面向咸味零食生产的自动化质量检测是什么?
面向咸味零食的 AI 缺陷检测使用一台相机和一个 AI 模型,在每一公斤产品离开油炸机、冷却隧道和调味滚筒时进行观察,并在产品到达包装机之前对不合格件进行标记。AI 不依赖控制台旁的油炸机操作员,也不依赖刚性的规则式视觉,而是学习你 SKU 组合特有的切型、表面质感、油色和调味覆盖,并在不同班次、不同线速和不同配方换型之间提供一致的视觉检查点。
咸味零食在产线速度下尤其难检,因为油色处于未熟与烧焦之间的窄带,厚切薯片的几何形状在同一袋内本就按设计变化,而调味在近距离看起来本应不均匀,却又要在每一片上达到平均覆盖率。围绕单一配方构建的规则式视觉,在你切换到不同切型、不同油龄或不同调味配方的那一刻就会失效。AI 主导的检测能处理这些变化,因为模型从真实的产线画面中学习,而不是依赖固定阈值。
结果是一个自动化的视觉检查点,补充你下班时的 QC 抽样,并为你提供逐公斤的图像记录。当六周后零售商反馈过来时,你可以从对应生产时段调出画面,要么确认缺陷,要么以证据回推。
Enao 在咸味零食产线上如何运行
整套硬件不到 1,000 欧元,包含一台翻新 iPhone Pro、一盏漫射顶灯(配可选的低角度环形灯用于调味覆盖检测),一根 USB-C 线,以及一个夹装在冷却隧道或调味出口上方的支架。首次部署不要求 PLC 集成,整套装置可以装进一只航空箱,产线在你部署期间持续运行。
上手是自助式的。你的产线团队装好支架,打开 Enao 应用,在下次换型时开始采集参考画面。第一天就能在没有任何前期标注的情况下达到 80% 精度,到第十四天,模型在它见过的缺陷家族上已经超过人工检验员,并随着每一批被产线确认或拒绝的标记产品持续提升。
每条线为自己的模型教会它对应的切型、油色范围和调味配方。当同一台产线切换到不同 SKU 时,模型在一个班次内适配。当你把一条相似产品家族的姊妹线投产时,第二个模型从第一个模型积累的经验起步,边际投入显著下降。
不合规的批次不再到达包装机,废品在检测点而不是 QC 办公室登记,你的操作员把注意力的时间还回到那些仍然需要人来做的工作上,包括油炸机调试、调味校准和客户投诉处理。