Die folgende Anwendung zeigt, wie „3HLE“ Produktionsanlagen dabei unterstützt, umweltfreundlicher und ökologischer zu werden, Kosten zu senken und gleichzeitig eine höhere Qualität bei der Herstellung von Kaffeekapseln zu erzielen. Dies wird durch den Einsatz von Deep-Learning-basierter visueller Inspektion erreicht, die nur echte, subtile und empfindliche Fehler erkennt und ablehnt. Die Fehler treten in zwei Situationen auf:
1. Wenn sich die Filter mit dem Versiegelungsbereich des Deckels (Aluminiumfolie) überlappen.
2. Wenn die Filter leicht falsch ausgerichtet sind, kann das Kaffeepulver nach dem Aufbrühen in die finale Kaffeetasse gelangen.
In der Vergangenheit wurde diese Anwendung mit kompexen herkömmlichen Bildverarbeitungswerkzeugen gelöst, wobei die Falsch-Positiv-Rate (Abfall: intakte Teile werden als defekt erkannt/ausgesondert) zwischen 2% am besten Tag und 9% an einem schlechten Tag variierte. Dies ohne zu erwähnen, wie viele fehlerhafte Kapseln beim Endkunden ankommen. Dieser Artikel schätzt nicht ab, welchen Schaden fehlerhafte Kapseln dem Image der Kaffeemarken zufügen. Aber sicher ist: An schlechten Tagen ist fast 1 Kapsel von 10 anfällig dafür, Kaffeepulver in Ihre Tasse zu streuen (ähnlich wie bei einer automatischen Kaffeemaschine). Dies ist keine angenehme Erfahrung für Nutzer, die Kapseln statt Bohnenkaffee wählen.
Heute werden beide Arten dieser Funktionsfehler dank einfacher Deep-Learning-Erkennungswerkzeuge problemlos erkannt. „3HLE“ Automation and Robotics SA garantiert eine korrekte Erkennungsrate von 99,5% an schlechten Tagen und 99,7% an guten Tagen. Eine schnelle Näherung für die minimale Einsparung pro Tag wäre:
Falsch-Positiv: frühere Ablehnungsrate am besten Tag 2 % – aktuelle Falsch-Positiv-Rate am schlechtesten „3HLE“-Tag 0,5 % = 1,5 % Verbesserung (Andernfalls: 8,7 % Verbesserung im besten Fall).
Produktionsrate: 20 Kapseln/Sekunde => 72’000 Kapseln/Stunde => 1’728’000/Tag * 1,5 % => 25’920 mindestens gerettete Kapseln pro gutem Tag für Wettbewerber (Andernfalls: 150’336 gerettete Kapseln pro Tag).
Gesamteinsparung dank „3HLE“ Qualitätsinspektion mit Deep-Learning-Systemen: 25’920 Kapseln/Tag im Worst-Case (Normalerweise sparen diese Maschinen rund 150’336 Kapseln/Tag).
HINWEIS: Eine bessere Erkennungsrate ist nur ein kleiner Teil der Kosteneinsparungen, da eine geringere Ablehnungsrate auch die Logistik für die Entsorgung/Recycling von Abfällen sowie die gesamte Infrastruktur rund um die Produktionsanlagen reduziert.
„3HLE“ bietet hauptsächlich schlüsselfertige Lösungen an, einschließlich Hardware, Integration von Software und Automatisierungsprozessen, die auf hochgeschwindigkeitsautomatisierte Computer-Vision-Qualitätskontrollanwendungen zugeschnitten sind. Für weitere Fallstudien besuchen Sie unsere Erfolgsgeschichten oder unsere Produktseiten, um mehr über unsere Hardware– und Software-Lösungen zu erfahren. Wir arbeiten daran, in diesen Bereichen immer mehr Inhalte zu erstellen. Abonnieren Sie bitte unsere „3HLE“-Kanäle auf LinkedIn, Facebook oder YouTube, um benachrichtigt zu werden, sobald neue Inhalte verfügbar sind.
Die Verarbeitungszeit für die Deep-Learning-Inspektion pro Kapsel beträgt ca. 8 ms unter Verwendung des Windows 10 IoT 3HLE Deep Learning Servers, der im Abschnitt Erfolgsgeschichten der Firma vorgestellt wird.
Oben sind typische Überlappungsfehler und typische Filterfehlausrichtungen dargestellt.
Verteilung
Zeigt die normalisierte Verteilung der Abweichung für fehlerhafte und intakte Bilder. Idealerweise sollten diese beiden Kurven sich nicht schneiden. Die grüne Linie stellt den Schwellenwert dar, unterhalb dessen ein Teil als gut betrachtet wird. Die rote Linie stellt den Schwellenwert dar, oberhalb dessen ein Teil als defekt betrachtet wird. Zwischen diesen Linien befindet sich eine graue Zone, in der die Teile als intermediär betrachtet werden.
ROC (Receiver Operating Characteristic)
Zeigt die Trennung der Klassen für alle möglichen Schwellenwerte. Sie können einen Punkt auf der blauen Linie wählen und den entsprechenden True Positive-Wert links im Diagramm ablesen (eine defekte Ansicht, bei der das System einen Fehler erkannt hat, idealerweise 100 %). Die False-Positive-Rate befindet sich unten im Diagramm (eine nicht-defekte Ansicht, bei der das System einen Fehler erkannt hat, idealerweise 0 %). Der AUC-Wert (Area Under Curve) fasst diese Kurve zusammen, wobei der Maximalwert von 1,00 einem perfekten Klassifikator entspricht.
Weitere Informationen:
Füllen Sie Ihre Daten unten aus, um einen Link zum Herunterladen des vollständigen Berichts zu erhalten und mehr darüber zu erfahren, wie Sie Ihre Produktionsqualität und Ihren Durchsatz verbessern können.
Bitte füllen Sie den Abschnitt unten aus, um die ausgewählte PDF-Datenblatt per E-Mail zu erhalten