導讀

血糖檢測試劑盒為人們在家中或醫(yī)療保健機構(gòu)進行血糖監(jiān)測提供了便利，其準確性依賴于碳電極上均勻涂覆的酶液。若涂覆不均或有污漬、漏涂，會導致測量不準確甚至設(shè)備故障。因此，生產(chǎn)中精確檢測至關(guān)重要。

本篇文章將介紹案例三：

某血糖檢測試劑盒制造商（C公司）運用友思特深度學習視覺系統(tǒng)，檢測血糖檢測試劑盒生產(chǎn)過程中的溶液涂層不均勻問題。這一技術(shù)能夠?qū)碗s圖案從碳電極中分離出來，提高了檢測可靠性和生產(chǎn)效率。

案例三：血糖檢測試劑盒溶液涂層檢測

現(xiàn)場情況：血糖監(jiān)測試劑盒組件檢測的必要性

血糖檢測試劑盒是一種醫(yī)療耗材，旨在方便人們在家中或醫(yī)療保健機構(gòu)進行血糖監(jiān)測。用戶將少量血樣滴在試劑盒內(nèi)的碳電極上，電極與血液發(fā)生反應(yīng)，從而得出血糖測量值。涂覆在電極上的化學溶液（酶液）直接影響測量的準確性。

如果溶液沒有均勻地涂覆在碳電極上，可能會發(fā)生異?；瘜W反應(yīng)，導致血糖讀數(shù)不準確。特別是在涂覆過程中出現(xiàn)的微小污漬、濃度不均或漏涂區(qū)域，會在消費者使用時導致設(shè)備故障。因此，在生產(chǎn)過程中進行精確檢測至關(guān)重要。

具體現(xiàn)場情況：某血糖檢測試劑盒制造商（C公司）

企業(yè)C在血糖檢測試劑盒生產(chǎn)過程中，于溶液涂覆工序之后立即實施視覺檢測，以此加強質(zhì)量控制。該試劑盒的生產(chǎn)方式是通過自動化涂覆設(shè)備將化學溶液（酶液）精確噴涂在碳電極上。然而，為了準確檢測涂覆均勻性問題，必須在溶液完全干燥之前進行檢測。

因此，企業(yè)C的生產(chǎn)過程采用了兩步檢測系統(tǒng)：第一步是在涂覆后立即進行視覺檢測，對涂覆區(qū)域和均勻性進行全面檢查；第二步是在溶液完全干燥后進行抽樣檢測，以確保最終產(chǎn)品質(zhì)量。

在一次成像操作中，會同時捕捉四組電極及其涂覆區(qū)域的圖像，并且一次會將四組電極放入檢測設(shè)備中。這就要求檢測系統(tǒng)能夠?qū)γ拷M電極進行單獨識別，并精確識別其位置。

存在的問題

不規(guī)則涂覆圖案導致邊界模糊以及基于規(guī)則的算法存在局限性

在血糖檢測試劑盒的生產(chǎn)過程中，酶液的涂覆會受到生產(chǎn)環(huán)境中的溫度、濕度和液體黏度等多種因素的影響。特別是在涂覆過程中出現(xiàn)的噴涂偏差、濃度差異和表面張力變化，常常會導致涂覆邊界擴散或模糊。

盡管企業(yè)C進行了兩次視覺檢測— 一次是在涂覆后立即進行（首次檢測），另一次是在溶液干燥后進行（二次檢測），但干燥過程會使溶液的顏色和形狀變淺，這使得檢測邊界變得更加困難。尤其是基于規(guī)則的算法難以識別這些細微的圖案變化和模糊的邊緣，因為這些變化很難進行定量定義。

因此，經(jīng)常會出現(xiàn)過度檢測錯誤（將正常產(chǎn)品誤判為次品）和漏檢錯誤（將次品誤判為正常產(chǎn)品）的情況。這降低了檢測的可靠性，導致反復復檢，降低了生產(chǎn)效率。

同時檢測四組電極時難以識別每組電極

在企業(yè)C的檢測環(huán)境中，圖像會捕捉到排列在同一屏幕上的四組電極及其涂覆區(qū)域。然而，由于生產(chǎn)線的差異，電極片常常會出現(xiàn)輕微的對齊偏差或角度偏移。

現(xiàn)有的基于規(guī)則的系統(tǒng)無法適應(yīng)這些位置或角度的變化，經(jīng)常會出現(xiàn)諸如感興趣區(qū)域（ROI）對齊錯誤或電極組分割不正確等問題。特別是當涂覆區(qū)域偏離預(yù)先定義的ROI時，系統(tǒng)往往無法正確識別電極組，從而導致漏檢。

因此，企業(yè)C需要一個基于深度學習的檢測系統(tǒng)，能夠靈活應(yīng)對涂覆圖案中位置和形狀的變化。

解決方案

C 公司通過采用友思特Neuro-T自動深度學習平臺的視覺檢測解決方案解決了這些問題。值得注意的是，Neuro-T的深度學習模型旨在準確識別單個血糖檢測試劑盒組，即使在同一幀中出現(xiàn)多組試劑盒時也能做到。它還能清晰區(qū)分每組試劑盒內(nèi)的涂覆區(qū)域和碳電極區(qū)域。

這一過程的關(guān)鍵在于通過Neuro-T的流程圖功能，無代碼化依次應(yīng)用目標檢測模型和分割模型。

采用面陣相機進行高分辨率圖像采集

1）利用目標檢測進行動態(tài)感興趣區(qū)域（ROI）設(shè)置

將目標檢測模型應(yīng)用于所捕獲的圖像，它能自動檢測并分離出四組電極及其涂覆區(qū)域。即使這些組的位置或角度存在輕微偏差，該模型也會自動調(diào)整動態(tài) ROI，以準確提取正確位置。

2）利用分割模型區(qū)分涂覆區(qū)域和電極區(qū)域

在目標檢測模型檢測出的每組區(qū)域內(nèi)，應(yīng)用分割模型來清晰區(qū)分涂覆區(qū)域和碳電極。即使在涂覆邊界不清晰的情況下（傳統(tǒng)基于規(guī)則的檢測方法難以準確檢測），深度學習模型也能可靠地識別這些區(qū)域。

3）涂覆缺陷檢測與預(yù)警

基于分割結(jié)果，系統(tǒng)計算涂覆區(qū)域與碳電極的重疊比例，以確定產(chǎn)品是否有缺陷。例如，如果重疊率超過 95%，則判定為無缺陷產(chǎn)品；否則，標記為有缺陷產(chǎn)品。通過利用像素級定量分析，系統(tǒng)能夠高精度地檢測出哪怕是微小的缺陷。一旦識別出缺陷，系統(tǒng)會立即觸發(fā)實時警報，以便及時做出響應(yīng)。

成果與效益

借助基于深度學習的檢測系統(tǒng)，即便在涂覆不均勻的情況下，也建立了一個穩(wěn)定的框架來評估溶液涂覆質(zhì)量。一項關(guān)鍵成就是清晰分離并檢測出溶液涂覆區(qū)域和碳電極，而這在以前使用基于規(guī)則的方法很難做到。

C公司評估了多家解決方案提供商，但只有友思特Neuro-T平臺展示了能夠從碳電極中準確分離復雜涂覆圖案的能力。這既保證了檢測的高可靠性，又提高了生產(chǎn)流程效率。

自該系統(tǒng)實施以來，缺陷產(chǎn)品的發(fā)貨量顯著減少，質(zhì)量投訴也大幅降低。檢測人員的工作量也有所減輕，從而提高了整體生產(chǎn)效率。

在對精確質(zhì)量檢測要求極高的醫(yī)療器械制造行業(yè)，這個案例堪稱典范，展示了基于深度學習的視覺檢測如何克服傳統(tǒng)基于規(guī)則系統(tǒng)的局限性，并有效應(yīng)用于醫(yī)療器械質(zhì)量控制。

Neuro-T：零代碼自動深度學習訓練平臺

友思特 Neuro-T是一個用于深度學習視覺檢測項目的一體化平臺，可用于 項目規(guī)劃→圖像預(yù)處理→圖像標注→模型訓練→模型評估 一系列任務(wù)。Neuro-T提供了便捷的工具和友好的圖形化界面，只需四個步驟即可創(chuàng)建一個深度學習模型

歡迎訪問官網(wǎng)，探索豐富案例：

https://viewsitec.com/neurocle/

關(guān)注友思特機器視覺與光電公眾號、加入行業(yè)交流群或直接聯(lián)系我們，輕松收獲更多技術(shù)干貨

審核編輯 黃宇