Модел с невронна мрежа за откриване на дефекти във филмирани таблетки постига 99.7% точност, докато класическият метод с фиксирани правила греши между 45-70% при определени видове дефекти, според изследване в научното списание ScienceDirect.
Проблемът с милионите еднакви хапчета
Фармацевтичните заводи произвеждат таблетки в мащаб, труден за представяне – често от 100 000 до над 1 000 000 единици дневно от една линия. Всяка отделна бройка трябва да бъде инспектирана за пукнатини, петна, отклонения в размера или нечетлив печат, преди да напусне производството. Компромис тук не е просто въпрос на естетика, тъй като дефектна таблетка, стигнала до пациент, представлява реален здравен риск.
Традиционният метод за проверка разчита или на човешкото око като подход с доказано висок риск от пропуски при подобен обем, или на по-стари автоматизирани системи с твърдо зададени правила, които сравняват всяко изображение с фиксиран шаблон. Проблемът с фиксираните правила е, че истинската вариация в осветлението, партидата суровина или ъгъла на камерата обърква системата, а тя не може да се научи от собствените си грешки.
Решението учи алгоритъма да разпознава модел, не правило
Изкуственият интелект реши проблема, като замени твърдото правило с обучен модел. Вместо да сравнява всяко изображение с един идеален шаблон, невронната мрежа изучава хиляди примери от истински таблетки, както изправни, така и дефектни и се научава да разпознава разликата сама, включително вариации, които никой инженер не е предвидил изрично при написването на правилата.
Конкретен модел, наречен CBS-YOLOv8, добавя механизъм за насочено внимание към малките детайли на повърхността на таблетката, специално настроен да засича дребни дефекти, без да забавя темпото на инспекцията. Резултатът е система, способна да анализира изображение и да вземе решение за части от секундата, достатъчно бързо, за да следва темпото, което не спира.
Резултатите, потвърдени с независими изследвания
| Метод на инспекция | Точност или грешка |
|---|---|
| Класически метод с фиксирани правила | до 70% грешка при определени измервания на размера |
| Невронна мрежа за филмирани таблетки | 99,7% точност |
| Модел CBS-YOLOv8 за блистерни опаковки | 97,4% средна прецизност при 79% кадъра в секунда |
| YOLO модели при инспекция на блистери | 96 – 97% точност, срещу 89% при по-стар модел Faster R-CNN |
Технологичната компания Cognex съобщава за реален индустриален пример, при който фармацевтичен производител внедри система за проверка на отпечатаните логота върху таблетки. Системата успя да инспектира по няколкостотин хиляди хапчета дневно поотделно, засичайки размазан или частично отпечатан код, дефект, който старите системи пропускаха при висока скорост на лентата или пък отхвърляха цяла партида заради само няколко проблемни таблетки.
От твърди правила към постоянно учене
Логическият път на тази промяна е директен:
Логиката зад тази промяна е напълно последователна. При огромен обем на производство фиксираните правила просто не могат да обхванат реалните вариации в продуктите. В резултат традиционните системи постоянно изпадат в две крайности: или пропускат дефект, или отхвърлят цяла здрава партида.
Изкуственият интелект решава този проблем, като заменя твърдото правило с обучение от реални примери. Така системата се научава да различава истинската аномалия от безобидното отклонение във визията, което води до едновременно намаляване на пропуснатите дефекти и на ненужно бракуваните продукти.
Именно способността на модела да анализира модели, а не просто да сравнява с твърд шаблон, обяснява защо точността скача от диапазон с до 70% грешка до над 99% коректност. Старата система нямаше механизъм за самоподобрение, докато новият модел продължава да надгражда възможностите си с всяка нова партида данни.
Границите, които остават
Честният анализ изисква отчитане на предизвикателствата. Изграждането на надежден модел изисква голям набор от примери с истински дефекти. Такива данни се събират трудно в практиката. Нарочното създаване на дефектни бройки за подготовка на софтуера е скъпо и разрушително за производството.
Затова изследователите разчитат основно на данни от изправни таблетки и тренират алгоритъма да разпознава отклонения от нормата, вместо да търсят конкретен предварително известен дефект. Този подход работи успешно, но остава по-сложен за овладяване и валидиране в сравнение със стандартната задача за класификация по готов пример.
Стратегическа равносметката за фармацията
Проблемът беше конкретен и рисков за здравето, милиони еднакви таблетки, инспектирани или от уморено човешко око, или от твърде строга система с фиксирани правила. Решението вече е потвърдено с независими научни изследвания, публикувани в рецензирани издания, не само с обещания на доставчик. Точност над 99%, при скорост, достатъчна за реална производствена линия, показва, че машинното зрение с изкуствен интелект вече не е експеримент в лабораторията, а работещ инструмент за безопасност на пациента.