Konfitüre und Fruchtaufstriche
Erkenne Füllstandsfehler, Etiketten-Versatz, Deckelsitz und Verunreinigungen, bevor die Gläser die Abfüllung verlassen.
Automatisierte Qualitätskontrolle für Konfitüre-, Marmeladen- und Fruchtaufstrich-Linien, läuft auf einem refurbed iPhone an Füller, Verschließer, Etikettierer und Kartonpacker.
Was ist automatisierte Qualitätskontrolle in der Konfitüre- und Fruchtaufstrich-Produktion?
Automatisierte Qualitätskontrolle in der Konfitüre- und Fruchtaufstrich-Produktion nutzt eine Kamera und ein KI-Modell, um jedes Glas an Füller, Verschließer, Etikettierer und Kartonpacker zu erfassen und nicht-konforme Einheiten vor dem Lager zu melden. Statt auf den Bediener am Inspektionstisch oder auf starre regelbasierte Machine-Vision zu setzen, lernt die KI Deine spezifische Glasform, Etikettenmotive, Fruchtinhalte und Deckelgeometrien und legt einen konstanten visuellen Prüfpunkt über Schichten, Linientempo und Rezepturwechsel.
Konfitüren und Fruchtaufstriche sind bei Produktionsgeschwindigkeit besonders schwer zu prüfen, weil der Fruchtinhalt innerhalb derselben Charge per Design variiert, die Gelee-Trübung bei Erdbeer-, Himbeer- und Aprikosenreihen unterschiedlich liest, und das unterfüllte Glas, das einen Multipack ruiniert, unter Verpackungs-Beleuchtung wie eine normale Kopfraum-Variation aussieht. Regelbasierte Vision für eine einzige Glasform bricht beim Wechsel auf eine andere SKU, ein anderes Etikett oder ein anderes Fruchtrezept. KI-gestützte Prüfung schluckt diese Schwankungen, weil das Modell aus echten Produktionsbildern statt aus festen Schwellwerten lernt.
Das Ergebnis ist ein automatischer visueller Prüfpunkt, der Deine End-of-Line-Stichprobe ergänzt und Dir eine glas-scharfe Bilddokumentation liefert. Wenn die Händler-Anfrage sechs Wochen später kommt, ziehst Du die Frames aus dem genauen Produktionsfenster und bestätigst entweder den Defekt oder konterst mit Beweisen.
Defekte, die wir auf Konfitüre- und Fruchtaufstrich-Linien erkennen
Füllstandsfehler und Kopfraumdrift
Füllstandsfehler sind die unter- und überfüllten Gläser, verursacht durch Füllerkolben-Verschleiß, Chargen-Viskositätsänderungen während des Laufs oder Temperaturdrift im Konfitürekocher. Unterfüllungen brechen die Karton-Gewichtsspezifikation am Händlerlager, und Überfüllungen führen zu Deckelverunreinigung am Verschließer. Bediener prüfen die Füllerlinie mit dem Auge, können aber nicht jedes Glas beobachten, sodass die Grenzfälle den Inspektionstisch passieren. Das KI-Modell lernt den Soll-Kopfraum pro SKU und meldet Drift, sobald die lokale Füllhöhe Deine Toleranz überschreitet, mit den Frames als Beweis, damit Du den Füller anpasst, bevor eine ganze Palette außerhalb der Spezifikation ausgeliefert wird.
Etiketten-Versatz und Kratzer
Etikettendefekte umfassen schiefe Anbringung, abgehobene Ecken, Klebstoffkratzer und gewellte Panels, verursacht durch Leimwalzen-Verschleiß, Etikettenstapel-Vorschubfehler oder fehlausgerichtete Druckwalzen. Die schlimmsten Fälle sitzen auf der Rückseite und passieren den Front-Inspektionstisch, um am Lager zu scheitern. Manuelle Bediener fangen die offensichtlichen Schiefstellungen ab, übersehen aber abgehobene Ecken, die den Etikettierer passieren und an der Berührung mit dem Kartonpacker scheitern. Das KI-Modell hält die visuelle Signatur eines korrekten Etiketts pro SKU vor und meldet Schräge, Ablösung und Kratzer, sobald das lokale Muster vom Soll abweicht.
Deckelsitz und Twist-off-Defekte
Deckelprobleme umfassen schiefe Deckel, fehlende Sicherheitsknöpfe und unter sitzende Twist-off-Verschlüsse, verursacht durch Verschließer-Drehmomentdrift, Deckel-Vorschub-Fehlausrichtung oder Gewindewalzen-Verschleiß. Untersitzende Deckel scheitern am Vakuumtest und führen zu Verderb vor dem Mindesthaltbarkeitsdatum. Bediener prüfen Deckel stichprobenartig in der Pause, übersehen aber die Fenster dazwischen. Das KI-Modell lernt die Soll-Deckelsignatur und meldet schiefe, Knopf-fehlende und untersitzende Deckel am Verschließerausgang, mit den Frames als Beweis, damit Du das Drehmoment anpasst, bevor eine ganze Charge geht.
Verschluss-Drehmoment und Garantie-Ring
Verschlussdefekte sind die Schwesterprobleme des Sitzes, einschließlich gebrochener Garantie-Ringe, unvollständiger Pilfer-Ringe und Deckel, die frei auf dem Gewinde drehen. Ursachen sind Gewindewalzen-Verschleiß, Deckel-Chargentoleranz und Verschließerausrichtung. Die Defekte ruinieren den Original-Anspruch auf dem Etikett und lösen Händlerablehnungen am Lager aus. Das KI-Modell erfasst die visuelle Signatur eines gebrochenen Rings oder eines frei drehenden Deckels in einem Frame und meldet jedes Glas, das die Spezifikation nicht erfüllt, bevor der Kartonpacker es einwickelt.
Frucht- und Gelee-Verteilung
Verteilungsprobleme umfassen abgesetzte Früchte am Boden des Glases, Gelee-Trennung im Kopfraum und ungleichmäßiges Frucht-Gelee-Verhältnis, verursacht durch Trichterrührdrift, Rezeptur-Temperaturvariation oder Füllerdüsen-Mismatch. Die Defekte ruinieren das Regalbild und lösen Social-Media-Reklamationen aus. Manuelle Bediener prüfen die Füllerausgabe, übersehen aber die abgesetzten Fruchtfälle, die den Inspektionstisch passieren und zwei Wochen später schlecht im Supermarktregal aussehen. Das KI-Modell lernt die Soll-Verteilung pro SKU und meldet Drift am Füllerausgang, damit die Linie die Trichterrührung oder die Rezeptur-Temperatur anpassen kann.
Glasschäden und Absplitterungen
Glasdefekte umfassen Risse am Gewindehals, Absplitterungen am Rand und Einschlüsse im Körper, verursacht durch Glasträger-Verschleiß, Verschließer-Aufprall oder Lieferanten-Chargenprobleme. Die schlimmsten Fälle sitzen auf der Innenseite des Kartons und kommen erst beim Öffnen durch den Verbraucher zu Hause zum Vorschein. Das KI-Modell lernt die Soll-Glassignatur und meldet Risse, Absplitterungen und Einschlüsse am Kartonpacker-Eingang, damit die Linie das Glas aussondert, bevor es den Karton erreicht.
Der Beleuchtungsaufbau, der das auf einer Konfitürelinie funktionieren lässt, ist eine diffuse Deckenleuchte über Füller und Etikettierer für Füllstand und Etikett, plus eine Niedrigwinkel-Ringleuchte am Verschließer für den Deckelsitz. Ein iPhone Pro mit Makro- und Weitwinkellinsen deckt die sieben Defektfamilien aus einer Prüfstation pro kritischem Kontrollpunkt ab. Wir synchronisieren das Rig mit dem Förderband-Encoder, damit gemeldete Gläser eine Aussonderungs- oder Halt-Entscheidung auslösen. Die Optik spezifizieren wir gemeinsam beim Onboarding.
Wie Enao auf einer Konfitüre- und Fruchtaufstrich-Linie läuft
Das komplette Hardware-Rig kostet unter €1.000 und besteht aus einem refurbed iPhone Pro, einer diffusen Deckenleuchte mit optionaler Niedrigwinkel-Ringleuchte für die Deckelprüfung, einem USB-C-Kabel und einer Halterung über Füller, Verschließer, Etikettierer oder Kartonpacker. SPS-Integration ist für die erste Inbetriebnahme nicht nötig, das Rig passt in einen Flightcase, und die Linie läuft beim Aufbau weiter.
Das Onboarding läuft self-serve. Dein Linienteam montiert das Rig, öffnet die Enao-App und sammelt am nächsten Wechsel Referenzframes. Tag eins liefert 80% Genauigkeit ohne Vorlabeling, und ab Tag vierzehn arbeitet das Modell auf den gesehenen Defektfamilien über dem manuellen Prüfer und verbessert sich mit jedem Glas, das die Linie bestätigt oder verwirft.
Jede Linie trainiert ihr eigenes Modell auf Glasformen, Etiketten und Fruchtrezepte. Beim Wechsel auf eine andere Rezeptur oder ein anderes Etikett an derselben Linie adaptiert das Modell in einer Schicht. Wenn Du eine Schwesterlinie mit ähnlicher Produktfamilie startest, beginnt das zweite Modell mit der Erfahrung des ersten, und der Aufwand sinkt deutlich.
Außertolerante Gläser erreichen den Kartonpacker nicht, Ausschuss wird am Prüfpunkt statt im QS-Büro verbucht, und Deine Bediener bekommen die Stunden zurück, die sie für die Aufgaben brauchen, die einen Menschen erfordern: Füller-Setup, Rezeptur-Tuning und Kundenreklamationen.
Wie Enao gegen manuelle Prüfung und klassische Machine-Vision abschneidet
Für Konfitüre- und Fruchtaufstrich-Produzenten verdichtet sich der Vergleich auf fünf Dimensionen.
Aufbauzeit auf einer Konfitürelinie. — Manuelle Sichtprüfung: stundenlange Schulung pro Bediener, laufende Lohnkosten. Klassische Machine-Vision: drei bis neun Monate Integration mit einem Systemintegrator, plus ein Regelsatz pro Glas und Etikett. Enao: in einer Woche von Deinem Team eingerichtet, Tag eins auf 80% Genauigkeit.
Hardwarekosten pro Linie. — Manuelle Sichtprüfung: keine Anschaffung, laufende Lohnkosten. Klassische Machine-Vision: €40.000 bis €200.000 pro Linie für Industriekameras, strukturierte Beleuchtung und Integration. Enao: unter €1.000 pro Linie mit refurbed iPhone Pro, Lampe und Halterung.
Umgang mit neuen SKUs, Etiketten und Rezepturen. — Manuelle Sichtprüfung: Bediener pro neuer SKU neu schulen. Klassische Machine-Vision: Regelsatz pro Rezeptur neu schreiben, oft an den Integrator ausgelagert. Enao: Modell auf neue Gläser, Etiketten und Rezepturen in einer Schicht nachtrainieren, ohne Code anzufassen.
Erkennungsgenauigkeit auf subtilen Füllstandsdrifts und Etikettenkratzern. — Manuelle Sichtprüfung: zu Schichtbeginn hoch, fällt nach drei Stunden messbar ab. Klassische Machine-Vision: stark bei Maßprüfung, schwach bei subtilem Füllstandsdrift und Etikettenkratzer-Erkennung. Enao: lernt Füll-, Etiketten- und Deckelsignaturen aus Referenzframes und hält die Genauigkeit über Schichten und Läufe.
Wer es betreibt. — Manuelle Sichtprüfung: geschulter Bediener am Inspektionstisch. Klassische Machine-Vision: Systemintegrator oder spezialisierter Vision-Engineer. Enao: Dein Linienteam, kein externer Spezialist nötig.
Händler und Category Manager wechseln Lieferanten wegen einer einzigen abgelehnten Palette, und die Kosten eines Chargebacks oder eines stillen Listing-Verlusts liegen weit über den Kosten eines iPhone-basierten Prüf-Rigs. Genau für diese Lücke ist Enao gebaut.
