Dans le secteur de la fabrication à haut risque, la marge d'erreur en matière d'intégrité des joints est nulle. Nos solutions de contrôle d'étanchéité constituent le summum du contrôle qualité automatisé, en intégrant des technologies de pointe. Les défauts détectés au niveau des joints d'emballage constituent une source importante de mesures correctives et préventives (CAPA) pour les fabricants sous contrat du secteur médical, et ce problème dépasse largement le cadre des environnements réglementés.
Un joint défectueux, qu'il s'agisse d'une fuite au niveau du canal ou d'une adhérence insuffisante, est souvent invisible à l'œil nu. La contamination piégée au niveau du joint ou de légers écarts de processus peuvent passer inaperçus jusqu'à ce que les performances du produit soient affectées ou que la stérilité soit compromise. À ce stade, les conséquences en termes de rappels, d'enquêtes et de perturbations de la production sont bien plus importantes que si le problème avait été détecté en cours de production.
L'inspection manuelle peine à détecter de manière fiable les micro-défauts, tandis que les systèmes d'inspection traditionnels génèrent souvent des rejets injustifiés qui nuisent à l'efficacité et à la confiance dans le processus. Parallèlement, les secteurs soumis à une réglementation doivent s'assurer que l'inspection est non seulement précise, mais aussi validée et traçable au niveau de chaque unité.
Averna conçoit des systèmes automatisés d'inspection des joints qui répondent à tous ces défis en combinant une imagerie haute résolution avec des stratégies d'inspection adaptatives et une analyse en temps réel.
Nos systèmes sont conçus pour détecter les défauts critiques tels que les fuites dans les canaux, les joints incomplets, les écarts de largeur des joints, les plis, les froissements, la présence de corps étrangers et les micro-perforations dans diverses applications, notamment :
- emballages sous blister
- sachets souples, tels que les barrières stériles à base de Tyvek
- formats d'emballage rigides
- boîtiers électroniques étanches nécessitant un haut niveau d'intégrité

Le cas échéant, on recourt de manière ciblée à des classificateurs basés sur l'apprentissage automatique, généralement des réseaux neuronaux convolutifs (CNN) pour la détection de défauts sur des images, afin de gérer la variabilité des environnements de production réels, où les variations d'éclairage, les différences de substrat et les variations de lot des matériaux nécessiteraient autrement un réajustement constant des seuils des algorithmes de vision traditionnels.