快速，准确的工业检查，以有竞争力的价格确保高的质量标准，是制造业的挑战之一。本文展示了如何将深度学习软传感器应用程序与高分辨率光学质量控制相机结合使用，以提高印刷行业4.0的准确性并降低工业视觉检查过程的成本的应用程序。在生产凹版滚筒的过程中，不可避免会出现诸如印刷滚筒上的孔之类的错误。为了通过过程自动化提高缺陷检测性能并降低质量检查成本，本文提出了一种深度神经网络（DNN）软传感器，该传感器将扫描的表面与使用的雕刻文件进行比较，并通过暴露于训练数据来学习特征，从而执行自动质量控制过程。开发的DNN传感器实现了完全自动分类准确率达99.4％。进一步的研究旨在将这些结果用于三个目的。首先，要预测气缸的错误数量，通过向操作员显示错误概率来进一步支持人工操作，在没有人工干预的情况下自主决定产品质量。
大规模执行智能自动化
渴望这些技术变革并保持在工业领导地位的国家已经从战略上将自己定位于新型的物联网基础设施，这些基础设施将从工业物联网（IIoT）和数据科学中兴起。德国的工业4.0框架已演变为泛欧洲的协作工作，以大规模执行智能自动化。类似的举动是，美国在2011年成立了制造业领导联盟（SMLC）。其他值得注意的例子包括寻求提升先进制造技术的“中国制造业2025” ，或日本的“社会5.0” 。全方面关注通过网络物理系统为人类带来的安全和福祉。作为一个典型的例子，日本制造商通过为其价值流要素提供不将缺陷传递到制造过程的下一步的能力，一直在竞争中获得竞争优势。
这方面的一个典型的例子是丰田实现智能自主化的显着的成功，或JIDOKA -UTF8min自働化-，与其他战略精益制造系统特性。由于几乎可以从生产过程的任何元素（例如，通过IIoT）获得足够的数据，并且由于计算元素的开发功能强大，可以对价值流的状态进行实时计算，因此JIDOKA的系统扩展工业成为可能。实际上，其他行业具有很大的潜力，可以通过智能传感器来提高机器识别自身状态的能力，这些传感器能够感应客户的特定需求并做出相应的灵活响应。这将提高自动化级别，并提高产品的质量和定制，同时提高相关值流性能。
光学质量控制（OQC）
在此框架内，光学质量控制（OQC）对于满足客户要求的许多制造过程至关重要。一方面，以人为中心的OQC的性能不能满足必要的要求：它受到人体工程学和成本的限制，因为人们会厌倦重复性的OQC任务，而这些任务通常非常耗费人力。由于这个原因，视觉缺陷的自动检测旨在解决该问题，该缺陷旨在分割产品图像的可能缺陷区域，然后将其分类为缺陷类别。另一方面，当未将阈值技术应用于以稳定照明条件为特征的受控环境时，通常不足以分割背景缺陷。提供了现有方法的分类，但是在工业环境中，通常的做法是，当出现新型问题时，专家须手动描述每个新功能：工业制造产品中的表面缺陷可以具有各种尺寸，形状或形状。方向。当将这些方法应用于具有粗糙纹理，复杂或嘈杂的传感器数据的真实表面时，这些方法通常无效。这立即产生的结果是，分类几乎总是不够充分，无法归结为未知问题[。由于这些原因，在通过更复杂的方法检测缺陷时需要更鲁棒和可靠的结果。
当喷墨技术进入成熟时代时
印刷行业通过数字革命经历了巨大的变革。喷墨打印基于小液滴的形成，以在数字控制下将准确量的材料转移到基材上。喷墨技术由于其图形打印的灵活性以及其在不太常规的应用中的潜在用途（例如增材制造以及印刷电子产品和其他功能设备的制造）而变得相对成熟并引起了广泛的工业兴趣。与传统印刷工艺相比，它具有许多优势。例如，它几乎不会产生浪费，或者由于不同的过程而具有通用性，它是非接触式的，并且不需要主模板，这意味着可以轻松更改打印图案。然而，
凹版印刷
凹版滚筒的激光雕刻是凹版印刷的新的发展。激光技术可以生产出形状可变的电池，这在机电雕刻中是不可能的。这些新形状实际上提供了更高的打印密度，并且可以使用比传统的机电雕刻滚筒具有更高粘度的墨水。激光雕刻滚筒还可减少打印速度对打印质量的影响，并保持高亮色调值稳定。
尽管轮转凹版滚筒的激光雕刻是轮转凹版印刷市场上蚀刻轮转凹版滚筒的新方法，但当今的系统仍然容易出错。可能的错误或光学上可检测的缺陷包括凹痕，划痕，夹杂物，喷涂，弯曲，偏移，涂抹和过度，浅色或缺失的印刷或颜色错误（即，错误的颜色，渐变和与所需图案的颜色偏差）。常见的错误是凹痕，为32％，而不常见的错误是涂抹，为3％。由于工业环境中典型的误差和噪声水平不同，基于经典计算机视觉算法的自动误差检测无法实现[。大多数系统旨在选择潜在的故障，并将其呈现给负责确定故障的存在或严重性的专家。实践表明，大约30％的需要检查的错误是不相关的。这一事实既增加了与OQC相关的成本，又增加了整个流程的交付时间。这两个因素对于获得客户信心至关重要，须进行系统优化。
考虑到这些问题，本研究深入研究了一种替代解决方案，以解决需要手动确定每个新检查问题的特定特征的问题：基于深度学习的深度神经网络（DNN）。深学习是机器学习，使由多个处理层的计算模型的学习的数据的表示与多个抽象层次[的范例。DNN是通过组合一系列分层叠加并任意地初始化的过滤器，由于暴露于训练数据[能够自动学习对于给定的分类问题的功能的创建的结构。几个DNN体系结构已经被成功地用于在多种应用中，如分类问题[提取从在工业4.0的范围内的物理传感器的统计信息，可视对象识别，通过穿戴式人类活动识别，预测维护，或计算机视觉。更具体地，DNN证明工业计算机OQC缺陷检测目的有用通过与小至约的图像[没有先验知识自动提取有用的功能有前途的结果。
软传感器DNN
本文的目的是提出一种软传感器DNN，该传感器对高分辨率相机的图像进行分类，对印刷工业4.0中全球企业的印刷滚筒的完全计算机视觉OQC进行分类。这旨在通过首先支持人类专家的决策来提高质量检查过程的准确性，从而通过视觉处理的自动化来降低质量检查过程的成本。这应该在一个敌对的工业环境中进行考虑，在该环境中，由于可能的错误的异常可变性以及光照，湿气，灰尘和污染等不断变化的环境条件，错误检测的复杂性非常高可能会混淆迄今为止开发的算法。
本文的其余部分在结构上确保了演示的清晰度，所获得结果的复制以及在第四次工业革命不断发展的全球环境下的适当框架。首先，简要展示了工业4.0的制造价值流的不断提高，这使得深度学习技术的集成成为可能。其次，用于设计和实现性能更好的OQC集成DNN软传感器的材料和方法。此外，DNN计算机代码在开放访问存储库中可用。接下来，从技术角度简要讨论获得的结果。在更广泛的制造业4.0中讨论并着重说明了这些发现对印刷业的短期，中期和长期后果。
