医疗设备行业视觉检测案例集锦（三）

导读

血糖检测试剂盒为人们在家中或医疗保健机构进行血糖监测提供了便利，其准确性依赖于碳电极上均匀涂覆的酶液。若涂覆不均或有污渍、漏涂，会导致测量不准确甚至设备故障。因此，生产中精确检测至关重要。

本篇文章将介绍案例三：

某血糖检测试剂盒制造商（C公司）运用友思特深度学习视觉系统，检测血糖检测试剂盒生产过程中的溶液涂层不均匀问题。这一技术能够将复杂图案从碳电极中分离出来，提高了检测可靠性和生产效率。

案例三：血糖检测试剂盒溶液涂层检测

现场情况：血糖监测试剂盒组件检测的必要性

血糖检测试剂盒是一种医疗耗材，旨在方便人们在家中或医疗保健机构进行血糖监测。用户将少量血样滴在试剂盒内的碳电极上，电极与血液发生反应，从而得出血糖测量值。涂覆在电极上的化学溶液（酶液）直接影响测量的准确性。

如果溶液没有均匀地涂覆在碳电极上，可能会发生异常化学反应，导致血糖读数不准确。特别是在涂覆过程中出现的微小污渍、浓度不均或漏涂区域，会在消费者使用时导致设备故障。因此，在生产过程中进行精确检测至关重要。

具体现场情况：某血糖检测试剂盒制造商（C公司）

企业C在血糖检测试剂盒生产过程中，于溶液涂覆工序之后立即实施视觉检测，以此加强质量控制。该试剂盒的生产方式是通过自动化涂覆设备将化学溶液（酶液）精确喷涂在碳电极上。然而，为了准确检测涂覆均匀性问题，必须在溶液完全干燥之前进行检测。

因此，企业C的生产过程采用了两步检测系统：第一步是在涂覆后立即进行视觉检测，对涂覆区域和均匀性进行全面检查；第二步是在溶液完全干燥后进行抽样检测，以确保最终产品质量。

在一次成像操作中，会同时捕捉四组电极及其涂覆区域的图像，并且一次会将四组电极放入检测设备中。这就要求检测系统能够对每组电极进行单独识别，并精确识别其位置。

存在的问题

不规则涂覆图案导致边界模糊以及基于规则的算法存在局限性

在血糖检测试剂盒的生产过程中，酶液的涂覆会受到生产环境中的温度、湿度和液体黏度等多种因素的影响。特别是在涂覆过程中出现的喷涂偏差、浓度差异和表面张力变化，常常会导致涂覆边界扩散或模糊。

尽管企业C进行了两次视觉检测— 一次是在涂覆后立即进行（首次检测），另一次是在溶液干燥后进行（二次检测），但干燥过程会使溶液的颜色和形状变浅，这使得检测边界变得更加困难。尤其是基于规则的算法难以识别这些细微的图案变化和模糊的边缘，因为这些变化很难进行定量定义。

因此，经常会出现过度检测错误（将正常产品误判为次品）和漏检错误（将次品误判为正常产品）的情况。这降低了检测的可靠性，导致反复复检，降低了生产效率。

同时检测四组电极时难以识别每组电极

在企业C的检测环境中，图像会捕捉到排列在同一屏幕上的四组电极及其涂覆区域。然而，由于生产线的差异，电极片常常会出现轻微的对齐偏差或角度偏移。

现有的基于规则的系统无法适应这些位置或角度的变化，经常会出现诸如感兴趣区域（ROI）对齐错误或电极组分割不正确等问题。特别是当涂覆区域偏离预先定义的ROI时，系统往往无法正确识别电极组，从而导致漏检。

因此，企业C需要一个基于深度学习的检测系统，能够灵活应对涂覆图案中位置和形状的变化。

解决方案

C 公司通过采用友思特Neuro-T自动深度学习平台的视觉检测解决方案解决了这些问题。值得注意的是，Neuro-T的深度学习模型旨在准确识别单个血糖检测试剂盒组，即使在同一帧中出现多组试剂盒时也能做到。它还能清晰区分每组试剂盒内的涂覆区域和碳电极区域。

这一过程的关键在于通过Neuro-T的流程图功能，无代码化依次应用目标检测模型和分割模型。

采用面阵相机进行高分辨率图像采集

1）利用目标检测进行动态感兴趣区域（ROI）设置

将目标检测模型应用于所捕获的图像，它能自动检测并分离出四组电极及其涂覆区域。即使这些组的位置或角度存在轻微偏差，该模型也会自动调整动态 ROI，以准确提取正确位置。

2）利用分割模型区分涂覆区域和电极区域

在目标检测模型检测出的每组区域内，应用分割模型来清晰区分涂覆区域和碳电极。即使在涂覆边界不清晰的情况下（传统基于规则的检测方法难以准确检测），深度学习模型也能可靠地识别这些区域。

3）涂覆缺陷检测与预警

基于分割结果，系统计算涂覆区域与碳电极的重叠比例，以确定产品是否有缺陷。例如，如果重叠率超过 95%，则判定为无缺陷产品；否则，标记为有缺陷产品。通过利用像素级定量分析，系统能够高精度地检测出哪怕是微小的缺陷。一旦识别出缺陷，系统会立即触发实时警报，以便及时做出响应。

成果与效益

借助基于深度学习的检测系统，即便在涂覆不均匀的情况下，也建立了一个稳定的框架来评估溶液涂覆质量。一项关键成就是清晰分离并检测出溶液涂覆区域和碳电极，而这在以前使用基于规则的方法很难做到。

C公司评估了多家解决方案提供商，但只有友思特Neuro-T平台展示了能够从碳电极中准确分离复杂涂覆图案的能力。这既保证了检测的高可靠性，又提高了生产流程效率。

自该系统实施以来，缺陷产品的发货量显著减少，质量投诉也大幅降低。检测人员的工作量也有所减轻，从而提高了整体生产效率。

在对精确质量检测要求极高的医疗器械制造行业，这个案例堪称典范，展示了基于深度学习的视觉检测如何克服传统基于规则系统的局限性，并有效应用于医疗器械质量控制。

Neuro-T：零代码自动深度学习训练平台

友思特 Neuro-T是一个用于深度学习视觉检测项目的一体化平台，可用于 项目规划→图像预处理→图像标注→模型训练→模型评估 一系列任务。Neuro-T提供了便捷的工具和友好的图形化界面，只需四个步骤即可创建一个深度学习模型

欢迎访问官网，探索丰富案例：

https://viewsitec.com/neurocle/

关注友思特机器视觉与光电公众号、加入行业交流群或直接联系我们，轻松收获更多技术干货

审核编辑 黄宇