目前，隨著世界人口老齡化及人們對自身健康重視度提升，為醫(yī)療器械行業(yè)的發(fā)展奠定了堅實基礎(chǔ)，尤其在新冠疫情爆發(fā)后，醫(yī)療行業(yè)規(guī)模正在持續(xù)擴大，同時也面臨著智能化轉(zhuǎn)型需求。

醫(yī)藥行業(yè)關(guān)系到人類的生命健康，世界各國對藥品生產(chǎn)制造過程都給予了高度重視。醫(yī)療數(shù)字化、信息化是全球醫(yī)療器械技術(shù)發(fā)展的主要方向，是實現(xiàn)醫(yī)療“無損化”、“精確化”最重要的技術(shù)保證。

1

醫(yī)療行業(yè)質(zhì)檢 

需要AI智能化賦能

伴隨醫(yī)藥企業(yè)逐漸提升檔次及逐漸完善，企業(yè)對機器視覺技術(shù)的需求會越來越普遍，而機器視覺公司也緊抓機遇加大對制藥領(lǐng)域機器視覺的研發(fā)。在藥品的生產(chǎn)、包裝過程中，無論是藥品的泡罩包裝、液體灌裝，還是后段的壓蓋、貼標、噴碼，以及最后的裝盒檢測，機器視覺技術(shù)都可以發(fā)揮其強大的功能，以保證零缺陷。目前，我們常常被咨詢的檢測物體，大多數(shù)為對其外觀瑕疵進行視覺檢測。如注射器瑕疵檢測、口罩缺陷檢測、西林瓶表面缺陷檢測等。

由于質(zhì)檢精細度要求高，占到工廠總?cè)肆Τ杀镜?strong>40%。舉例來說，醫(yī)療質(zhì)檢中的西林瓶表面缺陷檢測，可能是個小劃痕，也可能是小缺口。這種情況下，瑕疵視覺感官并不直觀。在整個人力檢測過程中，耗時多、人力投入高。而質(zhì)檢效率直接影響到企業(yè)生產(chǎn)以及交付效率。因此，質(zhì)檢的智能化賦能已經(jīng)成為節(jié)省成本，提高產(chǎn)能的必然趨勢。

?人力檢測

檢測標準不統(tǒng)一，檢測結(jié)果差別較大；勞動強度大，工人易產(chǎn)生視覺疲勞，導致誤檢/漏檢率上升，同時存在工人操作安全隱患；人工質(zhì)檢培訓成本高，周期長，培訓結(jié)果不可復制。

?傳統(tǒng)機器視覺檢測

這種方法只能解決一些特定的問題。如果是在特征裝備場景比較復雜的情況下，或者藥瓶反光零件表面檢測這類情況，傳統(tǒng)機器視覺檢測的漏檢率難以控制。且傳統(tǒng)視覺檢測的整個部署周期比較長，成本也是很多工廠承擔不起的。

?深度學習檢測

可以逐步解決缺陷形態(tài)復雜、環(huán)境復雜的目標，可解決的范圍更大，覆蓋的場景更多。但深度學習使用門檻較高，在AI開發(fā)階段，對原始數(shù)據(jù)的要求更高，對開發(fā)人員的要求也更高。

那么，有沒有一個簡單上手同時確保高效質(zhì)檢的方法呢？

2

矩視智能低代碼平臺

醫(yī)療質(zhì)檢 案例展示

藥片缺陷檢測是藥片生產(chǎn)過程中的關(guān)鍵環(huán)節(jié)，其檢測結(jié)果的好壞直接影響著藥品的質(zhì)量。以下圖為例，這是一家醫(yī)療機械生產(chǎn)商提供的樣本。可以看出，藥片存在臟污、破損等缺陷，藥片的尺寸較小，且正反面、側(cè)面缺陷程度不同，因此如果通過肉眼觀察，很難分辨出哪一個是合格或不合格。藥片表面為弧形，檢測中需要整個視野內(nèi)光照均勻，并能夠檢測到藥片表面的臟污及缺損。

根據(jù)樣本特征進行采集，并使用矩視智能低代碼平臺針對藥片進行AI檢測模型創(chuàng)建，標注缺陷類型。

標注后在矩視低代碼平臺進行訓練并最終部署。如果出現(xiàn)蜂鳴和紅燈提示，說明這個藥片是不合格的，如果綠燈亮起，說明這個零件是合格的。所以在矩視低代碼平臺，操作十分簡單，僅需幾步即可完成。首先是上傳樣本圖片，其次是基于低代碼平臺的深度學習模型訓練、測試，最后再到部署。接下來詳析帶大家拆解步驟：第一步：樣本采集將部分模擬量轉(zhuǎn)換成可以量化的數(shù)字量。比如，這些藥片上的破損、臟污等信息，都需要將這些信息上傳到低代碼平臺。在這里就要提到一個很重要的配件，即樣本采集用的鏡頭，光源等硬件。成功的AI樣本采集是從一張信息準確且直觀的照片開始，它們就相當于矩視低代碼平臺在真實生產(chǎn)流水線上的智能眼睛。采用什么樣的鏡頭，意味著讓AI能看到什么樣的內(nèi)容。這里有關(guān)鍵一點：點擊查看>>>《如何為樣本匹配一個合適的鏡頭》當然，我們的專業(yè)技術(shù)工程師憑借多年經(jīng)驗，會針對項目場景及需求進行硬件配置部分指導，面向零算法基礎(chǔ)人群、簡單易上手。由于檢測藥片需要所有表面，因此推薦采用球狀分布式對稱無影光源，此光源采用特制漫射板將光散射到不同方向，形成漸變球狀分布，使得整個球面目標不同坡度的反光強度都一致。

因需檢測藥片所有表面，實驗中采用棱鏡模組進行配合打光，通過分次曝光來分別檢測正面與側(cè)面的缺陷，從而獲取藥片360°全方位的圖像信息。

藥片缺陷檢測正、側(cè)面效果圖第二步：樣本標注在樣本圖片準備完成，并上傳矩視低代碼平臺后，開始進行標注，在這里需要注意標簽和標注的重點。標簽標簽是圍繞著樣本要表達的信息和實際部署場景展開的。例如，藥品生產(chǎn)廠要求一旦檢測出藥片破損、臟污即檢測為不合格。所以，在創(chuàng)建標簽的時候，一定要按照實際的檢測需求進行設(shè)定。

標注標注是訓練前非常重要的環(huán)節(jié)，需要將圖像中涉及的瑕疵全部準確框定標注。

第三步：模型部署訓練好的AI模型需要導出下載后進行本地部署。

最終，基于矩視低代碼平臺的機器學習檢測算法，使用工業(yè)相機對產(chǎn)線上的藥片進行圖片拍攝，生產(chǎn)現(xiàn)場的服務器進行圖像分類和檢測，判斷藥片的外觀質(zhì)量是否符合要求，可檢測藥片的缺損、裂縫、臟污、大小等瑕疵。

3

機器視覺

在醫(yī)療行業(yè)的廣泛應用

1. 缺藥或者缺瓶檢測

由于醫(yī)藥行業(yè)的嚴格規(guī)范，對制藥包裝的質(zhì)量也越來越苛刻，當藥粒被包裝進泡罩后，生產(chǎn)商必須保證所有泡罩內(nèi)的藥粒都是完好無損。或者，在藥品出廠時，一般瓶裝藥都是若干瓶藥裝在一個較大的包裝內(nèi)，生產(chǎn)商必須保證每個包裝內(nèi)不缺少藥瓶，以避免因此而造成的對藥品生產(chǎn)廠家信譽的影響。

利用機器視覺的方法，可以快速、準確地檢測到對象是否完好無缺，通過設(shè)定圖像傳感器，獲取包裝后的對象圖片信息，通過預先設(shè)定的面積參數(shù)對每個藥粒或者藥瓶進行檢測對比，這樣，破損的藥粒或者缺瓶的包裝都將被檢測出來，正確的正常通過。

2. 瓶口破損檢測

液態(tài)藥瓶，經(jīng)罐裝后，要判斷瓶口是否有破損，這關(guān)系到藥液中是否會混入玻璃碎屑。將圖像傳感器安裝在藥液罐裝工序后，通過圖形匹配工具來判斷瓶口是否有破損。

在檢測之前，圖像傳感器記錄下正常的瓶口特征，當罐裝好的藥瓶經(jīng)過傳感器鏡頭前面時，傳感器會捕捉當前的瓶口特征，與其所記憶的原瓶口特征進行比較，看是否一致，如果不同，傳感器會發(fā)出信號以剔除機構(gòu)將此瓶剔除。3. 灌封質(zhì)量檢測在藥品罐裝生產(chǎn)線上，另一個需要關(guān)心的問題是壓蓋后蓋子是否壓裝到位？藥液灌裝的是否夠量？以確保瓶子封閉完好，保證瓶內(nèi)的真空度，以及藥量是否正確。通過測量瓶蓋與瓶口之間的縫隙來判斷瓶蓋是否安裝到位；通過測量液面與瓶口的距離來判斷液位的高低。

均是相對位置的測量，因而不會受瓶子在傳送帶上的微弱跳動的影響。經(jīng)過此道檢測，能確保瓶蓋未安裝到位和藥液不夠的藥瓶全部被剔除出去。4. 液體藥品的雜質(zhì)和異物檢測液態(tài)藥瓶，經(jīng)罐裝后，要判斷藥液中是否會混入雜質(zhì)。利用工業(yè)相機采集圖像，基于相關(guān)軟件和算法，對液體藥品的雜質(zhì)實現(xiàn)實時在線檢測，確保藥品的純凈度。

上面僅僅列出了在食品藥品行業(yè)中的部分應用，機器視覺檢測能否廣泛應用，首先要使食藥品企業(yè)更多的了解機器視覺。