Transparente
Azul
Verde
Blanco
Rojo
Alta precisión
Resultados consistentes con mínimas falsas detecciones
Tecnologías
Tecnologías de clasificación explicadas como parte de un sistema de producción.
Cada clasificadora Mayson se configura desde las capas de inspección que su material realmente necesita — imagen de luz visible, reconocimiento asistido por AI, inspección multi-vista, control de iluminación y eyección, y reconocimiento de material por infrarrojo cercano (NIR). No cada máquina usa todas: la combinación correcta se selecciona para la corriente, las clases de rechazo y la línea en la que opera. Cada sección a continuación expone lo que la tecnología puede ver, dónde encaja y cómo se confirma el resultado con su propio material.
Cómo trabajan juntas
Iluminación, imagen, reconocimiento y eyección se planifican como una ruta de clasificación.
Cada página de tecnología explica qué hace la capa de inspección, dónde encaja y cómo se conecta con los productos y materiales que soporta.
- 01AlimentarEl material se dosifica en un flujo uniforme y estable.
- 02PresentarCanal o banda presenta partículas a la vista.
- 03IluminarIluminación ajustada hace visibles los defectos objetivo.
- 04CapturarCámaras imagen cada partícula en posición.
- 05ReconocerReceta y lógica AI clasifican aceptado vs rechazo.
- 06EyectarPulsos de aire cronometrados eliminan la corriente de rechazo.
Tecnología óptica
Inspección de luz visible
El análisis de luz visible clasifica las partículas por color, transparencia, contorno, brillo, textura superficial y defectos visibles.Por sí solo no confirma la identidad del polímero — las decisiones de material usan reconocimiento NIR o multiespectral. La inspección de alta velocidad permite la clasificación basada en recetas y el rechazo sincronizado con precisión.
Corriente de material en vivo
En ejecuciónRendimiento 3,842 pzas/min
ID 04217Clase: RojoConf: 99.2%
Panel de análisis
Segmentación de color
Transparente
Azul
Verde
Blanco
Rojo
Distribución RGB
Valores de canal
R212
G46
B48
Contorno y forma
- Área
- 24.7 mm²
- Perímetro
- 21.3 mm
- Circularidad
- 0.68
- Relación de aspecto
- 1.23
ClasificaciónRojo
Confianza99.2%
✓ Aceptar para corriente rojaFirma espectral
Espacio de color (CIE LAB)
- L*
- 52.6
- a*
- 68.3
- b*
- 43.1
Máximo tiempo de actividad
Rendimiento estable en entornos exigentes
Recetas adaptables
Programas ajustados a muestras de material reales
Trazable y repetible
Información rica en datos para el control de calidad
Reconocimiento inteligente
Reconocimiento asistido por AI
Modelos vinculados a recetas trabajan junto a reglas de clasificación convencionales para reconocer clases de defecto sutiles, variables o difíciles de parametrizar con mayor precisión.
Cómo funciona
- 01Definir desde datos reales
su equipo construye categorías de defecto desde imágenes de muestra reales y experiencia de producción, no presets genéricos.
- 02Configurar lógica de reconocimiento
las reglas de reconocimiento y la lógica asistida por modelo se ajustan alrededor del material objetivo y sus clases de rechazo, para que cada decisión sea explicable.
- 03Validar antes de escalar
la precisión del reconocimiento se confirma con muestras representativas antes de que dirija las decisiones de producción, y el modelo asiste al operador en lugar de reemplazar el juicio humano.
Qué identifica
Defectos visuales complejosClases de apariencia mixtaGrupos de rechazo específicos de producto
Materiales adecuados
Alcance de aplicación
- Los ejemplos de entrenamiento y la variación de muestra deben revisarse antes de publicar cualquier afirmación específica de aplicación.
- El lenguaje AI no debe implicar decisiones de calidad autónomas sin validación del operador.
- Una prueba de material debe confirmar si las categorías de defecto son lo suficientemente estables para producción.
Arquitectura de inspección
Inspección multi-vista
Múltiples puntos de vista sincronizados revelan superficies, bordes y defectos dependientes de la orientación que un solo ángulo de cámara puede pasar por alto — construyendo una comprensión más completa de cada producto.
Cómo funciona
- 01Configurar puntos de vista
las cámaras se posicionan alrededor del producto para que cada ángulo exponga una superficie visible diferente, ajustada a su geometría y flujo.
- 02Correlacionar observaciones
las vistas se combinan en un mapa de visibilidad de superficie para que las señales de defecto se verifiquen entre ángulos, no se juzguen desde uno solo.
- 03Confirmar superficies críticas
una pieza solo se clasifica una vez que las superficies que importan son visibles y se cumple el umbral de confianza.
Qué identifica
Defectos visibles específicos de lateralGrietas finas, astillas y defectos de costura en bordesMarcas de superficie expuestas solo por orientación
Materiales adecuados
Alcance de aplicación
- Es un patrón de configuración, no una afirmación universal para cada familia de producto.
- El flujo estable de material y el espaciado y rotación consistentes de partículas deben probarse.
- Las métricas de rendimiento requieren registros de prueba verificados para el producto específico.
Capa de control
Control de iluminación y eyección
La capa de control práctica que sincroniza visibilidad de inspección, cronometría de decisión y activación de rechazo para una clasificación consistente y precisa.
Cómo funciona
- 01Ver claramente
la iluminación de precisión revela defectos objetivo y reduce la ambigüedad visual entre diferentes materiales.
- 02Cronometrar con precisión
detección, posición de partícula y activación se sincronizan al milisegundo para que el pulso correcto encuentre la partícula correcta.
- 03Eyectar con precisión
la activación por aire comprimido se ajusta para extraer limpiamente la corriente de rechazo sin perturbar el producto aceptado.
Qué identifica
Ventanas de cronometría de recetaCronometría de activación de rechazoDefectos visibles sensibles a la iluminación
Materiales adecuados
Alcance de aplicación
- Los detalles de hardware deben coincidir con la configuración real del producto.
- El aire comprimido, la velocidad del producto y la dispersión del material afectan el comportamiento final de rechazo.
- Las recetas deben documentarse por prueba de material, no copiarse entre corrientes no relacionadas, y las afirmaciones de precisión de rechazo necesitan datos de prueba aprobados.
Tecnología espectral
Tecnología de inspección NIR
El análisis de infrarrojo cercano (NIR) identifica el tipo de polímero midiendo la respuesta espectral a través de múltiples longitudes de onda — permitiendo clasificación de plásticos de alta velocidad y precisión.
Cómo funciona
- 01Reconocimiento de firma de polímero
cada polímero tiene una firma espectral distinta que se captura en el rango de infrarrojo cercano.
- 02Análisis multi-longitud de onda
el barrido espectral amplio separa plásticos que se ven idénticos al ojo humano o a una cámara de color.
- 03Clasificación en tiempo real
en milisegundos cada partícula se clasifica y enruta, para que la clasificación mantenga el ritmo de velocidad de producción.
Qué identifica
Tipo de polímero por firma espectral (PET, HDPE, PP, PE, PVC, PS, ABS, PC)Aditivos, recubrimientos y cargas que desplazan la señalConflictos de composición como humedad, envejecimiento o contaminación
Materiales adecuados
Alcance de aplicación
- NIR no puede identificar de forma fiable plásticos negros o negro de carbono, que absorben la señal.
- El mejor rendimiento es con plásticos de color claro y translúcido con superficies limpias y secas.
- La precisión depende de bibliotecas espectrales validadas, flujo estable y calibración periódica.
Comparación de tecnologías
Luz visible vs NIR vs AI: ¿cuál es la diferencia?
Cada capa responde una pregunta distinta sobre la misma partícula. La mayoría de las clasificadoras Mayson combinan dos o más capas, y la mezcla correcta se confirma con una prueba de material con muestras reales.
| Tecnología | Ve | No hace por sí sola | Uso típico |
|---|---|---|---|
| Inspección por luz visible | Color, transparencia, contorno, brillo, defectos superficiales — incluidas piezas negras | No confirma el tipo de polímero | MAS-C, clasificadora de vidrio, clasificadoras de alimentos, clases de apariencia MAS-B |
| Reconocimiento de material NIR | Respuesta espectral del polímero (PET vs PVC, PE, PP…) | No identifica de forma fiable plásticos negros; no sustituye la clasificación por color | MAS-P, MAS-PC |
| Reconocimiento de polímeros multiespectral | Diferencias espectrales de polímeros difíciles (PP vs PE, ABS, PC, PMMA…) | Sigue sin identificar de forma fiable materiales negros | MAS-P Pro (MAS 3D), MAS-PC Pro |
| Reconocimiento asistido por AI | Clases de apariencia complejas — forma de botella, etiquetas, marcas, deformación, anomalías | No es una garantía de calidad autónoma | MAS-B, objetivos de apariencia complejos en alimentos y agricultura |
| Inspección multi-vista | Defectos de superficie, borde y orientación desde varios ángulos | No es necesaria para todos los materiales | Nueces, frijoles, semillas, algunos materiales de apariencia compleja |
| Control de iluminación y eyección | Visibilidad, sincronización y rechazo por chorro de aire | No es una tecnología de reconocimiento por sí misma | Todos los sistemas de clasificación óptica y de canal |
Preguntas de compradores
Preguntas frecuentes sobre tecnologías de clasificación
¿Qué es la inspección por luz visible?
La inspección por luz visible usa cámaras de alta resolución e iluminación ajustada para clasificar partículas por color, transparencia, contorno, brillo, textura superficial y defectos visibles. Impulsa MAS-C, la clasificadora de vidrio, las clasificadoras de alimentos y las clases de apariencia de MAS-B. Por sí sola no confirma la identidad del polímero.
¿Qué es el reconocimiento de material NIR?
El reconocimiento NIR (infrarrojo cercano) lee la respuesta espectral del polímero de cada partícula para identificar el tipo de material — por ejemplo, separar PET de PVC, PE o PP sin importar el color. Impulsa MAS-P y MAS-PC. Su límite principal: los plásticos negros y con negro de carbono absorben la señal y no pueden identificarse de forma fiable.
¿Qué es el reconocimiento asistido por AI?
El reconocimiento asistido por AI es clasificación de apariencia por aprendizaje profundo entrenada con muestras reales. Maneja categorías complejas que las reglas fijas no pueden — formas de botella, etiquetas, marcas, deformación y anomalías — e impulsa MAS-B y objetivos complejos de alimentos y agricultura. Apoya decisiones validadas por el operador; no es una garantía de calidad autónoma.
¿Puede una clasificadora por color identificar el tipo de polímero?
No. La clasificación por color con luz visible clasifica lo que la cámara puede ver — color, transparencia y apariencia visible. Una escama con el color correcto puede seguir siendo el material equivocado. Confirmar la identidad del polímero requiere reconocimiento NIR (MAS-P) o multiespectral (MAS-P Pro), que leen la respuesta del material en lugar del color.
¿Puede el NIR clasificar plástico negro?
El NIR no puede identificar de forma fiable plásticos negros o con negro de carbono porque absorben la señal del infrarrojo cercano. Las piezas negras sí pueden eliminarse como clase de rechazo por color visible con una clasificadora como MAS-C — pero eliminar el negro no es lo mismo que identificar el material negro por tipo de polímero.
¿La AI sustituye la prueba de material?
No. Cada configuración Mayson se confirma con una prueba de material con muestras reales antes de fijar expectativas de rendimiento. El reconocimiento AI se entrena y valida por aplicación con su material real, así que la prueba es lo que demuestra si las categorías de defectos son lo bastante estables para producción.
Prueba de material
El ajuste de tecnología lo define el material, no el folleto.
Envíe una muestra representativa y le mostraremos qué ruta de inspección encaja mejor con el material, el objetivo de salida y la línea de producción.