식품 포장의 자동 외관 검사: 라벨 오류와 실링 불량 잡아내기

2023년, FDA는 미신고 알레르겐과 관련된 식품 리콜을 232건 기록했습니다. 대부분은 포장 오류였습니다: 올바른 제품에 잘못된 라벨이 부착되었거나, 올바른 라벨에 오래된 성분 목록이 기재된 경우였습니다. 단 한 건의 알레르겐 리콜로 리콜 물류, 폐기 제품, 규제 벌금, 브랜드 손상을 포함하면 평균 1,000만 달러의 비용이 발생합니다. 제품이 공장을 떠나기 전에 라벨 오류를 잡아내는 AI 비전 시스템의 설치 비용은 약 85,000달러에서 150,000달러입니다.

계산은 간단합니다. 하지만 구현은 그렇지 않습니다.

라인 속도에서의 라벨 검증

식품 포장 라인은 빠르게 가동됩니다. 스낵 식품 라인은 분당 400개의 봉지를 처리할 수 있습니다. 음료 라인은 분당 1,200병을 초과할 수 있습니다. 비전 시스템은 라벨의 선명한 이미지를 캡처하고, 텍스트를 읽고, 바코드를 검증하고, 그래픽이 예상 템플릿과 일치하는지 확인하고, 하나의 패키지가 카메라를 지나가는 시간 내에 합격/불합격 판정을 내려야 합니다. 분당 400개 패키지 기준으로, 패키지당 150밀리초입니다.

광학 문자 인식(OCR)이 텍스트 검증을 처리하지만, 식품 라벨 OCR은 일반적인 문서 OCR보다 어렵습니다. 라벨은 곡면에 인쇄되고, 반사를 일으키는 투명 오버랩을 통해 인쇄되며, 각도에 따라 외관이 변하는 금속 기재 위에 인쇄되고, 법적 준수 정보의 경우 6포인트만큼 작은 텍스트 크기로 인쇄됩니다. 기존 OCR 엔진은 이러한 조건에서 어려움을 겪습니다. 식품 포장 이미지로 학습된 딥러닝 OCR 모델은 훨씬 더 나은 성능을 보이며, 생산 환경에서 99.5% 이상의 문자 정확도를 달성합니다.

시스템은 텍스트만 확인하는 것이 아닙니다. 올바른 라벨 원지가 사용되고 있는지 확인하고(제품 전환 후 작업자가 잘못된 라벨 롤을 장착하는 시나리오를 감지), 라벨이 패키지에 허용 오차 내에서 위치하는지 확인하고, 인쇄 품질(흐릿한 인쇄, 번진 잉크, 누락된 부분)을 점검하며, 1D 또는 2D 바코드를 읽어 예상 제품 코드와 일치하는지 확인합니다.

밀봉 무결성 검사

연포장(파우치, 봉지, 플로우 랩)의 경우, 밀봉 무결성은 식품 안전 요건입니다. 불완전하거나 오염된 밀봉은 미생물 침입을 허용하여 부패 또는 식중독을 유발할 수 있습니다. 기존의 밀봉 검사 방법(파열 시험, 염료 침투 시험)은 파괴적이며 샘플에만 적용할 수 있습니다.

AI 비전 시스템은 100%의 패키지에 대해 비파괴적으로 밀봉 품질을 검사합니다. 카메라는 투과광(백라이트 검사)을 통해 밀봉 영역을 관찰하며, 주름, 밀봉 구역의 오염, 불완전한 융착과 같은 밀봉 결함이 광투과율의 변화로 나타납니다. AI 모델은 허용 가능한 밀봉 변이(기밀 무결성에 영향을 미치지 않는 경미한 주름)와 실제 결함(완전한 융착을 방해하는 밀봉 구역의 제품 오염)을 구별하는 방법을 학습합니다.

열화상 밀봉 검사는 또 다른 검사 층을 추가합니다. 밀봉 스테이션 직후에 밀봉 부위를 열화상으로 촬영하면, 열화상 카메라가 밀봉 온도가 너무 낮은 영역(콜드 실, 융착되지 않았을 가능성)이나 너무 높은 영역(번 실, 잠재적으로 약화됨)을 감지할 수 있습니다. AI는 검증 과정에서의 파괴 시험 결과와 열 패턴을 상관시켜 적절한 임계값을 설정합니다.

알레르겐 교차 오염 방지

가장 가치 있는 응용 분야 중 하나는 제품 전환 시 알레르겐 교차 오염 시나리오를 감지하는 것입니다. 제조 라인이 땅콩 함유 제품에서 땅콩 미함유 제품으로 전환될 때, 비전 시스템은 올바른 라벨(올바른 알레르겐 표시가 포함된)이 올바른 제품에 부착되고 있는지 확인할 수 있습니다. 이것은 간단해 보이지만, 전환 오류는 미신고 알레르겐 리콜의 주요 원인입니다.

일부 고급 시스템은 라벨 검증을 넘어 제품 자체를 검사합니다. 예를 들어, 혼합 견과류 포장 라인에서 비전 시스템은 투명 포장을 통해 보이는 견과류를 분류하여 각 봉지에 올바른 견과류 혼합물이 들어 있는지 확인할 수 있습니다. "캐슈넛 전용" 봉지에 눈에 보이는 땅콩이 포함되어 있으면 시스템이 이를 불량으로 표시하여 배출합니다.

규제 준수 데이터

개별 불량 패키지를 감지하는 것 외에도, AI 비전 시스템은 규제 감사관이 점점 더 기대하는 종류의 지속적이고 문서화된 검사 데이터를 생성합니다. 모든 패키지 검사는 타임스탬프, 이미지, 검사 결과, 수행된 특정 검사 항목과 함께 기록됩니다. FDA 검사관이나 소매 고객 감사관이 품질 기록을 요청할 때, 이미지가 포함된 100% 검사 데이터를 보유하는 것은 수동 점검 시트가 포함된 샘플링 계획보다 훨씬 더 설득력이 있습니다.

검사 데이터는 또한 예방적 통제가 실행되고 있다는 문서화된 증거를 제공하여 FSMA(식품안전현대화법) 준수를 지원합니다. 결함이 감지되면 시스템은 무엇이 발생했는지, 언제 발생했는지, 어떤 시정 조치가 취해졌는지(패키지 배출, 조사를 위한 라인 정지 등)를 기록합니다. 이러한 추적성은 주요 식품 소매업체에 납품하기 위한 기본 필수 요건이 되고 있습니다.

구현 과제

가장 큰 실질적 과제는 제품 전환입니다. 15~20가지 다른 제품을 운영하는 식품 공장은 전환 시 비전 시스템이 검사 매개변수(라벨 템플릿, 바코드, 밀봉 사양)를 원활하게 전환해야 합니다. 대부분의 시스템은 라인 PLC와의 통합을 통해 이를 처리하며, PLC가 적절한 검사 레시피를 트리거하는 제품 코드 신호를 전송합니다. 그러나 계절별 포장 변형이 있는 수십 가지 제품에 걸친 레시피 관리는 지속적인 관리가 필요합니다.

조명은 또 다른 지속적인 과제입니다. 연포장 소재(금속 증착 필름, 투명 필름, 무광 필름)는 각각 빛을 다르게 반사하며, 하나의 소재에 최적화된 조명 설정은 다른 소재에서 성능이 저하될 수 있습니다. 다각도 조명 어레이와 편광 조명이 도움이 되지만, 일부 구현에서는 전환 시 전환되는 소재별 조명 프로파일이 여전히 필요합니다.

이 기술은 대량의 반복적인 포장 작업을 매우 잘 처리합니다. 어려움을 겪는 부분은 허용 가능한 외관이 개체마다 크게 다른 수공예 또는 장인 포장입니다. 기계 포장 제품으로 학습된 시스템은 손으로 접은 포장이나 의도적인 변형이 있는 장인 라벨에 어려움을 겪을 수 있습니다. 이러한 응용 분야에서는 광범위한 튜닝 없이는 오탐률이 관리 불가능한 수준이 될 수 있습니다.