Детальная информация

Объект исследования – процесс контроля качества полиграфической продукции на участке листовой офсетной печати ООО «Образцовая типография», работающего на машине Heidelberg Speedmaster XL 106-6+L с штатной системой автоматической инспекции Heidelberg Prinect Inspection Control V1.6.5.673. Цель работы – разработать модель оценки качества, которая по данным действующей системы Prinect IC выполняет классификацию типов дефектов и оценку значимости зафиксированных отклонений и снижает поток ложных алертов в работе оператора. Методология включает анализ отчётов инспекции по реальным тиражам (заказ № 77176, 17 624 листа, 364 742 зафиксированных события), формирование размеченного датасета, проектирование и обучение свёрточной нейронной сети остаточного типа, тестирование и сравнение с действующей логикой Prinect IC и с разметкой оператора. Результаты. Построена двухканальная свёрточная сеть, принимающая на вход пару «эталон / факт». На тестовой выборке модель достигла F1-меры 0,940 при точности 0,947 и полноте 0,932. Доля ложных алертов сокращена с 20 % до 5,4 %, время принятия решения по одному событию – с 14,0 до 0,03 с. Область применения – листовые офсетные участки полиграфических предприятий, использующих штатные системы автоматической инспекции. Внедрение модели на ООО «Образцовая типография» прогнозно снижает долю брака, попадающего к заказчику, с 2,1 % до 0,7 % по контрольным тиражам при целевом показателе предприятия — 1,3 %. При выполнении работы использованы: Python 3.11, PyTorch 2.2, OpenCV 4.9, scikit-learn 1.4, pdfplumber 0.10, Microsoft Word, Microsoft Excel, eLIBRARY.RU.

The object of the study is the process of quality control of printing products at the site of sheet offset printing by Obraztsovaya Tipografiya LLC, operating on a Heidelberg Speedmaster XL 106-6+L machine with a standard Heidelberg Prinect Inspection Control V1.6.5.673 automatic inspection system. The purpose of the work is to develop a quality assessment model that, according to the current Prinect IC system performs classification of defect types and assessment of the significance of recorded deviations and reduces the flow of false alerts in the operators work. The methodology includes the analysis of inspection reports on real circulations (order No. 77176, 17,624 sheets, 364,742 recorded events), the formation of a marked-up dataset, the design and training of a convolutional neural network of a residual type, testing and comparison with the current Prinect IC logic and with operator markup. Results. A two-channel convolutional network has been built that accepts the "standard/fact" pair as input. In the test sample, the model reached an F1 measure of 0.940 with an accuracy of 0.947 and a completeness of 0.932. The proportion of false alerts was reduced from 20% to 5.4%, and the decision time for a single event was reduced from 14.0 to 0.03 seconds. The field of application is sheet offset sections of printing enterprises using standard automatic inspection systems. The implementation of the model at Obraztsovaya Tipografiya LLC predictably reduces the proportion of defects reaching the customer from 2.1% to 0.7% for control runs, while the companys target is 1.3%. When doing the work, we used: Python 3.11, PyTorch 2.2, OpenCV 4.9, scikit-learn 1.4, pdfplumber 0.10, Microsoft Word, Microsoft Excel, eLIBRARY.RU.