалу, теория глубинных знаний Э. Деминга.
В настоящее время все большую популярность приобретает тенденция внедрения на предприятиях методов и инструментов бережливого производства (БП). Система методов БП позволяет сократить трудозатраты
