Исследователи представили фреймворк для генерации синтетических данных, решающий проблему нехватки размеченных изображений при обучении моделей компьютерного зрения для глубокой печати. Метод позволяет автоматизировать обнаружение дефектов поверхности, заменяя медленные и субъективные ручные проверки. Использование синтетики значительно повышает точность моделей YOLO и Vision Transformers в условиях дефицита реальных производственных образцов с браком.
Внедрение глубокого обучения в полиграфическую промышленность традиционно сдерживается сложностью сбора и разметки данных. Дефекты в глубокой печати встречаются редко, а их ручная классификация требует высокой квалификации персонала и значительных временных затрат. Предложенный подход синтезирует реалистичные изображения дефектов, которые имитируют реальные производственные условия, позволяя нейросетям обучаться на более разнообразных и репрезентативных выборках.
Данная технология направлена на снижение процента брака и оптимизацию производственных линий. Автоматизация контроля качества с помощью ИИ позволяет перейти от выборочной проверки к непрерывному мониторингу в режиме реального времени, что критически важно для высокоскоростных печатных машин. Фреймворк обеспечивает масштабируемость системы контроля без необходимости постоянного привлечения экспертов для доразметки новых типов дефектов.
Ключевые факты
- Фреймворк ориентирован на автоматизацию контроля качества в ротогравюрной (глубокой) печати.
- Метод решает проблему нехватки данных для обучения архитектур YOLO и Vision Transformers.
- Синтетическая генерация позволяет создавать выборки с редкими типами дефектов поверхности.
- Автоматизация заменяет субъективные ручные инспекции, повышая стабильность производственных стандартов.