人工智能驅動的藥品燈檢技術

制藥行業在制造和生產過程中面臨著特有的挑戰，特別是在如今數字技術快速轉型的時代——注射類藥物生產中的一個關鍵過程是對初級包裝（如注射器、西林瓶或安瓿瓶）進行視覺檢測。在這個過程中，必須針對每個單獨的產品潛在的產品缺陷、雜質或污染物進行檢測，也就是“全檢”。通過在燈檢中應用人工智能技術，將有望提高檢測的質量并降低成本。

在注射劑生產過程中，常見的檢測方法包括人工燈檢、半自動檢測和全自動檢測。與人工和半自動檢測相比，生產較為昂貴的藥物時，全自動視覺檢測（Automatic visual inspection,簡稱“AVI”）是行業中常見的做法。然而，這種燈檢方法也會帶來一定的誤剔率（False reject rates,簡稱“FRR”），可能會導致昂貴的復檢。

使用傳統視覺工具確保可靠的檢測結果，每個缺陷至少需要采集5～15 個產品樣本，每臺機器需配置18 個攝像頭。這一過程昂貴、耗時且容易出錯，每年給制藥行業造成的損失高達7.4 億美元[1](約折合人民幣 53 億元)，根據產品的復雜程度，誤剔率可能在1%～45%之間。除了與復檢相關的成本之外，高誤剔率還會導致產品上市時間延遲和錯失市場機會。

對圖像數據進行分類以訓練算法

人工智能支持燈檢提升質量

為了解決這個問題，大幅降低成本，并在長期內實現質量提升，可以前瞻性地考慮運用人工智能（Artificial Intelligence，簡稱“AI”）支持燈檢流程，并將其作為公司數據和人工智能戰略的一部分。

人工智能正越來越多地應用于各種制造領域。在重復性場景中學習模式和規定行動的能力對于大小企業來說都是一種寶貴的工具。在工業領域，許多業務問題尤其適合基于人工智能的解決方案。當傳統的視覺檢測和自動化系統與人工智能相輔相成時，利益相關者就能大幅提高生產率并降低運營成本[2]。

人工智能模型不是去測量物理值，而是掃描產品中的合格和缺陷模式，這大大提高了檢出率（Detection rate,簡稱“DR”)，同時更大限度地降低了誤剔率。這種方法能夠通過檢測非常小的偏差或缺陷來實現更準確和有效的燈檢流程，而這些偏差或缺陷可能是通過傳統的物理手段無法發現的。

搭載AI 驅動技術的燈檢機更加高效

為此，人工智能模型使用大型數據集進行訓練，數據質量和相關性對于最終模型的準確性和有效性來說至關重要。為了確保高質量的培訓數據，對藥品和生產過程有深入了解的專家一同參與了創建工作。他們識別出需要檢出的相關缺陷和雜質，制定數據標記的標準，并始終考慮到單條生產線的需求。

通過高級算法的訓練，人工智能模型會變得能夠識別模式，并根據輸入數據做出準確的預測。在這之后，將訓練好的模型集成到AVI 系統中，通過保持相同的檢測速度，便可以比傳統方法更好地檢測缺陷和污染物。

加快上市時間并降低成本

在公司生產運營中實施人工智能驅動的檢測解決方案的效果顯著，可將誤剔率降低至90%以上[1]。通過在生產流程的早期識別缺陷和偏差，這種方案不僅可以在一個批次中產生更多的合格品，而且還可以提高檢測效率、減少工作流程的耗時，以此達成藥品更短的上市時間。

但這并不是唯一的好處。在當今數據驅動的合規環境中，人工智能技術可以通過自主對合規相關活動進行分類，并對重要的更新、事件和活動發出警報，從而提高合規操作的效率，降低成本。在制藥行業的視覺檢測中，合理使用人工智能還可以節省大量成本。例如，某制藥公司憑借僅5%的誤剔率（其年產量為1000 萬個容器，每個容器的生產成本為1.50 美元），每年可節省高達75 萬美元（約折合人民幣537 萬元）。此外，假設以前使用兩臺燈檢機，企業則可以通過減少半自動燈檢的復檢過程，實現節省高達94 萬美元（約折合人民幣672 萬元）。通過這些成本節約，人工智能燈檢解決方案可以在短短一年內實現投資回報。

如何在制藥行業順利實施？

在新建或改造全自動生產包裝線時，可考慮在燈檢機上加裝人工智能驅動的深度學習（Deep learning）系統，以進一步提升檢出率，實現大幅提高生產效率并加快產品上市時間的目的。

憑借源自1895 年的專業經驗和技術，柯爾柏了解視覺檢測的重要性以及制藥行業特有的需求和限制，提供模塊化和可擴展的方案，將人工智能解決方案集成到現有的視覺系統中，而無需調整機器布局。柯爾柏的人工智能模型不僅能實現準確高效的視覺檢測，更能為企業減少因誤剔帶來的昂貴費用。使用諸如柯爾柏的EJECT-X 深度學習解決方案，制藥企業便可憑借其可靠性、可信性，以及項目執行過程中的合規性，確保在符合GxP 法規的情況下獲得更高的數據安全性。