Trong lĩnh vực sản xuất có yêu cầu khắt khe, không có chỗ cho sai sót nào về tính toàn vẹn của lớp niêm phong. Các giải pháp kiểm tra rò rỉ của chúng tôi đại diện cho đỉnh cao của kiểm soát chất lượng tự động, tích hợp công nghệ tiên tiến. Các khuyết tật được phát hiện trong lớp niêm phong bao bì là nguyên nhân chính dẫn đến các Hành động Khắc phục và Phòng ngừa (CAPA) đối với các nhà sản xuất gia công thiết bị y tế, và vấn đề này còn lan rộng ra ngoài phạm vi các môi trường chịu sự quản lý chặt chẽ.
Các vấn đề về niêm phong như rò rỉ ở khe hở hoặc liên kết không hoàn hảo thường không thể phát hiện bằng mắt thường. Các tạp chất bị kẹt trong mặt phẳng niêm phong hoặc những sai lệch nhỏ trong quy trình có thể không được phát hiện cho đến khi hiệu suất sản phẩm bị ảnh hưởng hoặc tính vô trùng bị suy giảm. Đến lúc đó, tác động đối với các đợt thu hồi sản phẩm, cuộc điều tra và sự gián đoạn sản xuất sẽ nghiêm trọng hơn nhiều so với việc phát hiện vấn đề ngay trong quá trình sản xuất.
Việc kiểm tra thủ công gặp nhiều khó khăn trong việc phát hiện các khuyết tật vi mô một cách đáng tin cậy, trong khi các hệ thống kiểm tra truyền thống thường gây ra các trường hợp loại bỏ sai, làm giảm hiệu quả và sự tin cậy vào quy trình. Đồng thời, các ngành công nghiệp chịu sự quản lý chặt chẽ phải đảm bảo rằng quá trình kiểm tra không chỉ chính xác mà còn phải được xác nhận và có thể truy xuất nguồn gốc ở cấp độ từng đơn vị.
Averna thiết kế các hệ thống kiểm tra tem niêm phong tự động, giúp giải quyết tất cả những thách thức này bằng cách kết hợp công nghệ hình ảnh độ phân giải cao với các chiến lược kiểm tra thích ứng và phân tích thời gian thực.
Các hệ thống của chúng tôi được thiết kế để phát hiện các khuyết tật nghiêm trọng như rò rỉ kênh, niêm phong không hoàn chỉnh, sai lệch chiều rộng niêm phong, nếp gấp, nếp nhăn, vật liệu lạ bị kẹt và các vết thủng siêu nhỏ trong các ứng dụng bao gồm:
- vỉ thuốc
- túi mềm như các loại túi cách ly vô trùng làm từ Tyvek
- các dạng bao bì cứng
- Vỏ bảo vệ thiết bị điện tử kín đòi hỏi mức độ bảo mật cao

Khi cần thiết, các mô hình phân loại học máy, thường là mạng nơ-ron tích chập (CNN) để phát hiện khuyết tật trên hình ảnh, được áp dụng một cách có chọn lọc nhằm đối phó với sự biến động trong môi trường sản xuất thực tế, nơi những yếu tố như sự thay đổi ánh sáng, sự khác biệt về chất nền và sự biến động giữa các lô vật liệu sẽ đòi hỏi phải liên tục điều chỉnh lại ngưỡng của các thuật toán thị giác truyền thống.