HYPERNOVA

Jedes lose Lebensmittelprodukt - jeder kritische Defekt.

Wir verschieben die Grenzen des Machbaren und setzen neue Standards in der Detektion und Selektion von Fremdkörpern und Lebensmittelfehlern. Durch den Einsatz der Deep Neuronal Network Technologie in Kombination mit der bewährten Chemical Imaging Technologie (CIT® Gen3) erkennt, verarbeitet und optimiert SHERLOCK HYPERNOVA die Daten aus dem Sortierprozess mit höchster Zuverlässigkeit. Die Kombination dieser bahnbrechenden Technologien schafft unendliche Möglichkeiten in einem noch nie dagewesenen Umfang.

ALLES NEUE BEGINNT MIT EINEM GROSSEN KNALL.

Dank der neuesten Generation der Chemical Imaging Technology (CIT® Gen3) in Kombination mit hochauflösenden Farbkameras können sowohl kleinste Fremdkörper als auch Produktfehler mit bisher unerreichter Genauigkeit aussortiert werden. Und das bei maximaler Schonung der Produkt- und Energieressourcen.

Der neue Sherlock HYPERNOVA wurde speziell für die Sortierung von kleinen Lebensmitteln entwickelt. Der modulare Aufbau ermöglicht eine produktspezifische Konfiguration, Inline-Positionierung und die Anpassung an individuelle Anforderungen.

Künstliche Intelligenz in Echtzeit angewendet

Zum ersten Mal wird künstliche Intelligenz in der vielseitigsten Form von Deep Neuronal Networks in Echtzeit zur Analyse der gesammelten Bilddaten eingesetzt. So entstehen Algorithmen, die es ermöglichen, selbst kleinste sichtbare Produktfehler sowie für das menschliche Auge unsichtbare Defekte schnell genug zu erkennen, um sie aus Hochgeschwindigkeits-Produktströmen auszuschleusen.

Diese neue, bahnbrechende Technologie eröffnet unvorstellbare Anwendungen und Leistungsniveaus für Lebensmittelverarbeiter.

InlineFOODLab 4.0

InlineFOODLAB 4.0 ermöglicht es Verarbeitern, quantitative chemische Daten des Produkts und die zuverlässigsten Echtzeit-Inline-Qualitätsdaten zu erhalten, die in der Branche verfügbar sind. Trockensubstanzwerte in Kartoffelprodukten, Ranzigkeit in Nüssen, Amygdalin in Mandeln, Ölgehalt in Kürbiskernen, Feuchtigkeitsgehalt in Trockenfrüchten, Schalenanzahl in Nüssen oder Brixgehalt in Früchten sind nur einige Beispiele. Sie können kombiniert mit Farb- und Formmerkmalen sowie mit Größenwerten der Objekte geliefert werden. Zusätzlich kann jegliches Fremdmaterial mit einem Bild erfasst und an Ihre Datenbank geliefert werden, sofern dies für den jeweiligen Zweck erforderlich ist. Auf diese Weise haben Qualitätsmanager bessere Werkzeuge zur Hand, um sowohl die eingehenden Rohstoffe als auch die ausgehenden Endprodukte zu kontrollieren, um Nacharbeiten und Reklamationen zu reduzieren oder Produktrückrufe besser als je zuvor zu verhindern.