KI-Sichtprüfung für Pharma-Verpackung: Blister, Etiketten, Tamper Evidence
In den letzten zehn Jahren gehen laut FDA-Jahresberichten rund 15% der Pharma-Rückrufe auf Verpackungsfehler zurück. Die EMA-Daten zeigen das gleiche Bild. Etikettenverwechslungen, Blister-Siegelfehler, fehlende Tamper Evidence und unleserliche Chargen- oder Verfallscodes sind keine spektakulären Defekte. Sie sind aber die Defekte, die am teuersten werden, wenn ein Karton erst einmal das Lager verlassen hat.
Pharma-Verpackung ist eine der härtesten QS-Aufgaben in der Produktion. Jeder Karton trägt ein rechtliches Versprechen über Inhalt, Dosis, Verfall und Herkunft. Ein einziger falsch gelesener Chargencode kann einen Rückruf in Millionenhöhe auslösen. Genau deshalb hat die Branche seit Jahrzehnten in Bildverarbeitung investiert. Neu ist, dass KI-Sichtprüfung den Long Tail der Defekte abdeckt, mit denen regelbasierte Systeme seit jeher kämpfen, und das auf einer Linie mit 300 bis 600 Einheiten pro Minute.
Dieser Artikel zeigt Dir, welche Defektfamilien sich zu automatisieren lohnen, wo klassische regelbasierte Bildverarbeitung weiterhin die erste Wahl ist, wo KI-Sichtprüfung ihren Platz findet, und wie Enao Vision eine iPhone-basierte Station auf einer Pharma-Verpackungslinie in Tagen statt Wochen in Betrieb nimmt.
Die vier Defektfamilien auf einer Pharma-Verpackungslinie
Pharma-QS-Teams gruppieren Verpackungsfehler üblicherweise in vier Familien. Jede hat ein eigenes Fehlermuster und ein eigenes passendes Prüfwerkzeug.
1. Blister-Siegel und Kavitätsdefekte
Blister fallen auf kleine, visuell subtile Weisen aus. Eine unzureichende Siegelung lässt Feuchtigkeit durch. Ein Mikroloch in der Folie lässt Sauerstoff rein. Eine fehlende oder gebrochene Tablette in einer Kavität ist ein Dosierungsfehler in Wartestellung. Regelbasierte Bildverarbeitung erkennt die offensichtlichen Fälle (leere Kavität, klar gebrochenes Siegel), aber der Long Tail aus Teilsiegelungen, Folienfalten und Mikrolöchern ist der Bereich, in dem Prüfung teuer wird.
KI-Sichtprüfung, die mit wenigen hundert Gut- und Schlecht-Beispielen pro SKU trainiert wurde, erkennt diese subtilen Fehler ohne handcodierte Regeln. Das neuronale Netz lernt, wie ein gutes Siegel aussieht, und markiert jede Abweichung. Das ist dasselbe Muster, das wir in unserem Guide zur Anomalieerkennung in der Fertigung beschreiben.
2. Etiketten- und Kartondruckfehler
Das ist die Rückruf-Risikokategorie. Ein falsches Etikett auf einem Karton ist ein Patientensicherheitsvorfall. Die konkreten Fehler: falsche SKU auf dem Karton, beschädigtes oder schiefes Etikett, Tintenfleck auf dem Chargencode, unleserliches Verfallsdatum, fehlende Braille-Prägung (in der EU nach Richtlinie 2001/83/EG verpflichtend) und Druckfehler in den variablen Datenfeldern.
Barcode- und OCR-Engines bewältigen die strukturierten Daten gut. Schwierig wird es an zwei Stellen: kontrastarmer Druck auf reflektierender Folie und schnelle Formatwechsel, bei denen sich die Beleuchtung zwischen SKUs verschiebt. Genau das sind die Fälle, in denen ein KI-Modell, das auf der vollen Bandbreite der Linienbedingungen trainiert ist, eine regelbasierte Engine übertrifft. Unser Beleuchtungs-Guide für KI-Sichtprüfung erklärt, warum die Linienbeleuchtung der größte einzelne Hebel für Druckprüfungsgenauigkeit ist.
3. Tamper Evidence und Verschlussintegrität
Tamper-Bänder an Flaschen, Induktionssiegel unter Kappen und kindersichere Verschlüsse haben jeweils ihr eigenes QS-Muster. Die Fehlermodi sind klein, dreidimensional und oft nur aus einem bestimmten Winkel sichtbar. Ein fehlendes Tamper-Band ist offensichtlich. Ein Tamper-Band, das zwar vorhanden, aber an einer Kante eingerissen ist, ist der Typ Fehler, der durch eine stichprobenbasierte QS rutscht und später als Verbraucherbeschwerde auftaucht.
KI-Sichtprüfung bewältigt das gut, weil das Modell aus der gesamten Verteilung guter Flaschen lernt, nicht aus einer einzelnen Referenzvorlage. Das ist dieselbe Logik, die wir in der Etiketten- und Siegelprüfung für Lebensmittel und Getränke anwenden, wo die Fehlermodi ähneln, auch wenn der regulatorische Rahmen ein anderer ist.
4. Serialisierung und Track-and-Trace-Codes
Unter der FDA DSCSA und der EU-Richtlinie gegen Arzneimittelfälschungen (FMD) trägt jede verkaufsfähige Einheit einen 2D-Data-Matrix-Code mit GTIN, Seriennummer, Charge und Verfall. Die Prüfung hat hier zwei Aufgaben: verifizieren, dass der Code von einem Cold-Reader lesbar ist, und verifizieren, dass der menschenlesbare Text daneben dem Codeinhalt entspricht. Die Code-zu-Text-Abweichung ist ein klassischer Fehlermodus nach einem Farbbandwechsel und der Typ Fehler, der eine ganze Charge nacharbeiten lässt, wenn er erst im Distributionszentrum statt auf der Linie auffällt.
Wo regelbasierte Bildverarbeitung weiterhin gewinnt
Regelbasierte Bildverarbeitung ist weiterhin das richtige Werkzeug für kontrastreiche, schnelle Maßprüfungen. Blister-Abmessungen messen, Präsenz oder Abwesenheit einer Tablette in einer Kavität erkennen, einen kontrastreich gedruckten Chargencode mit 600 BPM lesen: Das sind gelöste Probleme mit einem traditionellen Vision-System. Es gibt keinen Grund, sie mit einem neuronalen Netz neu zu lösen. Das nützliche Denkmodell: Regelbasierte Bildverarbeitung übernimmt die bekannten Prüfregeln, KI-Sichtprüfung den Long Tail der 'Ich erkenne es, wenn ich es sehe'-Defekte. Unser Guide zur Machine-Vision-Prüfung geht den Entscheidungsbaum für jede Station durch.
Warum KI-Sichtprüfung in der Pharma ihr Geld wert ist
Pharma-Verpackungslinien teilen drei Merkmale, die KI-basierte Prüfung begünstigen. Erstens ist die SKU-Vielfalt hoch. Ein Lohnhersteller fährt in einem Monat 30 bis 80 verschiedene SKUs über dieselbe Linie, jede mit eigenem Artwork, Kartongröße und Etikettengeometrie. Ein regelbasiertes System für jeden Wechsel neu zu codieren ist teuer. Ein Modell zu trainieren, das über die SKU-Familie generalisiert, ist es nicht.
Zweitens ist die Kostenasymmetrie bei Defekten extrem. Eine übersehene Maßabweichung kostet eine Nacharbeit. Ein übersehener Falschetiketten-Event kann einen Rückruf kosten. Diese Asymmetrie rechtfertigt eine zweite Verteidigungslinie auf den visuell mehrdeutigen Defekten, selbst wenn die erste bereits ein regelbasiertes System ist.
Drittens bedeuten GMP-Dokumentationspflichten, dass jedes Prüfereignis bereits einen Audit Trail erzeugt. Ein KI-Modell hinzuzufügen, das seine Entscheidungen in denselben Chargenbericht schreibt, ist Inkrementalarbeit, kein neues Compliance-Projekt. Das ist dasselbe Muster, das Ford in seinem MAIVS Smartphone-Prüfprogramm beschrieben hat, wo der Prüfbericht neben der bestehenden Qualitätsdokumentation stand, anstatt sie zu ersetzen.
Wie eine Enao-Station auf eine Pharma-Verpackungslinie passt
Enao Vision stellt eine iPhone-basierte Prüfstation bereit, die das Modell auf dem Gerät ausführt. Hardware, um eine Station zum Laufen zu bringen, liegt unter 1.000 Euro: ein refurbished iPhone, eine Halterung, Kabel und ein Ringlicht. Die Station verbindet sich mit einer lokalen SPS oder einem Linien-Controller über OPC UA und schreibt Gut/Schlecht plus Bild in den Chargenbericht. Daten bleiben standardmäßig on-premise, was das 21-CFR-Part-11-Gespräch mit der Qualitätsabteilung vereinfacht.
Die Inbetriebnahme ist schnell, weil kein promovierter Data Scientist das Modell trainieren muss. Eine Linienführungskraft läuft die Linie ab, labelt 200 bis 500 Bilder pro Defektklasse, und das Modell ist bis zur nächsten Schicht bereit für einen Shadow-Run. Dasselbe Muster beschreiben wir in Was ist KI-Sichtprüfung, und so halten wir die Gesamtbetriebskosten unter einem klassischen Industriekamera-plus-IPC-plus-GPU-Bundle.
Die ehrlichen Grenzen
Ein paar Dinge löst KI-Sichtprüfung in der Pharma nicht. Sie ersetzt keine Serialisierungs-Reader für aggregierte Case-Codes. Das bleibt eine dedizierte Aufgabe für industrielle Cold-Reader. Sie garantiert keine Null-Falsch-Rückweisungsrate am Tag 1. Ein Modell, das 300 gute Beispiele gesehen hat, wird überreagieren, bis es 3.000 gesehen hat. Und sie nimmt die GMP-Validierungsarbeit nicht weg. Das Modell ist Teil des Qualitätssystems und wird wie jedes andere QS-Gerät validiert. Was sie leistet: Sie erweitert den Satz an Defekten, die eine einzelne Station erkennen kann, und das, ohne einen neuen Hardware-Lieferanten auf die Linie zu holen.
Wie es weitergeht
Wenn Du ein Pharma-Verpackungs-QS-Upgrade planst, lohnen sich drei Lektüren neben diesem Artikel. Unser Guide zu AOI jenseits der Leiterplatte deckt das allgemeine Muster von AOI auf Nicht-Elektronik-Linien ab. Der Guide zur industriellen Bildverarbeitung ist das Grundlagenstück dazu, wie ein Vision-System aufgebaut ist. Und die Fallstudie zu Fords smartphone-basiertem Prüfprogramm ist der beste öffentliche Beleg für Smartphone-basierte Sichtprüfung im Maßstab.
Wenn Du sehen willst, wie ein Enao-Deployment auf einer Pharma-Linie aussieht, führen wir eine enge Community von Herstellern, die Smartphone-basierte Sichtprüfung testen. Tritt der Enao Community bei und wir teilen Deployment-Checklisten, Akzeptanz-Playbooks für Bedienpersonal und eine Referenz-Stückliste für eine Pharma-Blister- oder Kartonprüfstation.