Case Histories
Riconoscimento ottico dei caratteri (OCR) in ambito farmaceutico
Task
OCR (riconoscimento ottico dei caratteri)
Analisi immagini
Annotazione
Visione Artificiale
Settore
Manifatturiero
Farmaceutico
OEM (original equipment manufacturer)
Tecnologie
PROBLEMA
Il cliente aveva la necessità di dotare le proprie macchine di ispezione di un sistema automatico che potesse eseguire la lettura del codice, contenente il numero di lotto, stampato con carattere puntinato (dotted) sulla superficie metallica curva dei colli delle fiale.
Situazione iniziale
Il controllo di qualità dei caratteri stampati veniva effettuato attraverso approcci tradizionali di visione artificiale, che risultavano inadeguati in condizioni di cattiva qualità di stampa e a causa delle distorsioni sull’immagine dovute alla superficie di stampa curva.
La conseguenza era un alto tasso di falsi scarti poiché il sistema considerava “scarto” tutte le fiale in cui il numero di lotto non era ben stampato (circa il 10% della produzione totale veniva scartato erroneamente).
Soluzione messa in campo
È stata riutilizzata la stazione di visione già installata sulla linea di produzione che si occupa di acquisire le immagini dei codici stampati. Tali immagini vengono direttamente caricate in AI-go Studio e usate per la specializzazione dei modelli di classificazione. Questi identificano i singoli caratteri, restituiscono la completa lettura del codice e un giudizio sulla correttezza dello stesso in base ai dati provenienti dal sistema di tracciatura del cliente.
I modelli allenati e testati sono stati poi messi in produzione attraverso AI-go Runtime garantendo il pieno rispetto dei tempi ciclo della linea di produzione.
Risultati raggiunti
Aumento OEE (Overall Equipment Effectiveness). La qualità della produzione viene mantenuta costante, riducendo drasticamente il falso scarto: il totale dei falsi scarsi è passato dal 10% allo 0.5% del totale della produzione.
Riduzione del tempo necessario per il cambio formato: grazie a un’interfaccia utente semplice e intuitiva, viene ridotto il tempo e l’effort necessari per ottenere delle buone performance, anche sui nuovi formati.
Aumento dell’affidabilità del giudizio della rete neurale: miglior riconoscimento dei caratteri, anche in condizioni complesse e variabili.
Integrazione rapida ed efficace con altri sistemi di controllo di qualità eventualmente già presenti in linea (per esempio OCV).
