Jak działa maszyna licząca AI Vision: Definicja & Zasada działania

Dla najwyższej jakości butelkowanych suplementów zdrowotnych, jakakolwiek wada jest niedopuszczalna, ponieważ może to poważnie zaszkodzić wizerunkowi marki. Biorąc pod uwagę te wymagania produkcyjne, jak nowoczesny liczniki tabletów osiągnąć precyzję liczenie tabletów i odrzucenie wady?

Odpowiedź kryje się w maszyna pakująca licząca wizje. Tradycyjne liczniki opierają się na czujnikach fotoelektrycznych, co utrudnia dokładne odrzucenie wadliwych elementów; w tym miejscu niezbędny staje się system kontroli wizyjnej AI. Wykorzystując szybkie kamery

i rozpoznanie systemu, farmaceutyczne maszyny liczące z kamerami CCD mogą automatycznie identyfikować i odrzucać butelki zawierające tabletki niespełniające norm. Jednakże, czy liczniki wizyjne potrafią wykryć i odrzucić każdy rodzaj defektu? ​​W artykule przedstawiono konkretny zakres odrzuceń usterek tych maszyn oraz wyjaśniono zasady ich działania.

Kluczowe wnioski

• Podstawowy proces operacyjny maszyny pakującej zliczającej wizje.
• Specyficzne defekty fizyczne, które system kontroli wizyjnej AI może dokładnie wykryć i odrzucić.
• Szczegółowy opis trenowania modeli widzenia maszynowego AI do liczenia kapsułek przy użyciu rzeczywistych obrazów produktów.
• Ograniczenia automatycznej kontroli wizualnej oraz znaczenie oświetlenia i orientacji produktu.
• Przewodnik po współpracy z doświadczonym producentem systemów kontroli wizyjnej.

1. Co to jest maszyna pakująca licząca wizję?

W swoim rdzeniu, wizyjna maszyna pakująca zliczająca to zaawansowane urządzenie, które łączy w sobie szybkie systemy liczenia produktów z kontrolą jakości w czasie rzeczywistym. Zamiast po prostu wrzucać produkty do butelki, maszyna licząca z inspekcją wizualną AI ocenia każdy pojedynczy przedmiot.

Podstawowa logika przebiega w sposób skoordynowany:

Podawanie → Separacja → Przechwytywanie obrazu → Dobra/zła klasyfikacja → Adnotacja → Liczenie → Butelkowanie → Automatyczne odrzucanie defektów

Kamera pełni rolę nieruchomego oka operacji, przechwytywanie zdjęć produktów o wysokiej rozdzielczości w miarę ich przemieszczania się wzdłuż linii. System wykrywania defektów AI analizuje ich pojawienie się w milisekundach. Kwalifikowane produkty są kontynuowane, natomiast wadliwe produkty są natychmiast odrzucane za pomocą mechanizmu pneumatycznego. Wreszcie, tylko dobre produkty są liczone i przekazywane do pakowania.

Niezależnie od tego, czy używasz maszyna do liczenia tabletek lub maszyna do liczenia kapsułek, ta technologia idealnie się dopasowuje. Maszyna do liczenia wizyjnego AI może bez wysiłku sprawdzać tablety, kapsułki, a nawet lepkie żelki, pewność, że Twoja farmaceutyczna maszyna do liczenia i pakowania za każdym razem zapewnia doskonałe wyniki.

2. Jakie wady może wykryć maszyna licząca AI Vision?

Maszyna rozlewnicza do kontroli wizualnej AI jest przeznaczona głównie do wykrywania widocznych wad wyglądu. W wykrywaniu wad tabletu, wykrywanie wad kapsułki, i wykrywanie wad gumowatych, celem nie jest zastąpienie całego laboratoryjnego systemu jakości, ale żeby wyłapać widoczne problemy przed pakowaniem.

Różnice kolorów

Kolor to jedna z pierwszych rzeczy, na którą zwracają uwagę klienci. Biała tabletka zmieszana z grupą niebieskich tabletek wygląda jak mała latarnia morska migająca „coś jest nie tak”.

System inspekcji AI może wykryć:

• Zły kolor
• Nienormalny kolor
• Zmiana koloru
• Produkty w mieszanych kolorach
• Nierówny wygląd powłoki

Jest to szczególnie przydatne przy kontroli koloru tabletu, kontrola uszkodzeń kapsułki, oraz linie maszyn do liczenia tabletek witamin, w przypadku których różne jednostki SKU mogą wyglądać podobnie, ale nie wolno ich mieszać.

Różnice kształtów

Wady kształtu są powszechne w przypadku liczenia z dużą szybkością, powłoka, wysuszenie, transport, lub karmienie.

System kontroli tabletek lub system kontroli kapsułek może zidentyfikować:

• Nienormalny kształt
• Zdeformowane tabletki
• Nieregularne kapsułki
• Zniekształcone żelki
• Widocznie zdeformowane kapsułki

Na przykład, gumowaty może się rozciągać lub odkształcać podczas poprzedzającego przetwarzania. W zwykłej maszynie do liczenia suplementów, można to jeszcze policzyć. W systemie wykrywania defektów AI, można go sklasyfikować jako zły i usunąć po napełnieniu butelki.

Różnice w rozmiarach

Rozmiar jest kolejnym ważnym czynnikiem kontrolnym. Produkty o zbyt dużych lub małych rozmiarach mogą wskazywać na niestabilność procesu, złamanie, lub pomieszanie produktów.

Przemysłowy system wizyjny może wykryć:

• Produkty oversize
• Produkty niewymiarowe
• Nienormalne wymiary
• Nieprawidłowa średnica lub długość tabletki

Nieprawidłowość wielkości kapsułki

Do systemów wizyjnych w branży farmaceutycznej, kontrola wielkości pomaga wzmocnić spójność partii. Obsługuje również szybką pracę maszyny liczącej tabletki, ponieważ kontrola i liczenie mogą odbywać się w jednym ciągłym procesie.

Zadrapania powierzchniowe

Uszkodzenie powierzchni nie zawsze może mieć wpływ na dawkowanie, ale może to wpłynąć na zaufanie klientów. Porysowany, powlekany tablet wygląda słabo, szczególnie na rynkach suplementów premium i nutraceutyków.

System może wykryć:

• Zadrapania
• Widoczne uszkodzenia powierzchni
• Nienormalne znaki
• Uszkodzenie powłoki
• Plamy powierzchniowe

Jak zauważa jeden z menedżerów ds. kontroli jakości produktów farmaceutycznych, „Do produktów w postaci stałej, jakość wizualna jest częścią pewności produktu. Tabletka może być chemicznie poprawna, ale jeśli wygląda na uszkodzony, klienci nadal mogą to odrzucić.” Innymi słowy, jakość wizualna przemawia, zanim zrobi to etykieta.

Produkty uszkodzone i niekompletne

Uszkodzone produkty należą do najważniejszych celów wykrywania wadliwych tabletów i automatycznego odrzucania defektów.

Maszyna do liczenia wizji AI może zidentyfikować:

• Zepsute tabletki
• Rozdrobnione tabletki
• Niekompletne tabletki
• Uszkodzone żelki
• Widoczne pęknięte kapsułki
• Widocznie zdeformowane kapsułki

W tym miejscu wykrywany jest uszkodzony tablet, wykrywanie chipa tabletu, niekompletne wykrywanie tabletu, i wykrywanie uszkodzonych tabletów staje się bardzo praktyczne. Tradycyjny licznik tabletek może zliczyć pół tabletki jako jeden produkt, jeśli kształt nadal przechodzi przez czujnik. Ale z inspekcją defektów AI, maszyna może wizualnie rozpoznać, że produkt nie jest kompletny.

3. Jak sztuczna inteligencja uczy się identyfikować dobre i złe produkty?

Jest to część, która odróżnia maszynę pakującą do liczenia wizyjnego ze sztuczną inteligencją od zwykłego systemu licznika tabletek lub elektronicznego licznika tabletek. Model sztucznej inteligencji nie rodzi się magicznie „inteligentnie”. Uczy się na podstawie prawdziwych dobrych i złych zdjęć produktów, podobnie jak nowy inspektor uczy się z tablic wzorcowych – ale szybciej, bardziej powtarzalne, i bez konieczności przerw kawowych.

Krok 1: Rób dobre i złe zdjęcia

Proces uczenia rozpoczyna się od interfejsu maszyny.

Na interfejsie HMI, wchodzi operator:

Zrób wykres → Rozpocznij obrazy V i S

System rejestruje obrazy rzeczywistych produktów. Obrazy te są następnie dzielone na dwie etykiety:

Dobre = kwalifikowane produkty

Zły = wadliwe produkty

Po zrobieniu obrazu, operator wybiera opcję Otwórz obrazy, a system generuje osobne foldery:

Dobry folder

Zły folder

Do kontroli wizualnej tabletu, kontrola wzrokowa kapsułki, lub gumowata kontrola wzrokowa, ten krok jest krytyczny, ponieważ jakość szkolenia AI zależy w dużym stopniu od jakości i różnorodności przykładowych obrazów.

Ekspert ds. wizji w naszej fabryce, Henryk Li, wyjaśnia, „Modelka nie uczy się na sloganach. Uczy się z obrazów. Jeśli zbiór danych szkoleniowych nie reprezentuje rzeczywistej zmienności produkcji, wynik kontroli nie będzie stabilny.” Dlatego prawdziwe próbki są ważniejsze niż piękne broszury.

Krok 2: Automatyczna adnotacja

Adnotacja oznacza oznaczanie obrazów, aby system kontroli wizualnej wiedział, na co patrzy.

Przepływ pracy jest:

Otwórz folder Dobry/Zły → Wybierz Adnotację Q → Adnotacja automatyczna

Na przykład:

1. Otwórz zły folder
2. Wybierz opcję Zła adnotacja
3. System automatycznie oznacza obrazy jako złe

Automatyczna adnotacja jest szczególnie przydatna podczas przygotowywania dużego zbioru danych do kontroli defektów tabletu, kontrola kształtu kapsułki, wykrywanie zarysowań tabletu, lub wykrywanie wad gumowatych. Zamiast ręcznie oznaczać każdy obraz jeden po drugim, system może szybko przetworzyć wiele obrazów.

Poprawia to wydajność podczas konfigurowania modelu widzenia maszynowego AI dla linii maszyn liczących partie, linie maszyn do liczenia nutraceutyków, lub linie maszyn pakujących suplementy diety.

Krok 3: Ręczna adnotacja

Automatyczne adnotacje oszczędzają czas, ale ręczna korekta jest nadal ważna, ponieważ system nadal nie wie, „co jest złe”.

Oto prawdziwy przykład stylu produkcyjnego: jeden przechwycony obraz zawiera pięć tabletek. Cztery tabletki są uszkodzone, ale jedna tabletka jest dobra. Podczas automatycznej adnotacji, system może oznaczyć wszystkie pięć tabletów na obrazie jako Bad, ponieważ obraz został otwarty z folderu Bad.

Operator musi to zrobić:

Otwórz obraz → Wybierz niepoprawnie oznaczony tablet → Ręcznie zaznacz dobry lub zły

Ten krok koryguje dane treningowe. Mówi o modelu inspekcji AI, „Ten rzeczywiście jest wykwalifikowany. Nie odrzucaj takich produktów.”

Ręczna adnotacja poprawia dokładność i spójność zbioru danych szkoleniowych. Do projektów maszyn liczących do wizualnej kontroli farmaceutycznej, ma to znaczenie, ponieważ błędy na małych etykietach mogą stać się powtarzającymi się błędami odrzucenia podczas pracy z dużą szybkością.

Krok 4: Połącz pliki

Po przygotowaniu i poprawieniu dobrych i złych obrazów, foldery zostały scalone.

Przepływ pracy jest:

Dobry folder + Zły folder → Scal pliki

System tworzy jeden ujednolicony zbiór danych szkoleniowych. Ten zbiór danych staje się podstawą ostatecznego modelu sztucznej inteligencji.

W pewnym sensie, ten zbiór danych jest jak książka kucharska dla maszyny. Jeśli przepis jest jasny, sztuczna inteligencja może wymyślać lepsze decyzje. Jeśli przepis jest chaotyczny, nawet najmądrzejszy system może podać niewłaściwe danie.

Krok 5: Model pociągu

Po przygotowaniu zbioru danych, operator rozpoczyna szkolenie modelowe:

Importuj zbiór danych → Wybierz lokalizację wyjściową → Model pociągu

Ponieważ maszyna zawiera wbudowany system uczenia się AI, producent nie musi od nowa opracowywać kompletnej platformy oprogramowania AI. Operator importuje zbiór danych, wybiera lokalizację wyjściową, i rozpoczyna treningi.

Po treningu, system generuje model inspekcji AI. Model ten jest następnie używany podczas rzeczywistej produkcji do klasyfikacji produktów jako dobre lub złe.

Dla producenta środków farmaceutycznych i suplementów, jest to praktyczna zaleta. Czy linia jest farmaceutyczną maszyną liczącą, uzupełnienie licznika tabletek, Gumowate liczenie maszyny, lub maszyna do liczenia partii nutraceutyków, model kontroli można wytrenować w oparciu o rzeczywiste próbki produktów i rzeczywiste standardy defektów.

4. W jaki sposób system wizyjny AI odrzuca wadliwe produkty?

Podczas produkcji na żywo, system kontroli wizyjnej AI działa błyskawicznie. Przepływ pracy jest prosty:

1. Karmienie produktem
2. Obrazowanie kamerą
3. Kontrola defektów AI
4. Dobra/Zła decyzja
5. Odrzuć sygnał
6. Odrzucenie wadliwego produktu

Spójrzmy na przykład. Porysowany tablet dostaje się do obszaru kontroli. Kamera rejestruje obraz, sztuczna inteligencja identyfikuje zadrapanie w milisekundach, system klasyfikuje to jako złe, a pneumatyczny mechanizm odrzucający natychmiast usuwa go z linii.

Maszyna nie tylko liczy produkty. Liczy się to przy sprawdzaniu wyglądu produktu. Ta możliwość podwójnego działania sprawia, że ​​maszyna licząca i pakująca jest nieocenionym atutem nowoczesnych linii produkcyjnych.

5. Co może Farmacja Inspekcja wizyjna AI Maszyna licząca Nie wykrywa?

Podczas gdy maszyna do liczenia i butelkowania AI jest niesamowicie potężna, nie jest wszechmocny. Producent profesjonalnego systemu kontroli wizyjnej zawsze będzie przejrzysty informował o ograniczeniach maszyny. Wizualna kontrola farmaceutyczna koncentruje się przede wszystkim na widocznych defektach, takich jak kontrola rozmiaru tabletki i kontrola powierzchni tabletki. Jeśli chodzi o wady niewidoczne, nie jest w stanie wiarygodnie określić:

• Zawartość substancji czynnej
• Skład chemiczny
• Dokładność dawkowania
• Zanieczyszczenie mikrobiologiczne
• Zawartość wilgoci
• Pęknięcia wewnętrzne, których nie widać
• Gęstość wewnętrzna
• Ukryte wady

Ponadto, czynniki środowiskowe i fizyczne mogą stanowić wyzwanie dla systemu:

Nakładanie się produktów: Nakładanie się wielu tabletek może ukryć prawdziwe wady. zależy to od stopnia nakładania się. Jeśli dwie tabletki całkowicie się pokrywają, są trudne do zidentyfikowania.

Zła orientacja na produkt: Jeśli wada występuje na spodzie, poza zasięgiem kamery, może to zostać pominięte.

Niewystarczające próbki szkoleniowe: Jeśli w danych szkoleniowych nie było określonego typu defektu, sztuczna inteligencja może tego nie rozpoznać.

Inspekcja wizyjna AI powinna być zaprojektowana wokół rzeczywistego produktu, typ wady, warunki oświetleniowe, i wymagania dotyczące inspekcji.

6. Wybierz doświadczonego producenta systemów kontroli wizyjnej: Dlaczego to ma znaczenie

Wybór odpowiedniej maszyny do liczenia i pakowania produktów farmaceutycznych wykracza daleko poza porównanie arkuszy specyfikacji. Współpraca z doświadczonym producentem systemów kontroli wizyjnej ma kluczowe znaczenie dla bezproblemowej integracji. Oto dlaczego ich wiedza specjalistyczna ma znaczenie:

Szkolenie AI dotyczące konkretnego produktu: Różne tabletki, kapsułki, i żelki wymagają zupełnie innych danych treningowych. Doświadczony producent wie, jak to zoptymalizować.

Konfiguracja kamery i oświetlenia: System wizyjny maszyny musi być dostosowany w oparciu o kolor produktu, kształt, powierzchnia, rozmiar, i refleksyjność.

Integracja systemu odrzucania: Zidentyfikowanie wady to tylko połowa sukcesu. System wykrywania defektów AI musi doskonale synchronizować się z mechanizmem odrzucającym, system liczenia, przenośnik, i maszyna pakująca.

Prawdziwe testowanie produktów: Renomowany producent nie sprzeda Ci tylko broszury. Pobiorą twoją dobrą próbkę i złą próbkę, przeprowadzić szkolenie AI, przeprowadzić test kontrolny, i zapewnij weryfikację odrzucenia.

Marcusa Vance’a, Dyrektor ds. Innowacji w Opakowaniu, stwierdza, “Włączenie sztucznej inteligencji do procesu liczenia opartego na wizji to nie tylko ulepszenie; to zmiana paradygmatu. Działa to jednak tylko wtedy, gdy producent rozumie wyjątkowe wyzwania optyczne związane z konkretnym preparatem.” To potwierdza, dlaczego wybór wyspecjalizowanego dostawcy nie podlega negocjacjom.

Pakowanie Ruida: Pionier chińskiego systemu kontroli wizyjnej

Ruida Packing koncentruje się na badaniach i rozwoju maszyn do produkcji farmaceutyków i nutraceutyków. Ściśle współpracował z Fortune 500 firmy farmaceutyczne, takie jak US Pharma, UCB, i Coatian Grupa Atlantycka, ich maszyny są ściśle zgodne z CE, cGMP, i międzynarodowe standardy ISO.

W ostatnich latach, wprowadziliśmy na rynek nową serię wizyjnych maszyn pakujących zliczających, które osiągają prędkości do 100 Butelki/min, oferując precyzyjne liczenie i szeroki zakres odrzutów. Współpraca z Ruida gwarantuje:

• Roczna gwarancja na całą maszynę z roczną bezpłatną wymianą części.
• Kompleksowe usługi uruchomień zdalnych i na miejscu.
• Zastosowanie komponentów marki o międzynarodowej renomie, zapewnienie, że części zamienne będą dostępne lokalnie.

7. Wniosek

Do nowoczesnej produkcji farmaceutycznej i suplementów, celem nie jest już tylko szybsze liczenie tabletek. Prawdziwa wartość jest wyraźniejsza: Policz odpowiednią ilość. Sprawdź każdy produkt. Odrzuć wcześniej zdefiniowane wady przed pakowaniem. Maszyna pakująca z liczeniem wizyjnym AI pomaga producentom połączyć dokładność liczenia z widoczną kontrolą defektów. Wybór odpowiedniego producenta systemów kontroli wizyjnej Pharma sprawia, że ​​system ten jest praktyczny, stabilny, i gotowy do prawdziwej produkcji.

8. Często zadawane pytania

Pytanie 1: Co to jest maszyna pakująca licząca wizję AI?

Jest to zaawansowana automatyczna maszyna do liczenia i pakowania, która łączy w sobie szybkie liczenie produktów z inspekcją wizualną AI w czasie rzeczywistym. Automatycznie wykrywa i odrzuca wadliwe produkty, zanim zostaną zliczone i zabutelkowane.

Pytanie 2: Jakie defekty może wykryć maszyna licząca wizje AI?

Potrafi zidentyfikować szeroką gamę widocznych wad, w tym różnice kolorystyczne, nienormalne kształty, nieprawidłowe rozmiary, zarysowania powierzchni, oraz produkty uszkodzone lub niekompletne.

Pytanie 3: Czy maszyna może sprawdzać tabletki, kapsułki i żelki?

Tak, absolutnie! Model inspekcji AI można wytrenować w celu rozpoznawania i kontrolowania różnych typów produktów, dzięki czemu jest bardzo wszechstronny dla tabletów, kapsułki, i żelki.

Pytanie 4: W jaki sposób sztuczna inteligencja uczy się identyfikować dobre i złe produkty?

Operatorzy przesyłają zdjęcia obu wykwalifikowanych (Dobry) i wadliwy (Zły) produkty do systemu. Poprzez automatyczne i ręczne adnotacje, wbudowany system uczenia się AI szkoli niestandardowy model inspekcji.

Pytanie 5: Czy kontrola wizyjna AI może wykryć wewnętrzne wady farmaceutyczne??

NIE, Systemy wizyjne AI wykrywają jedynie widoczne defekty powierzchni. Nie mogą analizować zawartości substancji czynnej, wewnętrzne pęknięcia, skład chemiczny, lub poziom wilgoci.

Referencje

• Rynki i Rynki: Wielkość rynku przemysłowych systemów wizyjnych, Udział & Trendy 3 Badania Wielkiego Widoku: Sprzęt do pakowania farmaceutycznego
• Rozmiar rynku, Udział & Raport z analizy trendów

• FDA: Wskaźniki jakości dla produkcji farmaceutycznej