药品包装的自动化质量检测是什么?
药品包装的 AI 缺陷检测,通过一台相机和一个 AI 模型,盯住每一只离开泡罩包装机、装盒机和聚合通道的包装,在它到达发货之前把不合格件挑出来。模型不靠操作员守在控制面板旁,也不靠死板的规则机器视觉,而是学习你 SKU 组合中具体的泡罩规格、片型、纸盒图案、说明书语种和 DataMatrix 印刷质量,并在班次、产线速度、SKU 切换与说明书改版之间,提供一个稳定一致的视觉检查节点。
药品包装在产线速度下尤其难检——泡罩本身在不同片型与不同铝箔印刷之间反射方式不一样;几何形状可能是一只 30 片泡罩、一只双室西林瓶、一只 0.5 mL 安瓿、或一只装着粉末瓶和稀释剂的双室纸盒;每一只 SKU 都自带一份说明书、一组 DataMatrix 码和一份针对目标市场的多语种图案。围绕单一片型与单一图案写死的规则机器视觉,一旦切换到下一只 SKU、下一种说明书语种或下一种铝箔批次,就立刻失灵。AI 主导的检测能处理这些变化,因为模型学习的是真实生产帧,而不是固定阈值。
结果就是一道自动化的视觉检查节点,它补充你的批末抽样测试,并给你留下一份逐包装的图像记录。六周以后客户投诉回来时,你能从对应的批号、SKU 与时间段调出帧图,要么确认缺陷,要么用证据反驳。
药品包装产线上我们捕捉的缺陷
缺片或破片
缺片是指到达封箔工位时还空着的泡罩腔——原因可能是片仓送料故障、刷片刷不到位,或者拣放真空头吸不上有缺角的片。破片是指已经裂成两半或缺角的片,却被封进泡罩,直到病人打开包装时才被发现。操作员能在视觉透明度足够的泡罩上凭眼检查,但碰到铝塑泡罩、深腔大片或暗色片时就力不从心。AI 模型学习每个 SKU 的合格腔轮廓,在每一帧上比对每一个腔,并在缺片或破片到达封箔工位之前把对应的泡罩剔除出去。
泡罩铝箔针孔与封口缺陷
铝箔针孔是封盖铝箔上的微孔,由铝箔卷上游磨损、热封板上有颗粒,或封口压力漂移引起。封口缺陷包括封口不完整、封口变形,以及由颗粒污染引起的封口起皱。针孔会让水汽进入泡罩,在一年以下的稳定性研究里破坏药品的有效期;封口缺陷会让一只本应通过密封性测试的泡罩在装运箱里被压破。操作员凭眼几乎看不到针孔——它们在泡罩冲洗工位上只反射少量额外的光。AI 模型用合适的灯光放大针孔的反射对比,在还来得及把不合格批转去返工之前把它们标记出来。
腔内填充与朝向错误
腔内填充错误包括填错片(混批)、填了未涂衣的片(本应是涂衣的)、或填了同一形状但不同剂量的片。朝向错误是指腔内的片刻字面朝下、或胶囊的色环对调,在透明泡罩上对病人来说是显而易见的标识错误。操作员凭眼检查时,在产线速度下连色环朝向都难以稳定判读,更不用说同一形状不同剂量片的混批。AI 模型学习每个 SKU 在合格朝向下的腔图案,标记朝向偏离与剂量片型不匹配,使产线能在错版包装出货之前回到正轨。
纸盒标签与图案缺陷
纸盒缺陷包括印刷渗墨、缺色、贴标偏心、条形码与 DataMatrix 模糊,以及目标市场图案不匹配。贴标机或装盒机送的卷标版本错了一个,整批就会带着错误的剂量声明、错误的成分清单或错误的市场图案出货。操作员把正确的卷标和图案在班次开始时贴出来给装盒机操作员核对,但在 60 分钟之后,无论团队多有经验,误检率都会上升。AI 模型把每个 SKU 的合格图案保存为参考,在每一只纸盒离开装盒机时与之比对,标记错版图案、缺色、印刷渗墨与条码可读性缺陷。
序列化与 DataMatrix 可读性
序列化缺陷包括因为印刷头喷嘴堵塞导致 DataMatrix 码褪色、因为聚合扫描器漂移而报错的码、以及因为印刷头脏了导致缺失或重复的码。在出口到欧盟、美国和其他追溯与防伪市场的产线上,一只无法读取的码意味着整箱被聚合通道拒收,或者更糟,在批发商的扫描器上被拒收并触发对你 GMP 流程的监管查询。AI 模型评估每一只码的对比度、清晰度与几何完整性,在缺陷码到达聚合通道之前把对应的纸盒标记出来。
患者用药说明书缺陷
说明书缺陷包括漏插说明书、装错语种说明书(德国 SKU 装了意大利语说明书)、因纸张磨损而印刷模糊的说明书,以及在装盒机送纸链上撕裂的说明书。在多市场出货的车间里,语种错误是最常见的客户投诉,因为同一批药品图案对所有市场都一样,只有说明书的差异区分目的地。AI 模型在装盒机入口扫描每一份说明书的语种、印刷质量与折页完整性,并在错版纸盒被封口之前把它们标记出来。
让上述工作能在药品包装产线上落地的灯光配置是:一组从泡罩输送带正上方打下的漫射顶灯,一组从纸盒图案侧面打的低角度灯,以及一组在 DataMatrix 与铝箔检测处的可选 UV/IR 通道。一台带微距与广角镜头的 iPhone Pro,从单一检测工位就能覆盖这七类缺陷家族。我们把检测装置与泡罩包装机的编码器和聚合通道信号同步,这样被标记的包装就能驱动下游的剔除或返工决策。检测光学方案我们在客户上线时与你一起定。
Enao 如何在药品包装产线上运行
整套硬件成本不到 1,000 欧元,由一台翻新 iPhone Pro、一组漫射顶灯(可选侧面低角度灯条用来读纸盒图案)、一根 USB-C 数据线和一个能夹在泡罩输送带或装盒机出口的支架组成。首次部署不需要 PLC 集成,装置可以收进一只飞行箱,你布置的过程中产线照常运行。
上线流程是自助的。你的产线团队装好检测装置,打开 Enao 应用,在下一次 SKU 切换时开始采集参考帧。第一天就能在不打任何标签的情况下达到 80% 的准确率,到第十四天,模型在它见过的缺陷家族上已经超过人工检验员,并随着每一只被产线确认或拒收的标记包装持续提升。
每条产线的模型,都在学习它自己的泡罩规格、片型、纸盒图案与说明书语种长什么样。当你在同一条产线上换 SKU 时,模型在一个班次内适应。当你启用一条工艺相近的姊妹产线时,第二个模型从第一个模型积累的经验出发,边际投入急剧下降。一条从 10 片泡罩切到 30 片泡罩、或一条从西林瓶套件切到注射器套件的产线,在一个班次里就能消化这种变化。
不合格的包装在到达聚合通道之前就被截下来,偏差登记从 QC 办公室前移到检测节点,操作员把那些本来花在抽样核对上的小时,还给真正需要人来做的工作——包括 SKU 切换、说明书改版核对和客户投诉处理。
Enao 与人工检验和传统机器视觉的对比
对药品包装来说,这场对比聚焦在五个维度。
药品包装产线上的部署时间。 — 人工检验:每个操作员要培训若干小时,而且持续耗费工时。传统机器视觉:三到九个月的集成,加上每一种 SKU、片型、纸盒图案的规则集。Enao:你自己的团队一周内部署完成,第一天 80% 的准确率。
每条产线的硬件成本。 — 人工检验:前期零硬件成本,持续的人工成本。传统机器视觉:每条产线 4 万到 20 万欧元,用于工业相机、结构化照明与集成。Enao:每条产线不到 1,000 欧元,用一台翻新 iPhone Pro、灯具和支架。
处理新 SKU、泡罩规格与片型。 — 人工检验:每一种新 SKU、片型、纸盒图案都要重新培训操作员。传统机器视觉:每一种 SKU 都要重写规则集,通常外包给集成商。Enao:产线团队在一个班次内就能在新 SKU、片型与说明书语种上把模型重新教会,不需要碰一行代码。固体剂型、注射剂、口服液和组装套件,对相机来说都是同一类工作流。
对细微铝箔与图案漂移的检出准确率。 — 人工检验:班次开始时很高,三小时之后明显下降。传统机器视觉:在边缘几何上很强,但在细微的铝箔针孔与渐进的印刷漂移上较弱。Enao:从参考帧学习铝箔与图案的合格特征,在班次与批次之间保持稳定的检出率。
由谁来运行。 — 人工检验:经过培训的产线操作员,守在泡罩包装机或装盒机旁。传统机器视觉:系统集成商或专门的视觉工程师。Enao:你的产线团队,不需要外部专家。
医院药剂部和批发商对召回成本的投诉,远高于一台基于 iPhone 的检测装置的成本。Enao 就是为这个落差准备的。