一家彩印厂怎么用AI视觉在印刷机上做在线质检

去年年底，东莞一家纸品彩印厂的老板找到我们。他们的工厂有6台印刷机，主要做彩盒、说明书和标签，日均产量约20万张。客户投诉率一直在往上走——印出来的色差、刀线、脏点到了客户手上才被发现，一批退货就是几万块钱的事。

他们之前靠人工抽检：每台机配一个质检员，每卷料切下来翻看几个关键位置，目测过了就放行。但印刷机开起来每分钟上百米，人眼根本盯不住。操作工跟我说了一句让我印象很深的话——"我们就像是开着车在高速上检查路面有没有裂缝，根本来不及。"

这篇文章记录了我们如何用AI视觉在线质检方案帮这家厂解决这个问题。不吹效果多好，只说做了什么、遇到了什么麻烦。

一、现场情况摸底

停产半天去车间实地看了一圈，发现几个关键信息：

• 设备情况：6台印刷机，其中4台海德堡、2台国产机，印刷速度60-120米/分钟，印刷幅宽最大1米。印刷材料以铜版纸、白卡纸为主，也有覆膜和烫金工艺。
• 现有质检方式：每台机标配一个质检工位，工人站在收卷处翻看样张。抽检率不到3%——一卷料几百米，只检查头中尾3个位置。
• 主要缺陷类型：色差（不同批次颜色不一致）、刀线（刮刀上有杂质在印品上拉出一条线）、脏点（油墨喷溅或灰尘附着）、套印不准（多色套印时位置偏移）。
• 痛点：色差最隐性——单张看好像还行，和色卡一比对就发现偏了。刀线和脏点靠抽检很难抓到，往往是客户投诉了才发现。
• IT能力：工厂没有专职IT，只有一位负责ERP系统的文员兼着管电脑。

这些条件决定了方案的一些硬约束：不能太复杂、不能要求频繁人工干预、必须能实时（跑在印刷速度下）、维护要简单。

二、方案设计

最终方案分三层：采集层（线阵相机+光源）、边缘推理层（边缘AI网关做实时检测）、管理层（统计看板+告警）。

光学方案：线阵相机+高亮线光源

和传统的面阵相机不同，印刷品在高速运动中检测必须用线阵相机。面阵相机拍一张照，移动中的印刷品会模糊，而且覆盖宽度有限。线阵相机逐行扫描，无论印刷机速度怎么变化，都能清晰成像。

选型参数：

• 分辨率：4K线阵（4096像素），覆盖1米幅宽
• 采集频率：最高30kHz行频（配合印刷机120米/分钟——每毫米约采集12行，足够了）
• 光源：白色高亮LED线光源，角度45度斜射（检测表面缺陷）+ 背部漫射（检测透光缺陷如针孔）
• 编码器：印刷机自带旋转编码器接入相机，保证图像和印刷速度同步，不压缩不拉伸

踩坑预告：第一次试的时候我们没有接编码器，相机固定频率采集。结果印刷机加速的时候图像被拉长，减速的时候被压缩。看起来像是印品有问题，其实是成像失真。接上编码器同步信号之后问题解决。

每台印刷机装2组相机：一组拍正面（检查印刷面缺陷），一组可选装拍反面（检查背面套印和脏污）。实际只给3台设备量大的机台装了双面检测，其他只装单面。

边缘推理层：边缘AI网关

每台印刷机配一台边缘AI网关，负责：

• 接收线阵相机实时图像流（每台机每秒约产生50-80MB原始图像数据）
• 运行缺陷检测模型（基于YOLOv8-S，对图像切分成512×512的tiles逐块推理）
• 检测到缺陷时截取缺陷区域图像并打标（缺陷类型、位置坐标、严重程度）
• 本地缓存最近7天的缺陷记录
• 汇总数据上传到服务器

为什么一定要在边缘端跑推理而不是上传到服务器？很简单——6台机同时运行，每秒产生约400MB图像数据。全量上传需要光纤到车间，网络改造成本太高。而且印刷机要求实时告警——等数据传到云端再返回结果，印刷机已经跑出去几十米了。

管理层：质量统计看板

一个简单的Web看板，展示：

• 每台机的实时状态（正常运行、缺陷频发、停机待检）
• 缺陷统计（按类型：色差/刀线/脏点/套印不准，按严重度：轻微/中等/严重）
• 每卷料的质量报告（生产完自动生成，PDF可下载）
• 趋势图（近7天缺陷率变化曲线）
• 告警推送（缺陷率超过阈值时通过企业微信通知品质主管）

三、实施过程

第一周：光学调试——最花时间的一步

很多人以为印刷检测就是装个相机跑个模型，实际上光学方案决定了检测效果的上限。

每种印刷缺陷需要不同的打光方式：

• 刀线（刮刀杂质拉出的线状缺陷）：需要低角度侧光，让刀线产生阴影对比度
• 脏点（油墨颗粒）：正面漫射光即可
• 色差：需要标准光源（D65色温），而且光源不能随使用时间色温漂移
• 套印不准：需要高分辨率+均匀照明，不然套印标记的边缘不清晰

我们一开始用了一根普通的LED线光源，结果发现用了两周后色温偏移了约200K，导致系统频繁误报色差——把正常的印品判断成了偏色。后来换了工业级恒色温LED光源（色温稳定性±50K），问题才解决。

教训：光源选型比相机选型影响更大。很多印刷厂的照明环境本身就不稳定——旁边的窗户进来自然光、头顶的日光灯、不同时段的光线都不一样。封闭式光源+恒色温LED是必要的，不能省这个钱。

第二周：模型训练和数据集准备

缺陷检测模型的训练比我们预期的复杂。主要问题是：

• 正负样本极度不平衡：正常印刷品占99.5%以上，缺陷样本很少
• 缺陷类型差异大：刀线是长条形、脏点是小圆点、色差是大面积均匀变化——一个模型很难覆盖所有类型
• 缺陷标注需要专业判断：有些印品看起来有瑕疵但在行业标准范围内不算缺陷（比如网点扩大是正常的印刷特性）

解决方式：

• 从工厂的历史退货样张和客户投诉记录中收集了约2000张缺陷图像
• 现场用手机拍了一周的正常品和疑似缺陷品
• 用了数据增强（旋转、裁剪、亮度调整、高斯模糊）把训练集扩到约8000张
• 针对色差检测，单独用了一个颜色直方图比对模块（计算印品和标准色卡的Lab色差ΔE），不混在目标检测模型里

第三周：阈值调试和试运行

模型部署到边缘网关后，阈值调试经过了几个阶段：

• 第一阶段（太敏感）：阈值设到0.3，结果一卷料报了200多处缺陷。品质主管说"这报告没法看"。后来分析发现很多是正常的墨杠（印刷机滚筒交接产生的规律性痕迹）被误判为刀线。
• 第二阶段（太迟钝）：把阈值提到0.7，漏检了，客户还是投诉。
• 第三阶段（分级处理）：最终采用三级分类——0.3-0.5为"轻微"（记录不告警）、0.5-0.7为"注意"（记录+标记位置）、0.7以上为"告警"（立即通知停机检查）。

同时针对墨杠等"看起来像缺陷但实际正常"的伪缺陷，收集了约500张误报样本做负样本训练，模型迭代了3版后误报率才降下来。

第四周：联调上线

先从缺陷率较高的一台印刷机开始试点。前3天我都在车间盯着，观察每次报警后操作工的反应。

有个场景印象比较深：第一次系统报刀线，操作工停机检查后发现刮刀上确实有一小块干结的油墨。他说"以前这种小杂质根本看不出，等印多了拉出大面积刀线才能发现。"这是我们第一次看到系统的实际价值。

但同时也踩了个坑——操作工不习惯看电脑屏幕。他们工作十几年都是"翻样张、靠手感"，突然要让看屏幕上的缺陷框，抵触情绪比较大。后来我们把告警做成声光报警器（红灯闪烁+蜂鸣），操作工看到红灯亮了再去屏幕上看具体缺陷，这才接受。

四、实际效果

系统上线2个月后，我们统计了几个关键指标：

五、遇到的问题和解决办法

1. 印刷速度波动导致检测盲区

印刷机在加速和减速阶段速度不稳定，线阵相机虽然接了编码器同步，但模型推理速度跟不上——网关的算力有限，处理单张tile需要约15ms。印刷机开到高速时，部分tile被跳过导致漏检。解决方式是优化了模型（从YOLOv8-S剪枝到更小的Nano版本，推理时间降到约8ms），同时把每台网关的算力从4TOPS升级到8TOPS。

2. 车间环境对光学系统的干扰

除了前面说的镜头起雾，还遇到了：振动（印刷机运行时有较大振动，相机支架产生微位移，导致图像错位）、油墨飞溅（油墨细雾落在相机镜头上，图像出现斑点）。解决：加防振支架+每日开机前用无尘布擦拭镜头+压缩空气正压吹扫。

3. 色差检测的"标准"问题

不同批次印刷品的颜色标准是什么？工厂的做法是"和上次客户确认的样张一致"。但样张本身会褪色，客户每次确认的"标准"也可能不同。解决方案：建立数字化色卡库，每次客户确认后扫描存档作为标准，下次印刷时自动对比。同时允许±2的ΔE容差。

4. 覆膜/烫金工艺的检测

覆膜后的印品表面有一层塑料膜，反光严重。烫金部位像镜子一样，常规光源拍出来白花花一片。烫金缺陷（烫金不全、烫金移位）需要非常特殊的光学方案——用同轴光+线性偏振片消除镜面反射。这部分我们目前还在试，暂时没有上线。

六、我的思考

这个项目做下来，有几个体会比较深：

印刷质检看似只是"装个相机跑AI"，实际上光学方案占了一半的工作量。什么光源、什么角度、什么波长、相机能不能装得稳——这些决定了检测效果的上限。模型只是在这个上限内逼近。

工业场景的落地，最难的往往不是技术问题，是"适应车间现实"。起雾的镜头、振动造成的图像模糊、操作工不看屏幕只等声光报警——每个问题都不是技术上的硬骨头，但不解决就上不了线。

不要试图用一个模型解决所有缺陷类型。色差用颜色直方图比对效果远好于目标检测模型。刀线和脏点用YOLOv8检测。套印不准可以用边缘检测和霍夫变换结合做。组合拳比单一模型靠谱得多。

边缘计算在印刷行业是刚需，不是噱头。每台印刷机每秒产生的图像数据太大，传不到云端。而且印刷机要求实时反馈。这个场景天然适合边缘AI网关——在本地完成推理，只把缺陷数据上传。

七、给你的建议

如果你也在考虑给印刷产线做AI在线质检，几个实在的建议：

1. 先想清楚检测什么缺陷——不同缺陷需要不同的光学方案和模型。不要试图"一个方案解决所有问题"，从投诉率高的缺陷类型开始
2. 光源投入不能省——恒色温工业LED线光源是必要的，不要用普通照明代替。光学方案建议找有经验的光学工程师做前期评估
3. 预留充分的调试时间——从装好到稳定运行，至少需要2-3周的阈值调试和模型迭代期
4. 让操作工参与测试——他们最熟悉设备和印品，能告诉你什么报警是有用的、什么是噪声。而且让他们参与进来之后，后期接受度高很多
5. 先试点一台机，不要一下铺开——挑一台缺陷率高的机器先练手，跑顺了再复制到其他机台
6. 考虑边缘方案的算力余量——选型时留30-50%的算力余量，给后续模型升级和新增检测类型留空间