Короткий ответ

Компьютерное зрение на печатном производстве имеет смысл оценивать не по красивой точности модели, а по количеству дефектов, которые система действительно обнаружила до отгрузки, стоимости пропуска и времени проверки. Кейс испанской Gràfiques Manlleu показывает правильный порядок: сначала реальные образцы, камера и свет, затем алгоритм, офлайн-проверка и только после этого расчёт интеграции в линию.

По материалам European Digital Innovation Hubs Network, компания вместе с DIH4CAT и Eurecat проверила прототип для поиска пропусков печати, цветовых отклонений, ошибок совмещения и дефектов отделки. Использовались изображения высокого разрешения, контролируемое освещение и алгоритмы компьютерного зрения. Производство не перестраивали: пилот был проведён как Test Before Invest на реальных образцах.

Источник сообщает о заметном эффекте и предполагаемой окупаемости около трёх лет при внедрении на двух новых машинах. Но опубликованные показатели требуют сверки: в разных местах страницы сокращение времени обнаружения описано как более 50% и примерно 40%, а показатели дефектных поставок используют несовпадающие формулировки и базы сравнения. Для руководителя это не повод отвергать кейс, а напоминание: до закупки нужно согласовать определения и пересчитать эффект на своих данных.

Какую задачу решал пилот

Ручной контроль печати медленный и зависит от конкретного оператора. На длинном тираже человек устаёт, а небольшие смещения, пропуски элемента или изменение оттенка могут проявляться не на каждом листе. При этом дефект, найденный после отделки или у клиента, стоит дороже раннего отклонения: появляются перепечатка, списание материала, повторная логистика и риск для отношений с заказчиком.

Gràfiques Manlleu искала способ усилить контроль без полной замены оборудования и длительного переобучения сотрудников. Поэтому прототип решал узкую задачу: снять изображение реального образца, сравнить его с ожидаемым состоянием, классифицировать тип дефекта и дать оператору воспроизводимый сигнал.

В кейсе важен не только алгоритм. Источник отдельно отмечает высокое разрешение камеры, схему освещения, реальные производственные образцы и категоризацию дефектов. Для печати это критично: блик на ламинации, тень от края, дрейф цветовой температуры и небольшое смещение камеры могут выглядеть для модели как дефект либо скрыть настоящий.

Архитектура без преждевременного автопилота

Для первого промышленного контура разумна модульная схема.

1. **Точка съёмки.** Камера, объектив, расстояние, угол и свет фиксируются механически. Настройки экспозиции и баланса белого версионируются вместе с конфигурацией линии.
2. **Привязка к заказу.** Из MES, ERP или задания оператора поступают номер заказа, макет, материал, способ отделки и допустимые отклонения. Без этого система не знает, с каким эталоном сравнивать лист.
3. **Предобработка.** Обычный код выравнивает изображение, находит контрольные метки, нормализует геометрию и проверяет качество кадра. Плохой снимок должен быть отклонён до запуска модели.
4. **Детектор.** Модель или комбинация правил и модели ищет пропуски, смещения, пятна и изменения отделки. Для геометрически стабильных признаков классические методы иногда дешевле и объяснимее нейросети.
5. **Решение по порогу.** Результат превращается не в абстрактный score, а в действие: пропустить, остановить для проверки или отправить образец в очередь разбора.
6. **Рабочее место оператора.** Человек видит текущий лист, эталон, отмеченную область и историю соседних кадров. Оператор подтверждает брак и выбирает причину.
7. **Контур обучения.** Подтверждённые случаи попадают в версионированный набор данных. Переобучение и новая версия порогов сначала проходят теневой тест, а не сразу управляют линией.

Локальное выполнение здесь часто уместно: изображения высокого разрешения могут быть тяжёлыми, а решение нужно принимать рядом с оборудованием и без зависимости от внешнего канала. Однако «локально» не обязательно означает отдельную дорогую GPU на каждой машине. На пилоте надо сравнить CPU, встроенный ускоритель, общую GPU и edge-устройство на реальном размере кадра, частоте съёмки и нужной задержке.

Какие данные собрать

Набор «хороших» листов сам по себе почти бесполезен. Нужны разные типы дефектов и нормальные вариации, которые дефектами не являются.

Для каждого образца стоит хранить:

  • заказ и версию эталонного макета;
  • материал, покрытие и операцию отделки;
  • линию, камеру, объектив и профиль света;
  • скорость, смену и стабильные параметры процесса;
  • тип дефекта, размер и место на листе;
  • решение оператора и фактический исход после проверки;
  • стоимость списания или исправления, если её можно определить.

Разделять обучение и проверку случайно по отдельным кадрам опасно. Соседние листы одного тиража почти одинаковы, поэтому модель может показать отличную оценку, просто запомнив условия заказа. Честнее отделять целые тиражи, даты, материалы или машины и проверять на свежей серии, которую модель не видела.

Нужно заранее описать «серую зону». Небольшое цветовое отклонение может быть допустимо для одного клиента и критично для другого; похожая царапина на защитной плёнке и на готовой поверхности имеет разную цену. Эти правила принадлежат бизнес-процессу, а не модели.

Почему метрики источника нельзя складывать напрямую

Страница кейса приводит несколько полезных ориентиров:

  • первоначальные тесты якобы сокращали время обнаружения ошибок более чем на 50%;
  • таблица сравнивает около четырёх часов ручной проверки за смену с примерно 2,5 часа, то есть с сокращением примерно на 40%;
  • ежегодные затраты труда на контроль указаны как около 12 тысяч евро до решения и прогнозные 6–7 тысяч после;
  • также заявлены снижение брака, дошедшего до клиентов, и сокращение отходов;
  • внедрение на двух новых машинах оценено с окупаемостью около трёх лет.

Эти числа нельзя механически собрать в одну финансовую модель. «Время обнаружения», «время ручной проверки» и «затраты труда» имеют разные знаменатели. Доля дефектных партий не равна числу дефектных экземпляров, а предотвращённая поставка не всегда равна сокращению брака: часть продукции может быть перепечатана или отремонтирована.

В таблице источника есть и явная арифметическая неоднозначность: переход от оценочных 40% партий с дефектным результатом к менее чем 2% описан как 80-процентное снижение, хотя при одинаковом знаменателе изменение было бы больше. Рядом встречается формулировка о 40-процентном снижении дефектной продукции, доходящей до клиента. Без исходного протокола нельзя понять, относятся ли цифры к разным периодам, метрикам или просто требуют редакционной сверки.

Поэтому безопасный вывод такой: пилот показал потенциал и дал основание считать промышленное внедрение, но опубликованная страница не является аудированной моделью окупаемости.

Как посчитать экономику у себя

Сначала определите один период — например, месяц — и зафиксируйте базовую линию:

  • часы ручного контроля;
  • число проверенных листов и партий;
  • дефекты, найденные до следующей операции;
  • дефекты, найденные после отделки;
  • претензии клиентов и повторные тиражи;
  • стоимость материала, машинного времени, труда и логистики;
  • простой из-за ложной остановки.

Затем считайте не «точность», а стоимость решений. Экономический эффект за период равен предотвращённым перепечаткам и претензиям плюс высвобождённое время контроля минус оборудование, интеграция, сопровождение и стоимость ложных остановок.

Обязательно разделяйте две ошибки. **Пропуск дефекта** создаёт брак и риск для клиента. **Ложная тревога** останавливает линию и забирает время оператора. Порог следует выбирать по суммарной цене этих ошибок, а не по максимальному F1-score.

Для сравнения вариантов измеряйте задержку и пропускную способность на реальном кадре. Инструменты вроде OpenVINO Benchmark App помогают проверить производительность модели на конкретном оборудовании, но лабораторный FPS ещё не включает съёмку, передачу изображения, предобработку, сохранение доказательства и интерфейс оператора.

Практичный пилот на шесть недель

На первой неделе выберите одну машину, один тип материала и два-три дорогих дефекта. Зафиксируйте свет и соберите базовую статистику. На второй и третьей неделях снимайте реальные хорошие и дефектные образцы, документируйте причины и готовьте эталоны. На четвёртой соберите офлайн-прототип. На пятой запустите теневой режим рядом с оператором без права останавливать линию. На шестой пересчитайте ошибки и экономику.

У пилота должны быть заранее определены условия остановки: слишком много ложных тревог, нестабильный свет, недостаток примеров критического дефекта или невозможность связать кадр с заказом. Отрицательный результат тоже полезен — он показывает, что сначала нужно исправить точку съёмки, маркировку заказов или процесс контроля.

Кейс Gràfiques Manlleu полезен именно последовательностью: реальный процесс, неинвазивная съёмка, классификация дефектов, участие сотрудников и постепенный переход от офлайн-анализа к возможной работе в реальном времени. Руководителю стоит перенять эту схему, а не чужой процент окупаемости.