Verifica dell'assemblaggio di ago e siringa
Assicura una connessione adeguata tra ago e siringa
Prodotti correlati
Alimentato dal software di visione basato sul Deep Learning In-Sight ViDi
A breakthrough in complex inspection, part location, classification, and OCR
Le siringhe preriempite hanno l'ago preattaccato o collegato. L'estremità della camicia della siringa viene riscaldata e si forma un cono, o altrimenti detto ugello. La cannula dell'ago viene quindi inserita nel cono e fissata di norma con un adesivo polimerizzato a raggi UV. Nel caso di una siringa in polimero, l'ago viene fissato tramite stampaggio con inserti.
Il punto di connessione del vetro o della plastica della siringa con l'ago deve essere ispezionato per assicurarsi che non vi siano schegge, bolle d'aria o altri difetti e che la quantità e il posizionamento dell'adesivo siano corretti. L'aspetto può variare a seconda del tipo di adesivo e ciò può cambiare nel tempo e da un lotto all'altro.
In passato, le difficoltà nell'ispezione dell'adesivo per l'incollaggio degli aghi hanno limitato la gamma di possibilità di calibro e lunghezza degli aghi connessi.
L'ispezione dell'assemblaggio di aghi e siringhe viene eseguita al meglio tramite una combinazione del Deep Learning di Cognex e di algoritmi di visione tradizionali. Le varie dimensioni del cono, quali il diametro, la lunghezza, i vari angoli e la planarità dell'estremità, possono essere misurate facilmente con un sistema di visione industriale standard, come l'In-Sight 8505P.
Tuttavia, l'ispezione dei componenti attraverso materiale trasparente riflettente, sia esso vetro o polimero, è un compito che richiede l'uso della tecnologia di deep learning. Il Deep Learning di Cognex è addestrato su una gamma di ugelli accettabili con aghi inseriti. Qualsiasi assemblaggio di aghi e siringhe che presenti proprietà al di fuori della gamma accettabile, che potrebbero includere bolle, crepe, adesivo inadeguato per l'incollaggio dell'ago, problemi con il cono o altre inclusioni, viene segnalato come difetto e respinto dalla linea. Dato che il Deep Learning di Cognex può essere facilmente addestrato su nuove lunghezze di aghi o calibri, i produttori evitano lunghe e complicate riprogrammazioni che si sperimenterebbero invece con la visione industriale convenzionale.
