集成质量检测流程继续为医疗器械制造生产做出重大贡献,包括提供自动化检测功能作为实时质量控制程序的一部分。早在 COVID-19 之前,医疗设备制造商就利用人工智能 (AI)、机器视觉、机器人和深度学习等技术快速改造其工厂车间。
这些投资使他们能够在当前时期继续生产关键和高需求的产品,甚至提高产量以帮助应对这流行病。医疗设备制造商必须精益、高速,并能够快速、轻松地切换产品变型,所有这些都经过“良好自动化制造实践”(GAMP) 的验证。大多数医疗器械生产过程都涉及某种程度的视觉检查,通常是由于验证要求或速度限制(操作员无法跟上生产速度)。因此,这些系统必须强大、易于理解并无缝集成到生产控制和工厂信息系统中,这一点至关重要。
深度学习
从历史上看,此类视觉系统一直使用传统的机器视觉算法来完成一些日常任务:例如设备测量、表面检查、标签读取和组件验证。现在,新的“深度学习”算法可以为视觉系统提供基于向系统显示的样本进行“学习”的能力,从而使质量控制过程能够反映操作员学习过程的方式。因此,这两个系统有所不同:传统系统是描述性分析,而新的深度学习系统基于预测分析。
创新的机器和深度学习流程确保更强大的识别率。医疗设备制造商可以从自动化水平的提高中受益。深度学习算法使用分类器,可以以更高的速度进行图像分类、对象检测和分割。它还可以提高生产效率,可靠地识别、分配和处理更广泛的物体,例如泡罩包装、模具和密封件。通过提高部署的机器视觉系统的质量和精度,这为在这个需求领域运营的制造商增加了一层受欢迎的保证。
深度学习在医疗设备制造中还有其他用途。由于人工智能依靠机器学习和深度学习等多种方法来观察数据中发现的模式,因此深度学习是机器学习的一个子领域,它通过创建人工神经网络 (ANN) 来模仿人脑中的神经网络。就像人脑解决问题一样,软件接受输入、处理它们并生成输出。它不仅可以帮助识别缺陷,而且可以帮助识别医疗设备中缺失的组件。此外,深度学习通常可以对缺陷类型进行分类,从而实现闭环过程控制。
深度学习无疑可以通过跨生产线、班次和工厂提供一致的结果来改善医疗器械行业的质量控制。它可以通过高速自动化检测来降低劳动力成本。它可以帮助制造商避免代价高昂的召回并解决产品问题,保护供应链末端人员的健康和安全。
人工智能的局限性
然而,深度学习并不是所有医疗设备和制药视觉检测应用的灵丹妙药。由于联邦药物管理局 (FDA)/GAMP 与验证相关的规则,在某些应用中采用可能具有挑战性。
主要问题是验证此类系统的能力有限。由于利用人工智能算法的视觉检测解决方案需要样本数据,包括好样本和坏样本——这使得在需要定量数据的情况下验证过程变得极其困难。传统的机器视觉将提供与测量、灰度级、特征提取、计数等相关的特定输出,这些输出通常用于验证过程。对于深度学习,唯1的输出是“通过”或“失败”。
这是深度学习机器视觉解决方案的限制能力——用户必须盲目接受人工智能工具提供的决策,而不会为选择提供详细的解释。在这种情况下,应该提前审查视觉检测应用,看看人工智能是否适用并适合这样的解决方案。
结论
总之,工业质量控制中机器视觉的深度学习现已广泛应用。然而,必须详细审查每个应用程序 - 了解合适的解决方案是利用具有可量化指标的传统机器视觉,还是使用深度学习并根据所提供的数据池做出决策。随着人工智能和深度学习系统在视觉系统应用中的不断发展,我们将看到更多新颖的方法来调整解决方案以取代传统的图像处理技术。