[@portabletext/react] Unknown block type "span", specify a component for it in the `components.types` prop
什麼是化妝品與個人護理生產的自動化品質檢測
化妝品與個人護理AI缺陷檢測使用相機和視覺模型,在每個單元離開灌裝機、旋蓋機、貼標機與裝箱產線時實時監控,在不合格產品到達批發方前將其標記。系統替代過去站在裝箱產線旁的操作員和僵化的規則式視覺,模型學習你SKU組合的瓶身形態、標籤設計、色調區間與瓶蓋形狀,並在跨班次、產線速度與SKU切換時保持一致的視覺檢查點。
化妝品與個人護理SKU在產線速度下尤其難以檢測,因為彩妝色調在同一批次內就在細微波動,同一產線對啞光、光澤與珠光飾面的處理各異,而高階SKU上微小的標籤對位錯誤在零售燈光下與設計意圖幾乎一致。圍繞單一SKU構建的規則式視覺,在你切換到不同色調、不同瓶身形狀或不同瓶蓋設計的瞬間就會失效。
其結果是一個自動化視覺檢查點,補充你的裝箱產線末端抽樣,並提供單元級影像檔案。當零售方六週後回頭查詢時,你可以從那批生產的精確時間視窗拉出幀,要麼確認缺陷,要麼用證據反駁。
化妝品與個人護理產線上我們捕捉的缺陷
灌裝液位與頂部空間
灌裝缺陷由灌裝機噴嘴磨損、黏度漂移或SKU切換校準錯誤造成,表現為欠裝、過裝或頂部空間不一致。欠裝SKU在零售方被拒,過裝則導致毀掉標籤面的泡沫或洩漏。操作員能挑出最明顯的件,但漏掉那些落出規格區間卻被標籤遮擋的邊緣灌裝液位。AI模型為每個SKU保留學習到的基準灌裝線,在灌裝機出口一旦灌裝液位落出規格區間就標記單元。
瓶蓋扭矩與封口完整性
瓶蓋缺陷由扭矩頭磨損、瓶蓋料斗堵塞或傳送帶同步錯誤造成,表現為鬆動瓶蓋、錯牙瓶蓋或缺失瓶蓋。鬆動瓶蓋在運輸中導致洩漏,缺失瓶蓋在零售環節立即被拒。操作員發現鬆動瓶蓋,但漏掉那些扭矩適度不足以打破封口指示的瓶蓋。AI模型在一幀內捕捉瓶蓋對位與封口指示,在旋蓋機出口標記缺陷瓶蓋。
標籤對位與印刷缺陷
標籤缺陷包括錯位標籤、起皺、缺失標籤、錯誤SKU標籤、缺失批號印刷。原因有貼標機料斗堵塞、印刷頭漂移或SKU切換錯誤。錯位標籤在高階SKU上立即可見並使批發方拒收卡車。AI模型在每幀讀取標籤位置、印刷品質與批號存在,在貼標機出口標記對位錯誤、印刷缺陷與SKU不一致。
色調與顏色匹配
色調偏差是由原料批次變化、色素分散漂移或灌裝機產線清潔間殘留導致的彩妝色調逐漸偏離。最糟糕的惡劣件位於操作員檢查的樣品之間,因此透過QC,而上的色彩在零售陳列上看起來偏離主樣。AI模型為每個SKU保留學習到的基準色調,一旦區域性顏色差越過規格就立即標記漂移,使產線能在不合格色調批次到達批發方之前清潔灌裝機或調整色素給料。
分配頭與泵缺陷
分配頭缺陷包括手動泵、扳機噴霧器或分配瓶蓋中缺失的分配噴嘴、錯位的泵杆或受損的分配頭元件。原因有分配頭料斗堵塞、組裝產線漂移或SKU切換錯誤。分配頭缺陷在首次使用時引發消費者投訴,並在高階SKU上引發零售退貨。AI模型在一幀內捕捉分配頭元件,在旋蓋機出口標記缺失部件、錯誤對位與受損元件。
瓶身刮痕與變形
瓶身缺陷包括由傳送帶間轉移衝擊、灌裝機噴嘴接觸或旋蓋機壓力變化造成的刮痕、凹痕或變形瓶。瓶身缺陷在高階SKU上立即可見,在零售陳列中被拒。操作員發現明顯損壞,但漏掉那些被標籤遮擋的邊緣變形。AI模型為每個SKU學習合格瓶身形態,在瓶身表面落出規格的瞬間標記單元。
化妝品與個人護理產線上讓這一切運轉的照明配置:灌裝機與貼標機上方的漫射頂光讀取色調匹配與標籤對位,旋蓋機出口的低角度環形光讀取分配頭缺陷與封口完整性。配備微距與廣角鏡頭的iPhone Pro在每個關鍵控制點的單一檢測工位處理七個缺陷家族。我們將設備與傳送帶編碼器同步,使被標記的單元觸發下游分流或保留決策。我們會在上線時與你一起規劃光學方案。
Enao在化妝品與個人護理產線上的運營方式
整套硬體設備成本低於1,000歐元,由翻新iPhone Pro、漫射頂光(可選分配頭與標籤檢測的低角度點光)、USB-C資料線和夾在灌裝機、旋蓋機、貼標機或裝箱產線上的安裝臂組成。首次部署不需要PLC整合,設備裝在飛行箱裡,你設定時產線照常執行。
上線是自助式的。你的產線團隊安裝設備,開啟Enao應用,在下次切換時開始採集基準幀。第一天無需任何先驗標註即可返回80%精度,到第十四天模型在已見缺陷家族上的表現已超過人工檢測員,產線每次確認或拒絕標記單元,模型都會改進。
每條產線教自己的模型識別其瓶身形態、標籤設計與色調區間。當你在同一產線上切換到不同的SKU或色調時,模型在一個班次內適應。當你為相似產品系列上線第二條產線時,第二個模型從第一個模型的經驗出發,邊際成本急劇下降。
不合格單元停止到達裝箱,廢料在檢測點而非QC辦公室記錄,你的操作員獲得他們仍需要做的工作所需的注意時間,包括灌裝機清潔、貼標機設定與批發投訴分析。
Enao與人工檢測、傳統機器視覺對比
對化妝品與個人護理生產商而言,對比在五個維度上更加清晰。
化妝品產線上的設定時間。 — 人工目檢:每位操作員數小時培訓,加上持續的人工成本。傳統機器視覺:與系統整合商三到九個月的整合,加上每個SKU與色調的規則集。Enao:由你自己的團隊在一週內部署,第一天達到80%精度。
每條產線的硬體成本。 — 人工目檢:無前期投入,持續人工成本。傳統機器視覺:每條產線4萬至20萬歐元,用於工業相機、結構化照明與整合。Enao:每條產線低於1,000歐元,使用翻新iPhone Pro、燈具與支架。
應對新SKU、色調與瓶身形狀。 — 人工目檢:每個新SKU重新培訓操作員。傳統機器視覺:每個色調重寫規則集,通常外包給整合商。Enao:在一個班次內對新SKU、色調與瓶身形狀重新教導模型,無程式碼需要修改。
對細微色調漂移與標籤對位錯誤的檢測精度。 — 人工目檢:班次開始時高,三小時後明顯下降。傳統機器視覺:在尺寸檢查上穩定,在細微色調漂移與標籤對位錯誤檢測上薄弱。Enao:從基準幀學習色調、標籤與分配頭特徵,跨班次跨生產保持精度。
由誰來執行。 — 人工目檢:裝箱產線旁經過培訓的操作員。傳統機器視覺:系統整合商或專門的視覺工程師。Enao:你的產線團隊,無需外部專家。
批發商與高階零售商因被退回卡車的成本而更換供應商,而退款或悄悄換規格的成本遠高於一套基於iPhone的檢測設備。Enao就是為這個差距而生的。
