Hoe ondersteunen Machine Vision-systemen farmaceutische kwaliteitsinspectie?

Machine vision-systemen verbeteren de farmaceutische kwaliteitsinspectie alleen bij het hanteren, camera's, optica, verlichting, beslissingsregels en afkeurcontrole als één geverifieerd proces. Definieer het defect, het kijkoppervlak, de aanvaardbare variatie en de lijnrespons voordat u hardware kiest. Stabiliseer de productpresentatie, maak scheidbare afbeeldingen, test de regel en bevestig dat de juiste eenheid wordt afgewezen. Resolutie alleen kan geen betrouwbaarheid garanderen.

Wat machine vision-systemen doen bij farmaceutische inspectie

Een farmaceutisch machine vision-systeem zet een gecontroleerd beeld om in een herhaalbare inspectiebeslissing. Het kan controleren of een kenmerk aanwezig is, de positie of grootte ervan meten, kleur of vorm vergelijken, gedrukte informatie lezen of een zichtbare oppervlakteconditie classificeren. De uitvoer kan accepteren, afwijzen, alarmeren, stoppen of vasthouden voor beoordeling, afhankelijk van het goedgekeurde proces.

Het systeem identificeert een waarneembare toestand aan de hand van een gedefinieerde regel; het bewijst niet de hoofdoorzaak van het proces. Een donkere vlek kan vervuiling, variatie in de coating, schittering, stof of presentatie zijn. Onderzoek afzonderlijk de oorzaak.

Voor een basisdefinitie, ziewat een vision-inspectiemachine is; Hier ligt de nadruk op betrouwbare lijnbeslissingen.

De zes elementen van een farmaceutisch visie-inspectiesysteem

Productpresentatie en tracking

Het product moet het inspectiepunt bereiken met gecontroleerde afstand, oriëntatie, beweging en achtergrond. Tabletten moeten mogelijk worden gescheiden en geroteerd; capsules hebben mogelijk eind- en lichaamsaanzichten nodig; blaren vereisen registratie; flessen en sluitingen moeten stabiel blijven voor het gewenste zicht.

Tracking koppelt de beeldbeslissing aan dezelfde eenheid op het weigeringsstation. Afstand, snelheid, sensorvolgorde en wachtrijgedrag zijn afhankelijk van de lay-out, het product, het formaat en de gevalideerde omstandigheden.

Camera, lens en gezichtsveld

De camera en lens moeten het kleinste relevante kenmerk over het vereiste gezichtsveld met de geplande lijnsnelheid oplossen. Nuttige selectie-invoeren zijn onder meer de objectgrootte, werkafstand, productbeweging, oppervlaktegeometrie, beschikbare montageruimte, belichtingstijd en het aantal weergaven. Meer pixels corrigeren bewegingsonscherpte, lensvervorming, slechte focus of een afgesloten oppervlak niet.

Verlichting en optisch contrast

Verlichting maakt het doelkenmerk meetbaar. Diffuse verlichting kan reflecties op gebogen of glanzende oppervlakken verminderen. Licht uit een lage-hoek kan randen, krassen of verhoogd materiaal benadrukken. Tegenlicht kan een omtrek, opening of ontbrekend element onthullen. Kleur-specifieke verlichting kan het contrast tussen een product en een merk vergroten. De juiste opstelling is afhankelijk van materiaal, kleur, afwerking, geometrie, camerahoek en de defectklasse.

Beeldverwerking en beslisregels

Software zet pixels om in metingen of klassen. Op regels-gebaseerde tools kunnen afmetingen, randpositie, contrast, aanwezigheid of afdrukuitlijning controleren. Classificatiehulpmiddelen kunnen gedefinieerde uiterlijkcategorieën scheiden. In beide gevallen moet de beslissingsgrens een representatief aanvaardbaar product en representatieve gebreken weerspiegelen. Een algoritme kan een defect dat niet zichtbaar is in het vastgelegde beeld niet compenseren. DeISPE-bespreking van visuele inspectie-machine learningbeschrijft valse ejects veroorzaakt door variatie in verlichting, containers, productuiterlijk en cameraomstandigheden; dePDA Journal paper over machinaal leren voor gevulde injecteerbare inspectiebehandelt modelprestaties eveneens als een applicatie- en datavraag, en niet als een universele nauwkeurigheidsclaim.

Controle en bevestiging afwijzen

Het afwijzingsmechanisme moet de eenheid verwijderen die aan het mislukte beeld is gekoppeld. De timing van de actuator is afhankelijk van het product en de snelheid; waar nodig bevestigt een stroomafwaartse sensor de gebeurtenis. Daag samen de beeldbeslissing, tracking, actuator, bevestiging, alarmen en herstel uit.

Records, recepten en toegangscontrole

In recepten kunnen product-specifieke camera-, verlichtings-, drempel- en timinginstellingen worden opgeslagen. Kwaliteits-relevante wijzigingen vereisen de goedgekeurde SOP, risicobeoordeling, toegangscontrole, wijzigingscontrole en validatieprocedure; opgeslagen afbeeldingen alleen zorgen niet voor naleving.

Voor elektronische documenten waarop wordt vertrouwd voor door de FDA-gereguleerde activiteiten, raadpleegt u de FDA-documentenDeel 11 toepassingsgebied en toepassingsrichtlijnen. Het gaat om elektronische documenten en handtekeningen binnen de relevante predicaat-regelcontext; het zorgt er niet voor dat elk afbeeldingsbestand of elke machine automatisch onderworpen is aan Deel 11. Voor GMP geautomatiseerde-levenscycluscontroles van systemen is de Europese CommissieEU GMP-bijlage 11bespreekt risicobeheer, validatie, audit trails, toegang en periodieke evaluatie. Pas de versie en interpretatie toe die vereist is voor de betreffende markten en het kwaliteitssysteem.

Bouw het inspectiebesluit vanaf het defect naar achteren

Begin met een inspectiebriefing, niet met een apparatuurbrochure. Noem het product, het oppervlak, het defect of kenmerk, de kleinste relevante toestand, normale variatie, lijnsnelheid, beslissing, afwijzingsreactie en bewijsmateriaal. Definieer dubbelzinnige termen zoals spanen, scheuren, afdekkingen, vlekken, variaties in de coating en acceptabele gereedschapsmarkeringen.

Vraag of het doeloppervlak consistent kan worden weergegeven. Een camera aan de zijkant kan een verborgen tabletoppervlak niet beoordelen, reflecterende folie heeft andere verlichting nodig dan mat materiaal, en een onstabiele capsulepositie kan opeenvolgende beelden veranderen. Het aanscherpen van een drempel kan het aantal valse afkeuringen verhogen zonder de gemiste defecten op te lossen.

Tenslotte: scheid detectie van dispositie. Detectie geeft aan wat het beeld laat zien. Dispositie geeft aan wat het proces met de eenheid doet. Een randbeeld kan afwijzing, beoordeling of een lijnalarm veroorzaken, afhankelijk van de goedgekeurde procedure. De inspectiedrempel mag niet stilletjes een product-vrijgavespecificatie worden.

Stem de camera- en verlichtingskeuzes af op de inspectietaak

Camerakeuze volgt het gewenste beeld. Gebieds-scancamera's leggen in een oogwenk een twee-dimensionaal veld vast en zijn geschikt voor vele aanwezigheids-, positie- en oppervlaktecontroles. Lijn-scancamera's vormen een beeld terwijl het product beweegt en zijn geschikt voor doorlopende banen of roterende oppervlakken. Voor gebogen producten of meerdere gezichten kunnen meerdere camera's nodig zijn. Het aantal camera's moet worden gerechtvaardigd door de dekking, en niet door een veronderstelde relatie tussen het aantal camera's en de nauwkeurigheid.

Gebruik een eenvoudig, testbaar dimensioneringskader in plaats van een vaste camerabelofte. AlsPis het aantal sensorpixels over het gezichtsveld,Fis het veld-met-weergavebreedte, endhet kleinste interessante kenmerk in dezelfde eenheden is, zijn de geschatte pixels voor dat kenmerkp = P × d ÷ F. Beschouw dit als een planningswaarde: contrast, optica, ruis, focus, beweging en de beslissingsmethode bepalen of het kenmerk daadwerkelijk detecteerbaar is. Voor bewegend product: bewegingsonscherpte bij benadering in afstandseenheden alsb = v × t, waarvis lijnsnelheid entis de belichtingstijd; overzettenbnaar pixels met dezelfde schaal en bevestig dit met uitdagingsafbeeldingen. Leg het gekozen gezichtsveld, de objectgrootte, de lijnsnelheid, de belichting en de waargenomen onscherpte vast in het testrapport, in plaats van een universeel minimum uit te vinden.

Bij verlichtingsproeven moeten daadwerkelijk aanvaardbare producten en representatieve defectmonsters worden gebruikt. Controleer verblinding, schaduwen, kleurvariaties, reliëfdruk, kerflijnen, transparante of reflecterende componenten en stof. Corrigeer de mechanische en optische opstelling voordat u de classificator traint of afstemt. Als de belichting, belichting, focus of camerapositie later veranderen, beoordeel dan of de gevalideerde inspectiestatus is veranderd.

Zie SED Pharmaassortiment farmaceutische visuele inspectieapparatuurEnautomatische visuele inspectiemachinereferentiepagina.

Stel machine vision-systemen in een gecontroleerde volgorde in bedrijf

Een inbedrijfstellingsreeks moet het hele inspectietraject bewijzen, niet alleen cameradetectie. Gebruik de volgende volgorde:

1. Keur de reikwijdte van de inspectie goed.Maak een lijst van productformaten, oppervlakken, defectklassen, acceptabele variaties, lijnomstandigheden, beslissingen en records.
2. Verzamel gecontroleerde monsters.Omvat representatieve acceptabele eenheden, bekende defecten, extreme formaten en moeilijke maar acceptabele variaties. Behoud de identiteit en toestand van het monster.
3. Stabiliseer de productpresentatie.Bevestig de afstand, oriëntatie, rotatie, achtergrond, trillingen en toegang tot elk vereist oppervlak.
4. Stel de optische methode in.Bepaal de camerapositie, gezichtsveld, focus, belichting en verlichting voordat u de beslissingsdrempels aanpast.
5. Ontwikkel en daag de regel uit.Test bekende goede en bekende defectmonsters. Beoordeel valse-afgekeurde en gemiste-defectpatronen op klasse, formaat, positie en werkingsconditie.
6. Controleer tracking en afwijzing.Volg geïdentificeerde monsters vanaf de trigger tot en met fysieke afwijzing en bevestiging, inclusief stops, herstarts, wachtrijwijzigingen en alarmen, indien van toepassing.
7. Documenteer de goedgekeurde staat.Registreer recepten, mechanische instellingen, optische instellingen, softwareversie waar nodig, monsterset, resultaten, acceptatiebeslissing en routinecontroles.

Monsterhoeveelheden, testfrequentie, snelheidsbereik en acceptatiecriteria moeten afkomstig zijn uit het -goedgekeurde protocol van de site, omdat ze afhankelijk zijn van het productrisico, de apparatuur, de formulering, het formaat en de beoogde kwaliteitsbeslissing. SED Pharma kan apparatuur organiseren en-interfacevragen beantwoorden; de kwaliteitseenheid behoudt de validatie- en dispositieverantwoordelijkheid.

Behoud de inspectieprestaties na het opstarten

Routinematige controles moeten afwijkingen detecteren voordat beslissingen worden gewijzigd. Inspecteer de optica, verlichting, bevestigingen, geleiders, sensoren en het uitwerpapparaat met procedure-gedefinieerde intervallen, en gebruik vervolgens een goedgekeurde referentie- of testset om de beeld- en uitwerpprestaties te bevestigen.

Evalueer elk nieuw product, materiaal, formaatonderdeel, licht, camera, software of afgewezen onderdeel. Deoverzicht van verpakkingsfoutenEnartikel over inspectie-uitdagingengeef context, geen product-specifieke validatie.

Veelgestelde vragen over machine vision-systemen

Wat is een farmaceutisch machine vision-systeem?

Het is een gecoördineerde set van productverwerking, camera's, optica, verlichting, beeld{0}}verwerkingssoftware, beslissingsregels, tracking en afkeuringscontroles die worden gebruikt om een ​​bepaald farmaceutisch product of pakket te inspecteren.

Wat veroorzaakt valse afwijzingen?

Veel voorkomende oorzaken zijn verblinding, onstabiele presentatie, focus- of belichtingsafwijking, stof op optische oppervlakken, een onvolledige referentieset en drempels die te smal zijn voor normale productvariatie.

Hoe moet de timing van de afwijzing worden getest?

Gebruik geïdentificeerde uitdagingseenheden en volg ze allemaal vanaf de beeldtrigger via de actuator en de stroomafwaartse bevestiging. De geschatte startvertraging isvertraging=trigger-naar-actuatorafstand ÷ lijnsnelheid + controlelatentie; verifieer dit bij elke goedgekeurde snelheid, omdat versnelling, afstand, buffering en actuatorreactie de relatie kunnen veranderen. Het goedgekeurde protocol stelt het aantal monsters en acceptatiecriteria vast.

Verbetert een camera met een hogere-resolutie de nauwkeurigheid?

Niet automatisch. Schat de pixels over het kleinste object op basis van sensorpixels, gezichtsveld en objectgrootte, en controleer vervolgens bewegingsonscherpte op basis van lijnsnelheid en belichtingstijd. Verblinding, lenskwaliteit, verlichting, contrast, beweging en dekking kunnen nog steeds beperkende factoren zijn.

Hoe moet een visiesysteem gevalideerd worden?

Definieer het beoogde gebruik en de risico's, documenteer vereisten en de goedgekeurde configuratie, daag representatieve goede en defectmonsters uit, verifieer detectie en fysieke afkeuring, registreer resultaten, en controleer wijzigingen en periodieke beoordeling volgens de validatieprocedure van de locatie.

Hoe moet u machine vision-systemen toepassen?

Betrouwbare machine vision-systemen beginnen met een gedefinieerde kwaliteitsvraag en eindigen met een bevestigde actie op de juiste eenheid. Presentatie, optiek, verlichting, beslissingsregels, tracking en afkeurbevestiging moeten samenwerken. Bekijk deze fasen in de juiste volgorde, wijzig factor voor factor en documenteer de kwaliteit-relevante wijzigingen via de goedgekeurde SOP, risicobeoordeling, wijzigingscontrole en validatieproces.

Geselecteerde gezaghebbende bronnen

Deze bronnen ondersteunen belangrijke punten op het gebied van risico-gebaseerde inspectie, elektronische dossiers, geautomatiseerde-systeemcontroles en geautomatiseerd inspectieonderzoek. Ze vervangen niet de toepasselijke site-SOP, het validatieprotocol of regionale vereisten.

• FDA: Inspectie van injecteerbare producten op zichtbare deeltjes(ontwerprichtlijn; is van toepassing op zichtbare-deeltjesbestrijding voor injecteerbare producten, niet automatisch op tabletten, capsules of verpakkingen).
• FDA: Deel 11 Elektronische documenten en elektronische handtekeningen(reikwijdte, validatie, records en handtekeningen).
• Europese Commissie: EU GMP Bijlage 11 Geautomatiseerde systemen(risicobeheer, validatie, audit trails en periodieke evaluatie).
• ISPE: Visie-inspectie met behulp van machinaal leren en kunstmatige intelligentie(geautomatiseerde visuele inspectie, valse uitwerpingen en modelbeperkingen).
• PDA Journal: Machine Learning toepassen op de visuele inspectie van gevulde injecteerbare geneesmiddelen(overwegingen bij machine learning-toepassingen voor geautomatiseerde inspectie van gevulde injecteerbare producten; voor overdracht naar andere formaten is afzonderlijk bewijsmateriaal vereist).