Gro\u00dfe Getr\u00e4nkehersteller betreiben Hochvolumentauchlinien mit umfangreichen Produktportfolios. Die Produktion von Softdrinks, Wasser und lizenzierten internationalen Marken erfordert die Verwaltung von Dutzenden von SKU-Varianten \u2013 einschlie\u00dflich inl\u00e4ndischer und exportorientierter Varianten desselben Produkts. Um die Produktion aufrechtzuerhalten, ben\u00f6tigen diese Hersteller ein Qualit\u00e4tskontrollsystem, das mit extrem hohen Produktionsraten Schritt halten kann, ohne Kompromisse einzugehen.<\/p>\n\n\n\n
\n\u201cWir hatten schon seit 15 Jahren versucht, dieses Problem zu l\u00f6sen, bevor Sie auftauchten.\u201d<\/p>\n\n\n\n
\u2014 Leiter der Produktion, globaler Getr\u00e4nkehersteller<\/cite><\/p>\n<\/blockquote>\n\n\n\nDie Herausforderung: Null Fehlergrenze bei extrem hohen Geschwindigkeiten<\/h2>\n\n\n\n
Hochgeschwindigkeits-F\u00fcllanlagen f\u00fcr Getr\u00e4nke lassen kaum Spielraum f\u00fcr Fehler. Dieser Hersteller hatte vier unterschiedliche Herausforderungen in Bezug auf die Qualit\u00e4tskontrolle zu bew\u00e4ltigen, die bestehende Vision-L\u00f6sungen aus dem Portfolio einfach nicht bew\u00e4ltigen konnten:<\/p>\n\n\n\n
\n- Die \u201cRogue Can\u201d-Bedrohung:<\/strong> Ein Fehlinhalt kann auftreten, wenn ein leerer Beh\u00e4lter eines Produkts in eine F\u00fclllinie eingebracht wird, die f\u00fcr ein anderes Produkt bestimmt ist (z. B. ein Soda-Becher, der mit Bier gef\u00fcllt ist, oder eine Exportvariante, die mit einer heimischen Rezeptur gef\u00fcllt ist). Da viele Artikelvarianten nahezu identische Geometrie und Druckdesigns aufweisen, war kein anderes Maschinenzielsystem in der Lage, dies in Liniengeschwindigkeit zu l\u00f6sen. Die Folgen eines Fehlinhaltes reichen von kostspieligen R\u00fcckrufaktionen f\u00fcr Produkte bis hin zu schwerwiegenden regulatorischen Verst\u00f6\u00dfen f\u00fcr den Verbraucher.<\/li>\n\n\n\n
- Verifizierung der Datumsmarkierung:<\/strong> Farbbilddrucke mit Datumsangaben auf stark reflektierenden, gekr\u00fcmmten Aluminiumoberfl\u00e4chen sind notorisch schwer lesbar. Der Kontrast ist gering, und die Druckqualit\u00e4t schwankt naturgem\u00e4\u00df. Auf Exportm\u00e4rkten kann ein falscher oder fehlender Datumscode eine ganze Charge unzul\u00e4ssig machen.<\/li>\n\n\n\n
- Verfallene Dosen:<\/strong> Bei einer Produktion von 2.500 Dosen pro Minute k\u00f6nnen einzelne gefallene Dosen zu St\u00f6rungen und Systemfehlern f\u00fchren. Bei der ersten Implementierung wurde festgestellt, dass fast 90 % der Probleme bei der Datumslabel-Druckung tats\u00e4chlich durch das Verschieben der Dosen hinunter in der Produktionslinie verursacht wurden. Alte Sensoren sind bei dieser extremen Geschwindigkeit nicht in der Lage, die Ausrichtung zuverl\u00e4ssig zu erkennen, was zu unordentlichen mechanischen St\u00f6rungen und Materialverschwendung f\u00fchrt.<\/li>\n\n\n\n
- Erkennung von Rissen und Kratzern:<\/strong> Oberfl\u00e4chensch\u00e4den beeintr\u00e4chtigen die Produktintegrit\u00e4t und schaden dem Markenimage. Die Erkennung von physikalischen Defekten an einer beweglichen Linie bei maximaler Produktionsgeschwindigkeit erfordert eine Bildqualit\u00e4t, die herk\u00f6mmliche regelbasierte Systeme nur schwer erreichen k\u00f6nnen.<\/li>\n<\/ul>\n\n\n\n
Die L\u00f6sung: Zero-Latency-Edge-Verarbeitung<\/h2>\n\n\n\n
Bei Verarbeitungsraten von \u00fcber 2.000 Einheiten pro Minute ist Cloud Computing keine Option. Das Senden von Bilddaten in die Cloud f\u00fchrt zu einer Latenzzeit; bis die KI auf Cloudbasis einen Defekt erkennt, ist der Beh\u00e4lter bereits einige zehn Meter vom Inspektionsort entfernt.<\/p>\n\n\n\n
MarshallAI l\u00f6ste dieses Problem, indem es ein kompaktes, lokalisiertes Edge-Computing-Vision-System einsetzte, das direkt in die bestehende F\u00fclllinie des Kunden integriert wurde. Das System ben\u00f6tigt nur etwa einen Quadratmeter an Line-Platz und verarbeitet visuelle Daten sofort auf der Fabriksebene.<\/p>\n\n\n\n
\n- Rogue kann abgefangen werden:<\/strong> Durch die Analyse der pr\u00e4zisen visuellen Merkmale jeder SKU \u2013 einschlie\u00dflich der geringen Unterschiede zwischen den inl\u00e4ndischen und Exportversionen \u2013 konnte MarshallAI nahezu identische Dosen erfolgreich unterscheiden und damit eine Herausforderung bew\u00e4ltigen, die die Getr\u00e4nkeindustrie in gro\u00dfem Ma\u00dfstab weitgehend als unm\u00f6glich hielt.<\/li>\n\n\n\n
- Datenverifizierung:<\/strong> MarshallAI trainierte ma\u00dfgeschneiderte Vision-Modelle speziell f\u00fcr die Bedingungen bei geringem Kontrast bei Tintenstrahldruck auf Aluminium und erzielte eine zuverl\u00e4ssige optische Zeichenerkennung (OCR), unabh\u00e4ngig von der Beleuchtung oder der Ausrichtung.<\/li>\n\n\n\n
- Fallen Can-Erkennung:<\/strong> Unser System erkennt die Ausrichtung jeder einzelnen Einheit sofort. Durch die Erkennung verfallener Dosen, bevor diese in den n\u00e4chsten Schritt gelangen, verhindert die KI aktiv Verstopfungen, kostspielige Ausf\u00e4lle und reduziert Abfallmengen.<\/li>\n\n\n\n
- Oberfl\u00e4chenpr\u00fcfung:<\/strong> Das System f\u00fchrt eine kontinuierliche 360-Grad-Oberfl\u00e4cheninspektion durch und erkennt dabei physikalische Defekte, die zuvor eine unsichere manuelle Probenahme erforderten.<\/li>\n<\/ul>\n\n\n\n
\n
\n
![\"\"](\"https:\/\/marshallai.com\/wp-content\/uploads\/2026\/04\/2026-04_MarshallAI_optical_character-recognition.webp\" "\\"2026-04_MarshallAI_optische_Zeichenerkennung\\"")
\n<\/div>\n\n\n\n
\n
![\"\"](\"https:\/\/marshallai.com\/wp-content\/uploads\/2026\/04\/2026-04_MarshallAI_optical_character-recognition2.webp\" "\\"2026-04_MarshallAI_optische_Zeichenerkennung2\\"")
\n<\/div>\n<\/div>\n\n\n\n
Die greifbaren Ergebnisse<\/h2>\n\n\n\n
Die Implementierung hat gezeigt, dass fortgeschrittenes Deep Learning auch in den anspruchsvollsten Produktionsumgebungen mit hoher Durchsatzleistung problemlos eingesetzt werden kann.<\/p>\n\n\n\n
\n- Verbesserter Produktionsdurchlaufzeit:<\/strong> Die hochpr\u00e4zise Fehlererkennung hat nahezu alle falschen positiven Ergebnisse eliminiert. Durch die Bereitstellung von genauen, Echtzeitdaten zu kritischen Ausf\u00e4llen vermeidet das Werk unn\u00f6tige Produktionsausf\u00e4lle und maximiert die t\u00e4gliche Ausbeute.<\/li>\n\n\n\n
- Gesamtverbraucherschutz:<\/strong> Fehlerhafte Packungen werden aufgegriffen, um sicherzustellen, dass ein nicht passendes Produkt verkauft wird nie<\/em> Ende an den H\u00e4nden eines Verbrauchers.<\/li>\n\n\n\n
- Beispiellose Geschwindigkeit und Pr\u00e4zision:<\/strong> Das System \u00fcberpr\u00fcft jede einzelne Dose einzeln 2.000 bis 2.500 Einheiten pro Minute<\/strong>. Bei allen vier simultanen Inspektionsaufgaben erreicht die Fehlererkennungsgenauigkeit eine Genauigkeit von 99,99 %.<\/li>\n\n\n\n
- Nahtloser Betriebsablauf:<\/strong> Die gesamte SKU-Palette wird durch ein einziges System verwaltet. Es sind keine Linienverz\u00f6gerungen oder manuelle Kalibrierungen erforderlich bei Produktwechseln.<\/li>\n<\/ul>","protected":false},"excerpt":{"rendered":"
Ein globaler Getr\u00e4nkehersteller hat 15 Jahre lang versucht, \u201cverr\u00fcckte Dosen\u201d auf seinen Hochgeschwindigkeits-F\u00fcllanlagen zuverl\u00e4ssig zu erkennen. Entdecken Sie, wie MarshallAI ein Edge-Vision-System mit minimaler Latenz einsetzte, um 2.500 Dosen pro Minute zu inspizieren und so unzureichende Produkte sowie kostspielige mechanische St\u00f6rungen mit nahezu perfekter Pr\u00e4zision zu verhindern.<\/p>","protected":false},"featured_media":4025,"template":"","meta":{"content-type":"","footnotes":""},"categories":[58,46],"tags":[59,76,49,60,37,62,48,61],"class_list":["post-2282","case-study","type-case-study","status-publish","has-post-thumbnail","hentry","category-beverage-industry","category-quality-assurance","tag-beverage-industry","tag-case-study","tag-defect-detection","tag-drinks-industry","tag-edge-computing","tag-label-verification","tag-quality-assurance","tag-rogue-can"],"_links":{"self":[{"href":"https:\/\/marshallai.com\/de\/wp-json\/wp\/v2\/case-study\/2282","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/marshallai.com\/de\/wp-json\/wp\/v2\/case-study"}],"about":[{"href":"https:\/\/marshallai.com\/de\/wp-json\/wp\/v2\/types\/case-study"}],"version-history":[{"count":15,"href":"https:\/\/marshallai.com\/de\/wp-json\/wp\/v2\/case-study\/2282\/revisions"}],"predecessor-version":[{"id":3560,"href":"https:\/\/marshallai.com\/de\/wp-json\/wp\/v2\/case-study\/2282\/revisions\/3560"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/marshallai.com\/de\/wp-json\/wp\/v2\/media\/4025"}],"wp:attachment":[{"href":"https:\/\/marshallai.com\/de\/wp-json\/wp\/v2\/media?parent=2282"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/marshallai.com\/de\/wp-json\/wp\/v2\/categories?post=2282"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/marshallai.com\/de\/wp-json\/wp\/v2\/tags?post=2282"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}