Повышение уровня качества упаковки на фарм производстве с помощью ИИ

• Контроль качества стеклянных флаконов
• Камеры с ИИ для распознавания стекла
• Дополнительное обучение системы
• Принцип работы
• Новые проекты
• Выводы

Евгений Зайцев, директор по ИТ и автоматизации бизнес-процессов «Биннофарм Групп», рассказал о внедрении искусственного интеллекта на производстве лекарственных средств для дополнительного контроля качества выпускаемой продукции.

Контроль качества стеклянных флаконов

Курганский завод «Синтез», входящий в состав «Биннофарм Групп», – предприятие, которое специализируется на производстве лекарственных препаратов и является одним из крупнейших производителей антибиотиков в стране. Фармацевтический завод – сложный организм, где необходимо, чтобы все работало точно. Поэтому на заводе на постоянной основе реализуются проекты по модернизации, особое внимание уделяется качеству продукции, используются современные технологии, которые минимизируют риски брака на производстве.

Одним из проектов поддержки уровня качества выпускаемой продукции стало внедрение технологии компьютерного зрения и глубокого машинного обучения для проверки на соответствие требованиям продукции в точках производства, где человек не может или не должен находиться. Речь идет о проверке флаконов для порошка. В момент, когда уже закрытый крышкой флакон проходит окончательный контроль, определить, не попало ли туда стекло или другой посторонний предмет, достаточно сложно.
Существует рентгеновская проверка, но она предполагает внесение изменений в конструкцию линии. Этот вариант для нас имел больше минусов, чем плюсов при реализации. При этом задача дополнительного контроля, а также проверки качества флаконов, которые нам поставляют, требовала решения.

В целом риск попадания стекла во флаконы невысок, более того, в шприц стекло при наборе раствора не может попасть. Однако, наша задача – не допускать его попадания в любом случае. Существует несколько ситуаций, когда стекло гипотетически может оказаться во флаконе - чаще всего это происходит уже после этапа мойки. Чтобы понять основные причины возникновения дефекта, мы провели своеобразное расследование, создали карты, и теперь знаем, на каком этапе необходимо проводить оценку. Мы приняли решение установить систему компьютерного зрения на базе искусственного интеллекта. после стерилизационного туннеля, перед фасовочным автоматом.

Камеры с ИИ для распознавания стекла

Нам удалось обучить систему распознавать флаконы, в которые попало стекло. Для этого мы подготовили большую партию флаконов с дефектами и провели на ней обучение. На этапе реализации проекта возникли дополнительные сложности. Мы установили камеры и столкнулись с трудностями при создании кожухов, которые достойно выдержат постоянное воздействие агрессивных моющих средств на производстве. Также оказалось, что мало просто установить камеру, нужно настроить необходимое качество изображения, обеспечить подсветку и встроить камеру в производственную линию так, чтобы она могла остановить процесс при необходимости. Дополнительно нам пришлось обучить машину работать и с флаконами других объемов.

Дополнительное обучение системы

Еще один важный момент - ложноположительный результат проверки. Система в редких случаях может распознавать неверно. При этом линия останавливается, и сотруднику приходится проверять, нет ли на конвейере стекла. Это потеря времени для производства. Допустим, если в час производится 13 тысяч флаконов, а линия стоит пять минут, то будет сделано на несколько тысяч флаконов меньше. При перерасчете на выпуск дорогостоящих препаратов это становится проблемой. Мы смогли справиться с этой задачей за несколько месяцев дополнительного обучения.

Мы пошли дальше и стали развивать этот проект. Речь идет о дополнительном обучении системы, проведении экспериментов и длительной работе с ней. Пилотный проект длился около трех месяцев. За это время мы провели дополнительное обучение системы, и в течение полугода она развивалась.

При этом интересна статистика развития: сначала система распознавала большие осколки с точностью 72 %, маленькие — 60 %, а трещины — 30 %. Сколы система не распознавала. Сейчас мы достигли точности распознавания осколков в 99 %, особенно для осколков более 7 мм. Мы продолжаем работать над улучшением системы и наша задача довести уровень распознавания до 99 % для осколков размером менее 2 мм. Сколы и трещины выявляют на этапе контроля, но в целом мы сделали и это достаточно хорошо. При этом количество ложных срабатываний сейчас доведено до 0,001 % и не тормозит производство. Теперь все линии, на которых обрабатывают флаконы, оснащены этой системой. Первая линия была введена в опытную эксплуатацию в марте 2023 г. К осени у нас уже было четыре полностью оснащенных линии, каждая из которых имеет два потока. Сейчас на «Синтезе» уже пять таких линий, оборудованных камерами.

Принцип работы

В основе системы лежит нейросеть, обрабатывающая данные, для ее работы требуются видеокарты со скоростью работы 40 кадров в секунду. Каждый флакон проверяется на наличие дефектов несколько раз, это обеспечивает высокое качество распознавания. Интерфейс программы отображает количество срабатываний, время их возникновения и пр. В ходе работы используют разные алгоритмы в зависимости от нормативов.

Важный аспект – сохранение всех фото. Так как система работает с потоковым видео, сохранение данных перегрузит сервер, поэтому мы сохраняем лишь случаи срабатывания системы (включая видео), чтобы можно было увидеть, например, как стекло поворачивается.