Vérification de l’assemblage des aiguilles et des seringues

Vérifiez le bon assemblage des aiguilles et des seringues

Defect detected on a syringe assembly

Produits connexes

In-Sight D900

In-Sight D900

Optimisé par le logiciel de vision basé sur le deep learning In-Sight ViDi

ViDi software with all defect detection tools

VisionPro Deep Learning

A breakthrough in complex inspection, part location, classification, and OCR

Sur les seringues préremplies, l’aiguille est préfixée ou sertie. L’extrémité du cylindre de la seringue est chauffée et un cône, appelé embout, est formé. La canule de l’aiguille est ensuite insérée dans le cône et généralement fixée à l’aide d’un adhésif durci aux UV. Pour les seringues en polymère, l’aiguille est fixée par moulage d’insert.

Le point d’assemblage de la seringue en verre ou en plastique avec l’aiguille doit être inspecté pour garantir qu’il n’y a pas d’éclats, de bulles d’air ou d’autres défauts, et que la quantité et le positionnement de l’adhésif sont corrects. Son apparence peut varier selon le type d’adhésif, qui peut lui-même changer au fil du temps ou d’un lot à l’autre.

Par le passé, les difficultés rencontrées lors de l’inspection de l’adhésif de jonction des aiguilles ont limité le calibre et la longueur des aiguilles serties.

L’inspection de l’assemblage des aiguilles et des seringues s’effectue au mieux en combinant Cognex Deep Learning et des algorithmes de vision classiques. Les différentes dimensions du cône (diamètre, longueur, angles divers et planéité de l’extrémité) peuvent être facilement mesurées avec un système de vision industrielle standard tel que l’In-Sight 8505P.

Toutefois, l’inspection des composants à travers un matériau transparent réfléchissant, comme le verre ou le polymère, est une tâche qui nécessite de recourir à la technologie de Deep Learning. Cognex Deep Learning est entraîné sur un large éventail d’embouts avec des aiguilles serties considérés comme acceptables. Tout assemblage d’une aiguille et d’une seringue qui présente des propriétés non acceptables, notamment des bulles, des fissures, un adhésif de jonction de l’aiguille défectueux, des problèmes de conicité ou autres, est marqué comme défectueux et rejeté de la ligne. Grâce à Cognex Deep Learning, qui peut être facilement entraîné sur de nouvelles longueurs et de nouveaux calibres d’aiguille, les fabricants éliminent la reprogrammation longue et fastidieuse qu’ils auraient autrement dû effectuer avec la vision industrielle classique.

PRODUITS COGNEX CONNEXES

ACCÉDEZ AU SUPPORT ET AUX FORMATIONS POUR VOS PRODUITS ET BIEN PLUS

Rejoindre MyCognex