Как классифицировать дефекты печати в системах контроля качества веб-продукции

Полиграфической отрасли необходимо поддерживать стандарты качества продукции, поскольку в производстве упаковки, этикеток, папиросной бумаги и гибких материалов предъявляются высокие требования к высокоскоростной печати. ​​Системы контроля качества рулонной продукции обеспечивают непрерывный мониторинг производства печатной продукции, отслеживая дефекты в режиме реального времени на протяжении всего процесса печати. ​​Эти системы выполняют важные функции, включая классификацию дефектов печати, что позволяет производителям выявлять первопричины, сокращать потери и повышать эффективность производства. В статье рассматриваются методы классификации дефектов печати, используемые в системах контроля качества рулонной продукции, основные категории дефектов, а также показано, как точная классификация дефектов влияет на контроль качества печати.

Что такое классификация дефектов печати в системах контроля качества рулонной продукции?

Система контроля качества полотна представляет собой автоматизированную оптическую систему , работающую на линиях печати и обработки материалов для выявления визуальных дефектов в процессе производства. Система контроля качества полотна использует камеры высокого разрешения, системы освещения и алгоритмы обработки изображений для непрерывного захвата и анализа изображений напечатанного полотна.

Классификация дефектов — это процесс категоризации обнаруженных дефектов на основе их характеристик, таких как форма, размер, изменение цвета или неровности рисунка. Система выходит за рамки простого обнаружения дефектов, поскольку она идентифицирует конкретные типы дефектов, что позволяет операторам принимать соответствующие меры реагирования.

Эффективная классификация помогает различать критические дефекты, требующие немедленного устранения, и незначительные дефекты, которые могут находиться в пределах допустимых норм качества.

Точная классификация также помогает отслеживать дефекты, повторяющиеся с течением времени, что затем можно использовать для управления качеством. Анализируя исторические данные о дефектах, производители могут определить, где проблемы повторяются, оптимизировать настройки оборудования и сократить потери материалов. Классификация дефектов также помогает отличать критические дефекты от незначительных недостатков, которые необходимо устранять немедленно, в то время как незначительные дефекты могут соответствовать критериям качества.

Распространенные категории дефектов печати

Дефекты печати, обнаруженные в системах контроля качества рулонных материалов, как правило, можно разделить на несколько категорий в зависимости от их внешнего вида и причины возникновения.

Категория дефекта	Типичные типы дефектов	Основные причины	Влияние на качество печати
Дефекты, связанные с чернилами	Отсутствие чернил, размазывание чернил, изменение цвета, загрязнение чернил.	Неправильная вязкость чернил, неравномерный перенос чернил, проблемы с высыханием, загрязненные чернила.	Вызывает неравномерную цветопередачу, нечеткое изображение и снижение качества картинки.
Дефекты регистрации	Несовпадение цветов, смещение изображения, двойное изображение (эффект двоения).	Неправильное выравнивание пластин, колебания натяжения стенки, механическая нестабильность	Это приводит к размытым изображениям и плохому выравниванию многоцветных отпечатков.
Дефекты, связанные с субстратом	Морщины, складки, дыры, загрязнение поверхности.	Низкое качество материала, неправильное обращение, пыль или частицы на подложке.	Влияет на качество печати и может повредить конечный продукт.
Механические или технологические дефекты	Полосы, линии, повторяющиеся дефекты, полосы	Изношенные ролики, поврежденные ракельные ножи, смещение оборудования.	Вызывает непрерывные или периодические визуальные дефекты по всему интернету.
Экологические дефекты	Статические пятна, пылевые загрязнения, деформации, вызванные влажностью.	Плохой контроль за состоянием окружающей среды, статическое электричество, частицы в воздухе.	Вызывает появление случайных пятен или искажений, ухудшающих внешний вид изделия.

Эффективные методы классификации дефектов печати в системах контроля качества рулонной продукции.

Возможность точной классификации дефектов печати в системах контроля качества рулонных материалов важна, поскольку она помогает операторам понять первопричины проблем и быстро принять корректирующие меры.

1. Методы обработки изображений на основе правил

Методы обработки изображений, основанные на правилах, относятся к одной из самых ранних и широко используемых систем классификации дефектов печати. ​​Алгоритм анализирует полученные изображения и сравнивает их с заранее определенными правилами или пороговыми значениями. Классификация основана на визуальных признаках, которые можно измерить, таких как яркость, контраст, интенсивность цвета, размер или форма.

Например, зоны, демонстрирующие значительно меньшую интенсивность пикселей, чем на эталонных изображениях, могут быть классифицированы как дефекты, связанные с отсутствием чернил. Аналогично, вытянутые темные области могут быть сопоставлены с вероятностью того, что это полосы или линии. Эти системы быстры и эффективны для обнаружения четко определенных, повторяющихся паттернов дефектов. Однако методы, основанные на правилах, могут быть ограничены, когда речь идет о сложных аномалиях или нерегулярных дефектах, выходящих за рамки очевидного предопределенного параметра.

2. Методы сопоставления шаблонов и образцов

Еще один эффективный подход, используемый системами контроля качества веб-продукции, — это сопоставление шаблонов или образцов. В этом случае система сравнивает изображения печатного материала в реальном времени с эталонными шаблонами.

Анализируя детали изображения и сравнивая их с эталонным шаблоном, система может распознавать дефекты, такие как искажения, несовпадения или отсутствующие фрагменты изображения. Такое сопоставление особенно полезно в приложениях, где последнее изображение содержит сложную графику, логотипы или текст, которые необходимо точно скопировать.

Хотя сопоставление шаблонов дает точные результаты по сравнению с другими методами, оно все же требует очень стабильного позиционирования полотна и давления с одного и того же направления. Кроме того, существует несколько других способов подавления ошибок, которые могут свести на нет все возможные результаты.

3. Классификация на основе ИИ

Искусственный интеллект (ИИ) значительно продвинулся, и большинство современных систем веб-инспекции используют интеллектуальные алгоритмы, основанные на машинном обучении, для более эффективной классификации дефектов . Обученные на больших базах данных с размеченными изображениями дефектов, эти модели автоматически понимают и классифицируют дефекты после изучения ожидаемых закономерностей.

В отличие от методов, основанных на правилах, алгоритмы ИИ способны обрабатывать крайне разнообразные проявления дефектов . Наиболее важная их способность заключается в выявлении едва заметных дефектов, которые в обычных условиях было бы сложно классифицировать с помощью определенных пороговых значений. Точность классификации определенно повышается со временем, по мере того как продолжается процесс генерации данных, и система использует новые образцы дефектов для обучения.

Искусственный интеллект особенно полезен в системах контроля качества печатной продукции , где необходимо проверять тысячи изображений каждую секунду на различных производственных линиях, работающих на высоких скоростях.

4. Подходы, основанные на глубоком обучении и нейронных сетях.

В системах веб-инспекции в сочетании с сверточными нейронными сетями (CNN) используется технология глубокого обучения. Ее функциональные возможности направлены на извлечение признаков из визуальных изображений и высокоточную классификацию дефектов.

Эти модели способны различать различные дефекты, даже если они визуально выглядят одинаково. Например, система может распознавать черные пятна, вызванные чрезмерным давлением, и полосы, образовавшиеся из-за неисправных компонентов печати. ​​Кроме того, нейронные сети могут обнаруживать проблемы как с крупными, так и с макроскопическими дефектами, поскольку они исследуют разные уровни изображения.

Несмотря на обеспечение высочайшего уровня точности классификации, алгоритмы глубокого обучения требуют значительных вычислительных мощностей и тщательно размеченных обучающих данных.

5. Многопараметрический анализ дефектов

Еще одна эффективная стратегия классификации дефектов печати — это многопараметрический анализ, при котором система одновременно учитывает множество характеристик. В системе 100% контроля качества печати полагаются не только на интенсивность цвета, но и на все эти параметры: размер, положение, частота, структура и цветность дефекта.

Комбинируя эти параметры, система может точно определить тип дефекта. Например, повторяющиеся дефекты могут указывать на механическую проблему, связанную с вращающимся компонентом, тогда как несколько разрозненных точек могут свидетельствовать о наличии пыли или загрязнения.

Предложенный многогранный подход знаменует собой гигантский скачок в точности классификации, доступной в сложных условиях печати.

6. Интеграция с производственными данными для повышения точности классификации.

В новейших системах контроля качества рулонной продукции эта классификация дефектов обычно сочетается с информацией о производственных изделиях, такой как скорость работы станков, система контроля натяжения и настройки печатных устройств. Связывание информации о дефектах с условиями технологического процесса позволяет глубже понять первопричины их возникновения.

Например, если изменение цвета сырья будет постоянно происходить при каждом запуске машины в любых заданных условиях, классификация дефектов может быть сведена к данным о производительности машины. Таким образом, производители смогут перейти от простого обнаружения дефектов к прогнозируемому управлению качеством и автоматизированному вмешательству в производственные процессы.

Перспективы развития классификации дефектов печати в системах контроля качества рулонной продукции.

Новые технологии, такие как облачный анализ дефектов, самообучающиеся алгоритмы контроля и интеграция с интеллектуальными производственными системами, еще больше повысят способность систем веб-контроля точно классифицировать дефекты и поддерживать непрерывное совершенствование операций печати.

тенденция	Описание	Влияние на системы веб-инспекции
Аналитика данных в реальном времени	Системы контроля анализируют данные о дефектах в режиме реального времени. в процессе производства и незамедлительно предоставлять обратную связь операторам.	Позволяет быстрее принимать корректирующие меры и сокращает количество отходов материалов.
Интеграция с умным производством	Системы веб-контроля интегрируются с производственным оборудованием, MES-системами и платформами Индустрии 4.0.	Обеспечивает автоматическую корректировку процесса на основе выявленных закономерностей дефектов.
Облачный мониторинг дефектов	Изображения дефектов и данные классификации хранятся и анализируются на облачных платформах на нескольких производственных линиях или предприятиях.	Поддерживает централизованное управление качеством и удаленный мониторинг.
Технологии визуализации высокого разрешения	Современные камеры и системы освещения позволяют получать чрезвычайно детализированные изображения движущейся паутины.	Улучшает обнаружение и классификацию очень мелких или едва заметных дефектов.
Прогностический контроль качества	Системы используют исторические данные о дефектах для прогнозирования потенциальных проблем с печатью до их возникновения.	Помогает производителям предотвращать дефекты, а не только выявлять их в процессе производства.

Резюме

В системах контроля качества рулонной печати крайне важно правильно классифицировать дефекты печати, поскольку качество продукции всегда должно быть однородным в условиях высокоскоростной печати, характеризующейся высокой скоростью процесса. Выявление дефектов, таких как проблемы с чернилами, ошибки совмещения, а также дефекты подложки или механические дефекты, позволяет точно определить причины производственной неэффективности и разработать соответствующие процессы для ее устранения. Интеграция передовых технологий обработки изображений и искусственного интеллекта меняет представление о системах контроля качества рулонной печати, превращая контроль качества печати из простого обнаружения дефектов в интеллектуальную, основанную на данных систему 100% контроля качества печати.