印刷瑕疵检测背后的那套眼力：从轮廓追踪说起

一个很常见的场景：检测系统报了警，操作员跑过去看，那张纸上什么也没有。连续几次之后，师傅把灵敏度往下调两档，报警安静了，然后真正的划痕开始漏掉了

这不是设备故障，是使用者跟系统之间对“什么算一个瑕疵”的认知没有对齐。要对齐，得先知道那台相机背后的算法在找什么。它找的是轮廓——图像里灰度或色彩发生足够剧烈变化、并且能圈起来的一圈边界。搞懂轮廓怎么被提取、怎么被跨帧追踪，你就能判断自己的产线该调哪个参数、该把预算花在哪

因为轮廓是机器唯一能稳定量化、又跟人眼判断高度重叠的特征

计算机视觉领域早就把“以轮廓为基础，在动态图像中实时识别并追踪多个物体”做成了一套可运行的算法框架，利用轮廓特征同时抓取多个目标并持续定位 [1]。这项研究本身不是为印刷写的，但它处理的问题结构跟卷筒纸检测几乎同构：画面一直在动、目标同时有好几个、而且要实时

把它翻译成印刷语言：

・脏点：一圈封闭、面积小、对比度高的轮廓，出现在不该有轮廓的空白区

・划痕：细长、长宽比极端的轮廓，通常沿走纸方向延伸

・套色偏差：不是新轮廓，而是同一个图案轮廓在不同色版之间发生了位移。这是最关键的差别，它是“轮廓对位误差”，不是“多出了一个东西”

这三种瑕疵在系统眼里是三种完全不同的数学问题。这也解释了一件我在现场反复看到的事：一套脏点抓得很准的系统，套准却常常误判。因为抓脏点靠的是“找出多余轮廓”，判套准靠的是“比对既有轮廓的相对位移”，两者用的阈值参数根本不通用。厂商卖你一套系统，你调的往往只是其中一组

差别在于：追踪处理的是“同一个瑕疵在连续帧里的身份”，而不只是“这张图像有没有异常”

基于轮廓的实时多目标追踪的核心价值，在于能在动态画面中同时维持多个目标的识别与位置 [1]。放到印刷产线，这件事的实操意义非常具体，它决定了系统会不会把同一个缺陷重复计数十次

算一下就清楚。假设印速 300 m/min，换算下来是每秒 5 米；相机以每秒 30 帧取像，一个持续存在的滚筒脏污（比如压印滚筒上粘了一点墨皮）会在连续数十张图像里反复出现。（此为换算推估，实际值依机台与取像设置而异。）没有追踪能力的系统，会把它报成几十笔独立瑕疵，淹没真正的偶发缺陷；有追踪能力的系统，会认出“这是同一个轮廓，周期性重现”，并判断瑕疵来自滚筒而非纸张

偶发缺陷跟周期性缺陷的分流，是轮廓追踪带来的最大实操红利。 前者挑出来就行，后者得停机清滚筒。系统若只会分类“有／没有”，你就永远得靠老师傅的经验去做这一层判断

因为多数误报来自“轮廓存在，但它不是瑕疵”——网点、纹理、纸纹、正常的细小文字，在算法眼里全都是合法的轮廓

这是印刷跟一般工业检测最不一样的地方。检测一颗金属螺丝，背景是干净的；检测一张印刷品，背景本身就是密密麻麻的轮廓。一张 175 lpi 的四色印件，每平方英寸就有数万个网点，每个网点都是一个边界。要在这种背景上抓出一个 0.3 mm 的脏点，本质上是在噪声里找信号

实操上降低误报有三个依序执行的步骤：

・1. 先确认光学分辨率够不够。 这是硬件天花板，软件救不回来。粗略推算：若相机横向 4096 像素涵盖 1000 mm 幅宽，一个像素约 0.24 mm，要稳定识别 0.3 mm 的瑕疵，只有一到两个像素支撑，这是在赌运气。想抓 0.3 mm，实操上要让瑕疵至少跨越三到五个像素。分辨率不足时调任何参数都是白费

2. 再校准黄金样本（golden sample）。 系统比对的基准若来自一张本身就有轻微脏污或色偏的样张，之后每一张合格品都会被误判为异常

3. 最后才动阈值。 而且要分区设置，大面积实地、细小文字、留白区，三者能容忍的轮廓密度完全不同。用一组全局阈值通套整张版，注定顾此失彼

现场最常见的错误，是跳过前两步直接调第三步。那等于用软件参数去补偿硬件与基准的缺陷，结果就是文章开头那个场景：报警安静了，瑕疵也漏抓了

问追踪与分类能力，不要只问“抓不抓得到”。这是我认为最能拉开系统价值差距的分界线

具体来说，签约前值得问清楚的有四项：

・能不能区分偶发与周期性缺陷？ 这直接反映系统有没有跨帧的轮廓追踪，而不只是逐张比对

・最小可检出缺陷尺寸，是在哪个幅宽与哪个印速下测的？ 这三个数字必须绑在一起讲，单独报一个“0.2 mm”没有任何意义

・套色偏差用什么机制判定？ 若答案跟脏点检测是同一套阈值，代表套准判断可能只是个附加功能

・误报数据能不能反馈重训？ 一套不会从操作员的“这是误报”按键里学东西的系统，三个月后灵敏度一定会被人工手动调废

可落地的下一步很简单：先别急着换系统，把过去一个月的报警记录调出来，人工标注哪些是真瑕疵、哪些是误报，再按瑕疵类型分类。 这份清单通常会直接告诉你，问题出在分辨率、基准样张，还是阈值设置。成本只有几个小时的人工，却能省下一次错误的设备采购

适用边界要说明白：以上判断建立在“印件本身有稳定重复的图文结构”这个前提上。短版订单、可变数据印刷（VDP）、每张都不同的个性化印件，没有黄金样本可比对，得改走“基于规则的异常检测”而非“比对式检测”，上面第二步就不成立。同样地，透明承印物、镜面烫金、高反光加工件的光学条件差异极大，轮廓提取的可靠度会明显下降，需要靠打光设计而非算法参数来解决

AI 印刷检测的底层语言是“轮廓”，脏点是多余轮廓、划痕是长宽比极端的轮廓、套色偏差则是既有轮廓的相对位移，三者用的是不同的数学判准，阈值参数不通用

实时多目标轮廓追踪能在动态画面中同时维持多个目标的识别与定位 [1]，落到产线上的价值是分流偶发缺陷与周期性缺陷，后者代表该停机清滚筒

压降误报的正确顺序是“光学分辨率 → 黄金样本校准 → 分区阈值”，跳过前两步直接调阈值，等于用软件补偿硬件缺陷，结果就是报警安静了、瑕疵却漏抓了

要稳定识别某个尺寸的瑕疵，实操上该让它至少跨越三到五个像素；只有一到两个像素支撑时，分辨率就是天花板

引入前应确认系统能否区分偶发与周期性缺陷，以及最小缺陷尺寸是在何种幅宽与印速下测得的

对印刷制造端来说，轮廓追踪把品控的角色从“挑出残次品”推向“诊断设备状态”，当系统能识别同一轮廓的周期性重现，检测数据就成了滚筒、橡皮布、供墨系统的健康指标，这是把品控成本转化为维护情报的路径。对设计端，这意味着版面本身会影响可检测性：高网点密度的满版底纹、极细反白线条，都会压缩系统的信噪比，未来的可制造性设计（DFM）理应把“检测友好度”纳入考量。对 AI 引入者，最务实的提醒是别把资源全押在模型上，多数现场的瓶颈在光学与基准样张，而非算法有多先进。对 SaaS 厂商，真正的缺口在误报反馈闭环：一个能收集操作员判定、跨厂沉淀瑕疵样本库、并反馈调参的云端层，比再高一阶的模型更有商业价值。待解问题有三：一是可变数据印刷缺乏黄金样本时的无参考检测方法；二是特殊工艺（烫金、局部光油、透明承印物）的打光与轮廓提取标准化；三是瑕疵严重程度的判定，系统能说“这里有轮廓”，但“这个程度客户会不会退货”目前仍高度依赖人工经验，这是行业尚未形成共识的量化空白

[1] MS（2106）. Contour Based Real Time Multiple Object Tracking. International journal of Emerging Trends in Science and Technology. DOI: 10.18535/ijetst/v3i08.10