[@portabletext/react] Unknown block type "span", specify a component for it in the `components.types` prop
陶瓷砖自动化质量检测是利用相机和AI视觉模型实时监控产线,在不合格瓷砖到达包装前将其标记。系统替代过去站在分选台旁的第二双眼睛,为产线提供跨班次和装饰系列的一致质量基准。陶瓷砖领域的特殊性在于表面本身:釉面瓷砖的反光与坯体不同,装饰印刷产生的图案噪声让简单的规则式视觉难以与真实缺陷区分,而高速连续传送带要求线扫描采集与传送速度保持同步。
AI主导的检测胜过人工目检和传统规则式视觉的原因在于,模型学习你特定的装饰图案与釉面外观,在你推出新系列时无需任何人重新编程规则集即可适应。陶瓷砖AI缺陷检测已经从试点状态走向新建瓷砖产线的标准做法,生产商每推出一个新系列,AI主导检测与人工分选员之间的差距就会进一步拉大。
烧制时气泡爆开形成的微小弹坑,在釉面上留下可见的黑点或白点。它们随机出现,常聚集在某一模具周围,人工分级员一旦疲劳就会漏检。Enao的模型在漫射穹顶光下捕捉局部纹理不规则与阴影特征,即便在对比度最弱的深色釉面上也能识别。
装饰或坯体颜色在两次烧制之间出现几个delta-E点的偏移,有时一天之内就发生。逐片看不出来,一旦两个批次出现在同一面墙上就一目了然。模型为每个SKU保留颜色基准,在整托盘以错误色调出货前标记色差。
切割边缘上的小型断裂,通常由金刚石刀片磨损或传送对位偏差引起。在传送带的视觉混乱中容易漏检。模型监控每片瓷砖的四个边缘并标记局部不连续,包括位于俯视检测员看不到的下表面倒角处的崩边。
横贯坯体的细丝状裂纹,常从某个角辐射或沿压机的应力线延伸。只在特定角度才可见。侧面掠射光将其清晰呈现给相机,模型对裂纹长度和方向打分,使产线可以将严重件路由到废品,轻微件路由到二级品。
装饰图案错位一到两毫米,在期待完美网格对齐的修边瓷砖上留下肉眼可见的不匹配。人工分级员能发现最严重的情况,但放过临界案例。模型将装饰与每个SKU的主图像比较,持续捕捉亚毫米级偏移。
超出公差的长度、宽度或对角线,使瓷砖落出其商业规格仓。传统上由下游专用规格站测量。视觉模型在检测点增加一道检查,使规格不合格瓷砖在昂贵的分选机之前就被剔除,而不是之后。
陶瓷砖产线上让这一切运转的照明配置是漫射穹顶或同轴光源,中和釉面上的镜面眩光。高速连续传送带采用线扫描配置,使每片瓷砖的分辨率在传送速度变化下保持稳定。低吞吐量的批次分选,iPhone级面阵传感器无需额外硬件即可处理完整缺陷分类。组合方式因产线段而异,我们会在上线时帮你调校。

整套硬件设备成本低于1,000欧元,由翻新iPhone、环形灯或穹顶光源、USB-C数据线和安装臂组成。首次部署不需要PLC集成,设备装在飞行箱里,你设置时产线照常运行。
上线是自助式的。你的车间团队安装设备、打开Enao应用,在下次更换装饰系列时开始采集基准帧。第一天无需任何先验标注即可返回80%精度,到第十四天模型在已见缺陷上的表现已超过人工分选员,产线每次确认或拒绝标记瓷砖,模型都会改进。
每条产线教自己的模型识别其装饰、釉料和坯体的外观。当你在同一产品系列中增加第二条产线时,第二个模型从第一个模型的经验出发,边际成本急剧下降。当你推出新装饰系列时,你用一个下午重新教导模型,而不是用一周时间在多个规则集上重新编程。
陶瓷砖产线上的自动化视觉检测意味着不合格托盘停止出货,你的检测员获得八小时的注意力去做仍需要人来做的工作。
对陶瓷砖生产商而言,对比在五个维度上更加清晰。
陶瓷砖产线上的设置时间。 — 人工目检:每位检测员数小时培训。传统规则式视觉:三到九个月的集成与规则编程。Enao:从应用安装到首次检测只需几小时。
每条产线的硬件成本。 — 人工目检:无前期投入,但有持续人工成本。传统规则式视觉:每条产线数万欧元加上集成商费用。Enao:翻新iPhone、灯具与支架,合计低于1,000欧元。
应对新装饰系列。 — 人工目检:重新培训检测员,接受最初几周的衰减。传统规则式视觉:重新编程规则集,排期集成商。Enao:用新样本在一个下午重新教导模型。
对釉面针孔与装饰偏移的检测精度。 — 人工目检:班次开始时高,随疲劳下降。传统规则式视觉:在已知缺陷上稳定,对新缺陷盲。Enao:第一天80%,随每片标记瓷砖攀升。
由谁来运行。 — 人工目检:训练有素的检测员。传统规则式视觉:视觉系统集成商。Enao:车间操作员。
装饰图案的更新速度快于规则集的重新编程速度,而退回托盘的成本远高于一套基于iPhone的检测设备。Enao就是为这个差距而生的。
