釉面針孔在窯爐熱迴圈第三個小時後開裂,髮絲坯體裂紋直到托盤在建材商堆場搖晃才被任何操作員發現,邊緣崩邊被卸料機器人遮住,直到屋面工從堆裡抽出瓦片。在面向住宅建造和翻新的屋面瓦產線上,每一片帶著隱藏缺陷流出去的瓦,都會讓你付出雙重代價。瓦片掛著你的品牌出貨。然後建材商打回電話、客戶提出退單、下一份建築商規格單在下一場展會上轉給競品。人工操作員能抓到明顯瑕疵,但相機在窯爐出口能識別的漸變色差,正是疲勞的人在第三個小時之後會漏掉的那一種。面向屋面瓦製造的自動化品質檢測能夠補上這道缺口,而你不需要一套六位數的視覺系統來做這件事。
面向屋面瓦製造的自動化品質檢測是什麼?
面向屋面瓦製造的自動化品質檢測,使用一臺相機和一個視覺模型,在每一片瓦離開壓機、釉面工序、窯爐出口和包裝站時進行觀察,並在瓦片到達托盤之前對不合格件進行標記。模型不依賴卸料機器人旁的操作員,也不依賴剛性的規則式視覺,而是學習你 SKU 組合的坯體、釉面化學、瓦型幾何和色差區間,並在不同班次、不同線速和不同換型之間提供一致的視覺檢查點。
屋面瓦在產線速度下尤其難檢,因為同一批料的坯體天然變化是設計上的需要,釉面在砂面、光面和化妝土系列之間讀數不同,而毀掉屋面安裝的髮絲裂紋在車間燈光下與正常表面紋理幾乎一模一樣。圍繞單一瓦型構建的規則式視覺,在你切換到不同顏色、不同釉料配方或不同模具的那一刻就會失效。AI 主導的檢測能處理這些變化,因為模型從真實的產線畫面中學習,而不是依賴固定閾值。
結果是一個自動化的視覺檢查點,補充你產線末端的抽檢,併為你提供逐瓦的影像記錄。當六週後屋面工反饋過來時,你可以從對應生產時段調出畫面,要麼確認缺陷,要麼以證據回推。
Enao 在屋面瓦產線上如何執行
整套硬體不到 1,000 歐元,包含一臺翻新 iPhone Pro、一盞漫射頂燈(配可選的低角度環形燈用於邊緣檢測)、一根 USB-C 線,以及一個夾裝在窯爐出口、卸料機器人或包裝臺上方的支架。首次部署不要求 PLC 整合,整套設備可以裝進一隻航空箱,產線在你部署期間持續執行。
上手是自助式的。你的產線團隊裝好支架,開啟 Enao 應用,在下次換型時開始採集參考畫面。第一天就能在沒有任何前期標註的情況下達到 80% 精度,到第十四天,模型在它見過的缺陷家族上已經超過人工檢驗員,並隨著每一片被產線確認或拒絕的標記瓦持續提升。
每條線為自己的模型教會它對應的坯體、釉面化學和瓦型輪廓。當同一臺壓機切換到不同顏色或瓦型時,模型在一個班次內適配。當你把一條相似產品家族的姊妹線投產時,第二個模型從第一個模型積累的經驗起步,邊際投入顯著下降。
不合規的瓦不再到達托盤,廢品在檢測點而不是 QC 辦公室登記,你的操作員把注意力的時間還回到那些仍然需要人來做的工作上,包括壓機除錯、釉料調配和客戶投訴處理。