Produktsicherheit und Qualitätssicherung in der Pharmaindustrie
Maschinen zum Pressen von Pillen in der Pharmaindustrie werfen mehr als einhundert Pillen pro Sekunde aus. Fehlerhaft gepresste Pillen sind mit den herkömmlichen Verfahren von Pillenprüfgeräten nur schwer zu identifizieren. Für ein Pharmaunternehmen hat Reply eine Lösung für dieses Problem entwickelt, die mit zwei Hochgeschwindigkeitskameras den vorderen und hinteren Teil der Pillen erfassen.
# Image Recognition
# Deep Learning
# Transfer Learning
# Automation
# Classification
,allowExpansion)
Automatisierte Qualitätssicherung mit Image Recognition
Maschinen zum Pressen von Pillen in der Pharmaindustrie werfen mehr als einhundert Pillen pro Sekunde aus. Fehlerhaft gepresste Pillen sind mit den herkömmlichen Verfahren von Pillenprüfgeräten nur schwer zu identifizieren, da die Defekte oft sehr klein und kaum zu erkennen sind. Die langen Reaktionszeiten der Prüfverfahren führen zu großen Mengen fehlerhafter Pillen, die anschließend aussortiert werden müssen.
Für ein Pharmaunternehmen hat Reply eine Lösung für dieses Problem entwickelt, die mit zwei Hochgeschwindigkeitskameras den vorderen und hinteren Teil der Pillen erfassen. Ein Deep-Convolutional-Auto-Encoder-Neural-Network analysiert dabei jedes Bild auf Abweichungen, meldet die Ergebnisse an ein Dashboard und stoppt, falls nötig, den Produktionsprozess. Dieses Verfahren des Transfer-Lernen hat eine zuverlässige Erkennungsgenauigkeit auch für sehr kleine Defekte möglich gemacht. Das Ergebnis sind kurze Reaktionszeiten, frühzeitige Fehlererkennung und aussagekräftige Fehlermeldungen zur Beseitigung des Problems. Dies automatische Prüfung jeder einzelnen Pille, die die Presse verlässt, stellt sicher, dass die defekten Pillen aussortiert werden, bevor sie verpackt werden. Die Anzahl der produzierten fehlerhaften Pillen kann reduziert werden und ist zudem leicht an verschiedene Pillenarten und -formen anpassbar.
Die Vorteile von Deep Learning
Warum ist Deep Learning der richtige Weg? Aufgrund der gestiegenen Rechenleistung ist es möglich geworden, die Bildanalyse durch neuronale Netze durchführen zu lassen, was mehrere Vorteile hat. Zunächst einmal extrahiert ein Deep Learning-Algorithmus automatisch die Merkmale für den Anwender. Früher brauchte man einen Experten, um solche Merkmale zu entwickeln. Und das war sehr aufwendig, denn die manuell erstellten Merkmale müssen beispielsweise drehungsinvariant sein. Deep Learning ist auch sehr robust gegenüber Veränderungen des Bildes. Wenn man zum Beispiel ein Objekt auf einem Bild als Hund klassifiziert hat, möchte man, dass das Modell einen Hund unabhängig von seiner Größe oder Farbe erkennt und unabhängig davon, ob er stehend sitzt oder auf einem Baum liegt. Das gilt auch für unsere Pillen. Wenn das Netzwerk die richtigen Merkmale gelernt hat, sind Sie unabhängig von Drehungen oder unterschiedlichen Lichtverhältnissen. Im Allgemeinen sind die Merkmale beim Deep Learning robuster, was sie auch universell wiederverwendbar macht.
Das bedeutet, dass Sie Merkmale lernen können, indem Sie Ihr Netzwerk auf einem allgemeinen Datensatz trainieren und es dann für verschiedene Klassifizierungsaufgaben wiederverwenden, was als Transferlernen bezeichnet wird. Obwohl das Training eine Weile dauert, kann das Deep Learning Netzwerk danach schnell und einfach auf eine große Anzahl von Bildern angewendet werden, anstatt für jedes Bild von Grund auf neu berechnet werden zu müssen. Es handelt sich also eher um einen gierigen Algorithmus: Sobald man die Gewichtung kennt, ist die Vorwärtspropagation nur eine schnelle lineare Transformation.
Fazit: Deep Learning-Techniken können eingesetzt werden, um selbst kleinste Qualitätsabweichungen in der Produktion zu erkennen. Die Ergebnisse und Abweichungen können in Echtzeit auf einer Dashboard-Anwendung ausgewertet werden und somit helfen, die Qualität sicherzustellen und unnötige Kosten der Fehlerbehebung zu vermeiden. Wann dürfen wir ihre Qualitätssicherung perfektionieren?