一隻缺片的泡罩在揀貨員發現之前就被打包到月度配送中;一份義大利語說明書漏插進發往波蘭藥房的紙盒;一組褪色的 DataMatrix 碼使整批產品在批發商的掃描器上被退回。在向醫院、批發商和零售藥房出貨泡罩、瓶子、安瓿、注射器和組裝套件的藥品包裝產線上,任何一隻帶著隱藏缺陷離開裝盒機的紙盒,都會讓你付兩次代價。紙盒以你的批號出貨。然後客戶的掃描器、藥劑師或終端使用者發現缺陷,召回通知發出,監管檢查員上門,下一季度的產能配額轉給街對面的同行。操作員能擋住明顯的缺陷,但 4K 微距鏡頭在高速產線上能看到的鋁箔針孔,正是疲倦的人在第三小時之後會漏掉的那一類。藥品包裝的自動化品質檢測就是來補這個口子的——而且你不需要一臺六位數的視覺系統來做這件事。
藥品包裝的自動化品質檢測是什麼?
藥品包裝的 AI 缺陷檢測,透過一臺相機和一個 AI 模型,盯住每一隻離開泡罩包裝機、裝盒機和聚合通道的包裝,在它到達發貨之前把不合格件挑出來。模型不靠操作員守在控制面板旁,也不靠死板的規則機器視覺,而是學習你 SKU 組合中具體的泡罩規格、片型、紙盒圖案、說明書語種和 DataMatrix 印刷品質,並在班次、產線速度、SKU 切換與說明書改版之間,提供一個穩定一致的視覺檢查節點。
藥品包裝在產線速度下尤其難檢——泡罩本身在不同片型與不同鋁箔印刷之間反射方式不一樣;幾何形狀可能是一隻 30 片泡罩、一隻雙室西林瓶、一隻 0.5 mL 安瓿、或一隻裝著粉末瓶和稀釋劑的雙室紙盒;每一隻 SKU 都自帶一份說明書、一組 DataMatrix 碼和一份針對目標市場的多語種圖案。圍繞單一片型與單一圖案寫死的規則機器視覺,一旦切換到下一隻 SKU、下一種說明書語種或下一種鋁箔批次,就立刻失靈。AI 主導的檢測能處理這些變化,因為模型學習的是真實生產幀,而不是固定閾值。
結果就是一道自動化的視覺檢查節點,它補充你的批末抽樣測試,並給你留下一份逐包裝的影像記錄。六週以後客戶投訴回來時,你能從對應的批號、SKU 與時間段調出幀圖,要麼確認缺陷,要麼用證據反駁。
藥品包裝產線上我們捕捉的缺陷
缺片或破片
缺片是指到達封箔工位時還空著的泡罩腔——原因可能是片倉送料故障、刷片刷不到位,或者揀放真空頭吸不上有缺角的片。破片是指已經裂成兩半或缺角的片,卻被封進泡罩,直到病人開啟包裝時才被發現。操作員能在視覺透明度足夠的泡罩上憑眼檢查,但碰到鋁塑泡罩、深腔大片或暗色片時就力不從心。AI 模型學習每個 SKU 的合格腔輪廓,在每一幀上比對每一個腔,並在缺片或破片到達封箔工位之前把對應的泡罩剔除出去。
泡罩鋁箔針孔與封口缺陷
鋁箔針孔是封蓋鋁箔上的微孔,由鋁箔捲上遊磨損、熱封板上有顆粒,或封口壓力漂移引起。封口缺陷包括封口不完整、封口變形,以及由顆粒汙染引起的封口起皺。針孔會讓水汽進入泡罩,在一年以下的穩定性研究裡破壞藥品的有效期;封口缺陷會讓一隻本應透過密封性測試的泡罩在裝運箱裡被壓破。操作員憑眼幾乎看不到針孔——它們在泡罩沖洗工位上只反射少量額外的光。AI 模型用合適的燈光放大針孔的反射對比,在還來得及把不合格批轉去返工之前把它們標記出來。
腔內填充與朝向錯誤
腔內填充錯誤包括填錯片(混批)、填了未塗衣的片(本應是塗衣的)、或填了同一形狀但不同劑量的片。朝向錯誤是指腔內的片刻字面朝下、或膠囊的色環對調,在透明泡罩上對病人來說是顯而易見的標識錯誤。操作員憑眼檢查時,在產線速度下連色環朝向都難以穩定判讀,更不用說同一形狀不同劑量片的混批。AI 模型學習每個 SKU 在合格朝向下的腔圖案,標記朝向偏離與劑量片型不匹配,使產線能在錯版包裝出貨之前回到正軌。
紙盒標籤與圖案缺陷
紙盒缺陷包括印刷滲墨、缺色、貼標偏心、條形碼與 DataMatrix 模糊,以及目標市場圖案不匹配。貼標機或裝盒機送的卷標版本錯了一個,整批就會帶著錯誤的劑量宣告、錯誤的成分清單或錯誤的市場圖案出貨。操作員把正確的卷標和圖案在班次開始時貼出來給裝盒機操作員核對,但在 60 分鐘之後,無論團隊多有經驗,誤檢率都會上升。AI 模型把每個 SKU 的合格圖案儲存為參考,在每一隻紙盒離開裝盒機時與之比對,標記錯版圖案、缺色、印刷滲墨與條碼可讀性缺陷。
序列化與 DataMatrix 可讀性
序列化缺陷包括因為印刷頭噴嘴堵塞導致 DataMatrix 碼褪色、因為聚合掃描器漂移而報錯的碼、以及因為印刷頭髒了導致缺失或重複的碼。在出口到歐盟、美國和其他追溯與防偽市場的產線上,一隻無法讀取的碼意味著整箱被聚合通道拒收,或者更糟,在批發商的掃描器上被拒收並觸發對你 GMP 流程的監管查詢。AI 模型評估每一隻碼的對比度、清晰度與幾何完整性,在缺陷碼到達聚合通道之前把對應的紙盒標記出來。
患者用藥說明書缺陷
說明書缺陷包括漏插說明書、裝錯語種說明書(德國 SKU 裝了義大利語說明書)、因紙張磨損而印刷模糊的說明書,以及在裝盒機送紙鏈上撕裂的說明書。在多市場出貨的車間裡,語種錯誤是最常見的客戶投訴,因為同一批藥品圖案對所有市場都一樣,只有說明書的差異區分目的地。AI 模型在裝盒機入口掃描每一份說明書的語種、印刷品質與摺頁完整性,並在錯版紙盒被封口之前把它們標記出來。
讓上述工作能在藥品包裝產線上落地的燈光配置是:一組從泡罩輸送帶正上方打下的漫射頂燈,一組從紙盒圖案側面打的低角度燈,以及一組在 DataMatrix 與鋁箔檢測處的可選 UV/IR 通道。一臺帶微距與廣角鏡頭的 iPhone Pro,從單一檢測工位就能覆蓋這七類缺陷家族。我們把檢測設備與泡罩包裝機的編碼器和聚合通道訊號同步,這樣被標記的包裝就能驅動下游的剔除或返工決策。檢測光學方案我們在客戶上線時與你一起定。
Enao 如何在藥品包裝產線上執行
整套硬體成本不到 1,000 歐元,由一臺翻新 iPhone Pro、一組漫射頂燈(可選側面低角度燈條用來讀紙盒圖案)、一根 USB-C 資料線和一個能夾在泡罩輸送帶或裝盒機出口的支架組成。首次部署不需要 PLC 整合,設備可以收進一隻飛行箱,你佈置的過程中產線照常執行。
上線流程是自助的。你的產線團隊裝好檢測設備,開啟 Enao 應用,在下一次 SKU 切換時開始採集參考幀。第一天就能在不打任何標籤的情況下達到 80% 的準確率,到第十四天,模型在它見過的缺陷家族上已經超過人工檢驗員,並隨著每一隻被產線確認或拒收的標記包裝持續提升。
每條產線的模型,都在學習它自己的泡罩規格、片型、紙盒圖案與說明書語種長什麼樣。當你在同一條產線上換 SKU 時,模型在一個班次內適應。當你啟用一條工藝相近的姊妹產線時,第二個模型從第一個模型積累的經驗出發,邊際投入急劇下降。一條從 10 片泡罩切到 30 片泡罩、或一條從西林瓶套件切到注射器套件的產線,在一個班次裡就能消化這種變化。
不合格的包裝在到達聚合通道之前就被截下來,偏差登記從 QC 辦公室前移到檢測節點,操作員把那些本來花在抽樣核對上的小時,還給真正需要人來做的工作——包括 SKU 切換、說明書改版核對和客戶投訴處理。
Enao 與人工檢驗和傳統機器視覺的對比
對藥品包裝來說,這場對比聚焦在五個維度。
藥品包裝產線上的部署時間。 — 人工檢驗:每個操作員要培訓若干小時,而且持續耗費工時。傳統機器視覺:三到九個月的整合,加上每一種 SKU、片型、紙盒圖案的規則集。Enao:你自己的團隊一週內部署完成,第一天 80% 的準確率。
每條產線的硬體成本。 — 人工檢驗:前期零硬體成本,持續的人工成本。傳統機器視覺:每條產線 4 萬到 20 萬歐元,用於工業相機、結構化照明與整合。Enao:每條產線不到 1,000 歐元,用一臺翻新 iPhone Pro、燈具和支架。
處理新 SKU、泡罩規格與片型。 — 人工檢驗:每一種新 SKU、片型、紙盒圖案都要重新培訓操作員。傳統機器視覺:每一種 SKU 都要重寫規則集,通常外包給整合商。Enao:產線團隊在一個班次內就能在新 SKU、片型與說明書語種上把模型重新教會,不需要碰一行程式碼。固體劑型、注射劑、口服液和組裝套件,對相機來說都是同一類工作流。
對細微鋁箔與圖案漂移的檢出準確率。 — 人工檢驗:班次開始時很高,三小時之後明顯下降。傳統機器視覺:在邊緣幾何上很強,但在細微的鋁箔針孔與漸進的印刷漂移上較弱。Enao:從參考幀學習鋁箔與圖案的合格特徵,在班次與批次之間保持穩定的檢出率。
由誰來執行。 — 人工檢驗:經過培訓的產線操作員,守在泡罩包裝機或裝盒機旁。傳統機器視覺:系統整合商或專門的視覺工程師。Enao:你的產線團隊,不需要外部專家。
醫院藥劑部和批發商對召回成本的投訴,遠高於一臺基於 iPhone 的檢測設備的成本。Enao 就是為這個落差準備的。