[@portabletext/react] Unknown block type "span", specify a component for it in the `components.types` prop
什麼是餅乾生產的自動化品質檢測
餅乾AI缺陷檢測使用相機和視覺模型,在每隻餅乾離開擠出注模機、烤爐出口、撒料工位與包裝產線時實時監控,在不合格件到達零售貨架前將其標記。系統替代過去站在包裝傳送帶旁的操作員和僵化的規則式視覺,模型學習你SKU組合的麵糰行為、表面形態、烘烤顏色與撒料圖案,並在跨班次、產線速度與配方切換時保持一致的視覺檢查點。
餅乾在產線速度下尤其難以檢測,因為麵糰流動在同一批次內就在波動,同一SKU也會因擠出注模機位置與烤爐傳送帶速度而呈現不同烘烤,而開裂在零售燈光下與有意紋理幾乎一致。圍繞單一配方構建的規則式視覺,在你切換到不同撒料、不同形狀或不同烘烤計劃的瞬間就會失效。
其結果是一個自動化視覺檢查點,補充你的產線末端抽樣,並提供餅乾級影像檔案。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。
餅乾產線上我們捕捉的缺陷
烘烤顏色與色調偏差
顏色偏差由烤爐位置效應、傳送帶速度漂移或糖漿塗布變化造成的欠烤、過烤或斑駁表面引起。欠烤餅乾在零售陳列中被拒,過烤餅乾則發黑或帶焦味。操作員能挑出最深的餅乾,但漏掉那些透過照片標準、卻落出規格色調區間的件。AI模型為每個SKU保留學習到的基準顏色,一旦區域性顏色差越過規格就立即標記漂移,使產線能在不合格批次到達批發方之前修正上游條件。
形狀與直徑偏差
形狀缺陷由擠出注模機噴嘴磨損、麵糰黏度漂移、傳送帶同步錯誤造成,表現為不對稱餅乾、超規直徑或粘連餅乾對。形狀缺陷損害零售陳列中的SKU一致性,並在堆疊機處引起堵塞。操作員能挑出最明顯的變形,但漏掉那些落出規格直徑區間卻在傳送帶上看起來正常的餅乾。AI模型為每個SKU學習合格輪廓與直徑,在烤爐出口標記形狀與直徑偏差。
撒料分佈與缺失
撒料缺陷包括缺失的巧克力豆、聚集的堅果、不均勻的糖霜塗層或缺失的糖漿條紋。原因有撒料料斗堵塞、擠出注模機校準漂移或分量切換錯誤。撒料缺失餅乾失去SKU區分,被批發方拒收。AI模型在一幀內捕捉撒料圖案,在撒料工位標記缺失、聚集與錯放,使產線能在不合格餅乾到達包裝工位之前調整料斗流量或擠出注模機時序。
開裂與碎屑
開裂缺陷由烘烤時的熱衝擊、冷卻傳送帶變化或堆疊機粗暴搬運造成。開裂餅乾在外包裝中變成碎屑,引發消費者投訴。操作員發現明顯開裂,但漏掉那些只在烘烤後冷卻期間才發展出來的髮絲裂紋。AI模型為每個SKU學習合格表面紋理,在烤爐出口與堆疊機入口標記開裂、碎屑與碎餅乾,使產線能調整烘烤曲線或冷卻時間。
堆疊錯漏與裝載錯誤
堆疊缺陷是由堆疊機錯誤、傳送帶同步漂移或SKU切換混亂造成的堆疊中餅乾缺失、錯誤裝載圖案或SKU混合。堆疊缺陷在外包裝填充器處引起堵塞,或將錯誤SKU送往零售貨架。AI模型在每幀讀取堆疊裝載圖案,在堆疊機出口標記缺失、裝載錯誤與SKU混合,使產線能在不合格外包裝到達包裝之前作出反應。
夾心填充對位
夾心缺陷包括錯位填充、漏出的奶油、缺失頂殼或填充不足。原因有填充擠出注模機漂移、頂殼堆疊機錯誤或傳送帶對位變化。夾心缺陷在零售陳列中可見並引發消費者投訴。AI模型在一幀內捕捉夾心橫截面,在夾心工位出口測量填充對位、用量與頂殼存在,使產線能調整擠出注模機或堆疊機。
餅乾產線上讓這一切運轉的照明配置:烤爐出口上方的漫射頂光讀取表面形態與撒料圖案,包裝工位的低角度環形光讀取封口完整性與標籤對位。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,使被標記的餅乾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在餅乾產線上的運營方式
整套硬體設備成本低於1,000歐元,由翻新iPhone Pro、漫射頂光(可選撒料與表面檢測的低角度點光)、USB-C資料線和夾在擠出注模機、烤爐出口、撒料工位或包裝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餅乾,模型都會改進。
每條產線教自己的模型識別其麵糰行為、烘烤曲線與撒料圖案。當你在同一產線上切換到不同的SKU或撒料時,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。
不合格餅乾停止到達外包裝,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,包括擠出注模機設定、烤爐監控與批發投訴分析。
Enao與人工檢測、傳統機器視覺對比
對餅乾生產商而言,對比在五個維度上更加清晰。
餅乾產線上的設定時間。 — 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與撒料的規則集。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、撒料與形狀。 — 人工目檢:每個新SKU重新培訓操作員。傳統機器視覺:每種撒料重寫規則集,通常外包給整合商。Enao:在一個班次內對新餅乾、撒料與形狀重新教導模型,無程式碼需要修改。
對細微烘烤漂移與髮絲裂紋的檢測精度。 — 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,在細微烘烤漂移與髮絲裂紋檢測上薄弱。Enao:從基準幀學習表面、顏色與撒料特徵,跨班次跨生產保持精度。
由誰來執行。 — 人工目檢:包裝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。
