Inspeção automática da qualidade de codificação em garrafas PET utilizando visão computacional em sistema embarcado

Abstract

A qualidade da embalagem é um fator determinante na escolha de determinado produto por um consumidor. Além da aparência adequada, os requisitos legais exigem que certas informações estejam disponíveis para o consumidor. Este trabalho tem como objetivo principal avaliar a viabilidade técnica de utilizar uma placa Raspberry Pi e câmera de baixo custo Raspberry Pi Camera num sistema inspetor automático de qualidade de codificação em garrafas PET. Este sistema consiste na captura da imagem digital, tratamento da imagem obtida e posterior realização de reconhecimento de texto visando encontrar o conjunto de caracteres definidos para cada modelo de garrafa. Caso todos os caracteres necessários sejam encontrados, a garrafa é classificada como conforme. Foram utilizados dois modelos de garrafas, e capturadas 24 imagens de cada, sendo 15 destas de exemplos de garrafa conforme e 9 com alguma não conformidade. Os testes foram divididos em duas sequências de métodos de processamento. A segunda sequência obteve 91,7% de acurácia para as garrafas do modelo A e 83,3% para o modelo B. As classificações incorretas resultam principalmente de fatores associados à iluminação e atrasos na captura das imagens. Para melhorar os resultados sugere-se realizar os testes em ambiente com iluminação mais controlada e utilizar uma placa microprocessada com maior capacidade.

Quality of packaging is a key factor in a consumer’s choice for a particular product. Besides the package appearance, legal requirements require that certain information is presented to the consumer. The main goal of this work is to evaluate the technical feasibility of using a Raspberry Pi board as an automatic quality inspector for the expiration date and batch region in PET bottles. The system consists in capturing digital images using a Raspberry Pi Camera, processing the image obtained, and performing Optical Character Recognition in order to find the set of characters defined for each model of bottle. If all necessary characters are found, the bottle is classified as compliant. Two models of bottles were used, and 24 images of each were captured, 15 of which were examples of compliant bottles and 9 were not. The tests were divided into two sequences of processing methods. The second sequence achieved 91.7% accuracy for model A bottles and 83.3% for model B. Misclassifications resulted mainly from factors associated with lighting conditions and delays in capturing images. To improve results, it is suggested to carry out the tests in an environment with better lighting conditions and to use a microprocessed board with greater processing capacity.