相关实验视频
Updated: Jun 1, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.0K
基于深度学习的薄膜涂层平板电脑的缺陷检测使用卷积神经网络
Kabir A Pathak1, Prapti Kafle1, Ajit Vikram2
1Pharmaceutical Sciences and Clinical Supply, Merck & Co., Inc., Rahway, NJ, USA.
International journal of pharmaceutics
|January 20, 2025
概括
这项研究引入了一种机器学习方法,用于自动检测薄膜涂层平板电脑缺陷. 开发的卷积神经网络 (CNN) 达到99.7%的准确性,大大提高了药品质量控制的传统方法.
科学领域:
- 制药制造业 制药制造业 制药制造业
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 传统的片视觉检查缺陷是主观和低效的.
- 自动缺陷检测对于确保药品质量和制造效率至关重要.
研究的目的:
- 开发和评估一种基于机器学习的新型方法,用于客观有效地检测薄膜涂层平板电脑的缺陷.
- 将卷积神经网络 (CNN) 的性能与基于静态规则的方法进行比较.
主要方法:
- 膜片片中的手动诱导的缺陷 (破碎,破碎,颜色不均,斑点).
- 使用3D打印托盘和独特的细分方法进行图像采集.
- 在25,200张增强图像上训练CNN以进行多类缺陷分类.
主要成果:
- 美国有线电视新闻网 (CNN) 模型在检测薄膜涂层平板电脑中的缺陷方面达到99.7%的准确性.
- 美国有线电视新闻网显著优于基于静态规则的方法,该方法在维度分析中显示出高错误率.
- 该模型通过数据增强技术证明了它的稳定性.
结论:
- 拟议的基于CNN的图像分析提供了一种标准化,客观和高效的方法来检测药品平板电脑缺陷.
- 这种方法为提高产品质量和加速制药开发提供了有价值的工具.
