Verificación del montaje de la aguja y la jeringuilla
Asegurar una conexión adecuada entre la aguja y la jeringuilla
Productos relacionados
Impulsado por el software para visión basado en el Deep Learning In-Sight ViDi
A breakthrough in complex inspection, part location, classification, and OCR
Las jeringuillas precargadas tienen la aguja preinstalada o integrada. El extremo del cilindro de la jeringuilla se calienta y se forma un cono o boquilla. La cánula de la aguja se inserta en el cono y se asegura típicamente con un adhesivo curado por UV. En el caso de una jeringuilla de polímero, la aguja se fija a través de un moldeo por inserción.
Es necesario inspeccionar el punto de conexión del vidrio o el plástico de la jeringuilla con la aguja para asegurarse de que no hay chips, burbujas de aire u otros defectos, y que la cantidad y la colocación del adhesivo es correcta. El aspecto puede variar dependiendo del tipo de adhesivo, y esto puede cambiar con el tiempo y entre lotes.
En el pasado, las dificultades en la inspección de los adhesivos de la unión de las agujas han limitado la variedad de posibilidades de calibre y longitud de las agujas integradas.
La inspección del montaje de la aguja y la jeringuilla se realiza mejor con una combinación de Deep Learning de Cognex y algoritmos de visión tradicionales. Las diversas dimensiones del cono, como el diámetro, la longitud, los distintos ángulos y la planitud del extremo, pueden medirse fácilmente con un sistema de visión artificial estándar, como el In-Sight 8505P.
Sin embargo, la inspección de los componentes a través de material transparente reflectante, ya sea vidrio o polímero, es una tarea para la tecnología de Deep Learning. El Deep Learning de Cognex se entrena en una variedad de boquillas aceptables con agujas insertadas. Cualquier montaje de aguja y jeringuilla que muestre propiedades fuera del rango aceptable, que podrían incluir burbujas, grietas, adhesivo inadecuado para la unión de la aguja, problemas con el cono u otras inclusiones, es marcado como un defecto y rechazado de la línea. Dado que el Deep Learning de Cognex puede entrenarse fácilmente en nuevos calibres o longitudes de agujas, los fabricantes evitan la larga y complicada reprogramación que se experimentaría con la visión artificial convencional.
