玻璃注射器视觉检测设备_AI异物颗粒气泡检测

一、产品概述

玻璃注射器视觉检测设备面向制药行业预充式注射器与管状玻璃小瓶的质量检测。设备采用CNN分类算法与PatchCore异常检测算法双轨并行的架构，对10cm管状玻璃容器内部的金属残留颗粒与气泡进行高精度自动检测，把零漏检作为第一优先级。

整机分为硬件、算法与操作工作流三层：硬件层提供照明、成像与定位条件，算法层负责图像理解与缺陷判定，工作流层界定上料、检测、分拣的责任边界与人机交互方式。

设备定位与适用容器

设备面向10cm管状玻璃注射器、预充式注射器与西林瓶，采用手动上料、自动检测、人工分拣的半自动化模式。上料时容器底部插入精密定位孔固定，使每支被测品落在同一空间位置，避免摆放姿态差异造成成像漂移。

半自动形态并非能力上的折中，而是对GMP规范的主动适配。设备把肉眼难以稳定判断的亚毫米级缺陷转化为清晰的图像证据，放行或剔除的决定仍由受过培训的操作员签署，关键质量决策保留人为确认。

二、检测对象与缺陷类型

玻璃容器内部缺陷尺寸小、对比度低、出现概率不稳定，人工灯检难以长时间保持一致。设备收敛到三类对患者安全影响最直接的缺陷，并按各自物理成因配置差异化成像条件。

金属残留颗粒

金属残留是溶液内部悬浮的亚毫米级不透明颗粒，多来自灌装设备磨损、胶塞穿刺碎屑或容器清洗不彻底。颗粒进入人体后无法代谢，风险等级最高。

其光学特征是深色、不透明、边缘相对锐利，在透明溶液背景下灰度差明显，但尺度极小。设备以高分辨率工业相机配合高对比度条形光源拉开灰度距离，再由PatchCore在像素级定位异常区域。

气泡与液位异常

气泡多形成于液面上方或紧邻液面顶部，高折射率与锐利弯曲边缘使其容易与玻璃眩光、外部冷凝水混淆。气泡会造成给药剂量不准确并可能破坏无菌屏障，液位异常则是灌装波动的早期信号。

两类缺陷都落在玻璃、液体、空气三相交汇处，光散射最为复杂。设备以侧装光路控制入射角度、偏振片压制表面反射，再由CNN对高眩光纹理做模式分类，区分三维体缺陷与二维表面反光。

三、光学系统设计

圆柱形玻璃容器是最大的光学障碍。点光源照射时中心出现强烈高光而上下两端严重欠照，灵敏度沿长度方向衰减；镜面反射还会把环境光与结构件一并映进视场。

条形光源与全柱面照明

设备以条形光源替代点光源，产生均匀的垂直光柱，10cm长度范围内光照强度一致，顶部气泡与底部颗粒获得相同灵敏度。判据因此可以在全长统一使用，不必按位置分段调参。

光源的距离、倾角与遮光结构应在调试阶段一次确定。位置一旦固定，便不宜在批量检测中随意调整，否则会破坏成像基准。

偏振消眩光与侧装成像

偏振滤光片消除环境眩光与玻璃表面镜面反射。镜面反射光保持入射偏振态，经溶液与颗粒散射后的光偏振态改变，借此在保留缺陷信号的同时压制高光。偏振角度需按现场照明标定并机械锁定。

成像采用侧装方式，从侧面拍摄以避开正面反射，同时获得观察液位线与瓶壁的更优角度。容器侧面轮廓完整暴露在视场内，为定位与液位测量提供稳定基准。

四、算法与软件架构

单一算法难以同时覆盖已知模式的高光缺陷与未知形态的微小颗粒。系统采用双算法并行，两条链路独立运行、结果互补，由统一的决策逻辑输出合格信号。

CNN分类模型

CNN负责弯月面与表面区域的缺陷分类。该区域眩光强、纹理复杂，阈值方法容易失效，卷积网络可从样本中学习高光分布、液面弧度与气泡边缘的组合特征。

分类模型依赖标注样本，样本代表性与标注一致性决定表现。实际使用需覆盖不同批次玻璃、不同药液颜色与不同照明条件，否则模型容易对单一工况过拟合。

PatchCore异常检测

PatchCore负责溶液内部悬浮颗粒检测，通过记忆库存储正常样本的特征补丁，检测时以最近邻搜索识别偏离区域，无需大量缺陷样本即可实现像素级异常定位。真实金属颗粒样本极难获取，这正是它的价值所在。

记忆库只应包含确认合格的样品。混入带缺陷图像会污染判据，使同类缺陷被当作正常模式而漏检，因此建库必须与人工复判配合，并保留样本清单以便追溯。

双模型并行与决策融合

决策遵循从严原则，任一路报警即标记可疑并交操作员复核，两路均无异常才输出合格。代价是误判略多，可通过调参与改善建库质量逐步收敛。

五、检测流程与操作

检测拆为五步：人工上料、光源激发、图像采集、AI分析、分拣报警。照明、成像与分析全自动运行，上料与分拣由人完成。

五步检测流程

第一步上料，注射器底部插入精密定位孔固定，容器轴线与光路对齐。第二步光源激发，条形光源点亮、偏振片抑制眩光与反射。这两步确定后续判定基准，未到位的上料应视为无效检测。

第三步采集，侧装高分辨率光学系统捕获全长清晰图像，面阵成像一次覆盖检测区域，避免运动拼接带来的模糊与错位。第四步AI分析，CNN与PatchCore并行评估液体体积与内部缺陷，共用同一帧图像，结论之间没有时间差。

第五步分拣报警，UI界面触发合格与不合格信号，操作员手动卸载并分类放置。异常品不会在无人工确认时被放行。

人机工程与操作规范

固定工位提供零振动保障，避免相机与光源的相对位移引入抖动。容器侧面轮廓完全暴露给相机，取放路径短，可支持高速重复操作而不易疲劳。

操作规范有三条：上料须到位到底，不得斜插或悬空；检测中不得将手或工具伸入光路；连续报警应暂停并检查定位孔是否被异物污染，而非对同一支产品反复重试。

六、技术参数

技术参数表

下表为主要规格，未列项目需结合产线与容器规格确认。

表中最小可检尺寸为亚毫米级（小于0.5mm）并配微像素分辨率，实际能力还受容器壁厚、药液颜色与颗粒反光特性影响，验收应以实物样品为准；上料与分拣写为手动与人工，说明这是半自动配置，全自动属于可选升级。

七、应用场景与价值

制药灌装与灯检环节

设备适用于预充式注射器与管状玻璃小瓶的灌装后灯检，尤其适合中等批量、换型频繁、缺陷样本稀缺的产线。10cm规格可直接沿用现有定位孔与光路，换型主要调整定位件。

新建产线宜把设备布置在灌装封口之后、贴标之前，使不合格品在进入后工序前被拦截。

质量成本与合规价值

人工灯检的稳定性随工时下降，疲劳漏检多集中在班次后段且难以追溯。设备把判据固化为成像条件与算法参数，使不同班次、不同操作员得到一致的量化结论。

双算法缓解了缺陷样本稀缺的约束，使缺少金属颗粒标样时仍能建立有效判据，既缩短导入周期，也避免为训练模型人为制备缺陷样品带来的合规风险。

八、选型与产线集成建议

节拍与产能匹配

半自动节拍由操作员取放速度决定，设备端三段可连续运行。选型应先测算单件取放与确认所需时间再估算产能，不应把算法处理时间当作瓶颈。

若需求高于单工位人工可承受范围，优先增加工位数或升级自动上下料，而非压缩人工确认，后者会直接削弱GMP要求的人为复核。

自动化升级路径

设备预留全自动扩展空间，可增加自动上料机构与自动分拣机械手。升级需评估定位精度、容器姿态一致性，以及剔除动作对相邻产品与输送节拍的影响。

升级宜分阶段：先跑通判据与误判率，再引入自动上料，最后接入分拣机构。每阶段都有独立可验证的指标，避免把光学、算法与机械问题混在一起排查。

九、安装调试与日常维护

安装环境与调试要点

设备应装在稳固、无明显振动源的工位，固定工位是零振动保障的前提。环境光变化会影响偏振消光效果，需避免强光直射视场，并保持车间照明相对稳定。

调试顺序由光到算：先确认条形光源在10cm全长的均匀性，再标定偏振片角度使反射最低，然后锁定焦距与工作距离，最后才建立阈值与记忆库。

日常维护与周期校验

日常维护三件事：清洁偏振片与镜头上的粉尘与药液飞溅、检查定位孔磨损与异物、确认光源亮度与色温无漂移。任何异常都会先表现为对比度下降，进而削弱微小颗粒检出。

周期校验用合格样品与已知可疑样品构成校验组，复核判定是否与建立时一致。出现系统性偏移应先复查光学与定位，再考虑调参；直接放宽阈值会掩盖问题并埋下漏检隐患。

十、常见问题

条形光源的选型理由

圆柱形透明容器受点光源照射时中心强高光、两端欠照，灵敏度随位置变化。条形光源产生均匀的垂直光柱，10cm全长强度一致，顶部气泡与底部颗粒灵敏度相同；偏振滤光片进一步消除表面眩光。

PatchCore与传统CNN的差异

传统CNN需大量标注缺陷样本做监督学习，而制药行业极难获得真实缺陷样本。PatchCore只需正常样品图像，通过特征补丁记忆库与最近邻搜索定位异常。两者并行运行，前者处理未知形态的微小颗粒，后者处理已知模式的高光缺陷。

可检金属颗粒的尺寸下限

可检测亚毫米级（小于0.5mm）颗粒，精度取决于像素分辨率对应的物理尺寸、光学放大倍率与照明对比度。高分辨率相机配合高对比度光源，使深色颗粒在透明背景中产生足够灰度差。系统以零漏检优先，宁可增加少量误判也不放过可疑颗粒。

气泡检测的主要难点

气泡的光学特性与玻璃眩光、外部冷凝水相似，且位于三相交界处，散射复杂。系统以侧装光路控制入射角、偏振片区分内部气泡与表面眩光，再由CNN对高眩光区域进行模式识别与分类。

自动化程度的可选范围

系统为半自动：照明、成像与AI分析全自动，上料与分拣手动，符合GMP对关键质量决策需人为确认的要求。UI触发合格与不合格信号后由操作员分类放置。如需全自动，可在现有基础上增加自动上料机构与分拣机械手。