[@portabletext/react] Unknown block type "span", specify a component for it in the `components.types` prop
플라스틱 사출 성형의 자동 품질 검사란 무엇입니까?
플라스틱 사출 성형용 AI 결함 검사는 카메라와 AI 모델을 사용해 프레스, 인출 로봇, 조립 셀을 떠나는 모든 부품을 관찰하고, 비적합 부품이 트레이에 도달하기 전에 표시합니다. 패널의 운영자나 경직된 룰 기반 머신 비전에 의존하는 대신, 모델은 자기 라인의 적합 부품과 비적합 부품 이미지에서 학습하고, 자기 금형, 수지, 색상이 변경됨에 따라 적응합니다.
샵 플로어는 이를 인라인 시각 품질 관리, AI 기반 결함 검사, 또는 플라스틱 사출 성형용 AI 비전이라고 부릅니다. 기술 패밀리는 같습니다. 고정 카메라, 제어된 조명 셋업, 자기 라인의 예제로 학습된 AI 모델, 그리고 모든 샷이 검사되어 수락, 표시, 또는 거부되었다는 추적성 기록입니다.
이것이 하지 않는 일은 자기 금형 유지보수, 자기 프로세스 엔지니어, 또는 자기 고객 감사를 대체하는 것입니다. 이것이 하는 일은 출하하는 부품 카운트가 사양을 통과하는 부품 카운트와 일치하도록, 모든 교대, 모든 금형에서, 고객 클레임이 돌아왔을 때 감사관에게 보여줄 수 있는 기록과 함께 보장하는 것입니다.
플라스틱 사출 성형 라인에서 잡아내는 결함
싱크 마크
부품이 냉각된 후 두꺼운 섹션에 나타나는 오목한 함몰입니다. 불충분한 팩 압력, 짧은 팩 시간, 또는 금형의 핫스팟으로 인해 발생합니다. 텍스처드 A-표면과 어두운 색상에서 눈은 이를 놓치지만, 사각 조명이 있는 카메라가 부품이 조립 셀에 도달하기 전에 인출 스테이션에서 잡아냅니다.
파팅 라인 플래시
금형의 두 반쪽 사이로 빠져나와 파팅 라인, 슬라이드, 또는 이젝터 핀 주변에 굳는 얇은 플라스틱 막입니다. 클램프 톤수가 낮거나, 금형이 마모되거나, 벤팅 채널이 막혔다는 신호입니다. 파팅 라인을 내려다보는 카메라가, 손가락 점검이 비현실적인 형상에서도 부품이 출하되기 전에 플래시를 잡아냅니다.
쇼트샷
캐비티가 완전히 채워지지 않고 부품이 피처, 모서리, 또는 얇은 리브가 빠진 채로 나옵니다. 보통 차가운 러너, 낮은 사출 속도, 또는 에어 트랩으로 인해 발생합니다. 스냅핏 클립이나 스크류 보스의 쇼트샷은 부품을 사용 불가능하게 만들고 대부분의 라인에서 단일 고객 거부의 가장 큰 원인입니다. 모든 샷을 기준 이미지와 비교하는 카메라가 로봇이 컨베이어에 부품을 떨어뜨리는 순간 쇼트샷을 잡아냅니다.
웰드 라인과 니트 라인
두 용융 전선이 구멍, 인서트, 또는 사이드 액션 주위에서 만나 완전히 융합되기 전에 굳는 곳에 보이는 선입니다. 게이트 위치, 용융 온도, 또는 사출 속도가 손봐야 한다는 신호입니다. 라인은 때로는 외관상 문제이고 때로는 강도 문제입니다. 어느 쪽이든 고객은 한계를 지정하고, 카메라가 샷별로 그것을 시행합니다.
휨과 치수 드리프트
부품이 금형을 올바른 형상으로 떠난 후, 냉각되면서 고르지 않게 굽거나, 비틀리거나, 수축합니다. 고르지 않은 벽 두께, 고르지 않은 금형 온도, 또는 패킹 불균형으로 인해 발생합니다. 픽스처에서 모든 부품의 형상 프린트를 찍는 카메라가, 첫 고객 거부보다 몇 시간 전에 금형이 드리프트하기 시작하는 순간을 잡아냅니다.
표면 플로우 마크와 실버 스트릭
흐름 방향을 따라 물결무늬 표면 패턴이나 얇은 은빛 라인입니다. 용융이 너무 차갑거나, 리그라인드 비율이 너무 높거나, 수지가 너무 습하다는 신호입니다. 자기 특정 수지와 색상으로 학습된 카메라가, 외관 클레임에 대해 고객이 표시하기를 기다리는 대신 줄무늬가 나타나는 순간 잡아냅니다.
그것이 시작 목록입니다. 온보딩 중에 자기 특정 라인에서 어떤 클래스가 가장 중요한지 보정하고 그에 따라 모델을 튜닝합니다.
플라스틱 사출 성형 라인에서 자동 시각 검사가 작동하는 방식
Enao에서 시각 검사를 가동하는 사출 성형 셀은 한 가지 추가 구성 요소를 가진 옆 셀처럼 보입니다. 리퍼비시 iPhone이 인출 스테이션, 컨베이어, 또는 전용 검사 픽스처를 향해 아래쪽 또는 각도 뷰가 있는 스탠드에 마운트됩니다. 단순한 LED 바가 카메라에 모든 샷에서 같은 빛을 줍니다.
로봇이 부품을 떨어뜨릴 때 카메라가 사진을 찍습니다. iPhone의 모델은 부품을 OK 또는 위 7개 결함 패밀리 중 하나로 분류하고, 결과를 자기 추적성 로그에 씁니다. 한 교대에서 표시된 부품 20개가 연속으로 나오면 운영자가 알림을 받고, 금형이 하루 동안 싱크 마크에서 느린 드리프트를 보이면 고객보다 먼저 대시보드가 표시합니다.
모델은 전날의 라벨에서 밤새 재학습하므로, 금형 변경, 수지 변경, 또는 색 변경이 한 분기 대신 한 교대 만에 흡수됩니다. 신규 부품 번호는 같은 흐름을 거칩니다. 운영자가 첫 100개 샷을 라벨링하고, 모델이 101번째 샷부터 인계하며, 프로세스 엔지니어가 교대 종료 시 라벨을 검토합니다.
사양을 벗어난 부품은 인출 스테이션을 떠나지 못하고, 스크랩은 검사 지점에서 기록되며, 운영자는 금형 변경, 압력 시험, 고객 8D 등 여전히 사람이 필요한 작업에 필요한 주의 시간을 되찾습니다.
사출 성형 라인의 AI 비전 vs 수동 점검
수동 운영자 점검 또는 룰 기반 머신 비전에서 AI 주도 검사로 옮기는 라인은 수지 패밀리나 부품 형상에 관계없이 같은 단계 변화를 봅니다.
미세한 결함의 검출률 — 기존 머신 비전 (Cognex, groundlight, advantechplastics, Solomon-3D, Overview.ai) 은 출하 전에 라벨링된 이미지 라이브러리와 6자리 통합이 필요합니다. Enao는 라벨링된 데이터 없이 첫날 80% 정확도에 도달하고, 자기 운영자가 iPhone에서 몇 백 개 예제를 태깅함에 따라 95%를 넘어갑니다.
신규 금형 또는 부품 번호 처리 시간 — 수동: 운영자 브리핑, 골든 샘플, 종이 QC 시트. 플로어가 신규 부품을 유창하게 읽기까지 2~4주. Enao: 라벨링된 100개 샷이면 모델이 가동됩니다. 같은 교대, 모든 프레스에서 업데이트할 종이 시트 없음.
고객이 돌아올 때의 추적성 — 수동: 클립보드의 손글씨 로그, 부분 커버리지, 누락된 교대. 재구성에 일주일 걸림. Enao: 모든 샷이 이미지, 분류, 신뢰도와 함께 로깅됨. 재구성에 10분.
가동 비용 — 수동: 프레스당 교대당 검사원 추가, 교육 위에 매월 반복 비용. Enao: 셀당 1,000유로 미만의 하드웨어. 라인이 확장되어도 비용은 일정합니다.
금형이 드리프트할 때의 동작 — 수동: 고객이 표시할 때까지 점진적 거부가 올라감. 그 순간을 찾는 데 며칠의 근본 원인 작업. Enao: 대시보드가 시작되는 날 드리프트를 표시. 프로세스 엔지니어가 타임스탬프와 이미지를 가짐.
어느 차원이든 비교 결과는 명확합니다. 자기 라인이 더 빨리 가동되고, 더 적은 비용으로, 더 일관된 품질로 가동됩니다.
