Ziegel und Betonsteine
Erkenne Eckabbrüche, Maßdrift, Farbtonschwankungen, Oberflächeneinschlüsse und Palettenfehler, bevor das Produkt das Brennhof verlässt.
Automatisierte Qualitätskontrolle für Tonziegel-, Beton- und Porenbetonproduktion, läuft auf einem refurbed iPhone an Form, Brennwagenbeladung, Palettierer und Folierer.
Was ist automatisierte Qualitätskontrolle in der Ziegel- und Betonsteinproduktion?
Automatisierte Qualitätskontrolle in der Ziegel- und Betonsteinproduktion nutzt eine Kamera und ein KI-Modell, um jede Einheit an Form, Brennwagenbeladung, Brennofen-Auslaufkühler, Palettierer und Folierer zu erfassen und nicht-konforme Einheiten vor dem Versand zu melden. Statt auf den Bediener am Brennhof-Probetisch oder auf starre regelbasierte Machine-Vision zu setzen, lernt die KI Deine spezifische Vorderseiten-Textur, Farbsignatur, Maß-Silhouette und Palettenstapelung und legt einen konstanten visuellen Prüfpunkt über Schichten, Linientempo und Ton- oder Zuschlag-Wechsel.
Ziegel und Betonsteine sind bei Produktionsgeschwindigkeit besonders schwer zu prüfen, weil der Farbton zwischen Rot-, Buff- und Blauton-Klinker unterschiedlich liest, die Oberflächentextur innerhalb derselben Brenncharge per Design variiert, und die ausgebrochene Ecke, die an der Wareneingangsprüfung des Händlers scheitert, unter Brennhof-Beleuchtung wie eine normale Radiuskante aussieht. Regelbasierte Vision für eine einzige SKU bricht beim Wechsel auf eine andere Toncharge, einen anderen Zuschlag oder eine andere Vorderseiten-Textur. 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 Brennhof-Probe ergänzt und Dir eine einheit-scharfe Bilddokumentation liefert. Wenn die Händler-Anfrage sechs Wochen später kommt, ziehst Du die Frames aus der genauen Produktionspalette und bestätigst entweder den Defekt oder konterst mit Beweisen.
Defekte, die wir auf Ziegel- und Betonsteinlinien erkennen
Eckabbrüche und Kantenschäden
Eckabbruch-Defekte sind die Brüche, die durch Förderband-Verschleiß, Brennwagen-Stoß oder Entformer-Fehlausrichtung entstehen. Ausgebrochene Ecken scheitern an der Niederlassungsprüfung des Händlers und lösen Palettenablehnungen am Verteilzentrum aus. Bediener prüfen Ecken per Auge an der Brennhof-Probe, übersehen aber den langsamen Anstieg der Bruchrate nach einem verschlissenen Bandabschnitt. Das KI-Modell lernt den Soll-Eckenradius pro SKU und meldet Bruch- und Abbruchereignisse, sobald das lokale Profil abweicht, mit den Frames als Beweis, damit Du das Förderband oder die Entformung anpasst, bevor eine ganze Palette außerhalb der Spezifikation ausgeliefert wird.
Maßdrift bei Länge, Breite, Höhe
Maßdefekte umfassen zu kurze, zu lange, zu schmale und zu flache Einheiten, verursacht durch Form-Werkzeugverschleiß, Ton-Hydrationsdrift oder Brennschwund-Variation. Außertolerante Maße scheitern am Verband des Maurers und lösen Nacharbeit auf Wohnungsbau-Baustellen aus. Bediener prüfen Maße mit einer Schieblehre an der Brennhof-Probe, können aber nicht jede Einheit beobachten, sodass Grenzfälle die Inspektion passieren. Das KI-Modell lernt die Soll-Silhouette pro SKU und meldet Drift an der Entformerstation, damit die Linie anpasst, bevor der Brennofen den Fehler zementiert.
Farbtonschwankungen und Ausblühungen
Farbton-Defekte umfassen fleckiges Rot, abweichendes Buff und Oberflächenausblühungen, verursacht durch Brenntemperatur-Drift, Tonchargen-Chemiewechsel oder atmosphärische Feuchte im Brennhof. Farbton-Drift scheitert an der Fassaden-Spezifikationsprüfung und löst sichtbare Flickenwirkung an der fertigen Wand aus. Bediener prüfen die Farbe per Auge am Brennhof, übersehen aber den langsamen Drift, der sich über einen langen Lauf entwickelt. Das KI-Modell lernt die Soll-Farbsignatur pro SKU und meldet Drift am Brennofen-Auslaufkühler, damit die Linie den Brennofen anpasst, bevor eine ganze Palette ausgeliefert wird.
Oberflächeneinschlüsse und Pinholes
Einschlussdefekte umfassen dunkle Flecken, Oberflächen-Pinholes und eingeschlossenes Fremdmaterial, verursacht durch Tonchargen-Verunreinigung, Form-Trennmittel-Verschleiß oder Zuschlag-Chargenprobleme. Die Defekte scheitern an der Klinker-Spezifikation am Lager und lösen Verbraucherreklamationen aus Fassadenaufträgen aus. Das KI-Modell hält die Soll-Oberflächensignatur pro SKU vor und meldet jede Einheit, die hochkontrastige Einschlüsse oder Pinhole-Cluster zeigt, an der Entformer- oder Brennofen-Auslaufstelle.
Haarrisse und durchgehende Risse
Rissdefekte umfassen Haarrisse an der Ecke, durchgehende Risse über den Körper und Spannungsrisse am Lager-Hohlraum, verursacht durch Brennofen-Thermoschock, Förder-Sturz oder Form-Druckfehler. Die schlimmsten Fälle überstehen die Brennhof-Probe und scheitern an der Wareneingangsprüfung des Händlers. Das KI-Modell lernt die Soll-Riss-freie Signatur und meldet Haar- und Durchrisse am Brennofen-Auslaufkühler, mit den Frames als Beweis, damit Du den Brennzyklus anpasst, bevor ein ganzer Brennwagen ausgeliefert wird.
Vorderseite-Texturdefekte und Finishmarken
Vorderseiten-Textur-Defekte umfassen sandgeflockte Glatzen, fehlende Drahtschnittmarken und ungleichmäßige Bürsten-Finishes, verursacht durch Texturer-Walzenverschleiß, Sand-Dosier-Vorschubfehler oder Drahtschnitt-Mechanismus-Drift. Die Defekte scheitern an der Fassaden-Spezifikationsprüfung und lösen sichtbare Flickenwirkung an der fertigen Wand aus. Das KI-Modell lernt die Soll-Vorderseiten-Textursignatur pro SKU und meldet Texturdrift am Form-Ausgang, bevor der Brennwagen beladen wird.
Der Beleuchtungsaufbau, der das auf einer Mauerwerks-Linie funktionieren lässt, ist eine diffuse Deckenleuchte über Brennofen-Auslaufkühler und Entformerstation für Farbton, Maß und Ecken, plus eine Niedrigwinkel-Ringleuchte am Form-Ausgang für Vorderseiten-Textur und Einschlüsse. 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 Einheiten eine Aussonderungs- oder Halt-Entscheidung auslösen. Die Optik spezifizieren wir gemeinsam beim Onboarding.
Wie Enao auf einer Ziegel- und Betonsteinlinie 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 Vorderseiten-Textur-Prüfung, einem USB-C-Kabel und einer Halterung über Form, Brennwagenbeladung, Brennofen-Auslaufkühler, Palettierer oder Folierer. 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 Tonchargen-Wechsel Referenzframes. Tag eins liefert 80% Genauigkeit ohne Vorlabeling, und ab Tag vierzehn arbeitet das Modell auf den gesehenen Defektfamilien über dem Brennhof-Prüfer und verbessert sich mit jeder Einheit, die die Linie bestätigt oder verwirft.
Jede Linie trainiert ihr eigenes Modell auf Vorderseiten-Texturen, Farbsignaturen und Palettenmuster. Beim Wechsel auf eine andere Toncharge oder SKU 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 Einheiten erreichen den Versandhof 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: Brennzyklus-Tuning, Tonchargen-Vorbereitung und Händlerreklamationen.
Wie Enao gegen manuelle Prüfung und klassische Machine-Vision abschneidet
Für Ziegel- und Betonstein-Produzenten verdichtet sich der Vergleich auf fünf Dimensionen.
Aufbauzeit auf einer Mauerwerks-Linie. — Manuelle Sichtprüfung: stundenlange Schulung pro Bediener, laufende Lohnkosten. Klassische Machine-Vision: drei bis neun Monate Integration mit einem Systemintegrator, plus ein Regelsatz pro SKU und Toncharge. 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, Tonchargen und Finishes. — Manuelle Sichtprüfung: Bediener pro neuer SKU neu schulen. Klassische Machine-Vision: Regelsatz pro Toncharge neu schreiben, oft an den Integrator ausgelagert. Enao: Modell auf neue SKUs, Tonchargen und Vorderseiten-Texturen in einer Schicht nachtrainieren, ohne Code anzufassen.
Erkennungsgenauigkeit auf subtilem Farbtondrift und Haarrissen. — Manuelle Sichtprüfung: zu Schichtbeginn hoch, fällt nach drei Stunden messbar ab. Klassische Machine-Vision: stark bei Maßprüfung, schwach bei subtilem Farbtondrift und Haarriss-Erkennung. Enao: lernt Farb-, Textur- und Silhouettensignaturen aus Referenzframes und hält die Genauigkeit über Schichten und Läufe.
Wer es betreibt. — Manuelle Sichtprüfung: geschulter Bediener am Brennhof-Probetisch. Klassische Machine-Vision: Systemintegrator oder spezialisierter Vision-Engineer. Enao: Dein Linienteam, kein externer Spezialist nötig.
Baustoffhändler und Fassaden-Spezifizierer 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.
