Viele Einflüsse können die Erkennungsleistung einer Maschine bei der automatischen visuellen Inspektion (AVI) beeinflussen. Eine der größten Herausforderungen ist die Erzeugung von Blasen im Füllprozess. Obwohl diese Blasen kein Risiko für den Patienten darstellen, stellen sie für die AVI eine große Herausforderung dar, nämlich die Unterscheidung dieser Blasen von kritischen Partikeln. Hohe Maschinengeschwindigkeiten, das Handling der Packmittel, der Füllprozess und die dadurch erhöhte Blasenbildung sind häufige Herausforderungen.

Aufgrund der Schwierigkeit, zwischen Blasen (unkritisch) und Partikeln (kritisch) zu unterscheiden, wird die AVI eine übermässige Anzahl von Ausschuss- oder Wiederholungsprüfungen produzieren. In beiden Fällen stellt dies ein erhebliches Geschäftsrisiko dar. Entweder müssen zeitraubende manuelle Nachprüfungen organisiert werden, oder im Falle eines Falschabwurfs werden gute Produkte aussortiert.

In Fällen, in denen es schwierig ist, zwischen Blasen und Partikeln zu unterscheiden, kann KI die Leistung eines klassischen Bildverarbeitungsalgorithmus deutlich übertreffen.

In einer groß angelegten Pre-Engineering-Studie mit einem Industriepartner konnten wir dies nachweisen. Eine grosse Charge von Mustern wurde vom Kunden zur Verfügung gestellt. Es wurden künstliche Defekte eingefügt, ähnlich wie bei einem Knapp-Test. Durch einen kontinuierlichen Serialisierungsprozess konnten diese dann durch den Kunden zurückverfolgt und die Klassifizierungen 1:1 verglichen werden. Beim Kunden wurde ein Serienversuch mit manueller Prüfung durchgeführt. Bei uns wurde ein Serienversuch auf einer Hochleistungsmaschine mit bis zu 600 Prüflingen pro Minute durchgeführt. Zunächst wurden die Algorithmen der klassischen Bildverarbeitung an die Messaufgabe angepasst. Diese konnten die Leistung der manuellen visuellen Inspektion abbilden, mit Ausnahme der Differenzierung von Partikeln und Blasen. Durch eine nachträglich geschulte, überwachte KI wurde die Erkennungsleistung jedoch im Vergleich zum klassischen Algorithmus signifikant verbessert.

Unser Ansatz ist daher eine tiefgreifende Vorstudie, bei der neben dem Design der optischen Komponenten auch die Bildverarbeitung bereits vorkonfiguriert ist. Teil der Vorstudie ist dann auch die Bestimmung der später erreichbaren Entdeckungsraten. Dies umfasst sowohl die klassischen Bildverarbeitungsalgorithmen als auch die Verwendung von künstlicher Intelligenz. Weitere Aufgaben können mit klassischen Bildverarbeitungsalgorithmen in ausreichender Qualität gelöst werden, während andere aufgrund ihres Schwierigkeitsgrades erst durch den Einsatz der KI für den Produktionseinsatz relevant werden.