Dankzij voortdurende technologische vooruitgang kunnen steeds meer taken worden geautomatiseerd met machine vision. Een bijzonder uitdagend project werd succesvol afgerond bij het farmaceutische bedrijf Aspen Notre-Dame-De-Bondeville, waar gevulde ampullen moesten worden geïnspecteerd op vreemde deeltjes. Met de HALCON machine vision-software van MVTec en de ondersteuning van het customer service-team van MVTec werd de kwaliteitsscreening naar een hoger niveau gebracht.
Kunstmatige intelligentie komt steeds vaker voor in industriële omgevingen en maakt het mogelijk om zelfs veeleisendere taken te automatiseren. Bedrijven profiteren hiervan door aanzienlijke efficiëntiewinsten in verschillende processen. Machine vision is hiervoor bij uitstek geschikt, omdat in productieomgevingen grote hoeveelheden beelden snel beschikbaar zijn als trainingsdata.
Het farmaceutische bedrijf Aspen, met hoofdkantoor in Durban, Zuid-Afrika, zag eveneens kansen om te profiteren van machine vision in combinatie met deep learning. Het bedrijf, actief in de gezondheidszorg en farmaceutische industrie, heeft ook vestigingen in Europa, waaronder Notre-Dame-de-Bondeville in Frankrijk. Daar worden de componenten van de medicijnformule gewogen, gemengd en vervolgens in ampullen gevuld.
“Ons doel was om de inspectie van ampullen op mogelijke vreemde deeltjes te automatiseren. Kwaliteitsborging van farmaceutische producten is extreem belangrijk. Daarom was het essentieel dat de nieuwe oplossing kon tippen aan – of zelfs beter presteerde dan – de detectiegraad van het eerdere proces, dat werd uitgevoerd door menselijke inspecteurs,” legt Mickael Denis, Manager Operationnel Vision Industrielle, uit. Vincent Trombetta, Automatic Visual Inspection Expert bij Aspen, vult aan: “Het was duidelijk dat een taak als deze alleen geautomatiseerd kon worden met deep learning-technologieën. Voor de implementatie, die veel expertise vereiste, vertrouwden we op de consultancy van MVTec Software GmbH. Omdat de machine vision-oplossing op de inspectiemachine al met MVTec HALCON was geïmplementeerd, was het logisch om direct met de fabrikant samen te werken.”
Speciale uitdagingen in de farmaceutische industrie
Op de locatie in Notre-Dame-de-Bondeville worden de kunststof ampullen eerst geproduceerd – in dit geval geblazen – vervolgens gevuld en uiteindelijk verzegeld. Omdat al deze stappen in één machine plaatsvinden, is het proces zeer hygiënisch en kunnen nauwelijks vreemde deeltjes in de ampullen terechtkomen. Desondanks wordt dit proces uitgevoerd onder cleanroom-condities om het risico op contaminatie verder te minimaliseren. Deze aanpak staat bekend als BFS: “blow, fill, and seal”.
Na het vullen en verzegelen worden de ampullen naar een inspectie- en verpakkingsgebied getransporteerd. Daar worden zij gecontroleerd op defecten. Voorheen pakten medewerkers elke ampul handmatig op en controleerden deze van alle kanten op juiste vulling, afwijkingen en eventuele vreemde deeltjes in de vloeistof. De grootste uitdaging hierbij: luchtbellen in de ampullen lijken vaak sterk op vreemde deeltjes. Bovendien kunnen deeltjes op de zijkant zitten, naar de bodem zakken, of slecht zichtbaar zijn door de viscositeit van de vloeistof. Het is dan ook begrijpelijk dat handmatige inspectie tijdrovend en kostbaar is. Daarom moest het proces worden geautomatiseerd.
Inspectie met 14 beelden per ampul
In de nieuwe opstelling worden in totaal 12 GigE Vision-camera’s gebruikt. Goede verlichting is belangrijk om de deeltjes duidelijk zichtbaar te maken. De beeldverwerking draait op een industriële pc, aangestuurd door MVTec HALCON – standaardsoftware voor machine vision met meer dan 2.100 operators, inclusief deep learning.
Door de uitdagende omstandigheden in deze toepassing had deep learning duidelijke voordelen boven klassieke methoden. Regelgebaseerde methoden bleken niet flexibel en robuust genoeg om de defecten betrouwbaar te detecteren.
Het proces verloopt nu als volgt:
- Ampullen worden handmatig op een transportband geplaatst.
- De 12 camera’s maken vanuit verschillende hoeken tot 14 beelden per ampul.
- De grote variatie aan beelden helpt om deeltjes te detecteren die slechts onder bepaalde hoeken zichtbaar zijn.
- Een deeltje wordt alleen als defect aangemerkt als het in een bepaald aantal beelden wordt gedetecteerd — dit vermindert foutpositieven.
- In HALCON worden vervolgens deep learning-methoden toegepast, zoals semantische segmentatie, om vreemde deeltjes te identificeren.
- Parallel worden ook andere controles uitgevoerd, zoals vulniveau, kleur en sluiting, via klassieke machine vision-methoden zoals matching en blob-analyse.
Aan het einde volgt een duidelijke beslissing: OK of NOK.
MVTec levert advies en softwareondersteuning
“De taak was zeer complex – zeker een van de meest uitdagende die we ooit hebben gezien,” zegt Patrick Ratzinger, Project Manager bij MVTec. De grootste uitdaging lag in het voorbereiden van de beelden voor training. MVTec ondersteunde Aspen met:
- sorteren en nabewerken van beelddata,
- meerdere trainingsrondes uitvoeren,
- bouwen van een deep learning-netwerk dat deeltjes betrouwbaar segmenteert.
Testampullen werden gemanipuleerd om mogelijke defecten te simuleren, vastgelegd, en gelabeld met de MVTec Deep Learning Tool. De combinatie van goede en defecte beelden vormde de trainingsdataset.
MVTec deelde bovendien kennis over labeling, dataset-structuur en interpretatie van resultaten.
Hogere nauwkeurigheid, minder fouten
Beide productielijnen draaien nu volledig. “We wilden een toepassing ontwikkelen die het huidige niveau van machine vision weerspiegelt. We wilden deep learning inzetten om onze interne kennis uit te breiden. Met de ondersteuning van MVTec zijn we erin geslaagd de foutdetectie aanzienlijk te verbeteren en het aantal false negatives te verlagen,” vertelt Vincent Trombetta. Het bedrijf is van plan om in de toekomst verdere automatisering op basis van machine vision te implementeren.
