Mit KI-gestützter Fehlererkennung erweitert Raute seine Analyser um die Möglichkeit, Rohmaterial in Produktionsumgebungen besser auszunutzen. Frühere und gleichmäßigere Entscheidungen zur Qualität soll der Ansatz ebenso erleichtern wie verbesserte Ausbeute, reduzierten Ausschuss und optimierten Energieeinsatz. Denn in der furnierbasierten Holzwerkstoffproduktion beeinflusst die Fehlererkennung die Rohstoffausnutzung direkt, etwa in Sortier-, Kapp-, Fräs- und Reparaturentscheidungen. Ungenaue oder ungleichmäßige Fehlererkennung führt hier zu unnötigem Verschnitt, geringerer Ausbeute und ineffizientem Energieeinsatz.
Industrielle Bildverarbeitung trifft Deep Learning
Die Raute-Analyser liefern Echtzeit-Qualitätsdaten zur Messung und Klassifizierung von Furnieren und Platten. Indem der Ansatz visuelle Fehlererkennung mit weiteren Messgrößen vereint, schafft er eine Grundlage für datengesteuerte Produktion. Die KI-gestützte Fehlererkennung soll das stärken. Industrielle Bildverarbeitung spielt hier mit Deep-Learning-Modellen eigens für die Herstellung von furnierbasierten Holzwerkstoffen zusammen. So können Raute-Analyser Holzfehler besser erkennen – unabhängig von Holzart, Oberflächenbeschaffenheit und Produktionsbedingungen. Die Systeme erstellen sogenannte Fehlerkarten für die Furniere und erleichtern so reproduzierbare Entscheidungen.
Gleichmäßige Erkennung für Ausbeute und Effizienz
Mit der Anwendung richtet sich Raute an Hersteller, die mit verschiedenen Rohmaterialien arbeiten. „Je variabler die Rohstoffe, desto teurer werden Fehler am Beginn des Prozesses“, sagt Markus Sirviö, Mitglied der Raute-Geschäftsführung. „Gleichmäßige Erkennung verbessert Ausbeute und Effizienz.“ Raute-Analyser eignen sich für mehrere Fertigungsstufen, sowohl mit nassen als auch mit trockenen Furnieren. Ebenso möglich ist ein Einsatz in Reparaturprozessen. In allen Fällen kann eine rechtzeitige Fehlererkennung verhindern, dass minderwertiges Material in energieintensive Prozesse gelangt.
