快速，準確的工業(yè)檢查，以有競爭力的價格確保高的質(zhì)量標準，是制造業(yè)的挑戰(zhàn)之一。本文展示了如何將深度學習軟傳感器應用程序與高分辨率光學質(zhì)量控制相機結合使用，以提高印刷行業(yè)4.0的準確性并降低工業(yè)視覺檢查過程的成本的應用程序。在生產(chǎn)凹版滾筒的過程中，不可避免會出現(xiàn)諸如印刷滾筒上的孔之類的錯誤。為了通過過程自動化提高缺陷檢測性能并降低質(zhì)量檢查成本，本文提出了一種深度神經(jīng)網(wǎng)絡（DNN）軟傳感器，該傳感器將掃描的表面與使用的雕刻文件進行比較，并通過暴露于訓練數(shù)據(jù)來學習特征，從而執(zhí)行自動質(zhì)量控制過程。開發(fā)的DNN傳感器實現(xiàn)了完全自動分類準確率達99.4％。進一步的研究旨在將這些結果用于三個目的。首先，要預測氣缸的錯誤數(shù)量，通過向操作員顯示錯誤概率來進一步支持人工操作，在沒有人工干預的情況下自主決定產(chǎn)品質(zhì)量。
大規(guī)模執(zhí)行智能自動化
渴望這些技術變革并保持在工業(yè)領導地位的國家已經(jīng)從戰(zhàn)略上將自己定位于新型的物聯(lián)網(wǎng)基礎設施，這些基礎設施將從工業(yè)物聯(lián)網(wǎng)（IIoT）和數(shù)據(jù)科學中興起。德國的工業(yè)4.0框架已演變?yōu)榉簹W洲的協(xié)作工作，以大規(guī)模執(zhí)行智能自動化。類似的舉動是，美國在2011年成立了制造業(yè)領導聯(lián)盟（SMLC）。其他值得注意的例子包括尋求提升先進制造技術的“中國制造業(yè)2025” ，或日本的“社會5.0” 。全方面關注通過網(wǎng)絡物理系統(tǒng)為人類帶來的安全和福祉。作為一個典型的例子，日本制造商通過為其價值流要素提供不將缺陷傳遞到制造過程的下一步的能力，一直在競爭中獲得競爭優(yōu)勢。
這方面的一個典型的例子是豐田實現(xiàn)智能自主化的顯著的成功，或JIDOKA -UTF8min自働化-，與其他戰(zhàn)略精益制造系統(tǒng)特性。由于幾乎可以從生產(chǎn)過程的任何元素（例如，通過IIoT）獲得足夠的數(shù)據(jù)，并且由于計算元素的開發(fā)功能強大，可以對價值流的狀態(tài)進行實時計算，因此JIDOKA的系統(tǒng)擴展工業(yè)成為可能。實際上，其他行業(yè)具有很大的潛力，可以通過智能傳感器來提高機器識別自身狀態(tài)的能力，這些傳感器能夠感應客戶的特定需求并做出相應的靈活響應。這將提高自動化級別，并提高產(chǎn)品的質(zhì)量和定制，同時提高相關值流性能。
光學質(zhì)量控制（OQC）
在此框架內(nèi)，光學質(zhì)量控制（OQC）對于滿足客戶要求的許多制造過程至關重要。一方面，以人為中心的OQC的性能不能滿足必要的要求：它受到人體工程學和成本的限制，因為人們會厭倦重復性的OQC任務，而這些任務通常非常耗費人力。由于這個原因，視覺缺陷的自動檢測旨在解決該問題，該缺陷旨在分割產(chǎn)品圖像的可能缺陷區(qū)域，然后將其分類為缺陷類別。另一方面，當未將閾值技術應用于以穩(wěn)定照明條件為特征的受控環(huán)境時，通常不足以分割背景缺陷。提供了現(xiàn)有方法的分類，但是在工業(yè)環(huán)境中，通常的做法是，當出現(xiàn)新型問題時，專家須手動描述每個新功能：工業(yè)制造產(chǎn)品中的表面缺陷可以具有各種尺寸，形狀或形狀。方向。當將這些方法應用于具有粗糙紋理，復雜或嘈雜的傳感器數(shù)據(jù)的真實表面時，這些方法通常無效。這立即產(chǎn)生的結果是，分類幾乎總是不夠充分，無法歸結為未知問題[。由于這些原因，在通過更復雜的方法檢測缺陷時需要更魯棒和可靠的結果。
當噴墨技術進入成熟時代時
印刷行業(yè)通過數(shù)字革命經(jīng)歷了巨大的變革。噴墨打印基于小液滴的形成，以在數(shù)字控制下將準確量的材料轉(zhuǎn)移到基材上。噴墨技術由于其圖形打印的靈活性以及其在不太常規(guī)的應用中的潛在用途（例如增材制造以及印刷電子產(chǎn)品和其他功能設備的制造）而變得相對成熟并引起了廣泛的工業(yè)興趣。與傳統(tǒng)印刷工藝相比，它具有許多優(yōu)勢。例如，它幾乎不會產(chǎn)生浪費，或者由于不同的過程而具有通用性，它是非接觸式的，并且不需要主模板，這意味著可以輕松更改打印圖案。然而，
凹版印刷
凹版滾筒的激光雕刻是凹版印刷的新的發(fā)展。激光技術可以生產(chǎn)出形狀可變的電池，這在機電雕刻中是不可能的。這些新形狀實際上提供了更高的打印密度，并且可以使用比傳統(tǒng)的機電雕刻滾筒具有更高粘度的墨水。激光雕刻滾筒還可減少打印速度對打印質(zhì)量的影響，并保持高亮色調(diào)值穩(wěn)定。
盡管輪轉(zhuǎn)凹版滾筒的激光雕刻是輪轉(zhuǎn)凹版印刷市場上蝕刻輪轉(zhuǎn)凹版滾筒的新方法，但當今的系統(tǒng)仍然容易出錯。可能的錯誤或光學上可檢測的缺陷包括凹痕，劃痕，夾雜物，噴涂，彎曲，偏移，涂抹和過度，淺色或缺失的印刷或顏色錯誤（即，錯誤的顏色，漸變和與所需圖案的顏色偏差）。常見的錯誤是凹痕，為32％，而不常見的錯誤是涂抹，為3％。由于工業(yè)環(huán)境中典型的誤差和噪聲水平不同，基于經(jīng)典計算機視覺算法的自動誤差檢測無法實現(xiàn)[。大多數(shù)系統(tǒng)旨在選擇潛在的故障，并將其呈現(xiàn)給負責確定故障的存在或嚴重性的專家。實踐表明，大約30％的需要檢查的錯誤是不相關的。這一事實既增加了與OQC相關的成本，又增加了整個流程的交付時間。這兩個因素對于獲得客戶信心至關重要，須進行系統(tǒng)優(yōu)化。
考慮到這些問題，本研究深入研究了一種替代解決方案，以解決需要手動確定每個新檢查問題的特定特征的問題：基于深度學習的深度神經(jīng)網(wǎng)絡（DNN）。深學習是機器學習，使由多個處理層的計算模型的學習的數(shù)據(jù)的表示與多個抽象層次[的范例。DNN是通過組合一系列分層疊加并任意地初始化的過濾器，由于暴露于訓練數(shù)據(jù)[能夠自動學習對于給定的分類問題的功能的創(chuàng)建的結構。幾個DNN體系結構已經(jīng)被成功地用于在多種應用中，如分類問題[提取從在工業(yè)4.0的范圍內(nèi)的物理傳感器的統(tǒng)計信息，可視對象識別，通過穿戴式人類活動識別，預測維護，或計算機視覺。更具體地，DNN證明工業(yè)計算機OQC缺陷檢測目的有用通過與小至約的圖像[沒有先驗知識自動提取有用的功能有前途的結果。
軟傳感器DNN
本文的目的是提出一種軟傳感器DNN，該傳感器對高分辨率相機的圖像進行分類，對印刷工業(yè)4.0中全球企業(yè)的印刷滾筒的完全計算機視覺OQC進行分類。這旨在通過首先支持人類專家的決策來提高質(zhì)量檢查過程的準確性，從而通過視覺處理的自動化來降低質(zhì)量檢查過程的成本。這應該在一個敵對的工業(yè)環(huán)境中進行考慮，在該環(huán)境中，由于可能的錯誤的異?？勺冃砸约肮庹眨瑵駳?，灰塵和污染等不斷變化的環(huán)境條件，錯誤檢測的復雜性非常高可能會混淆迄今為止開發(fā)的算法。
本文的其余部分在結構上確保了演示的清晰度，所獲得結果的復制以及在第四次工業(yè)革命不斷發(fā)展的全球環(huán)境下的適當框架。首先，簡要展示了工業(yè)4.0的制造價值流的不斷提高，這使得深度學習技術的集成成為可能。其次，用于設計和實現(xiàn)性能更好的OQC集成DNN軟傳感器的材料和方法。此外，DNN計算機代碼在開放訪問存儲庫中可用。接下來，從技術角度簡要討論獲得的結果。在更廣泛的制造業(yè)4.0中討論并著重說明了這些發(fā)現(xiàn)對印刷業(yè)的短期，中期和長期后果。
