印刷類缺陷檢測一直是行業內的難題，傳統方法在樣本收集和模型維護上存在諸多弊端。微鏈道愛的 APDT 技術為這一難題提供了全新的解決方案，以高效、精準的檢測能力，為印刷行業帶來了新的活力。
在當今製造業中，印刷工藝廣泛應用於各個領域，特別是在家電、消費品等行業，產品的面板、外殼上常常需要印製品牌 Logo、型號絲印與安規標識等資訊。這些印刷內容不僅是產品的重要標識，也是品牌形象的重要體現。然而，印刷過程中難免會出現各種缺陷，這些缺陷的存在不僅影響產品的外觀質量，還可能對品牌形象造成負面影響。對於生產企業來說，確保印刷質量，及時檢測並剔除有缺陷的產品至關重要。但由於印刷類缺陷形態千變萬化，傳統的檢測方法面臨著巨大的挑戰。
痛點：為什麼難
從量化維度來看，印刷缺陷的形態高度發散。例如，雙印、斷印、缺筆畫等缺陷，其出現的機率雖然相對較低，但一旦出現就會影響產品的質量。而且這些缺陷的尺寸非常小，很多隻有零點幾毫米，人工在快速的生產節拍下，漏檢率可能高達 30% -40%。以一家中等規模的家電廠為例，每天生產數千件產品，即使漏檢率只有 30%，也會有大量有缺陷的產品流入市場，這對企業的品牌形象和售後成本都會造成極大的影響。
從樣本收集角度分析，傳統的監督式方法要求為每一類缺陷收集足量的樣本。但印刷缺陷偶發且形態無窮，根本無法窮舉所有的缺陷樣本。例如，油墨拖尾的長度、形狀，位置偏移的方向和距離等都有無數種可能，要收集所有這些缺陷樣本幾乎是不可能的。而且每次換版，印版和文字內容發生變化，都需要重新收集樣本並重新訓練模型，這不僅耗費大量的時間和人力，還導致上線速度慢，維護成本高。
從生產效率方面考慮，人工目檢在快速的生產節拍下效率低下。工人長時間工作容易疲勞，注意力難以集中，導致檢測效率不穩定。而且人工目檢無法實現節拍內全檢，只能進行抽樣檢測，這就增加了有缺陷產品流入市場的風險。
技術原理
DaoAI APDT 採用正樣本學習的方法，與傳統的監督式方法形成鮮明對比。傳統方法是透過大量的缺陷樣本和良品樣本進行訓練，讓模型學習缺陷的特徵。而 APDT 只需要 1-20 張合格印刷的良品即可建立檢測基準。系統會自動學習字元筆畫、Logo 輪廓與油墨分佈的正常形態。其成像機制是透過高精度的相機採集印刷影象，然後利用先進的演算法對影象進行分析。只要影象中的印刷內容偏離了良品的正常形態，就會被標記為缺陷，無需事先收集缺陷樣本。
這種方法之所以有效，是因為它抓住了印刷質量的本質，即只要印刷內容符合良品的標準就是合格的，任何偏離都可能是缺陷。與傳統方法相比，APDT 對樣本不敏感，不需要大量的缺陷樣本，大大減少了樣本收集和模型訓練的時間和成本。而且在換版後，能夠快速重建基準，恢復檢測能力，這是傳統方法無法比擬的。
典型應用場景
- 雙印檢測：雙印是指在印刷過程中同一位置出現兩次印刷的情況。APDT 透過對比良品的字元筆畫和油墨分佈，能夠準確識別雙印缺陷。難點在於雙印的程度可能不同，輕微的雙印可能只有零點幾毫米的偏差，需要高精度的成像和演算法才能檢測出來。
- 斷印檢測：斷印是指印刷的線條或圖案出現中斷的情況。系統會學習良品的線條連續性，當檢測到線條中斷時，就會標記為缺陷。難點在於斷印的位置和長度不確定，而且有些斷印可能非常細微，容易被忽略。
- 缺筆畫檢測：對於文字印刷，缺筆畫是常見的缺陷。APDT 會分析字元的筆畫結構，與良品的筆畫進行對比，一旦發現缺筆畫的情況就會及時檢測出來。難點在於不同字型的筆畫結構可能有所不同，需要系統具有一定的適應性。
- 油墨拖尾檢測：油墨拖尾是指油墨在印刷過程中出現的不規則延伸。系統透過分析油墨的分佈形態，識別油墨拖尾缺陷。難點在於油墨拖尾的形狀和長度變化多樣，需要系統能夠準確判斷正常的油墨分佈和拖尾情況。
- 位置偏移檢測：位置偏移是指印刷內容相對於標準位置出現的偏差。APDT 會以良品的位置為基準，檢測印刷內容的位置是否發生偏移。難點在於位置偏移的方向和距離可能不同，需要系統具有較高的定位精度。
落地案例
某家電廠是一家中等規模的生產企業，同一產線服務多個品牌與區域版本，印版與文字內容頻繁更換。在引入 DaoAI APDT 之前，該廠採用人工目檢的方式進行印刷缺陷檢測，漏檢率較高，而且換版後需要工程師花費大量時間進行除錯，生產效率低下。
在上線過程中，該廠只需要提供 1-20 張合格印刷的良品，DaoAI APDT 系統就能快速建立檢測基準。整個上線過程非常簡單，產線工人經過簡單培訓後，就可以進行操作。
上線後，印刷工位實現了節拍內全檢，雙印與缺筆畫等高頻缺陷在出廠前被穩定攔截，產品質量得到了顯著提升。
微鏈道愛解決方案與產品
微鏈道愛的 APDT 產品為印刷類缺陷檢測提供了全面的解決方案。該產品採用正樣本學習技術，只需要少量的良品樣本就能快速上線，大大降低了樣本收集和模型訓練的成本。同時，產品具有高度的靈活性，換版採用 0 程式碼操作，產線工人即可完成基準切換，無需依賴工程師。此外，APDT 能夠穩定識別多種印刷缺陷，實現印刷工位節拍內全檢，有效攔截高頻缺陷。
量化成效
透過引入 DaoAI APDT，該家電廠的檢測效率較原人工目檢提升超過 40%。漏檢率從原來的 30% -40%降低到了 5% -10%，誤報率也降低了 20% -30%。換版時間從依賴工程師除錯的數小時縮短為現場快速切換的 5 分鐘，大大提高了生產效率，品牌印刷一致性明顯改善。
常見問題
DaoAI APDT 如何解決印刷類缺陷樣本稀缺的問題？
DaoAI APDT 採用正樣本學習，僅需 1-20 張合格印刷的良品就能建立檢測基準。它將偏離良品的形態視為可疑，無需窮舉缺陷樣本，在樣本稀缺時也能快速上線，避免了傳統方法因無法收集全缺陷樣本而導致的上線慢問題。
APDT 相比傳統監督式方法有哪些優勢？
傳統方法需為每類缺陷收集足量樣本，換版要重做樣本與模型，上線慢、維護重。APDT 對樣本不敏感，換版 0 程式碼操作，能快速恢復檢測能力，檢測效率較人工目檢提升超 40%，大大降低了成本和時間。
APDT 能檢測哪些印刷缺陷？
APDT 可穩定識別雙印、斷印、缺筆畫、油墨拖尾、位置偏移、深淺不均等印刷缺陷，實現印刷工位節拍內全檢，有效攔截高頻缺陷，保障產品的印刷質量。
本文由人工智慧生成。文中客戶案例為基於產品真實能力的模擬場景，成效數字為示例性質；官方標定口徑以產品頁為準。