کنترل کیفیت خودکار در خطوط تولید قرص با بینایی ماشین (تشخیص خراش و وزن نادرست)

کالبدشکافی یک سیستم هوشمند: از لنز دوربین تا تصمیم نهایی

شاید تا اینجا بپرسید: «خب، این‌ها مفاهیم کلی هستند، اما در عمل چه اتفاقی می‌افتد؟» بیایید با هم یک سفر کوتاه از دید یک قرص داشته باشیم که روی نوار نقاله در حال حرکت است. تصور کنید شما همان قرص هستید. در حالی که با سرعت زیاد به جلو می‌روید، ناگهان وارد یک «تونل نوری» می‌شوید. این تونل در واقع همان محفظه کنترل کیفیت است که برای جلوگیری از تداخل نورهای محیطی (مثل نور خورشید یا لامپ‌های سالن) طراحی شده است.

در لحظه‌ای که از زیر دوربین عبور می‌کنید، اتفاقات زیر در کمتر از ۵۰ میلی‌ثانیه رخ می‌دهد:

۱. تحریک بصری (Triggering): یک سنسور نوری متوجه حضور شما می‌شود و به دوربین فرمان می‌دهد: «همین الان عکس بگیر!». این دقت زمانی باید بسیار بالا باشد؛ چون اگر دوربین حتی چند میلی‌ثانیه دیر عمل کند، عکس شما تار می‌شود یا شما از کادر خارج می‌شوید.

۲. پیش‌پردازش تصویر (Image Pre-processing): عکسی که دوربین می‌گیرد، خام است. نرم‌افزار سریعاً کنتراست را بالا می‌برد و نویزهای احتمالی را حذف می‌کند. مثلاً اگر روی نوار نقاله کمی گرد و غبار باشد، سیستم باید بتواند تشخیص دهد که این لکه روی نوار است، نه روی سطح قرص شما.

۳. استخراج ویژگی‌ها (Feature Extraction): حالا نوبت به تحلیل می‌رسد. سیستم لبه‌های شما را می‌سنجد تا ببیند آیا دایره‌ای هستید یا خیر. سپس رنگ شما را با رنگ استاندارد مقایسه می‌کند و به دنبال هرگونه تغییر رنگ ناگهانی (که نشانه خراش یا ترک باشد) می‌گردد.

۴. تصمیم‌گیری بر اساس مدل: در این مرحله، نتایج با یک «مدل طلایی» (Golden Template) مقایسه می‌شوند. مدل طلایی در واقع تصویری از ایده‌آل‌ترین قرص ممکن است که توسط متخصصان کیفیت تعریف شده است. اگر تفاوت شما با مدل طلایی بیش از حد مجاز (Tolerance) باشد، شما به عنوان «محصول معیوب» علامت‌گذاری می‌شوید.

جالب است بدانید که در سیستم‌های پیشرفته‌تر، از تکنولوژی Edge Computing استفاده می‌شود. یعنی پردازش تصاویر درست در کنار خط تولید انجام می‌شود و نه در یک سرور دوردست. این کار باعث می‌شود تاخیر (Latency) به حداقل برسد و سیستم بتواند در هر ثانیه ده‌ها قرص را بدون هیچ وقفه‌ای بررسی کند.

چالش‌های واقعی در محیط تولید و راهکارهای غلبه بر آن‌ها

بیایید با هم صادق باشیم؛ هیچ سیستمی در دنیای واقعی بی‌نقص نیست. حتی پیشرفته‌ترین دوربین‌های صنعتی هم گاهی دچار خطا می‌شوند. اما تفاوت یک سیستم آماتور با یک سیستم صنعتی در نحوه مدیریت این خطاهاست. یکی از رایج‌ترین مشکلات در خطوط تولید قرص، پدیده‌ای به نام «مثبت کاذب» (False Positive) است.

مثبت کاذب یعنی چه؟ یعنی قرص کاملاً سالم است، اما سیستم به اشتباه فکر می‌کند خراش دارد و آن را دور می‌اندازد. اگر این اتفاق زیاد بیفتد، شرکت داروسازی متحمل ضررهای مالی سنگینی می‌شود چون محصول سالم را دور می‌ریزد. برای حل این مشکل، مهندسان از روش‌های زیر استفاده می‌کنند:

• استفاده از نورهای پلاریزه (Polarized Lighting): این نورها باعث می‌شوند بازتاب‌های شدید از سطح براق قرص گرفته شود و فقط نقص‌های واقعی (مثل ترک‌ها) نمایان شوند.
• الگوریتم‌های یادگیری ماشین تعاملی: سیستم به گونه‌ای طراحی می‌شود که وقتی یک قرص سالم را به اشتباه دور می‌اندازد، اپراتور بتواند آن را به سیستم معرفی کند تا ماشین یاد بگیرد: «ببین، این لکه در واقع نقص نیست، بلکه ویژگی طبیعی این محصول است».
• ترکیب دوربین‌های چند زاویه‌ای: گاهی یک خراش از نمای بالا دیده نمی‌شود اما از نمای جانبی کاملاً مشخص است. استفاده از دو یا سه دوربین در زوایای مختلف، احتمال خطای تشخیص را به شدت کاهش می‌دهد.

تصور کنید مدیر تولیدی هستید که هر روز با گزارش تعداد ضایعات مواجه می‌شود. اگر این گزارش‌ها به صورت دستی نوشته شوند، احتمال خطا زیاد است. اما سیستم‌های مدرن، هر قرص معیوبی را عکس می‌گیرند و در یک پایگاه داده ذخیره می‌کنند. حالا شما می‌توانید در پایان ماه ببینید که مثلاً ۸۰ درصد ضایعات شما به دلیل «ترک‌های جانبی» بوده‌اند. این یعنی شما دقیقاً می‌دانید مشکل از کجاست: احتمالاً یکی از قطعات دستگاه پرس قرص نیاز به تعویض دارد. این تبدیل شدنِ «تصویر» به «داده‌های مدیریتی»، بزرگ‌ترین ارزش افزوده‌ی بینایی ماشین است.

نقش هوش مصنوعی در تشخیص نقص‌های پیچیده (Deep Learning vs Classic Vision)

در سال‌های گذشته، سیستم‌های بینایی ماشین بر اساس «قوانین سخت» کار می‌کردند. مثلاً به سیستم می‌گفتند: «اگر هر لکه‌ای بزرگ‌تر از ۲ پیکسل و تیره‌تر از خاکستری بود، آن را خراش در نظر بگیر». این روش برای قرص‌های ساده عالی بود، اما برای محصولاتی که رنگ‌های متغیر داشتند یا شکل‌های پیچیده‌ای داشتند، شکست می‌خورد.

اما امروز، ما در عصر Deep Learning (یادگیری عمیق) هستیم. در این روش، ما به جای دادن قوانین، به ماشین «مثال» می‌دهیم. هزاران عکس از قرص‌های سالم و هزاران عکس از قرص‌های خراب (با انواع خراش‌ها، شکستگی‌ها و تغییر رنگ‌ها) را به یک شبکه عصبی می‌دهیم. شبکه عصبی شروع می‌کند به پیدا کردن الگوهای مشترکی که حتی برای چشم انسان هم نامرئی است.

برای درک بهتر، بیایید از یک تمثیل استفاده کنیم. روش قدیمی مثل این بود که به کسی یاد بدهید چطور یک کتاب آشپزی را دقیق بخواند تا غذا بپزد. اما یادگیری عمیق مثل این است که کسی را سال‌ها در آشپزخانه قرار دهید تا با تجربه کردن و تماشای هزاران غذا، خودش بفهمد چه چیزی باعث می‌شود یک غذا خوشمزه شود. نتیجه این است که سیستم‌های مبتنی بر AI می‌توانند تفاوت‌های بسیار ظریفی را تشخیص دهند که هیچ برنامه‌نویسی نمی‌تواند آن‌ها را با کدنویسی ساده تعریف کند.

این سطح از دقت، به خصوص در داروهای گران‌قیمت یا حساس، حیاتی است. وقتی هزینه هر قرص بسیار بالاست، حتی کاهش ۱ درصد در میزان ضایعات کاذب می‌تواند سالانه میلیون‌ها تومان سود به سازمان بازگرداند. اگر می‌خواهید بدانید این تکنولوژی‌ها چگونه می‌توانند با زیرساخت‌های فعلی شما ادغام شوند، پیشنهاد می‌کنم یک سری به بخش ارتباطات زیروکس بزنید تا متخصصین ما بر اساس نوع محصول شما، بهترین مدل هوش مصنوعی را پیشنهاد دهند.

چگونه بینایی ماشین با سیستم‌های وزن‌کشی هوشمند ادغام می‌شود؟

همانطور که پیش‌تر اشاره کردیم، دوربین به تنهایی وزن را حس نمی‌کند، اما در یک خط تولید پیشرفته، ما با مفهومی به نام «همگام‌سازی داده‌ها» (Data Synchronization) روبرو هستیم. در این سناریو، هر قرص یک «شناسنامه دیجیتال» موقت پیدا می‌کند.

وقتی قرص از روی ترازو عبور می‌کند، وزن آن ثبت می‌شود (مثلاً ۴۹۵ میلی‌گرم در حالی که استاندارد ۵۰۰ است). در همان لحظه، دوربین عکس آن را می‌گیرد. سیستم حالا دو قطعه پازل دارد: ۱. وزن کم است. ۲. ظاهر قرص کمی تغییر شکل داده است. با ترکیب این دو داده، هوش مصنوعی نتیجه می‌گیرد که احتمالاً در مرحله «تغذیه پودر به قالب»، مقدار ماده اولیه کم بوده است.

این سطح از تحلیل، فراتر از یک کنترل کیفیت ساده است؛ این در واقع «تحلیل ریشه خطا» (Root Cause Analysis) است. در روش‌های قدیمی، شما فقط می‌فهمیدید که قرص خراب است و آن را دور می‌انداختید. اما با سیستم‌های یکپارچه، شما می‌فهمید چرا خراب شده است و دقیقاً کدام پیچ از کدام دستگاه باید سفت شود یا کدام اپراتور نیاز به آموزش مجدد دارد.

مسیر پیاده‌سازی: از یک خط تولید سنتی به یک کارخانه هوشمند

حالا که با قدرت بینایی ماشین و تاثیر آن بر کیفیت قرص‌ها آشنا شدیم، سوال منطقی این است: «از کجا شروع کنیم؟» بسیاری از تولیدکنندگان تصور می‌کنند که برای داشتن چنین سیستمی، باید کل خط تولید خود را تخریب کرده و از نو بسازند. اما خبر خوب این است که بینایی ماشین به شدت منعطف است و می‌تواند به صورت ماژولار به سیستم‌های فعلی اضافه شود.

بیایید مراحل این گذار را به زبان ساده بررسی کنیم. اولین قدم، چیزی نیست جز «شناخت دقیق نیاز». شما نباید صرفاً گران‌ترین دوربین بازار را بخرید؛ بلکه باید بدانید چه نوع نقصی در محصولات شما رایج‌تر است. آیا مشکل شما بیشتر خراش‌های سطحی است یا نوسان در وزن؟ پاسخ به این سوال تعیین می‌کند که شما به یک دوربین دو بعدی (2D) نیاز دارید یا یک اسکنر لیزری سه بعدی (3D Profile Sensor).

در مرحله دوم، ایجاد یک «محیط کنترل شده» ضروری است. همانطور که اشاره کردیم، نور دشمن یا دوست شماست. نصب یک محفظه نوری استاندارد که از تداخلات محیطی جلوگیری کند، اولین گام فنی است. در این مرحله، متخصصان سیستم را روی تعداد محدودی از محصولات تست می‌کنند تا «مرزهای پذیرش» (Acceptance Thresholds) تعریف شوند. یعنی دقیقا مشخص شود که یک خراش تا چه اندازه‌ای قابل چشم‌پوشی است و از چه نقطه‌ای باید قرص رد شود.

یک استراتژی هوشمندانه در پیاده‌سازی، روش «گام‌به‌گام» است. ابتدا سیستم را برای تشخیص نقص‌های بزرگ (مثل شکستگی) فعال کنید و پس از تثبیت روند، به تدریج حساسیت سیستم را برای تشخیص خراش‌های میکروسکوپی بالا ببرید. این کار باعث می‌شود اپراتورها با تکنولوژی جدید سازگار شوند و شوک تغییر ناگهانی به سازمان وارد نشود.

تاثیرات بلندمدت: فراتر از حذف ضایعات

وقتی یک سیستم کنترل کیفیت خودکار را فعال می‌کنید، اتفاقی رخ می‌دهد که شاید در ابتدا متوجه نشوید: تغییر فرهنگ تولید. وقتی تمام داده‌های مربوط به نقص‌ها به صورت دیجیتال ثبت می‌شوند، دیگر هیچ‌کس نمی‌تواند بگوید «احتمالاً مشکل از رطوبت هوا بود». حالا شما یک گزارش دقیق دارید که می‌گوید: «در روزهای سه‌شنبه، بین ساعت ۱۰ تا ۱۲، میزان خراش‌ها ۱۰ درصد افزایش می‌یابد».

این حجم از شفافیت، منجر به بهینه‌سازی کل زنجیره تامین می‌شود. شما می‌توانید با تامین‌کنندگان مواد اولیه خود با اعداد و ارقام صحبت کنید. مثلاً اگر متوجه شوید که یک سری از پودرهای ورودی به دلیل دانه‌بندی نامناسب باعث ایجاد ترک در قرص‌ها می‌شوند، می‌توانید مستقیماً از تامین‌کننده بخواهید استاندارد خود را اصلاح کند. در واقع، بینایی ماشین از یک ابزار «سورتینگ» (تفکیک) به یک ابزار «استراتژیک» برای ارتقای کل سازمان تبدیل می‌شود.

علاوه بر این، از منظر برندینگ، وقتی یک شرکت دارویی می‌تواند تضمین کند که ۱۰۰٪ محصولاتش را با دقت میکرونی بازرسی کرده است، اعتماد پزشکان و بیماران به آن برند به شدت افزایش می‌یابد. در بازاری که رقابت بر سر کیفیت و ایمنی است، داشتن چنین سیستمی یک مزیت رقابتی (Competitive Advantage) ایجاد می‌کند که به راحتی توسط رقبا قابل کپی‌برداری نیست.

جمع‌بندی و نگاه به آینده: به سوی تولید صفر-خطا

ما در حال حرکت به سمتی هستیم که در آن مفهوم «بازرسی تصادفی» به کلی حذف شود. آینده صنعت داروسازی، تولیداتی است که در آن هر واحد محصول، در لحظه تولید، تاییدیه دیجیتال کیفیت را دریافت می‌کند. ترکیب بینایی ماشین، حسگرهای وزن دقیق و هوش مصنوعی، مسیری را باز کرده است که در آن خطای انسانی دیگر جایگاهی ندارد.

شاید در ابتدا تغییر از روش‌های سنتی به سیستم‌های خودکار چالش‌برانگیز به نظر برسد، اما بیایید واقع‌بین باشیم؛ در دنیای امروز، دقت دیگر یک «آپشن» یا انتخاب نیست، بلکه یک «باید» است. هر ثانیه‌ای که یک خط تولید بدون نظارت هوشمند کار می‌کند، ریسک ارسال یک محصول معیوب به دست بیمار وجود دارد و این ریسکی است که هیچ مدیر مسئولی نباید بپذیرد.