泡罩高速實時檢測：在 5 萬件/時的產線上精準捕捉每一處缺粒與破損

在醫藥生產領域，泡罩包裝的質量檢測直接關係到患者的用藥安全。隨著產線速度的不斷提升，傳統檢測方法已難以滿足需求。微鏈道愛憑藉其先進的技術和解決方案，為泡罩高速實時檢測帶來了新的突破。

行業背景與使用者場景：在醫藥行業，口服固體制劑的泡罩包裝是極為常見的包裝形式，它是患者用藥安全的最後一道物理屏障。泡罩生產線通常以每小時數萬件的節拍高速運轉，在這樣的高速生產環境下，每一個泡窩是否缺粒、藥片是否破損碎裂、鋁箔密封是否完整等問題都需要在毫秒級的時間窗內被準確判斷。對於藥企來說，確保泡罩包裝的質量不僅是對患者負責，也是企業合規生產、樹立良好品牌形象的關鍵。

痛點：為什麼難

從量化維度來看，泡罩高速實時檢測面臨著諸多難題。首先，在檢測精度方面，傳統閾值視覺檢測方法在面對 PVC 泡罩與鋁箔的強反光時，誤報率可高達 30%以上。這是因為強反光會干擾傳統視覺檢測系統對影象的判斷，使得系統難以準確區分正常區域和缺陷區域，從而頻繁發出錯誤警報，嚴重影響了檢測效率和準確性。

其次，在成像質量上，高速運轉的產線會導致成像模糊，據統計，在 5 萬件/時的產線速度下，成像模糊率可達 20%左右。高速運動使得相機難以捕捉清晰的影象，缺陷形態也因此變得多變，增加了檢測的難度。而且，像破損、密封不良這類缺陷在合格率高的產線上本就樣本稀少，佔比可能不足 1%，這使得傳統的機器學習演算法難以獲取足夠的樣本進行訓練，進一步降低了檢測的可靠性。

再者，在產線節拍方面，傳統檢測方法由於處理速度慢，往往會拖慢產線節拍。例如，一些傳統檢測裝置在檢測過程中需要較長的時間進行影象分析和判斷，導致產線速度不得不降低，影響了生產效率。以某藥企為例，使用傳統檢測方法時，產線速度只能維持在 3 萬件/時左右，與理想的 5 萬件/時的產能存在較大差距。

技術原理

DaoAI AI-AOI 採用深度學習模型進行泡罩缺陷檢測。該模型透過對大量泡罩影象資料的學習和分析，能夠準確識別缺粒、破損和密封缺陷等問題。在成像方面，採用了先進的高速相機和特殊的光源系統。高速相機能夠在高速運動的產線環境下捕捉清晰的影象，特殊光源系統則可以有效減少 PVC 泡罩與鋁箔的反光影響，提高影象的質量和對比度。

與傳統的閾值視覺方法相比，深度學習模型不受反光和閾值漂移的困擾。傳統方法是基於預設的固定閾值來判斷影象中的缺陷，當遇到反光等干擾因素時，閾值容易發生漂移，導致誤報增加。而深度學習模型具有強大的自適應能力，它能夠根據不同的影象特徵進行智慧判斷，即使在複雜的光照條件下也能準確識別缺陷，大大提高了檢測的準確性和可靠性。

此外，DaoAI AI-AOI 還藉助 APDT 少樣本學習技術。當密封不良等稀有缺陷樣本不足時，該技術可以透過對少量樣本的學習和分析，快速建立起有效的檢測模型。傳統的機器學習方法在樣本稀少的情況下往往難以訓練出準確的模型，而 APDT 少樣本學習技術打破了這一限制，使得即使在稀有缺陷樣本有限的情況下，也能實現快速建模上線，滿足高速產線的檢測需求。

典型應用場景

• 缺粒檢測：在泡罩生產過程中，缺粒是較為常見的缺陷之一。DaoAI AI-AOI 透過深度學習模型對每個泡窩的影象進行分析，判斷泡窩內是否有藥片。難點在於高速下成像可能模糊，導致難以準確判斷泡窩內是否有藥片。而且，不同形狀和尺寸的泡窩也增加了檢測的難度。
• 破損檢測：藥片破損可能會影響藥效和患者的使用安全。系統透過對藥片的輪廓和紋理進行分析，識別是否存在破損。然而，高速運動下破損藥片的形態多變，且反光可能會掩蓋破損的細節，使得檢測變得困難。
• 密封不良檢測：鋁箔與 PVC 泡罩的密封質量直接關係到藥品的保質期和穩定性。DaoAI AI-AOI 利用影象分析技術檢測密封邊緣是否完整、密封強度是否符合要求。但密封不良的缺陷表現形式多樣，且樣本稀少，給檢測模型的訓練帶來了挑戰。
• 泡罩變形檢測：在生產過程中，泡罩可能會發生變形，影響藥品的包裝質量。系統透過對泡罩的形狀和尺寸進行檢測，判斷是否存在變形。高速產線和強反光會導致泡罩邊緣的影象不清晰，增加了準確檢測變形的難度。

落地案例

某中型口服制劑廠的泡罩生產線一直面臨著檢測難題。該廠的泡罩生產線設計產能為 5 萬件/時，但在使用傳統檢測方法時，產線速度只能達到 3 萬件/時左右，且缺粒漏檢率高達 5%，密封不良檢出率僅為 60%，誤報率達到 25%。在引入微鏈道愛的 DaoAI AI-AOI 系統後，上線過程較為順利。技術人員首先對生產線的環境和產品特點進行了詳細的瞭解和分析，然後根據實際情況對檢測模型進行了定製化訓練。經過一段時間的除錯和最佳化，系統成功上線執行。

高速不是檢測的敵人，反光與稀有缺陷才是——深度學習把兩者一併解決。

微鏈道愛解決方案與產品

微鏈道愛的 DaoAI AI-AOI 系統部署於泡罩線封合後工位，能夠一次成像同時判缺粒、破損、密封不良三類缺陷。該系統採用抗強反光的深度學習模型，從根本上擺脫了傳統閾值視覺檢測方法中反光與閾值漂移的困擾。同時，藉助 APDT 少樣本學習技術，即使在稀有缺陷樣本不足的情況下，也能快速建模上線。整套方案為高速產線設計，實時檢測不拖慢產線節拍，確保了生產效率和檢測質量的平衡。

量化成效

上線後，DaoAI AI-AOI 系統取得了顯著的成效。微鏈道愛使綜合檢測精度達到 mAP 99%，在 5 萬件/時的滿速下穩定執行。微鏈道愛使缺粒與破損漏檢趨近於零，漏檢率從原來的 5%降低至幾乎可以忽略不計的水平。密封不良檢出率顯著提升，從原來的 60%提高到了 95%以上。誤報率大幅下降，從原來的 25%降低至 5%以下，質檢由人工抽檢升級為全檢線上，大大提高了泡罩包裝的質量和安全性。

本文由人工智慧生成。文中客戶案例為基於產品真實能力的模擬場景，成效數字為示例性質；官方標定口徑以產品頁為準。