Welche optischen Inspektionssysteme werden in der pharmazeutischen Herstellung eingesetzt?

Pharmazeutische Linien setzen auf vier Haupttypen von Vision-Inspektionssystemen: 2D-Vision-Systeme, 3D-Vision-Systeme, KI-gestützte Vision-Systeme und Smart Cameras. Jeder Typ erkennt eine andere Art von Defekten, arbeitet mit einer anderen Geschwindigkeit und bringt einen anderen Validierungsaufwand mit sich. Die Wahl des falschen Typs gehört zu den teuersten Fehlern, die ein Verpackungsteam machen kann, denn sie zeigt sich später in Form von Fehlausschleusungen, unentdeckten Defekten oder einem System, das die OQ nie besteht.

Wenn Sie neu in diesem Thema sind, beginnen Sie mit der Frage, was ein pharmazeutisches Vision-Inspektionssystem ist. Einen umfassenden Überblick – von den regulatorischen Anforderungen bis zur Linienintegration – finden Sie im vollständigen Leitfaden zu Vision-Systemen in der Pharmaindustrie. Dieser Artikel konzentriert sich auf eine Frage: Welcher Typ von Vision-Inspektionssystem eignet sich für welche Aufgabe?

Kurze Antwort

Pharmahersteller setzen vier Typen von Vision-Inspektionssystemen ein. 2D-Vision liest Codes, Texte und Etiketten und prüft Anwesenheit oder Position. 3D-Vision misst Höhe, Volumen und Form. KI-gestützte Vision erkennt variable kosmetische Defekte, die feste Regeln übersehen. Smart Cameras übernehmen einfache Einzelprüfungen in einer kompakten Einheit. Die meisten serialisierten Linien kombinieren 2D-Vision mit KI und ergänzen 3D nur dort, wo die Tiefe selbst der Defekt ist.

Das Wichtigste in Kürze

• Der Defekt, den Sie erkennen müssen, bestimmt den Gerätetyp – nicht die Kameraauflösung.
• 2D-Vision bleibt das Rückgrat der Produktserialisierung sowie der Etiketten- und Druckbildkontrolle.
• 3D-Vision ist das richtige Werkzeug, wenn der Defekt eine Höhe, ein Volumen oder ein Oberflächenprofil ist.
• KI-gestützte Vision bewältigt natürliche Schwankungen wie Tablettenfarbe oder Kapseloberfläche, mit denen regelbasierte Werkzeuge Schwierigkeiten haben.
• Smart Cameras eignen sich für einfache Prüfungen, erfüllen allein aber selten die Berichts- und Rückverfolgungsanforderungen einer serialisierten Linie.

Wovon hängt ab, welchen Typ von Vision-Inspektionssystem Sie benötigen?

Der Defekt entscheidet. Bevor Sie Kameras oder Anbieter vergleichen, halten Sie genau fest, wie eine fehlerhafte Einheit aussieht und an welcher Stelle der Linie sie sichtbar ist. Vier Fragen klären die Wahl in der Regel.

1. Ist der Defekt flach oder hat er Tiefe? Eine fehlende Chargennummer, ein verschmierter Data Matrix-Code oder ein schief aufgebrachtes Etikett liegen auf einer Oberfläche. Die 2D-Bildgebung erkennt sie. Ein zu niedriger Füllstand, ein hochstehender Verschluss oder ein verformter Blisternapf sind Höhen- oder Volumenprobleme – genau hier rechtfertigt 3D seine Kosten.
2. Ist „gut“ konstant oder variabel? Gedruckte Zeichen und Barcodes folgen einer Spezifikation, daher können feste Regeln sie beurteilen. Tablettenfarbe, Kapselglanz und natürliche Oberflächentextur variieren von Einheit zu Einheit. Genau für diese Variation ist die KI-basierte Inspektion ausgelegt.
3. Wie schnell läuft die Linie? Bildaufnahme, Beleuchtung und Verarbeitung müssen mit der Linie Schritt halten. Eine Faltschachtellinie mit 400 Einheiten pro Minute stellt ganz andere Anforderungen als ein manueller Verpackungsplatz.
4. Was muss mit dem Ergebnis geschehen? Eine eigenständige Qualitätsprüfung kann auf einem einfachen Gerät laufen. Eine Serialisierungsprüfung muss jeden Code an die Liniensteuerung melden, den Status der Einheit aktualisieren, eine bestätigte Ausschleusung auslösen und einen Audit Trail hinterlassen, der die Anforderungen von FDA 21 CFR Part 11 und EU-GMP-Annex 11 unterstützt.

In der Praxis setzen die meisten pharmazeutischen Linien mehr als einen Typ ein. Eine typische serialisierte Linie liest Codes mit 2D-Vision an der Faltschachtelstation, prüft feste Arzneiformen vorgelagert mit KI-gestützter Vision und verifiziert die Aggregation mit 2D-Kameras auf Versandkarton- und Palettenebene.

Was ist ein 2D-Vision-Inspektionssystem?

Ein 2D-Vision-Inspektionssystem erfasst ein flaches Bild eines Produkts oder einer Verpackung und analysiert es Pixel für Pixel. Es ist der in der Pharmaindustrie am weitesten verbreitete Typ von Vision-Inspektionssystem, denn nahezu jede compliance-kritische Prüfung findet auf einer bedruckten oder etikettierten Oberfläche statt.

Wie funktioniert die 2D-Vision-Inspektion?

Ein 2D-System besteht aus vier Komponenten: einer Kamera, kontrollierter Beleuchtung, einer Optik und einer Software, die Prüfwerkzeuge auf jedes Bild anwendet. Ein Sensor oder Drehgeber löst die Kamera aus, sobald eine Einheit vorbeiläuft. Die Software vergleicht das Bild dann mit einer Referenz oder misst es gegen Toleranzen und sendet ein Gut- oder Schlecht-Ergebnis an den Ausschleusmechanismus.

Die Beleuchtung leistet den Großteil der Arbeit. Diffuses Licht unterdrückt Reflexionen auf Alu- und Kunststofffolien. Polarisiertes Licht macht Oberflächendetails auf überzogenen Tabletten sichtbar. Durchlicht zeichnet Konturen und Flüssigkeitsstände nach. UV-Licht liest Tracking-Codes, die mit für Verbraucher unsichtbarer Tinte gedruckt sind.

Flächenkameras erfassen ein ganzes Bild auf einmal und eignen sich für Einzelteile wie Faltschachteln und Flaschen. Zeilenkameras oder Kontaktbildsensoren bauen das Bild Zeile für Zeile auf, was sich für Endlosbahnen und große Etikettenrollen eignet. Mehrkamerasysteme oder ein rotierendes Produkt ermöglichen eine 360°-Abdeckung zylindrischer Objekte wie Flaschen und Vials.

Wofür eignet sich 2D-Vision am besten?

Etiketten- und Druckbildkontrolle

Das ist die Kernaufgabe. Ein 2D-System kann auf einem einzigen Bild:

• Data Matrix-, QR- und lineare Barcodes nach ISO/IEC 15415 und 15416 decodieren und bewerten;
• Klartext per optischer Zeichenverifikation (OCV) oder Zeichenerkennung (OCR) für Charge, Verfalldatum, NDC und Seriennummer prüfen;
• bestätigen, dass Klartext und Code dieselben Daten enthalten;
• Vorhandensein, Position, Schräglage und Druckbild des Etiketts mit einem Referenzbild abgleichen.

OPTELs InspectProof™ ist ein Beispiel dafür. Es vereint mehr als 60 Prüffunktionen für Produkt-, Verpackungs-, Kit- und Etikettenkontrollen und skaliert je nach Konfiguration von bis zu 200 bis zu 1.200 Produkten pro Minute.

Anwesenheits- und Vollständigkeitskontrolle

2D-Vision bestätigt zuverlässig, dass sich etwas dort befindet, wo es sein soll. Typische Prüfungen betreffen Packungsbeilagen und Topserts in Faltschachteln, Verschlüsse und Originalitätssiegel, Tabletten in jedem Blisternapf sowie Komponenten in einem medizinischen Kit. An Lamellenzählern und elektronischen Zählern prüft 2D-Vision außerdem Farbe, Größe und Unversehrtheit jeder Einheit, bevor sie in die Flasche fällt.

Grenzen

• Keine echte Tiefe. Ein 2D-Bild kann die Höhe nicht direkt messen. Der Füllstand durch Klarglas lässt sich mit Durchlicht prüfen, undurchsichtige Behälter oder geringe Höhenunterschiede erfordern jedoch 3D.
• Empfindlich gegenüber der Produktpräsentation. Veränderungen in Position, Ausrichtung oder Reflexionen können Fehlausschleusungen verursachen, wenn Beleuchtung und Handling nicht sorgfältig ausgelegt sind.
• Regelbasierte Werkzeuge müssen abgestimmt werden. Feste Schwellenwerte funktionieren gut bei gedruckten Daten, stoßen aber bei natürlichen Schwankungen im Produktaussehen an ihre Grenzen.

Was ist ein 3D-Vision-Inspektionssystem?

Ein 3D-Vision-Inspektionssystem misst die Form eines Objekts in drei Dimensionen, nicht nur sein Aussehen. Statt eines flachen Bildes erzeugt es eine Höhenkarte oder Punktwolke, in der jeder Punkt einen Tiefenwert trägt. Damit ist es das richtige Werkzeug, wenn der Defekt in der physischen Geometrie liegt und nicht in Farbe oder Druck.

Wie funktioniert die 3D-Vision-Inspektion?

Drei Verfahren dominieren die industrielle 3D-Inspektion:

• Lasertriangulation. Eine Laserlinie wird auf das Produkt projiziert, und eine Kamera betrachtet sie aus einem Winkel. Während sich das Produkt bewegt, zeigt die Form der Linie das Oberflächenprofil.
• Strukturiertes Licht. Ein Projektor wirft ein bekanntes Muster, etwa Streifen. Die Verformung des Musters auf der Oberfläche wird in Tiefe umgerechnet.
• Stereo-Vision. Zwei Kameras betrachten dieselbe Szene aus unterschiedlichen Positionen, und die Software berechnet die Tiefe aus dem Unterschied zwischen beiden Bildern.

Das Ergebnis ist ein Satz von Messwerten: Höhe, Volumen, Ebenheit, Neigung oder Abweichung von einem Referenzmodell. Die Toleranzen werden dann in realen Einheiten wie Millimetern angewendet, was sich in einem Validierungsprotokoll leichter begründen lässt als ein Grauwert-Schwellenwert.

Typische Einsatzbereiche

Füllstandskontrolle

3D- und tiefenmessende Verfahren prüfen den Füllstand in offenen oder undurchsichtigen Behältern, in denen ein 2D-Durchlichtbild die Flüssigkeits- oder Pulvergrenze nicht erkennen kann. Sie können auch die Höhe eines Stopfens oder Verschlusses messen, um den korrekten Sitz zu bestätigen. Bei klaren Vials erfüllt eine gut ausgelegte 2D-Durchlicht-Vialinspektion die Aufgabe oft zu geringeren Kosten – der Behälter ist also genauso wichtig wie das Produkt.

Form- und Volumenprüfung

Typische Anwendungen sind:

• Tiefe der Blisternäpfe und Formfehler;
• hochstehende, schiefe oder fehlende Verschlüsse und Bördelkappen;
• Tablettendicke, Abplatzungen und Kantenschäden, gemessen in realen Abmessungen;
• Dellen und Verformungen an Versandkartons und Behältern;
• Stapelhöhe und Lagenkontrolle bei der Palettierung.

Grenzen

• Kosten und Komplexität. 3D-Sensoren, Kalibrierung und Integration kosten mehr als bei 2D, und Formatwechsel können länger dauern.
• Reflektierende und transparente Oberflächen. Glas, Folie und glänzende Beschichtungen streuen das Licht und können Lücken in den Höhendaten verursachen.
• Kompromisse bei der Geschwindigkeit. Hochauflösendes 3D-Scannen kann den Durchsatz auf den schnellsten Linien begrenzen.
• Kein Lesen von Druck. 3D misst Form, nicht Tinte. Für die Code- und Etikettenprüfung bleibt 2D erforderlich, daher ist 3D fast immer eine Ergänzung und kein Ersatz.

Was ist ein KI-gestütztes Vision-Inspektionssystem?

Ein KI-gestütztes Vision-Inspektionssystem nutzt Deep-Learning-Modelle, die mit Bildern guter und fehlerhafter Produkte trainiert wurden, um zu entscheiden, ob eine Einheit die Prüfung besteht. Kamera und Beleuchtung entsprechen oft denen eines 2D-Systems. Was sich ändert, ist die Art, wie das Bild beurteilt wird. Mehr zu Modellen, Training und Validierung erfahren Sie in unserem Artikel zur KI-Vision-Inspektion im Detail.

Wie unterscheidet sich KI-Vision von regelbasierter Vision?

Regelbasierte Vision funktioniert wie eine von einem Ingenieur geschriebene Checkliste: diese Kante messen, diese Pixel zählen, ausschleusen, wenn der Wert außerhalb eines Schwellenwerts liegt. Sie ist präzise und leicht zu erklären, weshalb sie für Codes und Text der Standard bleibt.

KI-Vision lernt anhand von Beispielen, wie „akzeptabel“ aussieht. In der industriellen Bildverarbeitung sind zwei Ansätze verbreitet:

• Bildklassifizierung ordnet einem Bild oder Bildbereich ein Label zu, etwa gut, abgeplatzt, verfleckt oder falsches Produkt. Sie unterstützt die Klassifizierung von Anomalien, die Sortierung von Objekten und eine robustere OCR.
• Bildsegmentierung grenzt genau die Pixel ab, die zu einem Defekt oder Objekt gehören, sodass das System dessen Größe und Position messen kann.

Der praktische Unterschied zeigt sich bei den Fehlausschleusungen. Eine Regel, die streng genug eingestellt ist, um einen kleinen Fleck auf einer gesprenkelten Tablette zu erkennen, schleust auch gute Tabletten aus, deren natürliche Sprenkelung ähnlich aussieht. Ein trainiertes Modell kann lernen, sie zu unterscheiden. Hier beginnt die Inspektion auch, Produktionsdaten zu liefern – ein Wandel, den unser Artikel über die Weiterentwicklung von Vision-Systemen zur operativen Intelligenz beschreibt.

Typische Einsatzbereiche

Erkennung kosmetischer Defekte

Kosmetische Defekte sehen selten zweimal gleich aus. KI-Modelle eignen sich besonders für:

• Flecken, Punkte und Verfärbungen auf Tabletten und Kapseln;
• abgeplatzte Kanten, Risse und gebrochene Einheiten;
• Dellen, Steckfehler und nicht verschlossene Kapseln;
• Kratzer und Partikel in Siegelnähten oder auf Glas;
• Bördel- und Stopfendefekte an Vials.

Produkte mit hoher Variabilität

Manche Produkte variieren von Natur aus. Nahrungsergänzungsmittel, zweifarbige Kapseln, Weichkapseln, geprägte Tabletten und Materialien natürlichen Ursprungs weisen akzeptable Unterschiede in Farbe, Textur und Form auf. KI bewältigt diese Variation besser als feste Schwellenwerte und kann den Aufwand für das Nachjustieren von Regeln bei jedem Produktwechsel verringern.

Grenzen

• Datenbedarf. Ein Modell benötigt ausreichend repräsentative Bilder jeder Defektklasse. Seltene Defekte sind schwer zu sammeln, weshalb Verfahren zur Anomalieerkennung, die nur von guten Einheiten lernen, an Bedeutung gewinnen.
• Validierungsaufwand. Behörden erwarten ein validiertes, eingefrorenes Modell. Trainingsdaten, Modellversionen und Leistung müssen dokumentiert werden, und ein erneutes Training ist eine kontrollierte Änderung im Sinne der GAMP-5-Prinzipien.
• Erklärbarkeit. Ein Bediener oder Auditor kann fragen, warum eine Einheit ausgeschleust wurde. Segmentierungsüberlagerungen und Konfidenzwerte helfen, doch die Logik ist weniger transparent als ein gemessener Schwellenwert.
• Kein Ersatz für das Lesen von Codes. Serialisierungsdaten müssen weiterhin mit deterministischen Werkzeugen decodiert, bewertet und verifiziert werden.

Was ist ein Smart-Camera-System?

Eine Smart Camera ist ein in sich geschlossenes Vision-Gerät: Sensor, Optik, Prozessor, Prüfsoftware und E/A in einem Gehäuse. Sie erfasst und bewertet Bilder selbstständig, ohne separaten Industrie-PC. Smart Cameras arbeiten in der Regel in 2D und enthalten zunehmend einfache KI-Werkzeuge.

Wie funktionieren Smart Cameras?

Die Kamera wird über eine Weboberfläche oder Herstellersoftware konfiguriert, oft mit Drag-and-Drop-Prüfwerkzeugen. Nach der Einrichtung wird sie durch ein Sensorsignal ausgelöst, führt die Prüfung im Gerät selbst durch und gibt ein Gut-/Schlecht-Signal an eine SPS oder einen Ausschleusmechanismus aus. Die Ergebnisse lassen sich über Industrieprotokolle wie EtherNet/IP oder PROFINET übertragen.

Den Gegensatz dazu bilden PC-basierte Vision-Systeme. Sie verbinden eine oder mehrere Kameras mit einem dedizierten Rechner, der die Prüfsoftware ausführt, Rezepte speichert, Benutzer verwaltet und die Ergebnisse an die Liniensteuerung weitergibt. Aus diesem Grund sind Serialisierungsstationen fast immer PC-basiert.

Typische Einsatzbereiche

• einfache Anwesenheitskontrollen, etwa eines Verschlusses, Etiketts oder einer Packungsbeilage;
• Lesen einzelner Codes, wenn weder eine Bewertung noch ein Abgleich auf Linienebene erforderlich ist;
• Ausrichtungs- und Positionsprüfungen vor einer Maschine;
• Nachrüstungen bei knappem Platz und Budget;
• nicht serialisierte Qualitätsprüfungen an Nebenanlagen.

Grenzen

• Begrenzte Rechenleistung. Komplexe Prüfungen mit mehreren Werkzeugen, hochauflösende Bilder und schnelle Linien können die Leistung des eingebetteten Prozessors übersteigen.
• Eine Ansicht pro Gerät. Eine 360°-Abdeckung oder Inspektion aus mehreren Winkeln erfordert die Koordination mehrerer unabhängiger Kameras.
• Lücken bei der Datenintegrität. Audit Trails, Benutzerzugriffskontrolle, Rezeptverwaltung und Reporting sind oft rudimentär. Auf einer GMP-Linie müssen diese Lücken auf einer anderen Ebene geschlossen werden.
• Integration in die Serialisierung. Eine Smart Camera verwaltet selten allein den Seriennummernstatus, die Bestätigung der Ausschleusung oder die Aggregation.

Dieser letzte Punkt gewinnt an Bedeutung, je stärker Linien automatisiert werden. Wenn am Linienende Kartonverpackung und robotergestützte Automatisierung für die End-of-Line-Inspektion hinzukommen, muss jede Karton- und Palettenprüfung mit den darin enthaltenen serialisierten Einheiten verknüpft sein. Das erfordert ein vernetztes System statt isolierter Kameras.

2D vs. 3D vs. KI vs. Smart Camera: Wie schneiden sie im Vergleich ab?

Jeder Typ beantwortet eine andere Prüffrage – beim Vergleich geht es also um die Eignung, nicht um eine Rangfolge.

Auf den meisten serialisierten Linien lautet die Antwort: eine Kombination aus 2D-Vision für Compliance-Daten, KI für das Produktaussehen und 3D nur dort, wo der Defekt eine Höhe oder ein Volumen hat.

Wie wählen Sie das richtige Vision-Inspektionssystem aus?

Beginnen Sie mit einer Machbarkeitsstudie an Ihren eigenen Produkten, nicht mit einem Datenblatt. Ein guter Anbieter nimmt reale Muster – einschließlich bekannter Defekte – unter realistischen Beleuchtungs- und Geschwindigkeitsbedingungen auf, bevor er sich auf eine Konfiguration festlegt. Ob Sie einen einzelnen Prüfpunkt oder komplette automatisierte visuelle Inspektionsmaschinen benötigen: Vier Faktoren bestimmen die Entscheidung.

Liniengeschwindigkeit

Richten Sie Bildaufnahme, Verarbeitung und Ausschleusung auf Ihre Spitzenleistung aus, nicht auf den Durchschnitt. Fragen Sie nach der maximalen Leistung, die die Konfiguration mit allen aktiven Prüfwerkzeugen halten kann. Die Inspektion fester Arzneiformen wird oft in Produkten pro Stunde angegeben – rechnen Sie dies vor dem Vergleich in die Einheiten Ihrer Linie um. Stellen Sie außerdem sicher, dass die Ausschleusung verifiziert wird: durch einen Bestätigungssensor oder eine Kamera, die nachweist, dass die fehlerhafte Einheit die Linie verlassen hat.

OPTELs InspectProof™ wird beispielsweise in drei Konfigurationsstufen angeboten, ausgelegt für bis zu 200, 400 und 1.200 Produkte pro Minute. So lässt sich das System an die Linie anpassen, statt jeder Station dasselbe Design aufzuzwingen.

Produktart

Das physische Produkt grenzt die Auswahl oft schnell ein:

• Faltschachteln und Etiketten: 2D-Vision für Codes, Text und Druckbild.
• Flaschen und Vials: 2D mit 360°-Abdeckung für Etiketten und Bördelkappen; 2D-Durchlicht oder 3D für Füllstand und Verschlusshöhe.
• Tabletten und Kapseln: hochauflösendes 2D mit polarisierter Beleuchtung, oft ergänzt durch KI für kosmetische Defekte. Systeme zur vollständigen Oberflächenprüfung drehen jede Einheit, um ihren gesamten Umfang zu erfassen.
• Blister: 2D für Anwesenheit und Farbe; 3D, wenn die Napfformung relevant ist.
• Versandkartons und Paletten: 2D für Aggregationscodes, mit großen Sichtfeldern oder mehreren Kameras.

Komplexität der Defekte

Klassifizieren Sie jeden Defekt, den Sie erkennen müssen. Messbare, gleichbleibende Defekte wie ein fehlender Code, eine falsche Position oder eine Abmessung außerhalb der Toleranz eignen sich für regelbasierte 2D- oder 3D-Werkzeuge. Variable, subjektive Defekte wie Flecken, Oberflächenmängel oder subtile Farbabweichungen sind das Feld, auf dem KI einen Mehrwert bietet.

Fehlausschleusungen gehören zu dieser Rechnung. Die von der ISPE veröffentlichte begutachtete Fachstudie zur maschinellen Sichtprüfung zeigt, dass Systeme, die auf jede Variation programmiert sind, dazu neigen, einwandfreie Produkte auszuschleusen, und wie maschinelles Lernen helfen kann, Grundursachen zu identifizieren. Lassen Sie sich von Anbietern sowohl die Erkennungsrate als auch die Fehlausschleusungsrate an Ihrem Produkt demonstrieren.

Budget und ROI

Schauen Sie über den Kaufpreis hinaus. Die Gesamtkosten umfassen Integration, Validierung (IQ/OQ/PQ), Umrüstzeiten, Rezeptpflege, Ersatzteile, jährliche Softwaregebühren und Support. Zwei Systeme mit ähnlichem Preis können sich über fünf Jahre deutlich unterscheiden, wenn eines eine wiederkehrende Lizenz erfordert und das andere nicht.

Auf der Ertragsseite zählen vermiedene Rückrufe und Reklamationen, weniger Fehlausschleusungen, weniger manuelle Nachkontrollen, zurückgewonnene Liniengeschwindigkeit und sauberere Audit-Unterlagen. Dieselbe Logik gilt für alle Investitionen in die Linie. Unser Leitfaden zum ROI der Automatisierung stellt eine Formel vor, die Sie auf Vision-Systeme übertragen können.

Das Wichtigste in Kürze

• 2D-Vision ist die Grundlage der pharmazeutischen Inspektion. Sie liest, bewertet und verifiziert Codes, Texte und Etiketten und bestätigt Anwesenheit und Position.
• 3D-Vision ergänzt die Tiefe. Setzen Sie sie für den Füllstand in undurchsichtigen Behältern, die Blisterformung, die Verschlusshöhe und andere Form- oder Volumendefekte ein.
• KI-gestützte Vision beurteilt das Aussehen so, wie es ein geschulter Prüfer tun würde. Sie eignet sich für kosmetische Defekte und Produkte mit hoher Variabilität und erfordert einen disziplinierten Umgang mit Daten und Validierung.
• Smart Cameras sind kompakt und kostengünstig für einfache Prüfungen, doch serialisierte Linien benötigen ein vernetztes System für Rückverfolgung, Ausschleusbestätigung und Audit Trails.
• Das richtige System ergibt sich aus Defekt, Produkt, Liniengeschwindigkeit und Gesamtbetriebskosten und wird durch eine Machbarkeitsstudie an Ihren eigenen Mustern bestätigt.

Die Wahl des Systemtyps ist nur die halbe Entscheidung. Die andere Hälfte ist der Partner, der es in den nächsten zehn Jahren integriert, validiert und betreut. Bevor Sie eine Shortlist erstellen, lesen Sie> wie Sie das richtige Unternehmen für industrielle Bildverarbeitung auswählen, und werfen Sie noch einmal einen Blick in den vollständigen Leitfaden zu Vision-Systemen in der Pharmaindustrie, um das Gesamtbild zu erhalten.

Bereit, Ihr Produkt zu testen? Sprechen Sie mit einem Vision-Spezialisten von OPTEL über eine Machbarkeitsstudie an Ihren eigenen Mustern.