相关实验视频
Updated: May 10, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
8.9K
开发一种智能平板电脑压力机,用于使用机器学习和深度学习模型在线检测有缺陷的平板电脑
1College of Pharmacy, Dankook University, 119, Dandae-ro, Dongnam-gu, Cheonan-si 31116, Republic of Korea.
Pharmaceutics
|April 26, 2025
概括
一台新的平板电脑打印机 (TPM) 使用机器学习 (ML) 实时检测有缺陷的平板电脑. 这个过程分析技术 (PAT) 工具准确地识别出在制造过程中限制和低断力等问题.
科学领域:
- 制药制造业 制药制造业 制药制造业
- 过程分析技术 (PAT) 是一种分析技术.
- 机器学习在制药中的应用
背景情况:
- 平板电脑质量控制对于药物的有效性和安全性至关重要.
- 检测平板电脑缺陷的传统方法通常是耗时和劳动密集的.
- 整合过程分析技术 (PAT) 与机器学习 (ML) 提供了一条通往实时质量监测的道路.
研究的目的:
- 开发一台与ML和深度学习 (DL) 集成的平板电脑打印机 (TPM),用于在线检测平板电脑缺陷.
- 用实时处理数据预测平板电脑的缺陷,包括封闭和平板电脑的断裂力 (TBF).
- 建立一个TPM作为一种PAT工具,用于非破坏性质量评估.
主要方法:
- 使用商业规模的TPM压缩了甲胺HCl颗粒.
- 随机森林 (RF) 和人工神经网络 (ANN) 模型被训练在线数据 (压缩力,弹射力,速度).
- 设计和制造了一种支持 PAT 的 TPM,其中包含了一个用于缺陷检测和分类的射频模型.
主要成果:
- 射频模型实现了93.7%的预测准确率 (AUC 0.895),超过了ANN模型 (92.6%的准确率,AUC 0.878).
- 集成的TPM成功地将有缺陷的平板电脑实时分类,分类准确率为99.43%.
- 使用开发的基于ML的TPM,错误的药片检测准确率达到93.71%.
结论:
- 基于ML的TPM可以在湿颗粒缩放过程中有效地非破坏性地检测平板电脑缺陷.
- 这种方法作为基础的TPM模型在线PAT在多产品,小批量制造.
- 实施减少了劳动力,时间,API消耗和环境影响.
