Come controllare la qualità dei prodotti farmaceutici
Nell’industria farmaceutica, i macchinari sono in grado di produrre più di cento pastiglie al secondo. Le pastiglie difettose sono però difficili da individuare. Reply, per rispondere a questa problematica, ha sviluppato per un'azienda farmaceutica una soluzione utilizzando due telecamere ad alta velocità che fotografano la parte anteriore e posteriore delle pastiglie.
# Image Recognition
# Deep Learning
# Transfer Learning
# Automation
# Classification
,allowExpansion)
Controllo qualità automatizzato grazie al riconoscimento delle immagini
Nell’industria farmaceutica, i macchinari sono in grado di produrre più di cento pastiglie al secondo. Le pastiglie difettose sono però difficili da individuare con i metodi tradizionali dei dispositivi di ispezione, poiché i difetti sono spesso minimi e difficilmente rilevabili. A causa dei lunghi tempi di reazione delle procedure di testing, devono quindi essere scartate ingenti quantità di pastiglie difettose.
Reply ha sviluppato una soluzione a questo problema per un’azienda farmaceutica, utilizzando due telecamere ad alta velocità che fotografano la parte anteriore e posteriore delle pastiglie. Una rete neurale di autoencoder convoluzionale analizza ciascuna immagine per trovare deviazioni, riporta i risultati a una dashboard e, se necessario, arresta il processo di produzione. Questo processo di transfer learning ha reso possibile un rilevamento preciso e affidabile anche dei più minimi difetti in tempi molto brevi ed è facilmente adattabile a diversi tipi e forme di pastiglie. L’ispezione automatica di ciascuna pastiglia che lascia la pressa garantisce così che le pastiglie difettose vengano scartate prima dell’imballaggio e, in generale, riduce il numero di pastiglie difettose prodotte.
I vantaggi del Deep Learning
Perché affidarsi al Deep Learning? Come prima cosa, un algoritmo di Deep Learning consente di estrae automaticamente e in tempi brevi le caratteristiche principali da un'immagine. In passato, per fare ciò era necessario un esperto, il che richiedeva molto tempo poiché le caratteristiche di un'immagine definite manualmente devono presentare per esempio un’invarianza rotazionale. Inoltre, il Deep Learning si adatta bene ai cambiamenti di immagine. Per esempio, se un oggetto in un’immagine è stato classificato come un cane, è opportuno che il modello riconosca un cane indipendentemente dalla sua taglia o colore e indipendentemente dal fatto che sia seduto o sdraiato su un albero. Lo stesso vale per le nostre pastiglie. Una vota che la rete ha appreso le proprietà corrette, non conta come sono scattate o le loro differenti condizioni di illuminazione. In generale, le proprietà sono più stabili nel Deep Learning, il che le rende universalmente riutilizzabili.
Ciò significa che è possibile apprendere proprietà allenando la rete su un insieme di dati generale e, in seguito, riutilizzarlo per compiti di classificazione differenti, il che viene definito transfer learning. Sebbene il training richieda tempo, la rete di Deep Learning può essere successivamente applicata in modo rapido e semplice a un ampio numero di immagini, al posto di crearla nuovamente per ciascuna immagine. Si tratta pertanto di un algoritmo greedy: una volta che si conosce la ponderazione, la propagazione è soltanto una rapida trasformazione lineare.
Le tecniche di Deep Learning possono quindi essere utilizzate per rilevare anche le più piccole deviazioni di qualità nella produzione. I risultati possono essere valutati in tempo reale su dashboard, contribuendo così a garantire la qualità ed evitare inutili costi di assistenza. In Reply, siamo pronti a supportarvi nel perfezionare il vostro processo di controllo qualità.