AI Vision ngành dược: Kiểm tra vỉ thuốc, mã lô, hạn sử dụng

Ngành dược phẩm: AI Vision kiểm tra vỉ thuốc, bao bì, mã lô và hạn sử dụng trên dây chuyền

AI Vision giúp nhà máy dược phẩm tự động kiểm tra vỉ thuốc, phát hiện viên thuốc thiếu hoặc sai hình dạng, đồng thời kiểm tra nhãn và bao bì trước khi sản phẩm chuyển sang công đoạn tiếp theo. Với mã lô, ngày sản xuất và hạn sử dụng, hệ thống có thể đọc nội dung in, đối chiếu với dữ liệu đã cài đặt và phát hiện những trường hợp sai hoặc không đọc được. Camera Vision truyền thống phù hợp với các lỗi có quy tắc rõ ràng, còn AI Vision hữu ích hơn khi hình ảnh lỗi thay đổi nhiều và khó mô tả bằng một bộ quy tắc cố định. Tuy nhiên, nhà máy cần chọn đúng công nghệ cho từng hạng mục, kiểm chứng tỷ lệ bỏ sót và loại nhầm, đồng thời thiết kế cơ chế loại sản phẩm lỗi có kiểm soát để tránh hàng không đạt tiếp tục đi vào khâu đóng gói hoặc xuất xưởng.

AI Vision kiểm tra chất lượng dược phẩm như thế nào trên dây chuyền?

AI Vision là hệ thống sử dụng camera, ánh sáng, phần mềm xử lý ảnh và mô hình trí tuệ nhân tạo để kiểm tra sản phẩm dựa trên hình ảnh thu được. Trong nhà máy dược, hệ thống có thể được lắp tại máy đóng vỉ, công đoạn kiểm tra hộp, khu vực in mã truy xuất hoặc trước khi sản phẩm được đóng thùng.

Khác với nhân viên QC đứng quan sát từng sản phẩm, camera có thể chụp và xử lý ảnh theo chu kỳ đã thiết lập. Khi phát hiện sản phẩm không đạt tiêu chí, hệ thống gửi tín hiệu đến PLC hoặc bộ điều khiển để đánh dấu, dừng máy hay kích hoạt cơ cấu loại sản phẩm, tùy theo thiết kế dây chuyền.

Điểm cần hiểu rõ là AI Vision không tự động kiểm tra được mọi đặc tính của thuốc. Camera chỉ đánh giá được những dấu hiệu mà hệ thống có thể quan sát hoặc đọc từ dữ liệu hình ảnh. Chẳng hạn, camera có thể phát hiện một ô vỉ bị thiếu viên nếu góc chụp và ánh sáng phù hợp, nhưng không thể chỉ nhìn bề ngoài để xác nhận thành phần hóa học hoặc hàm lượng hoạt chất bên trong viên thuốc.

Vì vậy, khi triển khai, nhà máy nên chia bài toán thành từng hạng mục cụ thể: kiểm tra viên thuốc, kiểm tra vỉ, đọc mã in, kiểm tra nhãn, kiểm tra hộp và xác nhận thông tin trên bao bì. Mỗi hạng mục cần tiêu chí đạt, tiêu chí không đạt và phương án xử lý riêng.

Vì sao nhà máy dược nên kiểm tra vỉ thuốc bằng camera tự động?

Vỉ thuốc thường được kiểm tra ở công đoạn tạo vỉ, cấp viên, ép màng và hoàn thiện bao bì. Nếu có viên bị thiếu, vỡ hoặc nằm sai vị trí, lỗi này cần được phát hiện trước khi vỉ chuyển sang khâu đóng hộp.

Trong thực tế sản xuất, lỗi không phải lúc nào cũng xuất hiện giống nhau. Một ô có thể trống hoàn toàn, một viên có thể bị vỡ thành nhiều mảnh, hoặc viên thuốc bị lệch khỏi vị trí thiết kế. Với viên nang, màu sắc và hình dạng hai nửa vỏ cũng có thể là dấu hiệu cần kiểm tra, tùy yêu cầu của sản phẩm.

AI Vision có thể hỗ trợ nhận diện những tình huống này bằng cách học từ ảnh sản phẩm đạt và ảnh lỗi. Khi vận hành, mô hình đánh giá hình ảnh mới rồi đưa ra kết quả theo tiêu chí đã được xác nhận trong quá trình thử nghiệm.

Tuy nhiên, một hệ thống kiểm tra vỉ tốt không chỉ cần nhận ra ô trống. Nó còn phải xử lý được những tình huống dễ gây nhầm như:

- Viên thuốc có màu gần giống màu nền hoặc màng vỉ.
- Bóng phản chiếu trên màng nhựa khiến một ô trông như bị thiếu viên.
- Viên thuốc nằm lệch, xoay hướng hoặc bị che một phần.
- Mảnh vụn thuốc xuất hiện trong ô nhưng không còn nguyên viên.
- Màng vỉ bị nhăn, biến dạng hoặc có vết bẩn làm thay đổi hình ảnh.

Với các lỗi như thiếu viên, vị trí viên hoặc hình dạng bên ngoài, camera có thể mang lại hiệu quả rõ rệt nếu bố trí đúng. Nhưng nếu nhà máy cần xác nhận khối lượng, thành phần hay chất lượng bên trong viên thuốc, phải sử dụng phương pháp kiểm tra phù hợp khác.

Một điểm quan trọng nữa là cơ cấu loại vỉ lỗi phải hoạt động đồng bộ với máy đóng gói. Phần mềm nhận diện đúng nhưng tín hiệu loại sản phẩm bị trễ, nhầm vị trí hoặc cơ cấu đẩy không hoạt động vẫn có thể khiến vỉ lỗi đi tiếp. Do đó, cần kiểm tra cả khả năng phát hiện lẫn khả năng loại đúng sản phẩm.

AI Vision có kiểm tra được mã lô, ngày sản xuất và hạn sử dụng không?

Có. Đây là một trong những ứng dụng thiết thực của thị giác máy trong đóng gói dược phẩm, đặc biệt ở các dây chuyền in phun, in nhiệt hoặc in mã lên hộp, nhãn và vật liệu bao bì.

Hệ thống camera có thể đọc các ký tự được in trên sản phẩm bằng công nghệ OCR hoặc mô hình nhận dạng ký tự. Sau khi đọc, phần mềm có thể đối chiếu nội dung với dữ liệu của lệnh sản xuất, chẳng hạn mã lô dự kiến, ngày sản xuất và hạn sử dụng.

Ví dụ, nếu lệnh đóng gói đang sử dụng mã lô `AB261020`, nhưng hộp được in thành `AB26102O` với ký tự cuối là chữ O thay vì số 0, hệ thống có thể cảnh báo nếu thuật toán đọc được ký tự và quy tắc kiểm tra xác định đây là sai khác. Tương tự, nếu hạn sử dụng bị thiếu một ký tự, nhòe mực hoặc không đọc được, sản phẩm có thể được đánh dấu để loại hoặc kiểm tra lại.

Có ba việc khác nhau cần phân biệt:

• Thứ nhất, kiểm tra có in hay không. Camera xác định vùng in có xuất hiện nội dung hay không. Đây là bài toán tương đối đơn giản nếu màu mực và nền bao bì có độ tương phản tốt.
• Thứ hai, kiểm tra nội dung có đọc được hay không. Hệ thống đánh giá chất lượng ký tự, phát hiện chữ nhòe, thiếu nét, đứt nét hoặc vùng in bị che.
• Thứ ba, kiểm tra nội dung có đúng hay không. Hệ thống cần đối chiếu kết quả đọc với dữ liệu được cấp từ hệ thống quản lý hoặc lệnh sản xuất. Chỉ đọc được một dãy ký tự không có nghĩa là dãy đó chính xác.

Đây là điểm nhiều nhà máy cần lưu ý. Nếu chỉ thiết lập camera để xác nhận hộp có in mã, hệ thống vẫn có thể cho qua một hộp mang mã lô sai. Muốn kiểm soát nội dung, phải có bước đọc ký tự và đối chiếu dữ liệu.

Ngoài ra, không nên để AI tự quyết định ngày nào là đúng chỉ dựa vào hình ảnh. Dữ liệu chuẩn phải đến từ nguồn được nhà máy kiểm soát, và quy tắc ngày tháng cần phù hợp với quy trình sản xuất. Hệ thống nên xử lý riêng trường hợp không đọc được mã, đọc được nhưng không khớp, hoặc không nhận được dữ liệu chuẩn.

Những lỗi bao bì dược phẩm nào có thể phát hiện bằng AI Vision?

Bao bì dược phẩm có nhiều dạng như vỉ, chai, lọ, tuýp, hộp giấy và nhãn. Mỗi loại có bề mặt, vị trí in và điều kiện kiểm tra khác nhau, vì vậy không nên mặc định một cấu hình camera có thể xử lý tất cả.

Các hạng mục thường có thể xem xét gồm:

- Hộp giấy: hộp móp, rách, sai màu sắc rõ rệt, thiếu chi tiết in hoặc sai vị trí nhãn.
- Nhãn chai, lọ: nhãn lệch, nhãn thiếu, nhãn nhăn hoặc sai nội dung có thể đọc được.
- Mã lô và hạn sử dụng: thiếu ký tự, nhòe mực, sai nội dung so với dữ liệu chuẩn hoặc không đọc được.
- Vỉ thuốc: thiếu viên, viên vỡ, sai vị trí hoặc bất thường ngoại quan có thể quan sát.
- Nắp và một số chi tiết bên ngoài: thiếu nắp, sai màu nắp hoặc vị trí lắp bất thường nếu camera có góc nhìn phù hợp.
- Hướng và sự hiện diện của bao bì: hộp hoặc nhãn bị đặt sai chiều, thiếu thành phần cần có trên sản phẩm.

Dù vậy, cần phân biệt lỗi nhìn thấy được với lỗi đòi hỏi kiểm tra chuyên biệt. Camera thông thường không thể xác nhận chắc chắn độ kín của bao bì chỉ bằng hình ảnh bên ngoài. Một đường ép nhìn đẹp chưa đủ chứng minh rằng bao bì không rò rỉ.

Tương tự, nếu cần kiểm tra tạp chất bên trong dung dịch, khuyết tật bên trong vật liệu hoặc chất lượng mối hàn kín theo tiêu chí kỹ thuật, nhà máy cần xem xét các thiết bị kiểm tra phù hợp như hệ thống kiểm tra rò rỉ, phương pháp thử độ kín hoặc thiết bị chuyên dụng khác. AI Vision có thể bổ sung cho các hệ thống này, nhưng không nên thay thế chúng khi không cùng nguyên lý kiểm tra.

Nên chọn Camera Vision truyền thống, AI Vision hay thiết bị chuyên dụng?

Không có một lựa chọn tốt nhất cho mọi công đoạn. Cách hợp lý là xác định lỗi cần phát hiện, yêu cầu kỹ thuật, tốc độ dây chuyền và hậu quả nếu lỗi bị bỏ sót, sau đó mới chọn công nghệ.

Với một dây chuyền đóng gói dược phẩm, phương án kết hợp thường đáng cân nhắc. Chẳng hạn, Camera Vision truyền thống kiểm tra vị trí hộp, AI Vision đánh giá lỗi ngoại quan khó mô tả, OCR đọc mã lô và hạn sử dụng, còn thiết bị chuyên dụng thực hiện phép thử độ kín nếu quy trình yêu cầu.

Tuy nhiên, kết hợp nhiều công nghệ cũng làm tăng độ phức tạp tích hợp. Mỗi thiết bị cần đồng bộ với dây chuyền, có cách xử lý lỗi rõ ràng và không tạo ra khoảng trống kiểm soát giữa các công đoạn.

Khi nào nhà máy dược nên đầu tư AI Vision?

AI Vision phù hợp khi nhà máy có một bài toán kiểm tra lặp lại nhiều lần, lỗi có thể quan sát bằng camera và việc kiểm tra thủ công đang tạo ra rủi ro hoặc chi phí đáng kể.

Những tình huống nên xem xét đầu tư gồm:

- Sản lượng lớn, nhân viên khó kiểm tra từng vỉ hoặc từng hộp với mức tập trung đồng đều trong suốt ca.
- Lỗi ngoại quan có nhiều hình thái, khiến việc đặt ngưỡng cố định không ổn định.
- Mã in có thể bị nhòe, thiếu nét hoặc thay đổi chất lượng theo tốc độ máy và tình trạng đầu in.
- Nhà máy cần lưu ảnh hoặc kết quả kiểm tra để phục vụ điều tra sai lệch và truy xuất theo lô.
- Các đợt đổi mẫu mã thường xuyên khiến nhân viên phải điều chỉnh quy trình kiểm tra liên tục.

Một lợi ích thực tế là hệ thống có thể kiểm tra sản phẩm theo tiêu chí nhất quán và ghi nhận kết quả tự động. Nhân viên QC có thể dành nhiều thời gian hơn cho việc điều tra nguyên nhân, xác nhận sai lệch và cải tiến quy trình, thay vì chỉ tập trung nhìn sản phẩm chạy qua.

Dù vậy, AI Vision không phải lúc nào cũng đáng đầu tư. Nếu dây chuyền có sản lượng thấp, lỗi rất đơn giản và Camera Vision truyền thống đã đáp ứng yêu cầu, việc xây dựng mô hình AI có thể không đem lại lợi ích tương xứng.

Nhà máy cũng chưa nên triển khai rộng khi chưa có mẫu lỗi đại diện, chưa xác định được tiêu chí chấp nhận hoặc chưa biết phải xử lý thế nào khi camera báo lỗi. Trong trường hợp đó, bước cần làm trước là chuẩn hóa tiêu chí kiểm tra và quy trình phản ứng với sản phẩm không đạt.

Khi nào không nên dùng AI Vision để thay thế phương pháp kiểm tra hiện có?

AI Vision không nên được chọn chỉ vì doanh nghiệp muốn đưa AI vào nhà máy. Nếu một phép đo chuyên dụng đang kiểm tra đặc tính quan trọng mà camera không thể quan sát, thay thế thiết bị đó bằng AI có thể tạo ra rủi ro lớn hơn lợi ích.

Ví dụ, camera có thể phát hiện đường ép trên vỉ bị nhăn hoặc có dấu hiệu bất thường, nhưng không thể chỉ dựa vào ảnh để khẳng định vỉ kín hoàn toàn. Với yêu cầu xác nhận độ kín, nhà máy phải sử dụng phương pháp phù hợp và chứng minh rằng phương pháp đó đáp ứng tiêu chí kỹ thuật.

Tương tự, camera đọc được mã lô không có nghĩa là toàn bộ thông tin trên bao bì đã chính xác về mặt hồ sơ. Nhà máy vẫn phải kiểm soát dữ liệu lệnh sản xuất, phiên bản bao bì, nội dung được phê duyệt và quy trình đổi mã khi chuyển lô.

Không nên triển khai AI Vision theo cách cho phép hệ thống tự thay đổi tiêu chí kiểm tra trong sản xuất mà không có kiểm soát. Khi mô hình, phần mềm hoặc thông số ảnh hưởng đến quyết định chấp nhận sản phẩm được thay đổi, nhà máy cần đánh giá tác động và thực hiện các bước kiểm tra, phê duyệt theo hệ thống chất lượng đang áp dụng.

Cần chuẩn bị gì trước khi lắp AI Vision lên dây chuyền dược phẩm?

Trước khi yêu cầu nhà cung cấp báo giá, nhà máy nên mô tả rõ sản phẩm, tốc độ máy và lỗi cần phát hiện. Càng xác định rõ bài toán, việc lựa chọn camera, ống kính, ánh sáng và phần mềm càng dễ kiểm soát.

Bước 1: Xác định chính xác lỗi cần kiểm tra.

Thay vì ghi chung chung là “kiểm tra chất lượng vỉ thuốc”, hãy liệt kê từng lỗi như thiếu viên, viên vỡ, sai vị trí, màng vỉ bất thường hoặc mã in không đọc được. Với mỗi lỗi, cần xác định mức độ nghiêm trọng và cách xử lý khi phát hiện.

Bước 2: Thu thập mẫu sản phẩm thực tế.

Chuẩn bị mẫu đạt, mẫu lỗi và các trường hợp khó phân biệt. Nên có mẫu từ nhiều ca sản xuất, nhiều lô nguyên liệu hoặc điều kiện vận hành khác nhau nếu những yếu tố này ảnh hưởng đến hình ảnh.

Không nên chỉ thử bằng vài mẫu lỗi rõ ràng. Hệ thống có thể nhận ra những trường hợp đó nhưng vẫn bỏ sót lỗi nhỏ, lỗi hiếm hoặc lỗi xuất hiện khi ánh sáng thay đổi.

Bước 3: Kiểm tra điều kiện chụp ảnh.

Với vỉ thuốc, cần xem xét độ phản chiếu của màng nhựa, độ tương phản giữa viên thuốc và nền, khoảng cách camera, rung động và tốc độ chạy. Với mã in, cần kiểm tra vị trí ký tự, chất liệu bề mặt, màu mực và thời gian hình ảnh được chụp sau khi in.

Nếu hình ảnh đầu vào không ổn định, tăng độ phức tạp của mô hình AI không phải lúc nào cũng giải quyết được vấn đề. Nhiều trường hợp cần xử lý ánh sáng, đồ gá hoặc vị trí camera trước.

Bước 4: Xác định cách hệ thống phản ứng khi phát hiện lỗi.

Cần thống nhất hệ thống sẽ báo cảnh báo, loại sản phẩm tự động hay dừng máy. Nếu loại sản phẩm, phải xác định cách theo dõi đúng sản phẩm tương ứng, vị trí cơ cấu loại, tín hiệu xác nhận loại thành công và phương án xử lý khi cơ cấu gặp lỗi.

Bước 5: Thử nghiệm bằng tiêu chí đo được.

Nhà máy nên yêu cầu nhà cung cấp báo cáo tỷ lệ phát hiện lỗi, tỷ lệ bỏ sót, tỷ lệ loại nhầm, tốc độ kiểm tra và kết quả theo từng nhóm lỗi. Không nên chỉ đánh giá bằng một con số độ chính xác tổng thể vì con số này có thể che khuất việc hệ thống xử lý kém một loại lỗi quan trọng.

Bước 6: Đánh giá khả năng lưu trữ và truy xuất.

Cần làm rõ ảnh có được lưu hay không, kết quả gắn với mã sản phẩm hoặc lô như thế nào, dữ liệu lưu ở đâu, ai được quyền truy cập và thời gian lưu giữ theo quy định nội bộ. Nếu cần điều tra một lô, hệ thống phải giúp tìm được thông tin liên quan một cách đáng tin cậy.

Bước 7: Đưa hệ thống vào vận hành có kiểm soát.

Trước khi sử dụng kết quả camera làm căn cứ loại sản phẩm hoặc giải phóng lô, nhà máy cần hoàn thành các bước thử nghiệm, đánh giá và phê duyệt phù hợp với mục đích sử dụng, hệ thống chất lượng và yêu cầu quản lý áp dụng. Trong giai đoạn đầu, có thể vận hành song song với phương pháp kiểm tra hiện có để đối chiếu kết quả trước khi chuyển sang chế độ chính thức.

Làm sao đánh giá một hệ thống AI Vision có phù hợp với nhà máy dược không?

Nhà máy nên đánh giá theo hiệu quả của từng hạng mục, không chỉ theo thông số phần cứng. Một camera có độ phân giải cao chưa chắc đọc tốt mã in nếu ánh sáng phản chiếu hoặc ký tự quá nhỏ. Một mô hình AI có kết quả tốt trong phòng thử nghiệm cũng chưa chắc giữ được hiệu quả khi dây chuyền chạy đủ tốc độ.

Có bốn nhóm tiêu chí nên đưa vào nghiệm thu.

• Thứ nhất là khả năng phát hiện lỗi. Cần đo tỷ lệ bỏ sót từng loại lỗi và xác định lỗi nào không được phép bỏ qua theo yêu cầu chất lượng.
• Thứ hai là khả năng vận hành. Hệ thống có đáp ứng tốc độ thực tế không? Có hoạt động ổn định khi máy tăng tốc, đổi mẫu hoặc khởi động lại sau sự cố không?
• Thứ ba là khả năng tích hợp. Camera có giao tiếp được với PLC, máy in, hệ thống quản lý sản xuất hoặc phần mềm truy xuất hiện có không? Tín hiệu lỗi có gắn đúng với sản phẩm cần loại không?
• Thứ tư là khả năng kiểm soát thay đổi. Khi đổi loại hộp, thay mẫu nhãn, thay máy in hoặc cập nhật phần mềm, nhà máy cần biết những gì phải kiểm tra lại và ai có quyền phê duyệt.

Một hệ thống đáp ứng đủ bốn nhóm tiêu chí này sẽ có giá trị sử dụng thực tế hơn một giải pháp chỉ trình diễn tốt trong điều kiện thử nghiệm.

AI Vision xử lý lỗi mã in và thiếu viên trên dây chuyền như thế nào?

Tình huống dưới đây là ví dụ giả định để minh họa cách đánh giá dự án, không phải dữ liệu của một khách hàng thực tế.

Giả sử một nhà máy đóng gói viên nén sử dụng dây chuyền đóng vỉ và đóng hộp tự động. Bộ phận QC phát hiện một số vỉ thiếu viên trong quá trình đóng gói, đồng thời có hộp mang mã lô hoặc hạn sử dụng khó đọc. Việc kiểm tra hiện tại dựa nhiều vào lấy mẫu và kiểm tra ngoại quan ở một số vị trí.

Nhà máy chưa vội lắp một hệ thống AI lớn cho toàn bộ dây chuyền. Thay vào đó, nhóm dự án chọn hai điểm có thể đo hiệu quả rõ ràng: kiểm tra số viên trong vỉ và đọc mã in trên hộp.

Ở công đoạn đóng vỉ, camera được bố trí để chụp từng vỉ sau khi cấp viên. Phần mềm kiểm tra từng ô, nhận diện trường hợp thiếu viên hoặc có hình ảnh bất thường. Những trường hợp không đủ chắc chắn được chuyển theo quy tắc đã thống nhất, thay vì tự động coi là sản phẩm đạt.

Ở công đoạn đóng hộp, camera chụp vùng in mã lô và hạn sử dụng. Phần mềm đọc ký tự, so sánh với dữ liệu của lệnh sản xuất và gửi tín hiệu khi mã không khớp hoặc không đọc được. Dữ liệu chuẩn được kiểm soát từ hệ thống của nhà máy, không nhập tùy tiện theo từng lần chạy.

Trong giai đoạn thử nghiệm, nhóm dự án tạo bộ mẫu gồm sản phẩm đạt, lỗi thiếu viên, viên vỡ, mã in nhòe và các trường hợp dễ gây nhầm. Kết quả được đối chiếu với kiểm tra độc lập để xác định loại lỗi nào hệ thống xử lý tốt và loại nào cần điều chỉnh.

Giả sử kết quả ban đầu cho thấy camera đọc mã ổn định nhưng còn loại nhầm một số hộp có bề mặt phản chiếu. Nhóm dự án sẽ xem lại ánh sáng và góc chụp trước khi kết luận cần huấn luyện lại mô hình. Nếu hệ thống nhận diện được vỉ lỗi nhưng cơ cấu loại không loại đúng sản phẩm, vấn đề cần xử lý nằm ở đồng bộ điều khiển và cơ cấu loại, không phải chỉ ở AI.

Sau khi hoàn thiện, nhà máy chỉ mở rộng sử dụng khi kết quả kiểm tra đáp ứng tiêu chí đã phê duyệt. Hiệu quả dự án được đánh giá bằng số lỗi bị phát hiện trước khi chuyển công đoạn, số sản phẩm bị loại nhầm, thời gian dừng máy và công sức kiểm tra thủ công giảm được.

Bài học từ tình huống giả định này là không nên bắt đầu bằng mục tiêu “ứng dụng AI toàn nhà máy”. Nên bắt đầu từ một lỗi cụ thể, xác định hậu quả của lỗi, đo hiệu quả trước và sau, rồi mới quyết định có mở rộng hay không.

AI Vision có giúp nhà máy dược giảm chi phí và nâng cao khả năng truy xuất không?

AI Vision có thể giảm một phần công việc kiểm tra lặp lại, giúp phát hiện sớm lỗi ngoại quan và tạo dữ liệu phục vụ điều tra sai lệch. Nhưng mức tiết kiệm thực tế phụ thuộc vào số lượng lỗi, chi phí kiểm tra hiện tại, chi phí loại nhầm, thời gian dừng máy và chi phí vận hành hệ thống mới.

Để đánh giá hiệu quả đầu tư, nhà máy nên tính cả chi phí phần cứng, tích hợp, chuẩn bị dữ liệu, xác nhận hệ thống, đào tạo nhân viên, bảo trì và các lần thay đổi sản phẩm. Phần lợi ích cần được tính từ những khoản có thể đo được, chẳng hạn giảm giờ kiểm tra thủ công, giảm lỗi lọt sang công đoạn sau hoặc giảm chi phí xử lý bao bì sai.

Về truy xuất, ảnh và kết quả kiểm tra có thể giúp nhóm chất lượng xác định một sản phẩm bị đánh dấu vì thiếu viên, mã không khớp hay không đọc được. Tuy nhiên, khả năng này chỉ hữu ích khi dữ liệu được liên kết đúng với sản phẩm, thời gian, lô sản xuất và trạng thái xử lý.

Đối với nhà máy dược, cần đặc biệt chú ý quyền truy cập, tính toàn vẹn dữ liệu, đồng bộ thời gian và lịch sử thay đổi. Nếu dữ liệu được dùng trong hồ sơ chất lượng hoặc hỗ trợ quyết định liên quan đến sản phẩm, hệ thống cần được đánh giá theo yêu cầu áp dụng tại cơ sở. Không nên mặc định rằng lắp camera và lưu ảnh tự động đồng nghĩa với việc hệ thống đã đáp ứng mọi yêu cầu về hồ sơ điện tử hoặc tuân thủ.

Những câu hỏi thường gặp về AI Vision trong ngành dược phẩm

AI Vision có phát hiện được mọi viên thuốc thiếu trong vỉ không?

• Không thể bảo đảm tuyệt đối chỉ dựa trên việc sử dụng AI. Kết quả phụ thuộc vào góc chụp, ánh sáng, hình dạng viên, tốc độ dây chuyền và chất lượng mô hình. Nhà máy cần thử nghiệm bằng mẫu thực tế, đặc biệt là các trường hợp dễ nhầm, rồi xác nhận tỷ lệ bỏ sót theo tiêu chí chất lượng đã đặt ra.

AI Vision có đọc được mã lô và hạn sử dụng bị nhòe không?

• Hệ thống có thể đọc một số trường hợp chữ nhòe hoặc thiếu nét nếu hình ảnh vẫn chứa đủ thông tin. Nhưng nếu ký tự mất quá nhiều nét hoặc không thể phân biệt với ký tự khác, hệ thống nên báo không đọc được thay vì tự đoán. Với thông tin quan trọng, không nên coi kết quả dự đoán thiếu chắc chắn là dữ liệu hợp lệ.

Có cần huấn luyện AI lại mỗi khi đổi loại thuốc hoặc bao bì không?

• Không phải lúc nào cũng cần huấn luyện lại, nhưng mỗi thay đổi cần được đánh giá. Nếu đổi màu viên, hình dạng vỉ, chất liệu hộp, vị trí in hoặc kiểu chữ, nhà máy nên kiểm tra xem cấu hình hiện tại còn đáp ứng yêu cầu hay không. Việc cập nhật mô hình hoặc thông số phải theo quy trình quản lý thay đổi đã được phê duyệt.

Camera có thay thế được nhân viên QC không?

• Camera có thể đảm nhận một số bước kiểm tra lặp lại và tạo cảnh báo tự động, nhưng vẫn cần nhân sự quản lý tiêu chí chất lượng, xác nhận kết quả, xử lý sai lệch và theo dõi hiệu quả hệ thống. Với các lỗi có hậu quả nghiêm trọng, nhà máy cần thiết kế cơ chế kiểm soát và phương án dự phòng phù hợp, không nên chỉ dựa vào một kết quả AI.

AI Vision có thể xác nhận bao bì dược phẩm kín hoàn toàn không?

• Không, nếu chỉ dựa vào hình ảnh bên ngoài thông thường. Camera có thể phát hiện một số dấu hiệu bất thường trên đường ép hoặc bao bì, nhưng xác nhận độ kín cần phương pháp thử phù hợp với cấu trúc bao bì và yêu cầu kỹ thuật.

Nên triển khai AI Vision ở công đoạn nào trước?

• Nên ưu tiên công đoạn có lỗi cụ thể, sản lượng đủ lớn, hậu quả lỗi rõ ràng và khả năng đo hiệu quả trước–sau. Với nhiều dây chuyền đóng gói dược phẩm, kiểm tra thiếu viên trong vỉ hoặc đọc và đối chiếu mã lô, hạn sử dụng là những bài toán có thể đưa vào danh sách đánh giá ban đầu. Quyết định cuối cùng cần dựa trên mẫu sản phẩm, tốc độ máy và kết quả thử nghiệm tại nhà máy.

Nhà máy dược nên bắt đầu từ đâu để triển khai đúng?

Nếu đang cân nhắc đầu tư, nhà máy nên bắt đầu bằng việc chọn một công đoạn có vấn đề chất lượng đã được ghi nhận, thu thập mẫu đạt và mẫu lỗi, sau đó xác định tiêu chí nghiệm thu cụ thể. Tiếp theo, hãy yêu cầu nhà cung cấp chứng minh khả năng phát hiện bằng sản phẩm thực tế ở tốc độ vận hành dự kiến, đồng thời trình bày rõ cách tích hợp với PLC, cơ cấu loại, hệ thống dữ liệu và quy trình xử lý sai lệch.

Với dây chuyền dược phẩm, điều quan trọng không chỉ là camera nhìn thấy lỗi, mà còn là nhà máy có thể chứng minh hệ thống phát hiện đúng, xử lý đúng và lưu lại được kết quả cần thiết. Khi từng công đoạn được kiểm soát theo tiêu chí rõ ràng, AI Vision mới thực sự trở thành công cụ hỗ trợ quản lý chất lượng, thay vì chỉ là một thiết bị mới được lắp thêm trên dây chuyền.