印刷瑕疵檢測背後的那套眼力：從輪廓追蹤說起

一個很常見的場景：檢測系統跳警報，操作員跑過去看，那張紙上什麼也沒有。連續幾次之後，師傅把靈敏度往下調兩格，警報安靜了，然後真正的刮痕開始漏掉。

這不是設備故障，是使用者跟系統之間對「什麼算一個瑕疵」的認知沒有對齊。要對齊，得先知道那台相機背後的演算法在找什麼。它找的是輪廓，影像裡灰階或色彩發生足夠劇烈變化、並且能圈起來的一圈邊界。搞懂輪廓怎麼被抽取、怎麼被跨影格追蹤，你就能判斷自己的產線該調哪個參數、該把預算花在哪。

因為輪廓是機器唯一能穩定量化、又跟人眼判斷高度重疊的特徵。

電腦視覺領域早就把「以輪廓為基礎，在動態影像中即時識別並追蹤多個物件」做成一套可運作的演算法框架，用輪廓特徵同時抓取多個目標並持續定位 [1]。這項研究本身不是為印刷寫的，但它處理的問題結構跟捲筒紙檢測幾乎同構：畫面一直在動、目標同時有好幾個、而且要即時。

把它翻譯成印刷語言：

・髒點：一圈封閉、面積小、對比高的輪廓，出現在不該有輪廓的空白區。

・刮痕：細長、長寬比極端的輪廓，通常沿走紙方向延伸。

・套色偏差：不是新輪廓，而是同一個圖案輪廓在不同色版之間發生位移。這是最關鍵的差別，它是「輪廓對位誤差」，不是「多出一個東西」。

這三種瑕疵在系統眼裡是三種完全不同的數學問題。這也解釋了一件我在現場反覆看到的事：一套髒點抓得很準的系統，套準卻常常誤判。因為抓髒點靠的是「找出多餘輪廓」，判套準靠的是「比對既有輪廓的相對位移」，兩者用的門檻參數根本不共用。廠商賣你一套系統，你調的往往只是其中一組。

差別在於：追蹤處理的是「同一個瑕疵在連續影格裡的身分」，而不只是「這張影像有沒有異常」。

輪廓式即時多物件追蹤的核心價值，在於能在動態畫面中同時維持多個目標的識別與位置 [1]。放到印刷產線，這件事的實務意義非常具體，它決定了系統會不會把同一個缺陷數成十次。

算一下就清楚。假設印速 300 m/min，換算下來是每秒 5 公尺；相機以每秒 30 影格取像，一個持續存在的滾筒髒污（比如壓印滾筒上黏了一點墨皮）會在連續數十張影像裡反覆出現。（此為換算推估，實際值依機台與取像設定而異。）沒有追蹤能力的系統，會把它報成幾十筆獨立瑕疵，淹掉真正的偶發缺陷；有追蹤能力的系統，會認出「這是同一個輪廓，週期性重現」，並判斷瑕疵來自滾筒而非紙張。

偶發缺陷跟週期性缺陷的分流，是輪廓追蹤帶來的最大實務紅利。 前者是挑出來就好，後者要停機清滾筒。系統若只會分類「有／沒有」，你就永遠得靠老師傅的經驗做這一層判斷。

因為多數誤報來自「輪廓存在，但它不是瑕疵」，網點、紋理、紙紋、正常的細小文字，在演算法眼裡全都是合法輪廓。

這是印刷跟一般工業檢測最不一樣的地方。檢測一顆金屬螺絲，背景是乾淨的；檢測一張印刷品，背景本身就是密密麻麻的輪廓。一張 175 lpi 的四色印件，每平方英吋就有數萬個網點，每個網點都是一個邊界。要在這種背景上抓出一個 0.3 mm 的髒點，本質上是在噪音裡找訊號。

實務上降低誤報有三個依序執行的步驟：

・1. 先確認光學解析度夠不夠。 這是硬體天花板，軟體救不回來。粗略推算：若相機橫向 4096 像素涵蓋 1000 mm 幅寬，一個像素約 0.24 mm，要穩定辨識 0.3 mm 的瑕疵，只有一到兩個像素支撐，這是在賭運氣。想抓 0.3 mm，實務上要讓瑕疵至少跨越三到五個像素。解析度不足時調任何參數都是白費

2. 再校準黃金樣本（golden sample）。 系統比對的基準若來自一張本身就有輕微髒污或色偏的樣張，之後每一張正常品都會被判為異常。

3. 最後才動門檻。 而且要分區設定，大面積實地、細小文字、留白區，三者能容忍的輪廓密度完全不同。用一組全域門檻蓋整張版，注定顧此失彼。

現場最常見的錯誤，是跳過前兩步直接調第三步。那等於用軟體參數去補償硬體與基準的缺陷，結果就是文章開頭那個場景：警報安靜了，瑕疵也漏了。

問追蹤與分類能力，不要只問「抓不抓得到」。這是我認為最能拉開系統價值差距的分界線。

具體來說，簽約前值得問清楚的有四項：

・能不能區分偶發與週期性缺陷？ 這直接反映系統有沒有跨影格的輪廓追蹤，而不只是逐張比對。

・最小可偵測缺陷尺寸，是在哪個幅寬與哪個印速下測的？ 這三個數字必須綁在一起講，單獨報一個「0.2 mm」沒有意義。

・套色偏差用什麼機制判定？ 若答案跟髒點檢測是同一套門檻，代表套準判斷可能只是附加功能。

・誤報資料能不能回饋重訓？ 一套不會從操作員的「這是誤報」按鈕裡學東西的系統，三個月後靈敏度一定會被人手動調爛。

可落地的下一步很簡單：先別急著換系統，把過去一個月的警報記錄調出來，人工標註哪些是真瑕疵、哪些是誤報，再依瑕疵類型分類。 這份表通常會直接告訴你，問題出在解析度、基準樣本，還是門檻設定。成本只有幾個小時的人力，卻能省下一次錯誤的設備採購。

適用邊界要說清楚：以上判斷建立在「印件本身有穩定重複的圖文結構」這個前提上。短單、變動資料印刷（VDP）、每張都不同的個人化印件，沒有黃金樣本可比對，得改走「規則式異常偵測」而非「比對式檢測」，上面第二步就不成立。同樣地，透明基材、鏡面燙金、高反光加工件的光學條件差異極大，輪廓抽取的可靠度會明顯下降，需要靠打光設計而非演算法參數來解決。

AI 印刷檢測的底層語言是「輪廓」，髒點是多餘輪廓、刮痕是長寬比極端的輪廓、套色偏差則是既有輪廓的相對位移，三者用的是不同的數學判準，門檻參數不共用。

即時多物件輪廓追蹤能在動態畫面中同時維持多個目標的識別與定位 [1]，落到產線上的價值是分流偶發缺陷與週期性缺陷，後者代表該停機清滾筒。

壓誤報的正確順序是「光學解析度 → 黃金樣本校準 → 分區門檻」，跳過前兩步直接調門檻，等於用軟體補償硬體缺陷，結果是警報安靜、瑕疵漏抓。

要穩定辨識某個尺寸的瑕疵，實務上該讓它至少跨越三到五個像素；只有一到兩個像素支撐時，解析度就是天花板。

導入前應確認系統能否區分偶發與週期性缺陷，以及最小缺陷尺寸是在何種幅寬與印速下測得。

對印刷製造端來說，輪廓追蹤把品管的角色從「挑出壞品」推向「診斷設備狀態」，當系統能辨識同一輪廓的週期性重現，檢測資料就成了滾筒、橡皮布、供墨系統的健康指標，這是把品管成本轉為維護情報的路徑。對設計端，這意味著版面本身會影響可檢測性：高網點密度的滿版底紋、極細反白線條，都會壓縮系統的訊噪比，未來的可製造性檢查（DFM）理應把「檢測友善度」納入考量。對 AI 導入者，最務實的提醒是別把資源全押在模型上，多數現場的瓶頸在光學與基準樣本，而非演算法先進度。對 SaaS 業者，真正的缺口在誤報回饋完整流程：一個能收集操作員判定、跨廠累積瑕疵樣本庫、並回饋調參的雲端層，比再高一階的模型更有商業價值。待解問題有三：一是變動資料印刷缺乏黃金樣本時的無參考檢測方法；二是特殊加工（燙金、局部光油、透明基材）的打光與輪廓抽取標準化；三是瑕疵嚴重度的判定，系統能說「這裡有輪廓」，但「這個程度客戶會不會退貨」目前仍高度依賴人的經驗，這是產業尚未形成共識的量化空白。

[1] MS（2106）. Contour Based Real Time Multiple Object Tracking. International journal of Emerging Trends in Science and Technology. DOI: 10.18535/ijetst/v3i08.10