知识卡片：用于凹版印刷质量自动控制的合成数据生成框架

一句话结论：本文提出一个自动化合成数据生成框架，为凹版印刷缺陷检测生成高保真缺陷图像及标注，训练出的 RFDETR 模型在真实工业样本上达到 80.9% mAP，无需大量人工采集真实缺陷数据即可实现零成本快速部署。

英文标题：Synthetic data generation framework for quality control automation in gravure printing

英文关键词：synthetic data, quality control, gravure printing, defect detection, RFDETR, object detection

事件概述或研究问题：凹版印刷（rotogravure printing）的质量控制仍依赖人工目视检查，速度慢、成本高且主观性强。深度学习模型（如 YOLO、Vision Transformers）为自动化缺陷检测提供了潜力，但真实工业缺陷图像极度稀缺，严重阻碍了模型训练。本文旨在解决此数据稀缺问题。

方法/产品要点：

• 提出一个专为凹版印刷质量控制设计的合成数据生成框架（pipeline），可自动生成高保真的特定印刷缺陷图像（如折痕、条纹、套印不准等），并输出对应的边界框和标注。
• 利用该框架生成了 7533 张合成图像数据集。
• 使用该合成数据集训练最新的目标检测模型 RFDETR（state-of-the-art object-detection model）。

主要结果或产业意义：

• 在真实工业测试样本上，使用合成数据训练的模型达到了平均精度（Mean Average Precision, mAP）80.9%。
• 该框架提供零成本、快速部署的解决方案，无需大规模人工数据收集，可自动化印刷生产线上的缺陷检测。

为什么重要：

• 首次针对凹版印刷缺陷检测系统性地提出合成数据生成方案，克服了工业场景下真实缺陷图像极度匮乏的核心瓶颈。
• 展示了合成数据在训练高精度检测模型上的有效性（mAP > 80%），为其他工业视觉质检领域（如纺织、金属表面等）提供了可借鉴的范式。

局限与不确定性：

• 论文仅验证了 RFDETR 一种模型；其他常见检测模型（如 YOLO、Vision Transformer）在该合成数据上的表现待核实。
• 合成数据的多样性与真实缺陷的分布差异（如缺陷类型、光照、纹理）未被充分讨论；mAP 80.9% 可能在某些极端缺陷上表现更差，具体细化待核实。
• 框架对特定印刷机台和材料的泛化能力未明确说明。

可用于图书/PPT/简报的角度：

• 案例：凹版印刷质检的智能化升级——合成数据如何解决工业数据稀缺。
• 技术亮点：零成本数据生成 + 真实场景 mAP > 80% 的验证闭环。
• 推广价值：可迁移至其他小样本工业缺陷检测场景（如半导体晶圆、织物瑕疵等）。

原始材料：

• 论文标题：Synthetic data generation framework for quality control automation in gravure printing
• 作者：Korota Arsène Coulibaly, Mohamed Hamlich, Khalid Hmali, Andrea Trombin
• 预印本：arXiv:2607.21577v1 (cs.CV, 2026-07-23)
• URL：https://arxiv.org/abs/2607.21577v1