ماشین شمارش بینایی هوش مصنوعی چگونه کار می کند: تعریف & اصل کار

برای مکمل های بهداشتی بطری ممتاز, هرگونه نقص قابل قبول نیست, زیرا می تواند به شدت به وجهه برند آسیب برساند. با توجه به این الزامات تولید, چگونه مدرن شمارنده های تبلت دستیابی دقیق شمارش قرص و رد عیب?

پاسخ در نهفته است دستگاه بسته بندی شمارش بینایی. شمارنده های سنتی به حسگرهای فوتوالکتریک متکی هستند, رد دقیق اقلام معیوب را دشوار می کند; اینجاست که سیستم بازرسی بینایی هوش مصنوعی ضروری می شود. با استفاده از دوربین های پرسرعت

و تشخیص سیستم, دستگاه های شمارش دوربین CCD دارویی می توانند به طور خودکار بطری های حاوی قرص های نامرغوب را شناسایی و رد کنند.. هر چند, شمارنده های مبتنی بر بینایی می توانند هر نوع نقصی را شناسایی و رد کنند? این مقاله به تشریح محدوده خاص رد عیب برای این ماشین‌ها می‌پردازد و اصول کارکرد آنها را توضیح می‌دهد..

نکات کلیدی

• جریان کار عملیاتی اصلی یک دستگاه بسته بندی شمارش بینایی.
• عیوب فیزیکی خاصی که یک سیستم بازرسی بینایی هوش مصنوعی می تواند به دقت تشخیص دهد و رد کند.
• تجزیه و تحلیل گام به گام نحوه آموزش مدل های بینایی ماشین هوش مصنوعی برای شمارش کپسول ها با استفاده از تصاویر واقعی محصول.
• محدودیت‌های بازرسی بصری خودکار و چرایی اهمیت نور و جهت‌گیری محصول.
• راهنمای همکاری با سازنده سیستم بازرسی بینایی با تجربه.

1. دستگاه بسته بندی شمارش چشم انداز چیست؟?

در هسته آن, دستگاه بسته بندی شمارش بینایی یک قطعه از تجهیزات پیشرفته است که سیستم های شمارش محصولات پرسرعت را با کنترل کیفیت در زمان واقعی ادغام می کند.. به جای اینکه فقط محصولات را در یک بطری بیاندازید, یک دستگاه شمارش بازرسی بصری هوش مصنوعی تک تک موارد را ارزیابی می کند.

منطق اصلی در هماهنگی جریان دارد:

تغذیه ← جداسازی ← ثبت تصویر ← طبقه بندی خوب/بد ← حاشیه نویسی ← شمارش ← بطری → رد خودکار نقص

دوربین به عنوان چشمی بدون پلک زدن عمل می کند, گرفتن تصاویر محصول با وضوح بالا در حین حرکت در امتداد خط. سیستم تشخیص نقص هوش مصنوعی ظاهر را در میلی ثانیه تجزیه و تحلیل می کند. محصولات واجد شرایط همچنان ادامه دارد, در حالی که محصولات معیوب فوراً از طریق مکانیزم پنوماتیک رد می شوند. در نهایت, فقط محصولات خوب شمارش شده و به بسته بندی منتقل می شوند.

این که آیا از a استفاده می کنید دستگاه شمارش قرص یا دستگاه شمارش کپسول, این فناوری کاملاً سازگار است. یک دستگاه شمارش بینایی هوش مصنوعی می تواند تبلت ها را بدون دردسر بازرسی کند, کپسول ها, و حتی لثه های چسبنده, اطمینان حاصل کنید که دستگاه شمارش و بسته بندی دارویی شما هر بار نتایج بی عیب و نقصی را ارائه می دهد.

2. یک ماشین شمارش بینایی هوش مصنوعی چه عیوبی را می تواند تشخیص دهد؟?

یک دستگاه بطری بازرسی بصری هوش مصنوعی عمدتاً برای عیوب ظاهری قابل مشاهده طراحی شده است. در تشخیص نقص تبلت, تشخیص نقص کپسول, و تشخیص عیب لثه ای, هدف جایگزینی کل سیستم کیفیت آزمایشگاهی نیست, اما برای پیدا کردن مشکلات قابل مشاهده قبل از بسته بندی.

تفاوت رنگ

رنگ یکی از اولین چیزهایی است که مشتریان متوجه آن می شوند. یک قرص سفید که در دسته‌ای از قرص‌های آبی مخلوط شده است، به نظر می‌رسد که یک فانوس دریایی کوچک چشمک می‌زند: «چیزی اشتباه است».

یک سیستم بازرسی هوش مصنوعی می تواند تشخیص دهد:

• رنگ اشتباه
• رنگ غیر طبیعی
• تنوع رنگ
• محصولات با رنگ مخلوط
• ظاهر پوشش ناهموار

این به ویژه در بازرسی رنگ تبلت مفید است, بازرسی نقص کپسول, و خطوط دستگاه شمارش قرص ویتامین که در آن SKUهای مختلف ممکن است شبیه به هم باشند اما نباید مخلوط شوند.

تفاوت های شکل

نقص های شکل در شمارش با سرعت بالا رایج است, پوشش, خشک کردن, حمل و نقل, یا تغذیه.

یک سیستم بازرسی تبلت یا سیستم بازرسی کپسول می تواند شناسایی کند:

• شکل غیر طبیعی
• قرص های تغییر شکل یافته
• کپسول های نامنظم
• لثه های بد شکل
• کپسول هایی که به وضوح تغییر شکل داده اند

به عنوان مثال, یک صمغ ممکن است در طول پردازش بالادست کشیده یا تغییر شکل دهد. در ماشین شمارش مکمل های معمولی, ممکن است هنوز شمارش شود. در یک سیستم تشخیص نقص هوش مصنوعی, می توان آن را به عنوان بد طبقه بندی کرد و پس از پر کردن بطری حذف کرد.

تفاوت اندازه

اندازه یکی دیگر از عوامل مهم بازرسی است. محصولات بزرگ یا کم اندازه ممکن است نشان دهنده بی ثباتی فرآیند باشند, شکستگی, یا ترکیب محصول.

یک سیستم بینایی صنعتی می تواند تشخیص دهد:

• محصولات بزرگ
• محصولات کم حجم
• ابعاد غیر عادی
• قطر یا طول قرص نادرست است

نامنظمی در اندازه کپسول

برای ماشین بینایی دارویی, بازرسی اندازه به تقویت قوام دسته کمک می کند. همچنین از عملکرد دستگاه شمارش تبلت با سرعت بالا پشتیبانی می کند, زیرا بازرسی و شمارش می تواند در یک فرآیند مداوم اتفاق بیفتد.

خراش های سطحی

آسیب سطحی ممکن است همیشه روی دوز تأثیر نگذارد, اما می تواند بر اعتماد مشتری تأثیر بگذارد. یک قرص روکش دار خراشیده ضعیف به نظر می رسد, به ویژه در بازارهای مکمل و مواد غذایی ممتاز.

سیستم می تواند تشخیص دهد:

• خراش
• آسیب سطحی قابل مشاهده
• علائم غیر طبیعی
• آسیب پوشش
• لکه های سطحی

همانطور که یکی از مدیران QA دارویی اشاره می کند, برای محصولات با دوز جامد, کیفیت بصری بخشی از اعتماد به محصول است. یک قرص ممکن است از نظر شیمیایی صحیح باشد, اما اگر آسیب دیده به نظر برسد, ممکن است مشتریان همچنان آن را رد کنند.» به عبارت دیگر, کیفیت بصری قبل از اینکه برچسب صحبت کند صحبت می کند.

محصولات شکسته و ناقص

محصولات شکسته از جمله مهم ترین اهداف برای تشخیص نقص تبلت و رد خودکار نقص هستند.

دستگاه شمارش بینایی هوش مصنوعی می تواند شناسایی کند:

• قرص های شکسته
• قرص های خرد شده
• قرص های ناقص
• لثه های آسیب دیده
• کپسول های قابل مشاهده ترک خورده
• کپسول هایی که به وضوح تغییر شکل داده اند

این جایی است که تشخیص تبلت خراب است, تشخیص تراشه تبلت, تشخیص ناقص تبلت, و تشخیص تبلت آسیب دیده بسیار کاربردی است. تجهیزات پیشخوان تبلت سنتی ممکن است نیم تبلت را به عنوان یک محصول در نظر بگیرند، اگر شکل هنوز از سنسور عبور کند. اما با بازرسی نقص هوش مصنوعی, دستگاه می تواند به صورت بصری تشخیص دهد که محصول کامل نیست.

3. هوش مصنوعی چگونه محصولات خوب و بد را شناسایی می کند؟?

این بخشی است که یک دستگاه بسته بندی شمارش بینایی هوش مصنوعی را از یک سیستم شمارنده تبلت معمولی یا شمارنده قرص الکترونیکی متفاوت می کند.. مدل هوش مصنوعی به طور جادویی "هوشمند متولد شده" نیست. از تصاویر واقعی محصول خوب و بد درس می گیرد, بسیار شبیه یک بازرس جدید که از تابلوهای نمونه یاد می گیرد - اما سریعتر, قابل تکرار تر, و بدون نیاز به استراحت قهوه.

مرحله 1: عکس های خوب و بد بگیرید

فرآیند آموزش از رابط ماشین شروع می شود.

روی HMI, اپراتور وارد می شود:

Graph Take → Start V And S Images

این سیستم تصاویری از محصولات واقعی می گیرد. سپس این تصاویر به دو برچسب تقسیم می شوند:

خوب = محصولات واجد شرایط

بد = محصولات معیوب

پس از ثبت تصویر, اپراتور Open Images را انتخاب می کند, و سیستم پوشه های جداگانه تولید می کند:

پوشه خوب

پوشه بد

برای بازرسی بصری تبلت, بازرسی بصری کپسول, یا بازرسی بصری لثه, این مرحله بسیار مهم است زیرا کیفیت آموزش هوش مصنوعی به شدت به کیفیت و تنوع تصاویر نمونه بستگی دارد.

یک متخصص بینایی در کارخانه ما, هنری لی, توضیح می دهد, «مدل از شعار درس نمی گیرد. از تصاویر یاد می گیرد. اگر مجموعه داده آموزشی نشان دهنده تنوع تولید واقعی نباشد, نتیجه بازرسی پایدار نخواهد بود.» به همین دلیل است که نمونه های واقعی بیشتر از بروشورهای زیبا اهمیت دارند.

مرحله 2: حاشیه نویسی خودکار

حاشیه نویسی به معنای برچسب گذاری تصاویر است تا سیستم بازرسی بصری بداند به چه چیزی نگاه می کند.

گردش کار است:

باز کردن پوشه خوب/بد → حاشیه نویسی Q → حاشیه نویسی خودکار را انتخاب کنید

به عنوان مثال:

1. پوشه بد را باز کنید
2. Bad Annotation را انتخاب کنید
3. سیستم به طور خودکار تصاویر را به عنوان Bad برچسب گذاری می کند

حاشیه نویسی خودکار به ویژه هنگام تهیه یک مجموعه داده بزرگ برای بازرسی نقص رایانه لوحی مفید است, بازرسی شکل کپسول, تشخیص خراش تبلت, یا تشخیص عیب لثه ای. به جای برچسب گذاری دستی هر تصویر یک به یک, سیستم می تواند بسیاری از تصاویر را به سرعت پردازش کند.

این کارایی را هنگام تنظیم یک مدل بینایی ماشین هوش مصنوعی برای خطوط ماشین شمارش دسته ای بهبود می بخشد, خطوط ماشین شمارش مواد غذایی, یا خطوط دستگاه بسته بندی مکمل های غذایی.

مرحله 3: حاشیه نویسی دستی

حاشیه نویسی خودکار باعث صرفه جویی در زمان می شود, اما اصلاح دستی هنوز مهم است, زیرا سیستم هنوز نمی‌داند "بدها چه هستند".

در اینجا یک نمونه واقعی به سبک تولید آورده شده است: یک تصویر گرفته شده حاوی پنج تبلت است. چهار قرص معیوب است, اما یک تبلت خوب است. در حین حاشیه نویسی خودکار, سیستم ممکن است هر پنج تبلت موجود در تصویر را به عنوان Bad برچسب گذاری کند زیرا تصویر از پوشه Bad باز شده است.

سپس اپراتور نیاز دارد:

تصویر را باز کنید ← تبلت با برچسب نادرست ← علامت گذاری دستی خوب یا بد را انتخاب کنید

این مرحله داده های آموزشی را تصحیح می کند. مدل بازرسی هوش مصنوعی را نشان می دهد, "این یکی در واقع واجد شرایط است. چنین محصولاتی را رد نکنید.»

حاشیه نویسی دستی دقت و سازگاری مجموعه داده آموزشی را بهبود می بخشد. برای پروژه های ماشین شمارش بازرسی بصری دارویی, این مهم است زیرا خطاهای برچسب کوچک می توانند به خطاهای رد مکرر در حین کار با سرعت بالا تبدیل شوند.

مرحله 4: ادغام فایل ها

پس از تهیه و اصلاح تصاویر خوب و بد, پوشه ها ادغام می شوند.

گردش کار است:

پوشه خوب + پوشه بد → ادغام فایل ها

این سیستم یک مجموعه داده آموزشی یکپارچه ایجاد می کند. این مجموعه داده پایه و اساس مدل نهایی هوش مصنوعی می شود.

به نوعی, این مجموعه داده مانند کتاب دستور العمل برای دستگاه است. اگر دستور غذا روشن است, هوش مصنوعی می تواند تصمیمات بهتری بگیرد. اگر دستور غذا آشفته است, حتی هوشمندترین سیستم ممکن است ظرف اشتباهی را سرو کند.

مرحله 5: مدل قطار

پس از آماده سازی مجموعه داده ها, اپراتور آموزش مدل را شروع می کند:

وارد کردن مجموعه داده → مکان خروجی → قطار مدل را انتخاب کنید

زیرا این دستگاه شامل یک سیستم یادگیری هوش مصنوعی داخلی است, سازنده نیازی به توسعه مجدد یک پلتفرم نرم افزاری کامل هوش مصنوعی از ابتدا ندارد. اپراتور مجموعه داده را وارد می کند, محل خروجی را انتخاب می کند, و شروع به تمرین می کند.

بعد از آموزش, این سیستم یک مدل بازرسی هوش مصنوعی تولید می کند. این مدل سپس در طول تولید واقعی برای طبقه بندی محصولات به عنوان خوب یا بد استفاده می شود.

برای تولید کننده دارو و مکمل, این یک مزیت عملی است. این که آیا خط یک ماشین شمارش دارویی است, پیشخوان قرص مکمل, دستگاه شمارش لثه, یا دستگاه شمارش دسته ای مواد غذایی, مدل بازرسی را می توان در مورد نمونه های واقعی محصول و استانداردهای نقص واقعی آموزش داد.

4. چگونه سیستم AI Vision محصولات معیوب را رد می کند؟?

در حین تولید زنده, سیستم بازرسی بینایی هوش مصنوعی با سرعت رعد و برق عمل می کند. گردش کار ساده است:

1. تغذیه محصول
2. تصویربرداری دوربین
3. بازرسی نقص هوش مصنوعی
4. تصمیم خوب/بد
5. سیگنال رد
6. رد محصول معیوب

بیایید به یک مثال نگاه کنیم. یک تبلت خراشیده وارد محوطه بازرسی می شود. دوربین تصویر را می گیرد, هوش مصنوعی خراش را در میلی ثانیه شناسایی می کند, سیستم آن را به عنوان بد طبقه بندی می کند, و مکانیسم رد پنوماتیک فورا آن را از خط خارج می کند.

دستگاه به سادگی محصولات را شمارش نمی کند. هنگام بررسی ظاهر محصول به حساب می آید. این قابلیت عملکرد دوگانه، دستگاه شمارش و بسته بندی را به یک دارایی ارزشمند برای خطوط تولید مدرن تبدیل می کند..

5. چه می تواند داروسازی بازرسی چشم انداز هوش مصنوعی دستگاه شمارش تشخیص داده نمی شود?

در حالی که یک دستگاه شمارش و بطری سازی هوش مصنوعی فوق العاده قدرتمند است, قادر مطلق نیست. یک سازنده سیستم بازرسی بینایی حرفه ای همیشه در مورد محدودیت های ماشین شفاف خواهد بود. بازرسی بصری دارو در درجه اول بر نقص های قابل مشاهده مانند بازرسی اندازه قرص و بازرسی سطح قرص تمرکز می کند.. وقتی صحبت از عیوب نامرئی می شود, نمی تواند به طور قابل اعتماد تعیین کند:

• محتوای مواد فعال
• ترکیب شیمیایی
• دقت دوز
• آلودگی میکروبی
• میزان رطوبت
• ترک های داخلی که دیده نمی شوند
• تراکم داخلی
• عیوب پنهان

علاوه بر این, عوامل محیطی و فیزیکی می توانند سیستم را به چالش بکشند:

همپوشانی محصول: روی هم قرار گرفتن چندین قرص می تواند نقص های واقعی را پنهان کند. بستگی به میزان همپوشانی دارد. اگر دو قرص کاملاً همپوشانی داشته باشند, شناسایی آنها دشوار است.

جهت گیری ضعیف محصول: اگر نقص در قسمت زیرین باشد, خارج از دید دوربین, ممکن است از دست رفته باشد.

نمونه های آموزشی ناکافی: اگر نوع نقص خاصی در داده های آموزشی وجود نداشت, ممکن است هوش مصنوعی آن را تشخیص ندهد.

فناوری بازرسی	بهترین برای	محدودیت‌ها
دوربین های اسکن ناحیه ای	بررسی شکل تبلت, لثه ها, قرص های مات	با پوشش های بسیار بازتابنده مبارزه می کند
دوربین های اسکن خطی	شبکه های پیوسته با سرعت بالا, کپسول های استوانه ای	به تراز دقیق محصول نیاز دارد

بازرسی بینایی هوش مصنوعی باید حول محصول واقعی طراحی شود, نوع نقص, شرایط روشنایی, و الزامات بازرسی.

6. یک سازنده سیستم بازرسی چشم انداز با تجربه را انتخاب کنید: چرا اهمیت دارد

انتخاب دستگاه شمارش و بسته بندی دارویی مناسب بسیار فراتر از مقایسه برگه های مشخصات است. همکاری با یک سازنده سیستم بازرسی بینایی با تجربه برای یکپارچه سازی یکپارچه بسیار مهم است. اینجاست که چرا تخصص آنها اهمیت دارد:

آموزش هوش مصنوعی محصول خاص: تبلت های مختلف, کپسول ها, و لثه ها به داده های آموزشی بسیار متفاوتی نیاز دارند. یک سازنده متخصص می داند که چگونه این را بهینه کند.

پیکربندی دوربین و نور: سیستم بینایی ماشین باید بر اساس رنگ محصول تنظیم شود, شکل, سطح, اندازه, و بازتاب.

یکپارچه سازی سیستم رد: شناسایی یک نقص تنها نیمی از کار است. سیستم تشخیص نقص هوش مصنوعی باید کاملاً با مکانیسم رد همگام شود, سیستم شمارش, نوار نقاله, و دستگاه بسته بندی.

تست واقعی محصول: یک تولید کننده معتبر فقط یک بروشور به شما نمی فروشد. آنها نمونه خوب و نمونه بد شما را می گیرند, آموزش هوش مصنوعی را انجام دهید, تست بازرسی را اجرا کنید, و تأیید رد را ارائه دهید.

مارکوس ونس, مدیر نوآوری های بسته بندی, ایالت ها, “ادغام هوش مصنوعی در فرآیند شمارش مبتنی بر بینش فقط یک ارتقا نیست; این یک تغییر پارادایم است. اما تنها در صورتی کار می کند که سازنده شما چالش های نوری منحصر به فرد فرمولاسیون خاص شما را درک کند.” این موضوع باعث می‌شود که چرا انتخاب یک فروشنده تخصصی غیرقابل مذاکره است.

بسته بندی رویدا: سیستم بازرسی چشم انداز چینی پایونیر

Ruida Packing بر تحقیق و توسعه ماشین آلات تولید دارو و مواد غذایی تمرکز دارد.. همکاری نزدیک با فورچون 500 شرکت های دارویی مانند US Pharma, UCB, و گروه آتلانتیک کواتین, ماشین های آنها به شدت با CE مطابقت دارند, cGMP, و استانداردهای بین المللی ISO.

در سالهای اخیر, ما یک سری جدید از دستگاه های بسته بندی شمارش بینایی را راه اندازی کرده ایم که به سرعت تا حداکثر می رسد 100 بطری در دقیقه, ارائه شمارش دقیق و طیف گسترده ای از رد. همکاری با ضمانت نامه رویدا:

• 1 سال گارانتی برای کل دستگاه با یک سال تعویض قطعات رایگان.
• خدمات جامع راه اندازی از راه دور و در محل.
• استفاده از اجزای برند معروف بین المللی, اطمینان حاصل شود که قطعات پس از فروش می توانند به صورت محلی تهیه شوند.

7. نتیجه‌گیری

برای تولید دارویی و مکمل های مدرن, هدف دیگر فقط شمارش سریع تبلت نیست. ارزش واقعی واضح تر است: مقدار مناسب را بشمار. هر محصول را بررسی کنید. عیوب از پیش تعریف شده را قبل از بسته بندی رد کنید. دستگاه بسته‌بندی شمارش بینایی هوش مصنوعی به تولیدکنندگان کمک می‌کند تا دقت شمارش را با کنترل نقص قابل مشاهده ترکیب کنند.. و انتخاب سازنده سیستم بازرسی بینایی داروسازی مناسب آن سیستم را کاربردی می کند, پایدار, و آماده تولید واقعی است.

8. سوالات متداول

q1: دستگاه بسته بندی شمارش بینایی هوش مصنوعی چیست؟?

این یک دستگاه شمارش و بسته بندی خودکار پیشرفته است که شمارش محصولات با سرعت بالا را با بازرسی بصری هوش مصنوعی ترکیب می کند.. این به طور خودکار محصولات معیوب را قبل از شمارش و بسته بندی آنها شناسایی و رد می کند.

Q2: دستگاه شمارش بینایی هوش مصنوعی چه عیوبی را می تواند تشخیص دهد؟?

می تواند طیف وسیعی از عیوب قابل مشاهده را شناسایی کند, از جمله تنوع رنگ, اشکال غیر طبیعی, اندازه های نادرست, خراش های سطحی, و محصولات شکسته یا ناقص.

q3: آیا دستگاه می تواند تبلت ها را بازرسی کند, کپسول ها و آدامس ها?

بله, مطلقا! مدل بازرسی هوش مصنوعی را می توان برای شناسایی و بازرسی انواع مختلف محصول آموزش داد, آن را برای تبلت ها بسیار متنوع می کند, کپسول ها, و لثه ها.

q4: هوش مصنوعی چگونه محصولات خوب و بد را می‌آموزد؟?

اپراتورها تصاویر هر دو واجد شرایط را تغذیه می کنند (خوب) و معیوب (بد) محصولات وارد سیستم شود. از طریق حاشیه نویسی خودکار و دستی, سیستم یادگیری هوش مصنوعی داخلی یک مدل بازرسی سفارشی را آموزش می دهد.

Q5: آیا بازرسی بینایی هوش مصنوعی می تواند نقص های دارویی داخلی را تشخیص دهد؟?

خیر, سیستم‌های بینایی هوش مصنوعی فقط نقص‌های سطحی قابل مشاهده را تشخیص می‌دهند. آنها نمی توانند محتوای ماده فعال را تجزیه و تحلیل کنند, ترک های داخلی, ترکیب شیمیایی, یا سطوح رطوبت.

مراجع

• بازارها و بازارها: اندازه بازار چشم انداز ماشین های صنعتی, سهم & روندها 3 تحقیقات گراند ویو: تجهیزات بسته بندی دارویی
• اندازه بازار, سهم & گزارش تحلیل روند

• FDA: معیارهای کیفیت برای تولید دارو