流量擾動十分鐘後從油炸機下來的一團燒焦薯片,一條調味不足的隧道直到下班時 QC 抽樣才被任何操作員發現,一塊異物因為它來自一隻破手套的塑膠而被金屬探測器漏檢。在面向超市和便利店渠道出貨的鹹味零食產線上,每一公斤帶著隱藏缺陷流出包裝機的產品,都會讓你付出雙重代價。袋子掛著你的品牌出貨。然後消費者發現那片燒焦的薯片、照片傳到社交媒體、下一次品類評估轉給貨架上的競品。人工操作員能抓到明顯瑕疵,但相機在冷卻隧道上能識別的漸變油色漂移,正是疲勞的人在第三個小時之後會漏掉的那一種。面向鹹味零食生產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。
面向鹹味零食生產的自動化品質檢測是什麼?
面向鹹味零食的 AI 缺陷檢測使用一臺相機和一個 AI 模型,在每一公斤產品離開油炸機、冷卻隧道和調味滾筒時進行觀察,並在產品到達包裝機之前對不合格件進行標記。AI 不依賴控制檯旁的油炸機操作員,也不依賴剛性的規則式視覺,而是學習你 SKU 組合特有的切型、表面質感、油色和調味覆蓋,並在不同班次、不同線速和不同配方換型之間提供一致的視覺檢查點。
鹹味零食在產線速度下尤其難檢,因為油色處於未熟與燒焦之間的窄帶,厚切薯片的幾何形狀在同一袋內本就按設計變化,而調味在近距離看起來本應不均勻,卻又要在每一片上達到平均覆蓋率。圍繞單一配方構建的規則式視覺,在你切換到不同切型、不同油齡或不同調味配方的那一刻就會失效。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,補充你下班時的 QC 抽樣,併為你提供逐公斤的影像記錄。當六週後零售商反饋過來時,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 在鹹味零食產線上如何執行
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調味覆蓋檢測),一根 USB-C 線,以及一個夾裝在冷卻隧道或調味出口上方的支架。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,並隨著每一批被產線確認或拒絕的標記產品持續提升。
每條線為自己的模型教會它對應的切型、油色範圍和調味配方。當同一臺產線切換到不同 SKU 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。
不合規的批次不再到達包裝機,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,包括油炸機除錯、調味校準和客戶投訴處理。