一罐沒有任何操作員發現的灌裝不足玻璃罐，直到零售商的QC在配送中心稱量整箱時才暴露出來；一張角落翹起的標籤，被裝箱機看也不看就裹了起來；一個坐位偏高的瓶蓋，在超市貨架上的六罐裝中第三罐就彈了開。在向零售和餐飲服務出貨的果醬與蜜餞產線上，每一罐帶著隱藏缺陷出廠的產品，都會讓你付出雙倍代價。罐子以你的品牌出貨。然後採購回過頭來打電話，零售商提交退款扣款，而下一次品類評審就把訂單交給了下一屆貿易展上的競爭對手。人工操作員能抓到明顯的缺陷，但攝像頭在灌裝機出口捕捉到的灌裝液位漸變，正是疲憊的人在第三個小時之後會漏掉的那一種。面向果醬與蜜餞生產的自動化品質檢測正好填補了這個缺口，而且你不需要一套六位數的視覺系統就能做到。
什麼是果醬與蜜餞生產的自動化品質檢測？
面向果醬與蜜餞的AI缺陷檢測使用攝像頭和視覺模型，監控每一罐產品離開灌裝機、旋蓋機、貼標機和裝箱機時的狀態，並在它們到達配送中心之前把不合格的產品標記出來。模型學習的是你SKU組合的玻璃罐形狀、標籤設計、果塊內容以及瓶蓋幾何，而不是依賴檢驗臺上的操作員或固定閾值的規則式視覺系統，從而在輪班、產線速度以及配方切換之間提供一致的視覺檢查點。
果醬與蜜餞在產線速度下特別難以檢測，因為同一批次內的果塊內容本身就有設計上的差異，果凍透明度在草莓、覆盆子和杏子產品系列之間讀數完全不同，而那些會毀掉一組多聯包裝的灌裝不足玻璃罐，在包裝線照明下看起來與正常的頂空差異幾乎沒有區別。圍繞單一玻璃罐形狀寫死的規則式視覺系統，在你切換不同SKU、不同標籤或不同果醬配方的那一刻就會失效。AI驅動的檢測能處理這些變化，因為模型從真實的生產幀中學習，而不是依賴固定的閾值。
結果是一道自動化的視覺檢查關口，補充你產線末端的抽樣，併為你提供逐罐產品的影像記錄。當六週後零售商查詢回追過來時，你可以從對應的生產時段中調出幀圖，要麼確認缺陷，要麼用證據駁回。
我們在果醬與蜜餞產線上捕捉的缺陷
灌裝液位錯誤與頂空漂移
灌裝液位錯誤指由灌裝機活塞磨損、生產批次中粘度變化或果醬蒸煮鍋溫度漂移引起的灌裝不足或灌裝過量的玻璃罐。灌裝不足會突破零售商配送中心的整箱重量規格，灌裝過量會在旋蓋機處造成瓶蓋汙染。操作員憑眼檢查灌裝機產線，但無法盯住每一罐產品，所以臨界情況會透過檢驗臺。AI模型學習每個SKU的合格頂空，一旦本地灌裝高度越過你的容差就標記漂移，並隨幀圖一起呈現，使你能在整托盤超差出貨之前調整灌裝機。
標籤錯位與刮擦
標籤缺陷包括由塗膠輥磨損、標籤堆疊送料錯誤或壓輥錯位引起的歪斜貼標、翹角、膠水刮擦以及褶皺面板。最嚴重的情況通常出現在背面板，會透過正面標籤的檢驗臺，然後在配送中心被退回。人工操作員能抓到明顯的歪斜，但會漏掉那些透過貼標機卻在包膜接觸裝箱機時失敗的翹角。AI模型儲存每個SKU的合格標籤視覺特徵，一旦本地圖案偏離規格就標記歪斜、翹起和刮擦。
瓶蓋坐正與旋蓋密封問題
瓶蓋問題包括由旋蓋機扭矩漂移、瓶蓋送料錯位或螺紋滾輪磨損引起的歪蓋、安全按鈕缺失以及旋蓋坐位過淺。坐位過淺的瓶蓋會透過真空測試失敗，導致在最佳食用期之前就發生變質。操作員在輪班間隙抽樣檢查瓶蓋，但會漏掉中間的視窗。AI模型學習合格的瓶蓋特徵，在旋蓋機出口標記歪蓋、缺按鈕和坐位過淺，並隨幀圖一起呈現，使你能在整批產品出貨之前調整扭矩。
封蓋扭矩與防偽封帶缺陷
封蓋缺陷是坐位問題的同源問題，包括防偽封帶斷裂、防盜環不完整以及在螺紋上自由旋轉的瓶蓋。原因包括螺紋滾輪磨損、瓶蓋批次容差以及旋蓋機對位。這些缺陷會毀掉標籤上的防偽宣告，並在配送中心檢驗時引發零售商拒收。AI模型在單一幀中識別封帶斷裂或瓶蓋自由旋轉的視覺特徵，在裝箱機包裝之前標記任何不合規格的玻璃罐。
果塊與果凍分佈
分佈問題包括由料斗攪拌漂移、配方溫度變化或灌裝噴嘴不匹配引起的罐底果塊沉積、頂空中果凍分層以及果塊與果凍比例不均。這些缺陷會毀掉消費者貨架的外觀，並引發社交媒體投訴。人工操作員檢查灌裝機產出，但會漏掉那些透過檢驗臺、卻在兩週後超市貨架上看起來很糟糕的沉積果塊情況。AI模型學習每個SKU的合格分佈，在灌裝機出口標記漂移，使產線能調整料斗攪拌或配方溫度。
玻璃損傷與缺角
玻璃缺陷包括由玻璃搬運機械磨損、旋蓋機衝擊或供應商批次問題引起的螺紋頸處裂紋、瓶口缺角以及罐身夾雜物。最嚴重的情況位於整箱內側，只在消費者開啟玻璃罐時才會暴露。AI模型學習合格的玻璃特徵，在裝箱機入口標記裂紋、缺角和夾雜物，使產線能在玻璃罐到達整箱之前進行分流。
讓這套方案在果醬產線上跑起來的照明配置，是灌裝機和貼標機上方的一組漫射頂燈，用於讀取灌裝液位和標籤；再加上旋蓋機處的低角度環形燈，用於讀取瓶蓋坐正情況。一臺帶微距和廣角鏡頭的iPhone Pro，可以從每一個關鍵控制點的單一檢測站位處理這七個缺陷家族。我們將設備與傳送帶編碼器同步，使被標記的玻璃罐觸發下游的分流或暫停決策。我們會在上線輔導階段與你一起確定光學方案。
Enao如何在果醬與蜜餞產線上執行
整套硬體成本不到1,000歐元，由一臺翻新iPhone Pro、一組用於瓶蓋檢測的漫射頂燈加可選低角度環形燈、一根USB-C電纜，以及可夾在灌裝機、旋蓋機、貼標機或裝箱機上方的支架組成。首次部署不需要PLC整合，整套設備可以裝進一個航空箱，你佈置的同時產線照常運轉。
上線輔導是自助式的。你的產線團隊安裝好支架，開啟Enao應用，在下一次切換時開始採集參考幀。第一天就能在沒有任何前置標註的情況下達到80%的準確率，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的水平，並且會隨著產線確認或駁回的每一罐被標記產品持續提升。
每一條產線都教自己的模型學習它的玻璃罐形狀、標籤設計和果醬配方。當你在同一條線上切換到不同的配方或標籤時，模型在一個班次內就能適應。當你把一條產品族相近的姊妹產線投入執行時，第二個模型從第一個模型的經驗起步，邊際投入大幅下降。
超差的玻璃罐不再到達裝箱機，廢品在檢測點而不是QC辦公室登記，你的操作員也把注意力時間還給了真正需要人來處理的工作環節，包括灌裝機除錯、配方調整以及客戶投訴處理。
Enao與人工抽檢和傳統機器視覺的對比
對果醬與蜜餞生產商而言，這場對比可以聚焦在五個維度上。
果醬產線的部署時間。 — 人工視覺檢測：每位操作員需要數小時培訓，並伴隨長期人工成本。傳統機器視覺：與系統整合商配合三到九個月的整合，加上每種玻璃罐和標籤的規則集。Enao：由你自己的團隊在一週內部署，第一天就能達到80%準確率。
每條產線的硬體成本。 — 人工視覺檢測：前期零成本，但持續投入人工。傳統機器視覺：每條產線4萬到20萬歐元，用於工業攝像頭、結構化光源以及整合。Enao：每條產線不到1,000歐元，由一臺翻新iPhone Pro、燈具和支架組成。
應對新SKU、標籤與配方。 — 人工視覺檢測：每個新SKU都需要重新培訓操作員。傳統機器視覺：為每個配方重寫規則集，通常外包給整合商。Enao：在一個班次內對新玻璃罐、新標籤、新果醬配方重新訓練模型，無需觸碰任何程式碼。
對細微灌裝漂移與標籤刮擦的檢測精度。 — 人工視覺檢測：班次開始時精度高，但三小時後明顯下降。傳統機器視覺：在尺寸檢查上很強，但在細微灌裝液位漂移和標籤刮擦檢測上較弱。Enao：從參考幀學習灌裝、標籤和瓶蓋特徵，在輪班和批次之間保持準確率。
由誰執行。 — 人工視覺檢測：檢驗臺上的訓練有素操作員。傳統機器視覺：系統整合商或專業視覺工程師。Enao：你的產線團隊，無需外部專家。
零售商和品類經理會因為一托盤被退回產品的成本而更換供應商；一筆退款扣款或一次默默的下架，其代價遠高於一套基於iPhone的檢測設備的成本。Enao正是為這一缺口而生。