Teileinspektion von medizinischen Produkten
Rückrufe und Nacharbeitskosten mit industrieller Bildverarbeitung und Deep Learning reduzieren
Ähnliche Produkte
Genaues und zuverlässiges Prüfen, Identifizieren und Führen von Teilen
Ausgestattet mit der In-Sight ViDi Deep-Learning-basierten Bildverarbeitungssoftware
Medizinprodukte können viele komplexe Formen, Größen und Oberflächen haben, von einem glänzenden Knieersatz aus Metall bis zum kleinen Stentgewebe. Der Einsatz der additiven Fertigung macht geometrische Formen für bestimmte Verfahren noch komplexer. Da Medizinprodukte am oder im menschlichen Körper verwendet werden, ist eine Qualitätskontrolle des Teils besonders wichtig. Herzschrittmacher, Katheter, Skalpelle und andere Medizinprodukte und chirurgische Geräte können mikroskopisch kleine Oberflächenfehler, Kratzer, Graten, Druckstellen oder Verunreinigungen aufweisen, die für einen Patienten gesundheitsgefährdend sein könnten.
Viele Hersteller medizinischer Produkte stützen sich auf menschliche Arbeitskräfte oder regelbasierte Bildverarbeitungssysteme, um sicherzustellen, dass Teile und Kunststoffkomponenten den Qualitäts- und Sicherheitsstandards entsprechen. Sich auf menschliche Qualitätsinspektion zu verlassen kann kostspielig sein und kann manchmal ein Durchrutschen von Fehlern zur Folge haben. Industrielle Bildverarbeitungssysteme funktionieren mit einer Reihe bekannter Variablen in einer kontrollierten Umgebung ausgezeichnet, jedoch können durch die Variabilität der Formen und Oberflächen medizinischer Produkte manche Inspektionen mit industrieller Bildverarbeitung allein gar nicht bewältigt werden.
Bei einigen Anwendungen wie beispielsweise Messungen wird die regelbasierte Bildverarbeitung weiterhin die bevorzugte und kostengünstigere Wahl sein. Für komplexe Inspektionen mit großen Abweichungen und unvorhersehbaren Fehlern bieten Deep-Learning-basierte Tools eine hervorragende Alternative. Cognex Deep-Learning-Lösungen lokalisieren, analysieren und ermöglichen Klassifizierungen komplexer Prüfprobleme, damit verhindert wird, dass fehlerhafte Produkte in die Lieferkette gelangen. Deep Learning vereint menschenähnliche Prüffunktionen mit der Automatisierung und Wiederholbarkeit eines computerbasierten Systems. Dies kann durch den Einsatz von Robotertechnik ergänzt werden, um sicherzustellen, dass maschinelle Handhabung und Bildverarbeitungstools bei der Prüfung besonders komplexer Anomalien, die manchmal vom Bedienpersonal übersehen werden, zusammenarbeiten. Das Endergebnis sind weniger Rückrufereignisse, geringere Kosten für die Nacharbeit sowie die vollständige Bilderfassung und Rückverfolgbarkeit.
