Unterscheidung von Blasen und Partikeln mittels künstlicher Intelligenz (KI)

Eine grosse Herausforderung bei der automatischen visuellen Inspektion von Parenteralia ist die Unterscheidung zwischen Luftblasen und Partikeln. Wir lösen dies mit Unterstützung von künstlicher Intelligenz in der Bildverarbeitung. Dadurch wird die Falschabwurfrate deutlich reduziert.

Problem der Unterscheidung zwischen Luftblasen und Partikeln bei der visuellen Inspektion

Viele Einflüsse können die Erkennungsleistung einer Maschine bei der automatischen visuellen Inspektion (AVI) beeinflussen. Eine der grössten Herausforderungen ist die Erzeugung von Blasen im Füllprozess. Obwohl diese Blasen kein Risiko für den Patienten darstellen, stellen sie für die AVI eine grosse Herausforderung dar, nämlich die Unterscheidung dieser Blasen von kritischen Partikeln. Hohe Maschinengeschwindigkeiten, das Handling der Packmittel, der Füllprozess und die dadurch erhöhte Blasenbildung sind häufige Herausforderungen.

Aufgrund der Schwierigkeit, zwischen Blasen (unkritisch) und Partikeln (kritisch) zu unterscheiden, wird die AVI eine übermässige Anzahl von Ausschuss- oder Wiederholungsprüfungen produzieren. In beiden Fällen stellt dies ein erhebliches Geschäftsrisiko dar. Entweder müssen zeitraubende manuelle Nachprüfungen organisiert werden, oder im Falle eines Falschabwurfs werden gute Produkte aussortiert.

Unser Ansatz für den Einsatz von künstlicher Intelligenz in der visuellen Inspektion

In Fällen, in denen es schwierig ist, zwischen Blasen und Partikeln zu unterscheiden, kann KI die Leistung eines klassischen Bildverarbeitungsalgorithmus deutlich übertreffen.

In einer gross angelegten Pre-Engineering-Studie mit einem Industriepartner konnten wir dies nachweisen. Eine grosse Charge von Mustern wurde vom Kunden zur Verfügung gestellt. Es wurden künstliche Defekte eingefügt, ähnlich wie bei einem Knapp-Test. Durch einen kontinuierlichen Serialisierungsprozess konnten diese dann durch den Kunden zurückverfolgt und die Klassifizierungen 1:1 verglichen werden. Beim Kunden wurde ein Serienversuch mit manueller Prüfung durchgeführt. Bei uns wurde ein Serienversuch auf einer Hochleistungsmaschine mit bis zu 600 Prüflingen pro Minute durchgeführt. Zunächst wurden die Algorithmen der klassischen Bildverarbeitung an die Messaufgabe angepasst. Diese konnten die Leistung der manuellen visuellen Inspektion abbilden, mit Ausnahme der Differenzierung von Partikeln und Blasen. Durch eine nachträglich geschulte, überwachte KI wurde die Erkennungsleistung jedoch im Vergleich zum klassischen Algorithmus signifikant verbessert.

Unsere Lösung zur Reduzierung von Fehlausschussraten bei der visuellen Inspektion durch künstliche Intelligenz

Unser Ansatz ist daher eine tiefgreifende Vorstudie, bei der neben dem Design der optischen Komponenten auch die Bildverarbeitung bereits vorkonfiguriert ist. Teil der Vorstudie ist dann auch die Bestimmung der später erreichbaren Entdeckungsraten. Dies umfasst sowohl die klassischen Bildverarbeitungsalgorithmen als auch die Verwendung von künstlicher Intelligenz. Weitere Aufgaben können mit klassischen Bildverarbeitungsalgorithmen in ausreichender Qualität gelöst werden, während andere aufgrund ihres Schwierigkeitsgrades erst durch den Einsatz der KI für den Produktionseinsatz relevant werden.

Vorteile unserer Lösungen für die visuelle Inspektion

  • Entwicklungsprozess von Vision-Systemen
  • Pre-Engineering
  • Neueste Bildverarbeitungskomponenten (Hard- und Software, einschliesslich KI)
  • Aufgabenspezifisches Vision-Setup
  • Reduzierung des Fehlausschusses (False Reject Rate)
  • Erhöhung des Produktionsergebnisses
  • Höherer Profit