Assessment of the possibility of using the system technical vision for marking control finished dairy products

The article shows that the main direction of increasing the efficiency of modern food production is digitalization and comprehensive automation of all its spheres and stages, ensuring the unification and labeling of industrial products. A special place in this direc-tion in terms of science intensity, complexity and labor intensity of processes is occu-pied by the automation of processes for labeling finished food products. In modern pro-duction processes, the labor intensity of marking operations is a significant part. Almost the entire range of food products is subject to labeling. The article shows that, for exam-ple, only in the dairy industry in the shops of finished dairy products, the labor intensity of marking operations exceeds 13%. The constantly growing complexity of quality con-trol of manufactured food products and their multiple falsification are emphasized. Very often, the composition and functional aspects of food products are incomprehensible to consumers at first glance. The labeling of food products, applied to the packaging of the product, allows, in a concise form, but at the same time, to convey to the consumer quite fully important information about the product: the date of manufacture of the food, its manufacturer, information on the quality characteristics, quantitative composition of food products, its nutritional value etc. Existing methods and means of marking are con-sidered and analyzed. The advantages and disadvantages of existing systems are shown. The relevance of the topic, research objectives are determined. The article analyzes the possibility of using computer vision systems to automate the quality control of labeling of dairy products. The studies carried out made it possible to conclude that the use of a technical vision system for these purposes is promising. The composition of the tech-nical vision system is presented. The most effective algorithm for the processing of the resulting image has been selected. The optimal type of camera is proposed, the charac-teristics of the developed system of automatic quality control of marking are given, in-dicating the exposure time and the time of verification after image transformation. Vari-ous levels of the image are presented and their influence on the quality of the result ob-tained is considered. Using the selected algorithm, experimental research was carried out on scanning an object with our technical vision system, and the choice of the optimal location of video sensors was carried out. A block for processing the input image and scanning of boundary installations for both sides of the scanned object has been devel-oped. As a result of the research carried out, the article concludes that it is promising to introduce a digital system for automatic quality control of labeling of dairy products based on the use of a computer vision system.

1. Архипов П.О. (2003). Исследование методов и средств автоматизации процесса маркировки информации в производственном документообороте. [Кандидатская диссер-тация, ОрелГТУ]. Орел.

2. Астафьев А.В. (2015). Методы и алгоритмы локализации изображений маркировки промышленных изделий на основе рекуррентного поиска усредненного максимума [Кандидатская диссертация, НГТУ]. Нижний Новгород.

3. Балыхин М.Г., Благовещенская М.М., Благовещенский И.Г., Макаровская З.В., Назойкин Е.А. (2019). Автоматизация вакуумной сублимационной сушки продукции с использованием метода комбинированного управления. Известия высших учебных заведений. Технология текстильной промышленности. (380). С. 133-137.

4. Балыхин М.Г., Борзов А.Б., Благовещенский И.Г. (2017). Архитектура и основная концепция создания интеллектуальной экспертной системы контроля качества пище-вой продукции. Пищевая промышленность, 11, 60 - 63.

5. Балыхин М.Г., Борзов А.Б., Благовещенский И.Г. (2017). Методологические основы со-здания экспертных систем контроля и прогнозирования качества пищевой продукции с использованием интеллектуальных технологий (128 – 336). Франтера.

6. Безруков В.И. (2003). Научно-технические основы и аппаратное обеспечение автоматизированной электрокаплеструйной маркировки изделий [Кандидатская диссертация, Санкт- Петербургский Санкт-Петербургский государственный политехнический университет]. Санкт- Петербург, Россия

7. Благовещенская М.М. (2009). Основы стабилизации процессов приготовления многокомпонентных пищевых масс. Франтера.

8. Благовещенская М.М., Злобин Л.А. (2005). Информационные технологии систем управления технологическими процессами (128 – 384). Высшая школа.

9. Благовещенский В.Г., Благовещенский И.Г., Назойкин Е.А., Носенко А.С. (2016). Автоматизация процесса очистки семян подсолнечника при производстве халвы // Автоматизация и управление технологическими и бизнес-процессами в пищевой промышленности. С. 58-62.

10. Благовещенский В.Г., Благовещенский И.Г., Назойкин Е.А., Савельев В.О. (2016). Разработка структурно-параметрической модели процесса приготовления помадного сиропа при производстве халвы // Автоматизация и управление технологическими и бизнес-процессами в пищевой промышленности. С. 86-91.

11. Благовещенский В.Г., Никитушкина М.Ю. (2017). Автоматизация процесса приготовления помадного сиропа. Книга - Развитие пищевой и перерабатывающей промышленности России: кадры и наука. С. 202-205.

12. Благовещенский В.Г., Крылова Л.А., Максимов А.С. (2017). Разработка программно-аппаратного комплекса мониторинга производства халвы. Книга - Развитие пище-вой и перерабатывающей промышленности России: кадры и наука. С. 196-199.

13. Благовещенский И.Г. (2017). Автоматизированная экспертная система контроля в потоке показателей качества помадных конфет с использованием нейросетевых технологий и систем компьютерного зрения. Франтера.

14. Благовещенский И.Г., Макаровская З.В., Благовещенская М.М., Чувахин С.В., Митин В.В. (2019). Использование цифровой видеокамеры в качестве интеллектуального датчика системы автоматического регулирования процесса формования гранули-рованных пищевых масс. В сборнике: Интеллектуальные системы и технологии в отраслях пищевой промышленности Сборник материалов конференции, Издательский комплекс МГУПП, 71-75.

15. Благовещенский И.Г., Носенко С.М. (2015). Экспертная интеллектуальная система мониторинга процесса формования помадных конфет с использованием системы технического зрения. Пищевая промышленность, №6, 32 - 36.

16. Гарев К.В., Благовещенский И.Г., Назойкин Е.А., Благовещенский В.Г., Макаровская З.В. (2019). Использование технического зрения в качестве инновационного решения в системах «умного дома». Сборник материалов конференции: Интеллектуальные системы и технологии в отраслях пищевой промышленности. Издательский комплекс МГУПП, 47-52.

17. Гончаров К.А., Благовещенский И.Г., Назойкин Е.А., Благовещенский В.Г., Макаровская З.В. (2019.). Использование библиотеки OPENCV для работы с техническим зрением. Сборник материалов конференции: Интеллектуальные системы и техноло-гии в отраслях пищевой промышленности. Издательский комплекс МГУПП, 53-60.

18. Дьяконов В., Абраменкова И. (2002). Matlab. Обработка сигналов и изображений. Специальный справочник. — СПб: Питер, 215 с.

19. Жмакин М.О. (2011). Математическое моделирование средств маркировки и идентификации полиграфической продукции с использованием стеганографии [Кандидатская диссертация, МИФИ]. Москва.

20. Золотухин М. (1998). Защита от подделки - старая проблема, новые решения // КомпьютерПресс. №6. 294-296.

21. Карелина Е.Б., Благовещенская М.М., Благовещенский В.Г., Клехо Д.Ю., Благовещенский И.Г. (2019). Интеграция адаптивного управления в технологические процессы пище-вой отрасли // Интеллектуальные системы и технологии в отраслях пищевой промышленности. Сборник материалов конференции. 81-89.

22. Карякин Ю.Д. (2000). Компьютерные технологии защиты материальных объектов от подделки // Компьютерная и информационная безопасность. Минск: АРИЛ, 123 с.

23. Крылова Л.А., Благовещенский В.Г., Татаринов А.В. (2017). Разработка интеллектуальных аппаратно- программных комплексов мониторинга процессов сепарирования дисперсных пищевых масс на основе интеллектуальных технологий. В книге: Развитие пищевой и перерабатывающей промышленности России: кадры и наука (199 – 201). Издательский комплекс МГУПП.

24. Мартиросова Е. (1998). Уникальные технологии и оборудование для защиты документов от подделок // Полиграфия. №5.С.64-66.

25. Одиноков С.Б. (2011). Разработка методов и оптико-электронных приборов автоматического контроля подлинности защитных голограмм со скрытыми изображениями [Докторская диссертация, МГТУ имени Н.Э. Баумана]. Москва.

26. Петров А.Ю., Благовещенская М.М., Благовещенский В.Г., Ионов А.В., Благовещенский И.Г. (2019). Главные принципы при построении системы компьютерного зрения в хлебопекарной промышленности. Сборник материалов конференции: Интеллек-туальные системы и технологии в отраслях пищевой промышленности (121 – 126). Издательский комплекс МГУПП.

27. Петряков А.Н., Благовещенская М.М., Благовещенский В.Г., Митин В.В., Благовещенский И.Г. (2019). Повышение качества идентификации и позиционирования объекта на цифровых стерео изображениях при помощи алгоритмов построения карты глубины. Сборник материалов конференции: Интеллектуальные системы и технологии в отраслях пищевой промышленности (133 – 138). Издательский комплекс МГУПП.

28. Провоторов А. В. (2014). Алгоритмы двухуровневого управления видеодатчиками системы автоматической идентификации маркировки слябов [Кандидатская диссертация, ОрелГТУ]. Орел.

29. Птицын Н.В. (2006). Алгоритмический метод защиты и идентификации маркированных печатных документов [Кандидатская диссертация, МИФИ]. Москва.

30. Савина О.А., Архипов П.О. (2003). Маркировка графических документов в составе электро-цифрового макета изделия // Известия ОрелГТУ, с. - 55-57.

31. Савостин С.Д., Благовещенская М.М., Благовещенский И.Г. (2016). Автоматизация контроля показателей качества муки в процессе размола с использованием интеллектуальных технологий. Франтера.

32. Черненький В. М., Птицын Н. В. (2005). Гибридной метод непараметрической нечёткой классификации в распознавании образов // Вестник МГТУ им. Н. Э. Баумана. Приборостроение. № 3. 49-58.

33. Чернов Т.С. (2018). Математические модели и алгоритмы оценки качества изображений в системах оптического распознавания [Кандидатская диссертация, МИФИ]. Москва.

34. Шарифулин М. (2000). Защита прежде всего // Publish. №7. 28-35.

35. Anagnostopoulos, С. N. License plate recognition algorithm for Intelligent Transport applica-tions /1. Anagnostopoulos, V. Loumos, E. A.Kayafas, // IEEE Transaction on Intelligent Transport Systems. - 2009.

36. Aluze, D. Vision system for defect imaging, detection, and characterization on a specular sur-face of a 3D object / D. Aluze, F. Merienne, C. Dumont, P. Gorria // Image Vision Com-put. - 2002. - N 20. - P. 569-580.

37. Angella, F. Optimal Deployment of Cameras for Video Surveillance Systems / F. Angella, L. Reithler, F. Gallesio // IEEE Conf. on Advanced Video and Signal Based Surveillance. - 2007.

38. Bien, Z. Development of a well structured industrial vision system // Z. Bien, S-R Oh, J Won / Proceedings of 16th annual IEEE conference of the industrial electronics society. - 2009. -Nl. - P. 501-506.

39. Chen, I.-H. Efficient vision-based calibration for visual surveillance systems with multiple PTZ cameras / I.-H. Chen, S.J. Wang // IEEE Intel Conf. on Computer Vision Systems. - 2006.