Glasbruchkontrolle - Krempien+Petersen

Optische Inspektion mit Deep Learning für Vials und Spritzen

Vials und Fertigspritzen unterliegen in der pharmazeutischen Produktion höchsten Qualitäts- und Sicherheitsanforderungen. Risse, Sprünge, Abplatzungen oder Bruchstellen am Glaskörper, an Schulter, Boden oder Flansch können die Sterilbarriere gefährden und müssen zuverlässig erkannt werden. Unser KI-gestütztes Visionsystem zur Glasbruchkontrolle führt diese Prüfung vollautomatisch und reproduzierbar durch.

Das System erfasst die Behältnisse über hochauflösende Industriekameras und verwendet selbst-entwickelte und modernste Beleuchtungseinheiten auf LED-Basis.

Die Auswertung erfolgt über professionell trainierte Deep-Learning-Modelle, die Glaskörper und kritische Bereiche auf Defekte analysieren. Die Deep-Learning-Modelle sind statisch und erfüllen die Vorgaben der EU GMP ANNEX 22. Anders als bei regelbasierter Bildverarbeitung lernt das System anhand realer Gut- und Schlechtteile und erkennt dadurch auch variantenreiche oder schwer parametrierbare Fehlerbilder zuverlässig. Fehlerhafte Behältnisse werden eindeutig klassifiziert und ausgeschleust.

So gewährleisten Sie eine durchgängige, objektive Qualitätssicherung und reduzieren das Risiko, dass beschädigte Behältnisse in den Prozess gelangen.

Warum Deep Learning?

Klassische, regelbasierte Bildverarbeitung stößt bei der Glasbruchkontrolle schnell an Grenzen: Glas ist transparent, reflektiert Licht und erzeugt je nach Geometrie und Beleuchtung sehr unterschiedliche Erscheinungsbilder. Risse und Sprünge variieren in Lage, Form und Ausprägung – feste Regeln und Schwellwerte lassen sich hier nur mit hohem Aufwand und oft unzureichender Trennschärfe definieren.

Deep-Learning-Modelle lernen stattdessen direkt aus realen Bilddaten, was einen Defekt ausmacht. Dadurch erkennen sie auch unscharf abgegrenzte oder bisher unbekannte Fehlerbilder zuverlässig, reduzieren Fehlausschleusungen (Pseudoausschuss) und liefern eine stabile Erkennungsleistung – auch bei schwankenden Glas- und Prozessbedingungen. Mit zunehmender Datenmenge lässt sich die Erkennung gezielt weiter verbessern.

Technische Merkmale:

Unsere KUPvision Software erfüllt die Regularien der FDA 21 CFR Part 11 und EU GMP ANNEX 22
KI-basierte Defekterkennung mit trainierten Deep-Learning-Modellen
100-% Inline-Kontrolle von Vials und Spritzen bei einer Taktleistung von bis zu 650 Teile/min
Detektion von Rissen, Sprüngen, Abplatzungen und Bruchstellen an Glaskörper, Schulter und Flansch
Hohe Erkennungsrate auch bei variablen und komplexen Fehlerbildern
Manuelle, kontinuierliche Optimierung durch Nachtrainieren mit neuen Bilddaten möglich
Vollständige Prüfdatenerfassung zur Dokumentation und Rückverfolgbarkeit
Integration in bestehende Abfüll- / Montage- und Verpackungslinien

Glasbruchkontrolle in der Produktion

DL-Trainingsbilder mit Ergebnisgrafiken:

Ausschlaggebend bei der Modellerstellung ist eine klare Verteilung zwischen Gut- und Schlecht-Bildern:

Im Gegensatz zu herkömmlicher Bildverarbeitung, welche hervorragend für Produkte mit gleichem Aussehen verwendbar ist, ist Deep Learning ein neuer Ansatz für die industrielle Bildverarbeitung. Deep Learning verwendet neuronale Netze für das Detektieren von Fehlstellen, für Fehleranalyse und um Objekte zu lokalisieren und zu klassifizieren. Hierzu werden Bilder von einwandfreien und wenn erforderlich oder gewünscht auch fehlerhaften Produkten dem System zum Lernen präsentiert. Ein neuronales Netzwerk lernt also anhand von Beispielen wie ein Produkt aussehen muss und kann im Prüfprozess unter Berücksichtigung von erwarteten Abweichungen den Unterschied zwischen einem guten und einem fehlerhaften Teil erkennen.