Sorte prikker og urenheder
Kul fra en nedbrudt smelte, fremmedlegemer eller farverester fra regenerat. Små, med lav kontrast og den hyppigste årsag til kundeklager.
Brancher
Sprøjtestøbning
Hvert skud inspiceres, hver kassation logges på sin kavitet
Sorte prikker, short shots, grat, trådtræk, IML-delaminering. De fleste er små, og de fleste kommer og går fra skud til skud, så en AQL-stikprøveplan ser dem ikke. Deepvis inspicerer hvert emne, når det forlader værktøjet.
- Resultat på under 200 ms, inden for cyklussen
- Hver kassation har et kavitetsnummer
- Trænet på jeres emner, jeres plast og jeres regenerat
Vi understøtter inspektion af målebægre, lukninger og låg, tyndvæggede bøtter og tekniske støbeemner.
Defekterne
Fejl, en stikprøveplan overser
Rigtige emner direkte fra værktøjet. Træk i et vilkårligt billede. Fotoet er på den ene side og det samme billede med markeringer på den anden, taget med samme eksponering.
- Krop
- Tud
- Hank
- Prik
Sorte prikker
Kul fra en nedbrudt smelte eller urenheder, der følger med regeneratet. På et transparent emne kan de ses fra begge sider. Emnet segmenteres først i tud, krop og hank, så hver prik logges på det område, den sidder i. I bestemmer, hvilke områder der er kosmetiske, og hvilke der ikke er.
- Krop
- Tud
- Hank - underfyldt
- Prik
Short shot
Kaviteten blev ikke fyldt ud, og hanken er for kort. Skudvægten ligger så tæt på, at en vægtkontrol godkender den. Short shots følger smeltetemperatur, eftertryk og blokeret udluftning, så de dukker op ved opstart, efter et farveskift og efter en værktøjsrengøring.
- Sort prik
Flere emner i billedet
Låg på båndet, seks i billedet. Prikkerne sidder alle på ét låg; resten er rene og bliver på linjen. På et flerkavitetsværktøj har kassationen også kavitetsnummeret med, så fejlen knyttes til den position, der lavede den.
- Flydelinjer
- Ridse
- Sort prik
Flydelinjer og ridser
Flydelinjer fra smeltefronten og en ridse fra udstødningen. Kosmetiske grænser er normalt en vurderingssag, og derfor kasserer dagholdet og natholdet forskellige emner. Her måles begge som et areal i mm², så grænsen ligger i opskriften.
- Tråd
Trådtræk
Tynde plasttråde, der trækkes af emnet ved afformning. Typisk dekompression, smeltetemperatur eller en hot tip, der kører for varmt. På en urtepotte er det kosmetisk. På en lukning havner det på tætningsfladen, og så får I utætte emballager længere nede i kæden.
- Delaminering
IML-delaminering
Etiketten har løftet sig fra underlaget. Årsagerne er etiketplacering, statisk elektricitet, luft fanget bag filmen eller en smeltefront, der er for kold til at binde den. Alle kan opstå på ét skud og ikke på det næste, uden at indstillingerne er ændret.
På maskinen
Montering, cyklustid og kassationer
Hvor kameraet sidder, hvor hurtigt resultatet kommer tilbage, og hvad der sker med et dårligt emne.
- 01
Kamera på udtageren eller over båndet
Emnerne fotograferes på robotarmen, på transportbåndet eller i en fikstur for enden af linjen. Der, hvor de allerede passerer.
- 02
Resultat inden for cyklussen
Under 200 ms. Resultatet er klar før næste skud.
- 03
Kassation efter jeres grænse
I sætter grænsen pr. klasse. Resultatet sendes ud på cellens I/O til en sorteringsklap, en luftdyse eller HMI'en.
- 04
Hvert emne logges
Billede, kavitet, klasse og størrelse, gemt pr. skud. Find et emne frem igen efter dato, batch eller kavitet.
Defektliste
Det inspicerer vi for
Short shot
Kaviteten blev ikke fyldt ud. Vægtkontroller godkender den som regel. Værst ved opstart, efter et farveskift og ved blokeret udluftning.
Grat og overstøbning
Materiale forbi delelinjen. Peger på et slidt værktøj, for lav lukkekraft eller for meget eftertryk. Forhindrer emner i at kunne samles og låg i at sidde rigtigt.
Flydelinjer, sugninger og ridser
Kosmetiske fejl. Måles som et areal i mm², så grænsen ligger i opskriften i stedet for at blive aftalt skift for skift.
Trådtræk
Tynde tråde fra indløbet eller kanten ved afformning. De er tynde, flytter sig og havner på tætningsflader.
IML-delaminering
Etiketten har løftet sig fra underlaget. Kommer og går fra skud til skud, så en stikprøveplan overser den.
Det ændrer sig
Det ændrer sig på linjen
Fire ting, et skift bemærker.
Opstartsspild
Det meste spild opstår ved opstart, ved farveskift og efter en værktøjsrengøring. Når der inspiceres fra første skud, kan I se, hvornår processen har stabiliseret sig, i stedet for at kassere et fast antal skud.
Ingen 100 %-sortering
En fejl, der findes hos kunden, betyder sortering af hele batchen, som regel af en tredjepart med kort varsel. Findes den ved cellen, omfatter den kun de emner, der faktisk har fejlen.
Kavitetsdata
Hver kassation har et kavitetsnummer, så I ved, hvilken kavitet der skal lukkes eller tages ud til vedligehold. Værktøjet kører videre på resten.
Dokumentation til klager og audits
Billeder af de faktiske emner, med dato, batch og kavitet. Det er det, en 8D-rapport eller en kundeaudit beder om.
Metoden
Sådan finder vi dem
Fire trin, uanset hvilket emne det er. Alt ovenfor blev først markeret i hånden. Det er sådan, modellen lærer jeres defekter — og den eneste måde, den lærer dem på.
I bestemmer, hvad der tæller
Vi tager udgangspunkt i jeres kassationskriterier, på jeres emner. Modellen returnerer det, I har markeret, og intet andet.
Belysningen først
Kamera, optik og belysning vælges efter materialet. Frostet PP og en sort lukning er to forskellige opgaver.
Omkring 120 emner
Hundrede billeder fra det kørende værktøj, 120 markeret. Jeres plast, jeres regenerat, jeres farver, jeres fikstur.
To timer til en model
Træningen tager cirka to timer. Derefter kontrolleres hvert emne inden for cyklussen og kasseres efter jeres grænse.
Første skridt
Bevis, at defekterne kan detekteres
I sender 100 emner — 50 gode og 50 defekte. Vi fotograferer dem, træner en model på dem i vores laboratorium, og 14 dage senere har I rapporten.
Det indeholder rapporten — klik på en side
Garanti
Hvis vi ikke kan finde den fejltype, I peger på, får I pengene tilbage. Køber I systemet inden for 60 dage, modregnes beløbet fuldt ud.
Book en detekterbarhedsanalyse
8.000 kr.
FAQ
Ofte stillede spørgsmål
Enkle AI-inspektionssystemer, der er nemme at sætte i drift i moderne produktionsmiljøer.
Hvilke typer fejl kan Deepvis finde?
Deepvis kan finde komplekse og uforudsigelige fejl, som er almindelige i genanvendt plast, f.eks. sorte prikker, short shots, overstøbning, urenheder, brændemærker og geometrifejl. Modellen trænes på annoterede eksempler af de fejltyper, I går op i, og den holder til den variation i materiale, farve og overflade, der følger med genanvendt råvare.
Skal jeg bruge tusindvis af billeder for at træne systemet?
Nej. Omkring 120 annoterede billeder er nok til at træne en model. Det er langt færre end traditionelle systemer, som kræver tusindvis af manuelt mærkede eksempler. Det er dog værd at bemærke, at krævende applikationer typisk klarer sig bedre, jo bedre data er.
Kan Deepvis følge med høje produktionshastigheder?
Ja — med den rette GPU-hardware kan Deepvis analysere emner i realtid ned til cyklustider på 0,5 sekunder, hvilket gør systemet velegnet til hurtige emballage- og produktionslinjer.
Hvordan adskiller Deepvis sig fra traditionelle visionsystemer?
Traditionelle systemer bygger på regelbaseret billedbehandling og skal programmeres om, hver gang et produkt ændres. Deepvis bruger AI til at tilpasse sig variation i produkterne og kræver ingen specialist til opsætningen — ideelt for fleksible producenter, hvor lange og komplekse opsætningstider ikke er en mulighed.
Hvad indgår i Deepvis inspektionssystem?
Hver enhed består af et kamera, en AI-edgecomputer og en softwareplatform til inspektion. Kunderne kan købe den samlede løsning som en engangsinvestering med valgfri softwarelicens og supportpakker.
Hvordan ved jeg, om Deepvis passer til min applikation?
Hvis jeres kvalitetskontrol er manuel, tidskrævende og påvirkes af hyppige ændringer i produkt, lys eller materiale, er Deepvis bygget til jer. Vores system er designet til at reducere mandetimer i visuel inspektion — især i miljøer med høje volumener og stor variation, hvor traditionelle systemer kommer til kort. Vi starter typisk med et afklaringsmøde og en pilot, der viser tidsbesparelsen og effekten på driften.
Her er vi
Bygget i Aalborg
Vores team og laboratorium ligger i Aalborg, tæt på de produktionslinjer, vi arbejder med i hele Danmark.
Deepvis HQ · Aalborg
Udforsk smartere kvalitetskontrol med Deepvis
Se hvordan AI-drevet visuel inspektion reducerer fejl, sænker omkostninger og tilpasser sig jeres produktionslinje — uden komplekst opsætningsarbejde.