自动视觉检测（灯检）

自动视觉检测（AVI）是无菌注射剂的 100% 终端质量关口：每一支已灌装封口的容器在旋转或被搬运的同时，由高分辨率工业相机在多角度 LED 光源阵列下成像，再由机器视觉算法判定其中是否存在可见异物、装量偏差、玻璃外观缺陷或封口失效。它取代的是人工灯检——工人长时间对着强光细看药瓶，劳动强度大且难免疏漏。现代系统可分辨约 40 微米的颗粒（相当于一根较粗头发丝直径的一半），并达到每分钟 600 支预充针一类的通量，同时保留完整审计追踪以满足 GMP 数据完整性要求。该品类的核心工程难题是误剔率：过于敏感的算法会丢弃良品，而最难的判别是气泡与真实固体颗粒之间的区分，这一判别在深色或低对比度溶液下还会进一步劣化。正因如此，该领域已明确转向深度学习；也正因如此，AVI 如今被作为专用机器而非挂在灌装线上的相机工位来选型——本文列出的装备专家以检测机为主营产品，区别于仅把检测作为其中一道工序的无菌灌装线 OEM。

自动视觉检测的关键方向是：

1. 机器视觉异物检测： 高分辨率工业相机配多角度 LED 阵列与粒子轨迹跟踪，将运动的异物与气泡区分开来，在西林瓶、安瓿与预充针中分辨约 40 微米以上的可见异物。
2. 深度学习缺陷分类： 卷积模型自动分类缺陷类型，并以合成生成的稀有缺陷场景进行训练，化解长期困扰行业的真实缺陷样本不足问题——过去正是样本不足使算法难以泛化到新产品。
3. 容器密封完整性检测（CCIT）： 高压漏点检测、真空与压力衰减以及基于相机的胶塞位移监测等确定性方法，用以确认无菌屏障完整性，而这一属性是相机外观检测本身在法规上无法单独证明的。
4. 多品种小批量检测： 面向临床试验、ATMP 与 CDMO 的紧凑型快速换型机器，其批量小、规格频繁切换，实际产能由换型时间而非峰值速度决定。

行业价值链#

[已灌装封口单元] ──> [容器输送] ──> [多相机成像] ──> [缺陷分类]
                                            │
                                        (剔除判定)
                                            │
                                            ▼
[放行批次] <─── [剔除复核与记录] <──────────┘

价值链层级#

行业跨领域技术：

• 嵌入式边缘 AI 视觉： 配备专用板载 AI 处理器的工业视觉系统，以确定性方式在产线全速下完成推理，而非交由服务器处理——构成机器制造商之下的部件层。
• 合成缺陷数据生成： 由 AI 模型合成稀有缺陷场景并与真实缺陷库结合，无需等待稀有缺陷自然出现即可训练更大的检测模型。
• 分布式检测架构： 以分布式架构替代传统 CS 架构的视觉系统设计，在提升灵活性与可扩展性的同时确保每一次检测可追溯、每一次操作可控。

AVI 技术栈把光学与容器操作置于分类智能之下，而完整性检测作为独立的确定性学科并行运行，而非视觉输出的一部分。

1. 光学、照明与容器操作：
   • 高分辨率工业相机配合多角度 LED 阵列，在容器旋转使颗粒起动的同时从多个视角成像；照明几何按配方针对容器材质与溶液的颜色、透明度进行调校。
   • 无接触操作与光学同等重要：机械臂脱盘与回盘可避免制造出随后会被判为缺陷的气泡，并同时适配装有液体、黏稠产品与混悬液的塑料与玻璃针管。
2. 分类智能（从规则到深度学习）：
   • 决定系统水平的判别是气泡与固体颗粒之分；深色溶液降低对比度，泛化能力不足则迫使每导入一个新产品都要重新训练，因此能自动分类缺陷类型的卷积模型已取代纯规则逻辑。
   • 合成缺陷生成直接化解样本稀缺：从积累的缺陷数据库生成稀有缺陷场景并与真实数据结合以训练更大的模型，取代了过去守株待兔等待合适不合格样本的做法。
3. 容器密封完整性检测：
   • 高压漏点检测被集成进检测机，真空与压力衰减以及基于相机的胶塞位移监测则对无菌屏障完整性做出量化；修订后的 Annex 1 期望的正是确定性方法，而对熔封的吹灌封容器，视觉检测明确不能作为替代。
   • 把密封性检测与相机、X 射线检测集成于同一系统并辅以 AI 图像处理，可使单一工位同时给出外观结论与完整性结论。
4. 架构、记录与换型：
   • 分布式架构取代传统 CS 设计以提升灵活性与可扩展性，同时确保每一次检测可追溯、每一份数据可查、每一次操作可控——这正是 GMP 数据完整性的实际形态。
   • 对临床、ATMP 与 CDMO 工况而言，约束条件是换型，因此紧凑的多品种小批量机型优化的是快速换规格与自动化设置，而非峰值支/分钟。