友思特案例
医疗设备行业视觉检测案例集锦(一)
前言导读
在滴眼液生产领域,产品质量直接关系消费者眼部健康,一旦因检测疏漏导致含缺陷的产品流入市场,不仅可能引发健康风险,还会严重损害企业声誉。
本篇文章将介绍案例一:
某滴眼液生产制药公司(A 公司)基于友思特深度学习的视觉检测技术应用于滴眼液生产过程,以检测气泡等关键缺陷。此举弥补了人工检测的不足,显著降低了漏检率,同时提高了质量可靠性,削减了人力和时间成本。
案例一:滴眼液容器缺陷检测
现场情况—滴眼液质量控制的重要性
近年来,越来越多的滴眼液制造商因卫生和质量控制不足而面临“不合格”“暂停销售”等监管措施。滴眼液由于直接接触眼睛,受到特别严格的监管。即使是轻微的污染也可能导致细菌性结膜炎、角膜炎甚至失明等严重后果,这就是其受到高度审查的原因。
质量控制的一大挑战在于滴眼液易受污染。如果容器密封不当,哪怕只有少量空气进入,溶液也可能氧化或滋生微生物,引发二次感染等严重安全问题。因此,制造商必须在生产过程中和产品出厂前进行全面质量检查,以防止受污染的滴眼液流入市场。
具体现场情况-某滴眼液生产制药公司(A公司)
[清洗] → [灭菌] → [灌装] → [质量检查(气泡等)] → [封口] → [贴标] → [包装]
A制药公司生产的滴眼液在溶液灌装到容器后、封口前进行质量检查。为检查气泡,检查员手动将灌装好的容器倒置,然后进行目视检查。没有气泡的产品被视为合格,进入封口和贴标环节。然而,一旦在容器内检测到哪怕是最微小的气泡,产品就会被视为受污染,并进行抽样检测。
存在的问题
(1)漏检导致缺陷产品流入市场
当滴眼液容器倒置时,气泡上升速度极快,人眼几乎不可能完美地检测到它们。结果,可能含有污染性气泡的产品流入市场,引发严重问题。使用受污染产品出现不良反应的消费者纷纷投诉,这最终严重损害了公司的声誉。
(2)缺乏缺陷数据
要开发高性能的深度学习模型,充足的缺陷数据至关重要。然而,在A制药公司的滴眼液生产过程中,缺陷很少出现。因此,尽管公司希望采用深度学习技术,但却难以创建有效的模型。
解决方案
建立自动化质量检测系统
为解决依赖视觉传感器的检测方法的不足,E 公司采用了高分辨率相机,并基于友思特 Neuro-T 自动深度学习平台,引入了深度学习视觉检测解决方案。
具体技术方案
生成对抗网络(GAN)模型
利用生成对抗网络(GAN),通过生成逼真的合成缺陷样本,扩充有限的缺陷数据。GAN并非简单复制现有缺陷数据,而是创建出与真实缺陷极为相似的多样化缺陷。这种方法使模型在实际运行中能够准确检测缺陷。(真实缺陷图像、合成缺陷图像)。
目标检测模型
使用目标检测模型识别容器内装有滴眼液的区域,实现动态ROI的效果。(原始图像、检测到容器的图像)。
分类模型
在使用目标检测模型识别出滴眼液区域后,开发了一个分类模型,根据是否存在气泡将每个容器分为合格或不合格。这个通过自动深度学习生成的模型能够准确检测到哪怕是最微小的气泡,显著降低了漏检率。
成果与效益
A制药公司通过采用友思特Neuro-T的深度学习解决方案,显著降低了漏检率。此前人工检查的漏检率维持在20%-30%,现在降至仅1%。这一改进使A公司能保持更高的产品质量,提升了公司声誉。
除了降低与人工检查相关的劳动力和时间成本外,该公司还大幅削减了处理消费者投诉的相关费用。最终,A公司每月大约可节省2100万的成本。
友思特 方案产品套装介绍