FirmAdapt

食品包装の自動視覚検査:ラベルエラーとシール不良の検出

食品包装ラインのコンピュータビジョンシステムは、誤ラベル付けされたアレルゲン、傾いたラベル、不完全なシールを毎分400パッケージの速度で検出します。

2023年、FDAは未申告アレルゲンに関連する食品リコールを232件記録しました。そのほとんどが包装ミスでした。正しい製品に間違ったラベルが貼られていたり、正しいラベルに古い原材料リストが記載されていたりするケースです。アレルゲン関連のリコール1件にかかるコストは、リコールの物流、廃棄製品、規制上の罰金、ブランドへのダメージを含めると平均1,000万ドルに上ります。製品が工場を出る前にラベルミスを検出するAIビジョンシステムの導入費用は、約85,000ドルから150,000ドルです。

計算は単純です。しかし、導入はそうではありません。

ライン速度でのラベル検証

食品包装ラインは高速で稼働します。スナック食品のラインでは毎分400袋、飲料ラインでは毎分1,200本を超えることもあります。ビジョンシステムは、ラベルの鮮明な画像を取得し、テキストを読み取り、バーコードを検証し、グラフィックスが期待されるテンプレートと一致することを確認し、1つのパッケージがカメラの前を通過する間に合否判定を下す必要があります。毎分400パッケージの場合、1パッケージあたり150ミリ秒です。

光学文字認識(OCR)がテキスト検証を担いますが、食品ラベルのOCRは一般的な文書のOCRよりも困難です。ラベルは曲面に印刷され、反射を生む透明なオーバーラップを通して読み取る必要があり、角度によって見え方が変わる金属基材上に印刷され、法的コンプライアンス情報には6ポイントほどの小さな文字サイズが使われます。従来のOCRエンジンはこれらの条件に苦戦します。食品包装画像で学習されたディープラーニングOCRモデルは大幅に優れた性能を発揮し、生産環境で99.5%以上の文字認識精度を達成しています。

システムはテキストだけでなく、それ以上のことを確認します。正しいラベル原紙が使用されていることを検証し(製品切り替え後にオペレーターが間違ったラベルロールをセットするシナリオを検出)、ラベルがパッケージ上の許容範囲内に配置されていることを確認し、印刷品質(かすれ、インクのにじみ、欠落部分)をチェックし、1Dまたは2Dバーコードを読み取って期待される製品コードと一致することを確認します。

シール完全性検査

軟包装(パウチ、袋、フローラップ)において、シールの完全性は食品安全上の要件です。不完全なシールや汚染されたシールは微生物の侵入を許し、腐敗や食中毒につながる可能性があります。従来のシール検査方法(破裂試験、染料浸透試験)は破壊検査であり、サンプルにしか適用できません。

AIビジョンシステムは、全パッケージの100%を非破壊でシール品質検査します。カメラは透過光(バックライト検査)を通してシール部分を観察し、シワ、シールゾーン内の汚染、不完全な融着などのシール欠陥が光の透過量の変化として現れます。AIモデルは、許容範囲内のシール変動(気密性に影響しない軽微なシワ)と本当の欠陥(完全な融着を妨げるシールゾーン内の製品汚染)を区別することを学習します。

熱シール検査はさらなる検査層を追加します。シーリングステーションの直後にシールを熱画像で撮影することで、サーマルカメラはシール温度が低すぎた箇所(コールドシール、融着不良の可能性)や高すぎた箇所(焼けたシール、強度低下の可能性)を検出できます。AIは、バリデーション時の破壊試験によるシール品質結果と熱パターンを相関させ、適切な閾値を設定します。

アレルゲン交差汚染の防止

最も価値のある用途の一つは、製品切り替え時のアレルゲン交差汚染シナリオの検出です。製造ラインがピーナッツ含有製品からピーナッツ不使用製品に切り替わる際、ビジョンシステムは正しいラベル(正しいアレルゲン表示付き)が正しい製品に貼付されていることを検証できます。これは単純に聞こえますが、切り替えミスは未申告アレルゲンリコールの主要原因です。

一部の先進的なシステムは、ラベル検証を超えて製品自体を検査します。例えば、ミックスナッツの包装ラインでは、ビジョンシステムが透明な包装を通して見えるナッツを分類し、各袋に正しいナッツミックスが入っていることを検証できます。「カシューナッツのみ」の袋に目に見えるピーナッツが含まれている場合、システムはそれを排除対象としてフラグを立てます。

規制コンプライアンスデータ

個々の不良パッケージを検出するだけでなく、AIビジョンシステムは規制当局の監査員がますます期待するような、継続的で文書化された検査データを生成します。すべてのパッケージ検査は、タイムスタンプ、画像、検査結果、実施された具体的なチェック項目とともに記録されます。FDAの検査官や小売顧客の監査員が品質記録の提示を求めた際、手書きのチェックシートによるサンプリング計画よりも、画像付きの100%検査データの方がはるかに説得力があります。

検査データはまた、予防管理が実際に機能していることの文書化された証拠を提供することで、FSMA(食品安全強化法)のコンプライアンスを支援します。欠陥が検出された場合、システムは何が起きたか、いつ起きたか、どのような是正措置が取られたか(パッケージの排除、調査のためのライン停止など)を記録します。このトレーサビリティは、大手食品小売業者への供給において、ますます必須要件となっています。

導入における課題

最大の実務上の課題は製品切り替えです。15~20種類の異なる製品を生産する食品工場では、ビジョンシステムが切り替え時に検査パラメータ(ラベルテンプレート、バーコード、シール仕様)をシームレスに切り替える必要があります。ほとんどのシステムは、ラインPLCとの統合によってこれを処理し、PLCが製品コード信号を送信して適切な検査レシピをトリガーします。しかし、季節ごとの包装バリエーションを持つ数十種類の製品にわたるレシピ管理には、継続的な注意が必要です。

照明もまた根強い課題です。軟包装材料(メタライズドフィルム、透明フィルム、マットフィルム)はそれぞれ光の反射が異なり、ある材料に最適化された照明設定が別の材料では性能が低下する場合があります。多角度照明アレイや偏光照明が役立ちますが、一部の導入では切り替え時に材料固有の照明プロファイルを切り替える必要があります。

この技術は、大量生産の反復的な包装作業に非常に適しています。苦手とするのは、手作りやアルチザン包装で、許容される外観がユニットごとに大きく異なる場合です。機械包装製品で学習されたシステムは、手折りのラップや意図的なバリエーションのあるアルチザンラベルに対応するのが困難な場合があります。これらの用途では、大規模なチューニングなしには誤検出率が管理不能になる可能性があります。

ManufacturingFood packagingQuality inspectionComputer visionFood safetyAI

Enjoyed this? Get the next one by email

Practical writing on AI in business, from the team that builds and runs it.

Free. Unsubscribe any time. Privacy policy

See where AI fits in your business

Enter your website for a free PATH report. First findings in about a minute.