一隻在熔爐噸位調整兩次後才出現的氣泡,一顆操作員發現不了直到瓶子在客戶灌裝線彈出的結石,一條退火窯掩蓋到容器在運輸中透過壓力測試時才顯現的應力裂紋。在向食品、飲料、化妝品與製藥行業出貨的玻璃產線上,每一隻帶著隱性缺陷離開冷端的容器都會讓你付出雙倍代價。容器以你的品牌出貨。然後客戶的灌裝線停機,FMCG採購方提出退款,下次品類評審就會轉給下一次展會上的競爭對手。人工冷端檢測員能發現明顯的瑕疵,但相機在退火窯出口能識別的漸變籽點漂移,正是疲倦的人在第三個小時之後會漏掉的。玻璃製造的自動化品質檢測填補了這個缺口,你不需要六位數的冷端視覺設備就能做到。
什麼是玻璃製造的自動化品質檢測
玻璃製造AI缺陷檢測使用相機和AI模型,觀察從IS制瓶機、退火窯或冷端檢測工位出來的每隻容器或片材,在不合格件到達碼垛機之前將其標記。系統替代為單一瓶型調校的僵化規則式視覺,模型學習你產品組合的特定容器幾何、玻璃顏色與表面特徵,並跨班次、模具更換與色調變化保持一致的視覺檢查點。
玻璃容器在產線速度下尤其難以檢測,因為玻璃本身的光學折射會複雜化每次相機讀取:從固定角度看,壁內的氣泡與表面的反光幾乎一致,瓶底的結石從側視看不見,從下方看卻很明顯。圍繞單一瓶型構建的規則式視覺,在你切換到不同SKU、不同顏色或不同口型的瞬間就會失效。AI主導檢測能夠處理這些變異,因為模型從真實生產幀學習,而不是依賴固定閾值。
其結果是一個自動化視覺檢查點,補充你的產線末端冷端工位,並提供每隻容器的影像檔案。當客戶六週後回頭查詢時,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。
玻璃產線上我們捕捉的缺陷
氣泡、籽點與夾雜物
氣泡與籽點是滯留在玻璃壁中的氣體腔,由熔體澄清不足、爐內耐火材料退化或批料含水過量引起。夾雜物是被困在玻璃中的異物,從耐火材料碎屑到未熔批料顆粒都有,在壁內呈現為深色或彩色斑點。冷端檢測員能發現明顯的氣泡,但漏掉毀掉透明化妝品瓶的亞毫米籽點,以及在冷端照明下看起來像表面灰塵的深色夾雜物。AI模型學習合格壁面紋理,標記每個超過你接受閾值的籽點與夾雜物。
結石與未熔批料
結石是玻璃中的結晶夾雜物,由耐火材料退化、熔體析晶或在澄清階段倖存的未熔批料顆粒造成。它們在壁內呈現為不透明斑點,通常周圍帶有應力光環,在交付數週後,溫度迴圈展開應力場時可能使容器開裂。人工檢測員能發現較大的結石,但漏掉透過側視工位的小結石。AI模型從單一幀捕捉不透明斑點與周圍的應力圖案,在退火窯出口前標記容器。
表面劃痕與磨損
表面劃痕與磨損產生於容器之間相互接觸或在IS機與碼垛機之間接觸產線設備時,在瓶身呈現為細密縱向條紋。嚴重的磨損圖案削弱表面強度,在客戶灌裝線上引發壓力失效。人工檢測員能在冷端照明下發現最壞情況,但漏掉在客戶處合格與不合格之間徘徊的邊緣劃痕。AI模型為每種容器形狀學習合格的表面光潔度,標記超過你公差的劃痕,並提供幀畫面供操作員調整產線導向或碼垛機工裝。
應力裂紋與微裂
應力裂紋與微裂是玻璃壁中的細裂紋,通常肉眼不可見但在灌裝或運輸壓力下致命,由退火窯冷卻不均、溫度突變或模具設計不良引起。偏振儀檢測能發現一些微裂,但漏掉退火窯後產生的表面微裂。AI模型保留合格的偏振反射特徵,在退火窯出口標記應力圖案,讓產線有機會在一托盤開裂容器抵達客戶之前修正上游條件。
尺寸偏差與不圓度
尺寸缺陷是容器高度、瓶身直徑、瓶頸直徑、口型尺寸與容量的偏差,由模具磨損、滴料不均或IS機溫度漂移引起。不圓瓶子在客戶的封蓋線上失效,引發整托盤退貨。中斷時的卡尺抽樣能捕捉趨勢,但漏掉抽樣間視窗期。AI模型從多角度捕捉輪廓偏差,在容器到達碼垛機前標記落在你接受帶之外的容器。
表面汙漬與潤滑劑痕跡
表面汙漬包括熱端塗層滴落、冷端潤滑劑痕跡和來自產線設備的油或脂汙染,在容器表面呈現為雲狀斑塊或條紋。嚴重的汙漬在客戶的瓶裝線上引發標籤粘附失效。人工檢測員能發現明顯情況,但漏掉塗層噴塗校準失誤後逐漸積累的漂移。AI模型為每種顏色保留合格的表面清晰度,一旦區域性清晰度差值超過你的規格就標記汙漬。
玻璃產線上讓這一切運轉的照明配置:退火窯出口的漫射背光讀取氣泡、籽點與結石,加上用於應力圖案的偏振濾光片,以及冷端的低角度環形光讀取表面劃痕與汙漬。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。我們將設備與產線編碼器同步,使被標記的容器在碼垛機之前驅動下游分流決策。我們會在上線時與你一起規劃光學方案。
Enao在玻璃產線上的運營方式
整套硬體設備成本低於1,000歐元,由翻新iPhone Pro、漫射背光(可選偏振濾光片與用於表面檢測的低角度環形光)、USB-C資料線和夾在退火窯出口、冷端工位或碼垛機入口的安裝臂組成。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SKU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容器,模型都會改進。
每條產線教自己的模型識別其玻璃顏色、容器幾何與表面光潔度。當你在同一機器上切換到新SKU時,模型在一個班次內適應。當你為相似產品系列上線姊妹產線時,第二個模型從第一個模型的經驗出發,邊際成本急劇下降。
不合格容器停止到達碼垛機,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IS機除錯、模具磨損管理與客戶投訴處理。
Enao與人工檢測、傳統機器視覺對比
對玻璃容器製造商而言,對比在五個維度上更加清晰。
玻璃產線上的設定時間。 — 人工冷端分揀在產線速度下漏掉氣泡與夾雜物缺陷。傳統機器視覺(Cognex、Heraeus、Robovision、averroes、industrialmind)需要三到九個月的整合與六位數的預算。Enao:由你自己的團隊在一週內部署到翻新iPhone上,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。傳統冷端視覺:每條產線15萬至50萬歐元,用於工業相機、多個檢測頭與整合。Enao:每條產線低於1,000歐元,使用翻新iPhone Pro、燈具與支架。
應對新顏色、新形狀與新口型。 — 人工目檢:每個新SKU重新培訓檢測員。傳統冷端視覺:每個SKU重寫配方,通常外包給整合商。Enao:在一個班次內對新顏色與形狀重新教導模型,無程式碼需要修改。
對細微籽點與應力圖案的檢測精度。 — 人工目檢:班次開始時高,三小時後明顯下降。傳統冷端視覺:在尺寸檢查上穩定,在細微籽點漂移與表面汙漬演變上薄弱。Enao:從基準幀學習壁面與表面特徵,跨班次跨生產保持精度。
由誰來執行。 — 人工目檢:經過培訓的冷端檢測員。傳統冷端視覺: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。
FMCG與製藥客戶因玻璃碎片召回的成本而更換供應商,而一次退款或品類經理的低聲電話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。