Die Anwendung zeigt, wie „3HLE“ Produktionslinien dabei unterstützt, grüner und umweltverträglicher zu werden, gleichzeitig Kosten zu sparen und hochwertigere Kaffeekapseln zu produzieren — dank einer visuellen Deep-Learning-Inspektion, die nur tatsächlich problematische, subtile Defekte aussortiert. Diese Defekte treten in zwei Situationen auf:
1. wenn die Filter über die Siegelzone (Aluminiumfolie) hinausragen.
2. wenn die Filter leicht versetzt sind — dann kann Kaffeepulver beim Brühen in die Tasse austreten.
Früher wurde diese Anwendung mit komplexen traditionellen Vision-Werkzeugen gelöst; die Falsch-Positiv-Rate (Verschwendung: gute Teile fälschlich abgelehnt) lag zwischen 2 % an guten Tagen und 9 % an schlechten. Ganz zu schweigen davon, wie viele fehlerhafte Kapseln beim Endkunden landen. Dieser Artikel schätzt nicht, welchen Imageschaden eine Kaffeemarke dadurch erleidet — aber an schlechten Tagen drohte nahezu eine Kapsel von zehn, Kaffeepulver in die Tasse zu spucken (wie bei einer Filterkaffeemaschine). Kein schönes Erlebnis für Kundschaft, die bewusst Kapseln statt Bohnenkaffee gewählt hat.
Heute werden beide Defektarten leicht durch einfache Deep-Learning-Detection-Tools erkannt. „3HLE“ Automation and Robotics SA garantiert eine Erkennungsrate von 99,5 % an schlechten Tagen und 99,7 % an guten Tagen. Eine schnelle Überschlagsrechnung für die minimale Tageseinsparung:
Falsch-Positive: frühere Ablehnungsrate an besten Tagen 2 % − aktueller Falsch-Positiv-Wert an schlechten „3HLE“-Tagen 0,5 % = 1,5 % Verbesserung (bis zu 8,7 % im besten Fall).
Produktionsrate: 20 Kapseln/s => 72 000 Kapseln/h => 1 728 000/Tag × 1,5 % => mindestens 25 920 gerettete Kapseln pro Tag (andernfalls 150 336 Kapseln pro Tag).
Gesamteinsparung dank „3HLE“-Qualitätskontrolle mit Deep Learning: mindestens 25 920 Kapseln/Tag im schlechtesten Fall (üblicherweise ca. 150 336 Kapseln/Tag).
HINWEIS: Eine bessere Erkennungsrate ist nur ein Teil der Einsparung — eine niedrigere Ausschussquote reduziert zusätzlich Logistik für Trennung/Recycling und die gesamte Infrastruktur rund um die Linie.
„3HLE“ bietet vorwiegend schlüsselfertige Lösungen mit Hardware, Software-Integration und Automatisierungsprozessen für Hochgeschwindigkeits-Qualitätskontrollanwendungen mit industrieller Vision. Weitere Referenzen finden Sie in unseren Success Stories oder auf unseren Produktseiten mit Informationen zu Hardware und Software. Wir erweitern diese Bereiche laufend — folgen Sie uns auf LinkedIn, Facebook oder YouTube.
Die Bearbeitungszeit pro Kapsel bei der Deep-Learning-Inspektion liegt bei rund 8 ms auf dem 3HLE Deep-Learning-Server unter Windows 10 IoT — beschrieben in unserem Bereich Success Stories.
Oben: ein typischer Überlappungsfehler und ein typischer Filter-Versatz.
Verteilung
Zeigt die normalisierte Verteilung der Abweichungen für gute und schlechte Bilder. Im Idealfall überlappen sich diese beiden Kurven nicht. Die grüne Linie markiert den Schwellenwert, unterhalb dessen ein Teil als gut gilt. Die rote Linie markiert den Schwellenwert, oberhalb dessen ein Teil als schlecht gilt. Dazwischen liegt eine Grauzone, in der die Teile als „unbestimmt“ eingeordnet werden.
ROC (Receiver Operating Characteristic)
Zeigt die Klassentrennung für alle möglichen Schwellenwerte. Auf der blauen Kurve liest man die True-Positive-Rate auf der vertikalen Achse ab (eine defekte Ansicht, die korrekt als defekt erkannt wurde — Ziel: 100 %). Die False-Positive-Rate liegt auf der horizontalen Achse (eine gute Ansicht, die fälschlich als defekt eingestuft wurde — Ziel: 0 %). Der AUC-Wert (Area Under Curve) fasst die Kurve zusammen: 1,00 entspricht einem perfekten Klassifikator.
Mehr erfahren:
Füllen Sie das Formular unten aus, um den vollständigen Report per Link zu erhalten und zu sehen, wie Sie Produktqualität und Durchsatz Ihrer Produktion verbessern.
Bitte füllen Sie das untenstehende Formular aus, um das gewählte PDF-Datenblatt per E-Mail zu erhalten