OKWechselnde Beleuchtung
Tageslicht, das durch ein Fenster in die Halle fällt, ein alternder Strahler oder Reflexe auf glänzenden Verpackungen verändern das Bild, und die Inspektion liest es als Fehler.
Startseite / Bildverarbeitung / Fehlauswürfe
Leitfaden · Qualitätskontrolle · Ausschuss
Fehlauswürfe in der Bildverarbeitung: warum sie entstehen und wie man sie reduziert
Ein Fehlauswurf ist eine gute Verpackung, die das Bildverarbeitungssystem als schlecht ausschleust. Jeder davon ist Produkt, das weggeworfen oder nachbearbeitet wird, und wenn es viele sind, senkt der Bediener irgendwann die Anforderungen oder schaltet die Kamera ab, und dann kommen auch die schlechten durch. In diesem Leitfaden erklären wir, woher sie kommen und wie man sie reduziert.
Die Ursachen
Woher Fehlauswürfe kommen
Fast nie ist es „die Kamera“. Meist ist es eine dieser Ursachen oder mehrere gleichzeitig.
Die Verpackung kommt nicht immer gleich an
Verdrehte Verpackungen, unregelmäßige Abstände oder Vibrationen auf dem Band: Das Werkzeug sucht den Bereich dort, wo er nicht ist.
Zu enge Toleranzen
Eine „sicherheitshalber“ gesetzte Schwelle schleust normale Schwankungen der Verpackung aus, die kein Fehler sind.
Falsches Formatrezept
Nach einem Format- oder Sortenwechsel bleibt das vorherige Rezept geladen, und alles wird ausgeschleust.
Verschmutzte oder verstellte Optik
Spritzer auf dem Objektiv oder der Schutzscheibe oder eine Kamera, die sich durch Vibrationen verschoben hat.
Das Werkzeug ist nicht das richtige
Fehler, die von Teil zu Teil variieren (Form, Farbe, Oberfläche), lassen sich mit festen Regeln schwer beschreiben; dort passt Deep Learning besser.
Wie man sie reduziert
Erst messen, dann einstellen
Fehlauswürfe behebt man nicht, indem man die Toleranz blind erhöht: So kommen auch die schlechten durch. Man behebt sie, indem man Auswurf für Auswurf weiß, was die Kamera gesehen hat und warum sie so entschieden hat.
- Bild und Grund jedes Auswurfs speichern und in einer Galerie prüfen
- Echte Auswürfe von Fehlauswürfen trennen und sehen, welches Werkzeug sie verursacht
- Die Schwelle anhand der Messwerte einstellen, nicht nach Gefühl
- Beleuchtung und Lage der Verpackung stabilisieren, bevor man die Software anfasst
- Rezepte pro Format mit Benutzeranmeldung und Protokoll jeder Änderung
- Deep Learning dort, wo der Fehler natürlich variiert
Ein realer Fall
−80 % Ausschuss durch Fehlauswürfe
Auf einer Linie für Molkereiprodukte in Getränkekartons sank der Ausschuss durch ausgeschleuste Gutteile um 80 %, indem die Auswürfe mit ihrem Bild geprüft und die Inspektion mit diesen Daten nachjustiert wurde, ohne schlechte Verpackungen durchzulassen. Das ist kein Versprechen für jede Linie: Jede geht von einer anderen Situation aus. Deshalb beginnen wir mit dem Messen.
Berechnen Sie, was Sie verlieren
TIVOX Insight liefert Ihnen in etwa zwei Minuten eine Schätzung, was Sie die Auswürfe Ihrer Linie pro Jahr kosten.
Wir prüfen Ihr System
Anhand von Bildern Ihrer Auswürfe sagen wir Ihnen, was die Fehlauswürfe verursacht und was sich korrigieren lässt, unabhängig von der Marke Ihrer Kamera.
Sehen Sie, wie gearbeitet wird
Im Simulator von TIVOX Sentinel PLUS sehen Sie die Auswurfgalerie und die Schwellen jedes Werkzeugs.
Häufige Fragen
Antworten auf die wichtigsten Fragen
Was ist ein Fehlauswurf in der Bildverarbeitung?
Eine gute Verpackung oder ein gutes Teil, das das Bildverarbeitungssystem als fehlerhaft einstuft und ausschleust. Man spricht auch von einem falsch positiven Ergebnis, weil das System einen Fehler „positiv“ meldet, den es nicht gibt.
Welcher Anteil an Fehlauswürfen ist normal?
Das hängt vom Produkt, von der Inspektion und von den Anforderungen jedes Werks ab, daher gibt es keine Zahl, die für alle gilt. Wichtig ist, ihn zu messen: zu wissen, wie viele Auswürfe echt sind und wie viele nicht, und welches Werkzeug sie verursacht.
Löst eine höhere Toleranz das Problem?
Blind nicht: Die Fehlauswürfe gehen zurück, aber schlechte Verpackungen kommen durch. Die Toleranz wird anhand der Messwerte der Auswürfe eingestellt, nachdem Beleuchtung und Lage der Verpackung stabilisiert sind.
Können Sie ein Bildverarbeitungssystem einer anderen Marke prüfen?
Ja. Anhand von Bildern der Auswürfe und der guten Verpackungen sagen wir Ihnen, was die Fehlauswürfe verursacht und was sich korrigieren lässt, unabhängig von der Marke der Kamera.
Wann lohnt sich Deep Learning?
Wenn der Fehler oder das Produkt von Teil zu Teil natürlich variiert und sich mit festen Regeln schwer beschreiben lässt: Oberflächen, Siegelnähte, unregelmäßige Formen. Für klare Messungen und Lesungen sind klassische Werkzeuge meist schneller und leichter einzustellen.
Kostenlose Prüfung aus der Ferne
Wirft Ihre Kamera gute Verpackungen aus?
Senden Sie uns Bilder der Auswürfe und guter Verpackungen. Wir sagen Ihnen, woher die Fehlauswürfe kommen und was sich korrigieren lässt.