{"id":14897,"date":"2022-05-06T09:27:14","date_gmt":"2022-05-06T06:27:14","guid":{"rendered":"https:\/\/www.glastory.net\/?p=14897"},"modified":"2023-05-19T09:43:55","modified_gmt":"2023-05-19T06:43:55","slug":"erkennung-von-white-haze-mithilfe-von-ki","status":"publish","type":"post","link":"https:\/\/www.glastory.net\/de\/erkennung-von-white-haze-mithilfe-von-ki\/","title":{"rendered":"Erkennung von White Haze mithilfe von KI"},"content":{"rendered":"

Die Nachfrage der Industrie nach tadelloser Glasqualit\u00e4t ist in den letzten Jahren deutlich gestiegen. Die Kundenerwartungen sind hoch und zwingen die Glasverarbeiter zu immer strengeren Qualit\u00e4tskontrollen und zur Gew\u00e4hrleistung minimaler Ausschussquoten bei den fertigen Produkten. Die Anisotropie ist ein gutes Beispiel f\u00fcr diese Entwicklung: Sie hat sich von einem abstrakten und subjektiven Ph\u00e4nomen zu einem messbaren und objektiven Qualit\u00e4tsmerkmal entwickelt.<\/em><\/p>\n

In gewisser Weise ist der White Haze der Anisotropie sehr \u00e4hnlich: ein subjektives Ph\u00e4nomen mit einem mystischen Namen, das bisher nicht quantifiziert werden konnte. Mit all seinen m\u00f6glichen Ursachen wird die Behebung von Problemen mit White Haze in der Produktion nicht gerade dadurch erleichtert, dass jeder Experte eine etwas andere Vorstellung davon hat, welche Art von Schleier ein Problem darstellt. Angesichts der immer strengeren Qualit\u00e4tsanforderungen in der Branche ist die Nachfrage nach einer L\u00f6sung f\u00fcr dieses Problem gr\u00f6\u00dfer denn je.<\/p>\n

In unseren fr\u00fcheren Blogbeitr\u00e4gen haben wir die Grundlagen des Ph\u00e4nomens behandelt. Kurz gesagt, White Haze beschreibt unklare, tr\u00fcbe Bereiche oder sich wiederholende Streifen, die manchmal auf Glas nach dem H\u00e4rten auftreten. Diese Bereiche haben unterschiedliche Sichtbarkeitsgrade, von sehr milden tr\u00fcben Flecken bis hin zu klar definierten Markierungen. <\/p>\n

Keine Fehlertoleranz treibt die Marktentwicklung voran<\/h3>\n

Aus struktureller Sicht ist Glas mit White Haze immer noch ein gutes St\u00fcck Glas, das gut funktioniert. Und fr\u00fcher war Glas mit solchen Effekten oft lieferbar.<\/p>\n

Die Dinge haben sich ge\u00e4ndert. Die meisten M\u00e4rkte tolerieren heute keine Produkte mit deutlich sichtbaren M\u00e4ngeln. Dies hat die Branche dazu veranlasst, nach Technologien zu suchen, die das Problem fr\u00fchzeitig erkennen – bevor die ganze Charge verschwendet oder ausgeliefert wird.<\/p><\/blockquote>\n

In diesem Fr\u00fchjahr ist eine solche Technologie aufgetaucht.<\/p>\n

Erste L\u00f6sung zur Erkennung von White Haze mithilfe von KI<\/h3>\n

Der von Glaston & Softsolution<\/a> vorgestellte White Haze Scanner<\/strong> ist die erste KI-basierte L\u00f6sung, die Ihnen qualitativ hochwertige visuelle Hinweise darauf gibt, wo wei\u00dfe Tr\u00fcbungen auf verarbeitetem Glas auftreten. Der Scanner verwendet ein neuronales Netzwerk, das in Zusammenarbeit mit der weltweiten Glasindustrie entwickelt wurde, um den Schweregrad des erkannten wei\u00dfen Schleiers zu kategorisieren.<\/p>\n

Zum ersten Mal k\u00f6nnen Sie White Haze auf geh\u00e4rtetem Glas erkennen und quantifizieren.<\/p><\/blockquote>\n

Die in Finnland in Zusammenarbeit mit der Industrie entwickelte, brandneue KI-basierte L\u00f6sung kategorisiert die Defekte nach ihrer St\u00e4rke in drei Intensit\u00e4tsstufen.<\/p>\n

“Schwach”<\/strong> ist ein kaum sichtbarer Effekt, der von der Industrie normalerweise nicht als Problem angesehen wird.<\/p>\n

“Medium”<\/strong> steht f\u00fcr leicht sichtbare Tr\u00fcbungen, die unter Umst\u00e4nden erst durch externes Licht sichtbar werden. Solches Glas kann oft unerw\u00fcnscht sein, insbesondere f\u00fcr qualit\u00e4tsbewusste Kunden.<\/p>\n

“Stark”<\/strong> schlie\u00dflich bedeutet eine deutlich sichtbare Tr\u00fcbung, die selbst ein ungeschultes Auge leicht auf dem Glas erkennen kann. In den meisten F\u00e4llen wird geh\u00e4rtetes Glas mit solchen M\u00e4ngeln von den Kunden als inakzeptabel angesehen.<\/p>\n

Der White Haze Scanner bietet eine grafische Glas\u00fcbersicht, in der die Werte au\u00dferhalb der Toleranz hervorgehoben werden. Eine solche umfassende Analyse – einschlie\u00dflich historischer Daten – hilft Ihnen, Ihre eigenen Qualit\u00e4tsstandards zu definieren und tr\u00e4gt zu einem einheitlichen Standard f\u00fcr die Glasindustrie bei.<\/p>\n

\u00dcberwachen Sie Ihre Produktionsqualit\u00e4t in Echtzeit<\/h3>\n

Einer der gr\u00f6\u00dften Vorteile des Scanners ist, dass das System Sie sofort \u00fcber ein Problem benachrichtigt. Und w\u00e4hrend die erkannten Kategorien auf der allgemeinen Sichtweise der Glasindustrie basieren, kann jeder Hersteller seine eigenen Qualit\u00e4tsstandards und Warnmeldungen auf der Grundlage der Kategorie, des Ortes und der Gr\u00f6\u00dfe der erkannten Tr\u00fcbungen definieren.<\/p>\n

Das bedeutet, dass Glasverarbeiter sofort reagieren k\u00f6nnen, wenn ein nicht akzeptabler Schleier entdeckt wird. Die Verarbeitungslinie kann angehalten, \u00fcberpr\u00fcft und das Problem, das zur wei\u00dfen Tr\u00fcbung f\u00fchrt, behoben werden. Dies tr\u00e4gt dazu bei, Abfall und Produktionswiederholungen zu minimieren – und wird im Laufe der Zeit die Produktionskosten senken.<\/p><\/blockquote>\n

Diese automatisierte Kontrolle entlastet die Bediener von komplexen, zeitintensiven Aufgaben, die nur schwer durchg\u00e4ngig durchgef\u00fchrt werden k\u00f6nnen. Au\u00dferdem ist die automatisierte L\u00f6sung genauer als manuelle Inspektionen. Dadurch werden Ressourcen freigesetzt und die Produktivit\u00e4t weiter gesteigert.<\/p>\n

Gemeinsam auf dem Weg zu neuen Glasstandards<\/h3>\n

Es ist spannend zu sehen, wie die Branche technologische Innovationen wie KI effektiv einsetzt, um auf die Bed\u00fcrfnisse der Kunden zu reagieren.<\/p>\n

Mit Tools wie dem White Haze Scanner k\u00f6nnen wir alle zur Weiterentwicklung der Qualit\u00e4tsstandards beitragen.<\/p>\n

Und, was ebenso wichtig ist, wir haben die Chance, unser Gesch\u00e4ft durch intelligentere, fehlerlosere Abl\u00e4ufe zu verbessern.<\/p>\n