Inspection visuelle automatisée pour l'emballage alimentaire : détecter les erreurs d'étiquetage et les défauts de scellage

En 2023, la FDA a enregistré 232 rappels alimentaires liés à des allergènes non déclarés. La plupart étaient des erreurs d'emballage : la mauvaise étiquette sur le bon produit, ou la bonne étiquette avec une liste d'ingrédients obsolète. Un seul rappel lié aux allergènes coûte en moyenne 10 millions de dollars lorsqu'on inclut la logistique du rappel, les produits détruits, les amendes réglementaires et les dommages à la marque. Un système de vision par IA qui détecte les erreurs d'étiquetage avant que le produit ne quitte l'usine coûte environ 85 000 à 150 000 dollars installé.

Le calcul est simple. La mise en œuvre ne l'est pas.

Vérification des étiquettes à la vitesse de la ligne

Les lignes d'emballage alimentaire fonctionnent rapidement. Une ligne de snacks peut traiter 400 sachets par minute. Une ligne de boissons peut dépasser 1 200 bouteilles par minute. Le système de vision doit capturer une image nette de l'étiquette, lire le texte, vérifier le code-barres, confirmer que les graphiques correspondent au modèle attendu et prendre une décision accepté/rejeté dans le temps qu'il faut à un emballage pour passer devant la caméra. À 400 emballages par minute, cela représente 150 millisecondes par emballage.

La reconnaissance optique de caractères (OCR) gère la vérification du texte, mais l'OCR des étiquettes alimentaires est plus difficile que l'OCR documentaire classique. Les étiquettes sont imprimées sur des surfaces courbes, à travers un suremballage transparent qui crée des reflets, sur des substrats métalliques dont l'apparence change selon l'angle, et avec des tailles de texte aussi petites que 6 points pour les informations de conformité légale. Les moteurs OCR conventionnels peinent dans ces conditions. Les modèles OCR basés sur l'apprentissage profond, entraînés sur des images d'emballages alimentaires, offrent des performances nettement supérieures, atteignant une précision de caractères supérieure à 99,5 % en environnement de production.

Le système vérifie bien plus que le texte seul. Il s'assure que le bon stock d'étiquettes est utilisé (détectant le scénario où un opérateur charge le mauvais rouleau d'étiquettes après un changement de produit), confirme que l'étiquette est positionnée dans les tolérances sur l'emballage, contrôle la qualité d'impression (impression pâle, encre bavée, sections manquantes) et lit le code-barres 1D ou 2D pour confirmer qu'il correspond au code produit attendu.

Inspection de l'intégrité des scellages

Pour les emballages souples (pochettes, sachets, emballages flow-pack), l'intégrité du scellage est une exigence de sécurité alimentaire. Un scellage incomplet ou contaminé peut permettre l'entrée microbienne, entraînant une détérioration ou une maladie d'origine alimentaire. Les méthodes traditionnelles d'inspection des scellages (test d'éclatement, test de pénétration de colorant) sont destructives et ne peuvent être appliquées qu'à des échantillons.

Les systèmes de vision par IA inspectent la qualité du scellage sur 100 % des emballages de manière non destructive. Les caméras examinent la zone de scellage par lumière transmise (inspection rétroéclairée), où les défauts de scellage comme les plis, la contamination dans la zone de scellage et la fusion incomplète apparaissent sous forme de variations de transmission lumineuse. Le modèle d'IA apprend à distinguer les variations de scellage acceptables (plis mineurs qui n'affectent pas l'intégrité hermétique) des défauts réels (contamination par le produit dans la zone de scellage empêchant une fusion complète).

L'inspection thermique des scellages ajoute une couche supplémentaire. En imageant le scellage immédiatement après la station de scellage, une caméra thermique peut détecter les zones où la température de scellage était trop basse (scellage froid, probablement non fusionné) ou trop élevée (scellage brûlé, potentiellement affaibli). L'IA corrèle le profil thermique avec les résultats de qualité de scellage issus des tests destructifs réalisés lors de la validation pour définir les seuils appropriés.

Prévention des contacts croisés avec les allergènes

L'une des applications les plus précieuses est la détection des scénarios de contacts croisés avec les allergènes lors des changements de produit. Lorsqu'une ligne de production passe d'un produit contenant des arachides à un produit sans arachides, le système de vision peut vérifier que les bonnes étiquettes (avec les bonnes déclarations d'allergènes) sont appliquées sur le bon produit. Cela semble simple, mais les erreurs de changement de produit sont la principale cause de rappels pour allergènes non déclarés.

Certains systèmes avancés vont au-delà de la vérification des étiquettes pour inspecter le produit lui-même. Par exemple, sur une ligne d'emballage de fruits à coque mélangés, le système de vision peut vérifier que le bon mélange se trouve dans chaque sachet en classifiant les fruits à coque visibles à travers l'emballage transparent. Si un sachet de « noix de cajou uniquement » contient une arachide visible, le système le signale pour rejet.

Données de conformité réglementaire

Au-delà de la détection d'emballages défectueux individuels, les systèmes de vision par IA génèrent le type de données d'inspection continues et documentées que les auditeurs réglementaires attendent de plus en plus. Chaque inspection d'emballage est enregistrée avec un horodatage, une image, les résultats d'inspection et les contrôles spécifiques effectués. Lorsqu'un inspecteur de la FDA ou un auditeur client de la grande distribution demande à consulter vos registres qualité, disposer de données d'inspection à 100 % avec images est considérablement plus convaincant qu'un plan d'échantillonnage avec des fiches de contrôle manuelles.

Les données d'inspection soutiennent également la conformité au FSMA (Food Safety Modernization Act) en fournissant des preuves documentées de contrôles préventifs en action. Lorsqu'un défaut est détecté, le système enregistre ce qui s'est passé, quand cela s'est passé et quelle action corrective a été prise (emballage rejeté, ligne arrêtée pour investigation, etc.). Cette traçabilité est de plus en plus une exigence minimale pour approvisionner les grands distributeurs alimentaires.

Défis de mise en œuvre

Le plus grand défi pratique est le changement de produit. Une usine alimentaire produisant 15 à 20 produits différents a besoin que le système de vision change les paramètres d'inspection (modèle d'étiquette, code-barres, spécifications de scellage) de manière fluide lors des changements. La plupart des systèmes gèrent cela par intégration avec l'automate programmable (PLC) de la ligne, qui envoie un signal de code produit déclenchant la recette d'inspection appropriée. Mais la gestion des recettes pour des dizaines de produits, chacun avec des variantes d'emballage saisonnières, nécessite une attention continue.

L'éclairage est un autre défi persistant. Les matériaux d'emballage souple (films métallisés, films transparents, films mats) réfléchissent chacun la lumière différemment, et une configuration d'éclairage optimisée pour un matériau peut donner de mauvais résultats sur un autre. Les rampes d'éclairage multi-angles et l'illumination polarisée aident, mais certaines installations nécessitent encore des profils d'éclairage spécifiques au matériau qui changent lors des transitions de produit.

La technologie gère très bien les opérations d'emballage à haut volume et répétitives. Là où elle peine, c'est avec les emballages artisanaux ou faits main, où l'apparence acceptable varie considérablement d'une unité à l'autre. Un système entraîné sur des produits emballés par machine peut avoir des difficultés avec des emballages pliés à la main ou des étiquettes artisanales présentant des variations délibérées. Pour ces applications, le taux de faux positifs peut devenir ingérable sans un réglage approfondi.