Automatisierte Visuelle Inspektion von Vials: KI-gestützte Ansätze für die Pharma-Industrie

Wie Anomalie Erkennung die Grenzen klassischer Stopfen-Inspektion überwindet

Die Integrität von Stopfen ist für die aseptische Abfüllung von Vials von zentraler Bedeutung. Als primäre Verschlusselemente stehen sie in direktem Kontakt mit dem Arzneimittel und müssen frei von Partikeln und Materialdefekten sein, sodass Arzneimittel über ihre gesamte Haltbarkeit hinweg sicher und stabil bleiben. Um sicherzustellen, dass diese Anforderungen nach den Vorgaben von USP<1207> und EU GMP Annex 1 eingehalten werden, setzen pharmazeutische Hersteller neben der Dichtheitsprüfung auch auf die visuelle Inspektion der Behälter, um Partikel und kosmetische Defekte zu identifizieren. Ziel der automatisierten visuellen Inspektion (AVI) ist das Erfassen und Analysieren von hochaufgelösten Bilddaten in Echtzeit, sodass Abweichungen in Struktur, Oberfläche oder Material vom Stopfen sofort erkannt werden können. Auf diese Weise unterstützen sie die Einhaltung regulatorischer Vorgaben und reduzieren das Risiko von Kontaminationen.

Herausforderungen der Stopfen-Inspektion

Die automatisierte visuelle Inspektion von Stopfen weist jedoch spezifische Herausforderungen auf, die sie deutlich komplexer machen als viele andere Anwendungen von AVI. Eine zentrale Schwierigkeit liegt in den optischen Eigenschaften des Glasbehältnisses: Reflexionen, Brechungen und Verzerrungen durch die Vial-Geometrie erschweren eine aussagekräftige Bildauswertung. Hinzu kommt eine hohe Varianz an Stopfen-Formaten, Materialien und Designs. Diese Heterogenität fordert die Standardisierung von Inspektionsprozessen zusätzlich und bedarf flexible Algorithmen sowie einfach anpassbare Inspektionen, um zuverlässige Ergebnisse zu erzielen.

In der Stopfen-Inspektion werden häufig klassische, merkmalsbasierte Verfahren eingesetzt. Dabei suchen Algorithmen gezielt nach zuvor definierten Eigenschaften wie Kanten, Konturen, Kontrasten oder Texturen. So sind zum Beispiel Kanten wesentlich, um den Übergang zwischen Stopfen und Vial eindeutig zu bestimmen. Da die Inspektion oft aus unterschiedlichen Blickwinkeln erfolgt, müssen für die Bildauswertung spezifische Edge-Cases berücksichtigt werden. Ein Stopfen, der in einem Winkel von 15° erscheint, erfordert beispielsweise andere Regeln als ein Stopfen in 45°-Position (siehe Abb. 1). Die Erstellung solcher Inspektionsrezepte ist aufwendig, da sie laufend gepflegt und angepasst werden müssen – etwa bei neuen Stopfen-Varianten durch Lieferantenwechsel, bei geänderten Toleranzen oder bei abweichenden Farben und Formen. Ob ein bestehendes Rezept weiterhin zuverlässig funktioniert, ist daher nicht immer gewährleistet.

Potenzial durch Neuronale Netze

Für genau diese Herausforderungen bietet sich der Einsatz von künstlicher Intelligenz an. Neuronale Netze können anhand vollständiger Bilddaten-Inputs des Stopfens trainiert werden und sind in der Lage, Defekte über die gesamte Stopfen-Fläche hinweg zu identifizieren, ohne dass zuvor spezifische «Regions of Interests» (ROIs) definiert werden müssen. Ein offensichtlicher Vorteil ist, dass somit Defekte an Stellen erkannt werden können, an denen es mit klassischen Evaluationsmethoden schwierig wäre, ROIs festzulegen.

Neuronaler Netze zeigen zudem Vorteile bei der Inspektionsqualität, da sie die optische Variabilität verschiedener Vial-Formen, Reflexionen, Schatten und Abweichungen besser verarbeiten können. Voraussetzung dafür ist, dass ein ausreichend großer Trainings-Datensatz zur Verfügung steht. Während klassische Methoden bei neuen Stopfen-Formaten häufig eine grundlegende Überarbeitung des gesamten Inspektionsrezepts erfordern, genügt bei neuronalen Netzen in der Regel ein erneutes Training. Der Aufwand ist dadurch deutlich geringer.

Für die Erstellung eines geeigneten Trainingsdatensatzes zur Anomalie-Erkennung können sowohl zahlreiche konforme als auch einige anomale Produkte direkt aus der laufenden Produktion entnommen werden (siehe Abb.2). Auf diese Weise lässt sich ein praxisnaher und effizienter Trainingsdatensatz gewinnen, der reale Produktionsbedingungen widerspiegelt. Alternativ kann auch ein Testkit erstellt werden. Ein trainiertes Netzwerk weist jedem Bild einen Anomalie-Score zu, der angibt, wie stark ein Bild im Vergleich zum Trainingsdatensatz von der Norm abweicht. Da sich in der Praxis die Gruppen der konformen und anomalen Samples bezüglich ihres Anomalie-Scores überschneiden können, lässt sich durch Festlegung eines geeigneten Grenzwerts zwischen beiden Gruppen unterscheiden (siehe Abb. 3).

Lösungsansätze für die Vial-Inspektion

Als Maschinenhersteller liegt die Kernkompetenz von WILCO im Bau leistungsstarker automatisierter Inspektionssysteme. Um das Potenzial von KI bestmöglich zu nutzen, hat WILCO ihre Softwarearchitektur so erweitert, dass sie eine flexible Integration neuronaler Netze ermöglicht. Dabei fokussieren sie sich auf zwei entscheidende Schritte: die präzise Datenaufnahme durch hochwertige Bildgebung und die nahtlose Integration trainierter Modelle in WILCO-Maschinen für die Echtzeit-Fehlererkennung. Das Training und die Evaluierung der Modelle können mit Tools nach Wahl des Kunden durchgeführt werden. Auf Wunsch begleiten die KI-Spezialisten diesen Prozess, unterstützen beim Test neuer Ansätze und sorgen nach erfolgreichem Training für die zuverlässige Einbettung in die jeweilige Anlage. Auf diese Weise wird robuste Hardware mit flexibler Software verbunden und ein praxisnahes Fundament für KI-gestützte Qualitätskontrolle geschaffen.

Ein Beispiel für diese Verbindung von Maschinenbau und flexibler Softwareintegration ist die VARIO MTX, WILCO’s modulare Inspektionsplattform. Mit einem wachsenden Produktportfolio auf Kundenseite und einer Vielzahl an Verpackungsarten, -grössen und Rezepturen steigen die Anforderungen an Verarbeitung und Prüfung kontinuierlich. Da keine einzelne Testmethode alle Aspekte zuverlässig abdecken kann, erlauben Kombi-Maschinen mehrerer Prüftechnologien gleichzeitig.

Mit der VARIO MTX können eine breite Anzahl von Anwendungsfälle kombiniert werden, wie zum Beispiel:

• Automatisierte Visuelle Inspektion zur Identifikation von Partikel und kosmetischen Defekten
• Messung der Restfeuchte in Lyophilisaten mittels Nahinfrarot Spektroskopie (NIRS)
• Nicht-destruktive, deterministische Dichtheitsprüfung mittels Headspace Analyse (HSA)

Damit wird die VARIO MTX zu einer anwendungsspezifischen Lösung, die sich flexibel an die Anforderungen moderner pharmazeutischer Produktion anpassen lässt.

 

Individualisierter Ansatz und massgeschneiderte Systeme

Für Hersteller, die ihre Qualitätskontrolle weiterentwickeln möchten, lohnt sich ein genauer Blick auf den Einsatz von Anomalie-Erkennung. Der erste Schritt besteht darin, individuelle Produktionsbedingungen gemeinsam zu analysieren und auf dieser Basis massgeschneiderte Systeme zu entwickeln, die den jeweiligen Anforderungen entsprechen. So kann die Technologie nicht nur ihr Potenzial entfalten, sondern auch langfristig zur Standardisierung und Effizienzsteigerung in der pharmazeutischen Qualitätskontrolle beitragen.