Clear
Blue
Green
White
Red
High accuracy
Consistent results with minimal false calls
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
Visible-light analysis identifies material by color, contour, gloss, and surface variation.High-speed inspection supports recipe-based classification and precisely timed rejection.
Live material stream
RunningThroughput 3,842 pcs/min
ID 04217Class: RedConf: 99.2%
Analysis dashboard
Color segmentation
Clear
Blue
Green
White
Red
RGB distribution
Channel values
R212
G46
B48
Contour and shape
- Area
- 24.7 mm²
- Perimeter
- 21.3 mm
- Circularity
- 0.68
- Aspect ratio
- 1.23
ClassificationRed
Confidence99.2%
✓ Accept for red streamSpectral signature
Color space (CIE LAB)
- L*
- 52.6
- a*
- 68.3
- b*
- 43.1
Maximum uptime
Stable performance in demanding environments
Adaptive recipes
Programs tuned to real material samples
Traceable and repeatable
Data-rich insight for quality control
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.
- 03Mantener afirmaciones prácticas
el texto público se mantiene mesurado hasta que se revise evidencia específica del producto; el modelo asiste al operador en lugar de reemplazar el juicio.
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.
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.