什么是果酱与蜜饯生产的自动化质量检测？
面向果酱与蜜饯的AI缺陷检测使用摄像头和视觉模型，监控每一罐产品离开灌装机、旋盖机、贴标机和装箱机时的状态，并在它们到达配送中心之前把不合格的产品标记出来。模型学习的是你SKU组合的玻璃罐形状、标签设计、果块内容以及瓶盖几何，而不是依赖检验台上的操作员或固定阈值的规则式视觉系统，从而在轮班、产线速度以及配方切换之间提供一致的视觉检查点。
果酱与蜜饯在产线速度下特别难以检测，因为同一批次内的果块内容本身就有设计上的差异，果冻透明度在草莓、覆盆子和杏子产品系列之间读数完全不同，而那些会毁掉一组多联包装的灌装不足玻璃罐，在包装线照明下看起来与正常的顶空差异几乎没有区别。围绕单一玻璃罐形状写死的规则式视觉系统，在你切换不同SKU、不同标签或不同果酱配方的那一刻就会失效。AI驱动的检测能处理这些变化，因为模型从真实的生产帧中学习，而不是依赖固定的阈值。
结果是一道自动化的视觉检查关口，补充你产线末端的抽样，并为你提供逐罐产品的图像记录。当六周后零售商查询回追过来时，你可以从对应的生产时段中调出帧图，要么确认缺陷，要么用证据驳回。
我们在果酱与蜜饯产线上捕捉的缺陷
灌装液位错误与顶空漂移
灌装液位错误指由灌装机活塞磨损、生产批次中粘度变化或果酱蒸煮锅温度漂移引起的灌装不足或灌装过量的玻璃罐。灌装不足会突破零售商配送中心的整箱重量规格，灌装过量会在旋盖机处造成瓶盖污染。操作员凭眼检查灌装机产线，但无法盯住每一罐产品，所以临界情况会通过检验台。AI模型学习每个SKU的合格顶空，一旦本地灌装高度越过你的容差就标记漂移，并随帧图一起呈现，使你能在整托盘超差出货之前调整灌装机。
标签错位与刮擦
标签缺陷包括由涂胶辊磨损、标签堆叠送料错误或压辊错位引起的歪斜贴标、翘角、胶水刮擦以及褶皱面板。最严重的情况通常出现在背面板，会通过正面标签的检验台，然后在配送中心被退回。人工操作员能抓到明显的歪斜，但会漏掉那些通过贴标机却在包膜接触装箱机时失败的翘角。AI模型保存每个SKU的合格标签视觉特征，一旦本地图案偏离规格就标记歪斜、翘起和刮擦。
瓶盖坐正与旋盖密封问题
瓶盖问题包括由旋盖机扭矩漂移、瓶盖送料错位或螺纹滚轮磨损引起的歪盖、安全按钮缺失以及旋盖坐位过浅。坐位过浅的瓶盖会通过真空测试失败，导致在最佳食用期之前就发生变质。操作员在轮班间隙抽样检查瓶盖，但会漏掉中间的窗口。AI模型学习合格的瓶盖特征，在旋盖机出口标记歪盖、缺按钮和坐位过浅，并随帧图一起呈现，使你能在整批产品出货之前调整扭矩。
封盖扭矩与防伪封带缺陷
封盖缺陷是坐位问题的同源问题，包括防伪封带断裂、防盗环不完整以及在螺纹上自由旋转的瓶盖。原因包括螺纹滚轮磨损、瓶盖批次容差以及旋盖机对位。这些缺陷会毁掉标签上的防伪声明，并在配送中心检验时引发零售商拒收。AI模型在单一帧中识别封带断裂或瓶盖自由旋转的视觉特征，在装箱机包装之前标记任何不合规格的玻璃罐。
果块与果冻分布
分布问题包括由料斗搅拌漂移、配方温度变化或灌装喷嘴不匹配引起的罐底果块沉积、顶空中果冻分层以及果块与果冻比例不均。这些缺陷会毁掉消费者货架的外观，并引发社交媒体投诉。人工操作员检查灌装机产出，但会漏掉那些通过检验台、却在两周后超市货架上看起来很糟糕的沉积果块情况。AI模型学习每个SKU的合格分布，在灌装机出口标记漂移，使产线能调整料斗搅拌或配方温度。
玻璃损伤与缺角
玻璃缺陷包括由玻璃搬运机械磨损、旋盖机冲击或供应商批次问题引起的螺纹颈处裂纹、瓶口缺角以及罐身夹杂物。最严重的情况位于整箱内侧，只在消费者打开玻璃罐时才会暴露。AI模型学习合格的玻璃特征，在装箱机入口标记裂纹、缺角和夹杂物，使产线能在玻璃罐到达整箱之前进行分流。
让这套方案在果酱产线上跑起来的照明配置，是灌装机和贴标机上方的一组漫射顶灯，用于读取灌装液位和标签；再加上旋盖机处的低角度环形灯，用于读取瓶盖坐正情况。一台带微距和广角镜头的iPhone Pro，可以从每一个关键控制点的单一检测站位处理这七个缺陷家族。我们将设备与传送带编码器同步，使被标记的玻璃罐触发下游的分流或暂停决策。我们会在上线辅导阶段与你一起确定光学方案。
Enao如何在果酱与蜜饯产线上运行
整套硬件成本不到1,000欧元，由一台翻新iPhone Pro、一组用于瓶盖检测的漫射顶灯加可选低角度环形灯、一根USB-C电缆，以及可夹在灌装机、旋盖机、贴标机或装箱机上方的支架组成。首次部署不需要PLC集成，整套设备可以装进一个航空箱，你布置的同时产线照常运转。
上线辅导是自助式的。你的产线团队安装好支架，打开Enao应用，在下一次切换时开始采集参考帧。第一天就能在没有任何前置标注的情况下达到80%的准确率，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的水平，并且会随着产线确认或驳回的每一罐被标记产品持续提升。
每一条产线都教自己的模型学习它的玻璃罐形状、标签设计和果酱配方。当你在同一条线上切换到不同的配方或标签时，模型在一个班次内就能适应。当你把一条产品族相近的姊妹产线投入运行时，第二个模型从第一个模型的经验起步，边际投入大幅下降。
超差的玻璃罐不再到达装箱机，废品在检测点而不是QC办公室登记，你的操作员也把注意力时间还给了真正需要人来处理的工作环节，包括灌装机调试、配方调整以及客户投诉处理。
Enao与人工抽检和传统机器视觉的对比
对果酱与蜜饯生产商而言，这场对比可以聚焦在五个维度上。
果酱产线的部署时间。 — 人工视觉检测：每位操作员需要数小时培训，并伴随长期人工成本。传统机器视觉：与系统集成商配合三到九个月的集成，加上每种玻璃罐和标签的规则集。Enao：由你自己的团队在一周内部署，第一天就能达到80%准确率。
每条产线的硬件成本。 — 人工视觉检测：前期零成本，但持续投入人工。传统机器视觉：每条产线4万到20万欧元，用于工业摄像头、结构化光源以及集成。Enao：每条产线不到1,000欧元，由一台翻新iPhone Pro、灯具和支架组成。
应对新SKU、标签与配方。 — 人工视觉检测：每个新SKU都需要重新培训操作员。传统机器视觉：为每个配方重写规则集，通常外包给集成商。Enao：在一个班次内对新玻璃罐、新标签、新果酱配方重新训练模型，无需触碰任何代码。
对细微灌装漂移与标签刮擦的检测精度。 — 人工视觉检测：班次开始时精度高，但三小时后明显下降。传统机器视觉：在尺寸检查上很强，但在细微灌装液位漂移和标签刮擦检测上较弱。Enao：从参考帧学习灌装、标签和瓶盖特征，在轮班和批次之间保持准确率。
由谁运行。 — 人工视觉检测：检验台上的训练有素操作员。传统机器视觉：系统集成商或专业视觉工程师。Enao：你的产线团队，无需外部专家。
零售商和品类经理会因为一托盘被退回产品的成本而更换供应商；一笔退款扣款或一次默默的下架，其代价远高于一套基于iPhone的检测设备的成本。Enao正是为这一缺口而生。