印刷網(wǎng)點(diǎn)異常狀態(tài)診斷方法范文

本站小編為你精心準(zhǔn)備了印刷網(wǎng)點(diǎn)異常狀態(tài)診斷方法參考范文，愿這些范文能點(diǎn)燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

《今日印刷》2017年第8期

摘要：目的為了實(shí)現(xiàn)印刷生產(chǎn)過程中網(wǎng)點(diǎn)異常狀態(tài)的智能診斷，提出一種基于二維經(jīng)驗(yàn)?zāi)Ｊ椒纸?BEMD)的網(wǎng)點(diǎn)特征提取方法。方法通過對(duì)網(wǎng)點(diǎn)圖像的BEMD分析，獲取了其二維本征模式分量，并利用灰度共生矩陣(GLCM)對(duì)其進(jìn)行特征提取，構(gòu)建印刷網(wǎng)點(diǎn)的特征表示向量。結(jié)果依托支持向量機(jī)決策方法開展分類實(shí)驗(yàn)，所提出的方法能夠準(zhǔn)確診斷出網(wǎng)點(diǎn)壓力不當(dāng)、水墨不均等異常狀態(tài)，網(wǎng)點(diǎn)分類實(shí)驗(yàn)的正確率達(dá)到90%以上。結(jié)論BIMF-GLCM分析對(duì)于網(wǎng)點(diǎn)特性有著很好的表征能力，相關(guān)研究為印刷網(wǎng)點(diǎn)智能診斷特征集的構(gòu)建提供了有效方法。

關(guān)鍵詞：印刷網(wǎng)點(diǎn)；紋理分析；二維經(jīng)驗(yàn)?zāi)Ｊ椒纸?；灰度共生矩?/p>

隨著工業(yè)朝著信息化與智能化發(fā)展，印刷行業(yè)裝備水平也迫切需要提升其智能水平，以實(shí)現(xiàn)生產(chǎn)效率和產(chǎn)品質(zhì)量的提升，而與產(chǎn)品質(zhì)量相關(guān)的自動(dòng)檢測(cè)技術(shù)向來是實(shí)現(xiàn)其自動(dòng)化水平提升與智能制造的關(guān)鍵[1—4]。由于涉及了較多因素，在印刷生產(chǎn)中的產(chǎn)品質(zhì)量控制一直以來都是企業(yè)需要解決的重要問題，在產(chǎn)品檢測(cè)中往往需要大量人力物力，且效率與可靠性偏低，為了有效提高印刷產(chǎn)品質(zhì)量，相關(guān)學(xué)者針對(duì)印刷質(zhì)量的智能檢測(cè)開展了深入研究：海德堡、曼羅蘭等知名印刷設(shè)備企業(yè)都開發(fā)了檢測(cè)印品質(zhì)量的圖像檢測(cè)系統(tǒng)，但這些檢測(cè)往往要與專用檢測(cè)標(biāo)識(shí)條、檢測(cè)儀器、計(jì)算系統(tǒng)等聯(lián)合使用，成本極高且依賴人工經(jīng)驗(yàn)，智能化程度有待進(jìn)一步提升。徐卓飛等[5]提出了一種基于Gabor濾波的印刷星標(biāo)紋理特征提取通過圖像紋理識(shí)別星標(biāo)，實(shí)現(xiàn)了印刷機(jī)工作中對(duì)星標(biāo)的自動(dòng)識(shí)別，研究結(jié)果在減少調(diào)試維修設(shè)備工時(shí)和成本、提高印刷調(diào)節(jié)效率、快速實(shí)現(xiàn)水墨平衡等方面具有實(shí)際應(yīng)用價(jià)值，但未對(duì)網(wǎng)點(diǎn)做出分析評(píng)價(jià)。柴江松等[6]通過高斯擬合閾值分割算法，可尋找網(wǎng)點(diǎn)類圖像最佳分割閾值，對(duì)圖像進(jìn)行二值化處理，得到準(zhǔn)確的網(wǎng)點(diǎn)參數(shù)，可為印刷品復(fù)制質(zhì)量的評(píng)價(jià)提供重要依據(jù)。鄭遂等[7]結(jié)合數(shù)字圖像處理技術(shù)對(duì)網(wǎng)點(diǎn)二值化的關(guān)鍵閾值進(jìn)行了分析與評(píng)價(jià)，為網(wǎng)點(diǎn)狀態(tài)識(shí)別提供了參數(shù)選擇方法。侯和平等[8]提出了一種基于頂帽變換的網(wǎng)點(diǎn)自動(dòng)計(jì)算方法，通過實(shí)驗(yàn)證明其具有較高的識(shí)別正確率，提高了網(wǎng)點(diǎn)智能識(shí)別水平，但不具備分析網(wǎng)點(diǎn)異常狀態(tài)的能力。由于網(wǎng)點(diǎn)質(zhì)量水平是決定印刷質(zhì)量的根本，所以如何在現(xiàn)有研究基礎(chǔ)上實(shí)現(xiàn)網(wǎng)點(diǎn)異常狀態(tài)的智能診斷，是進(jìn)一步推動(dòng)印刷裝備自動(dòng)化程度發(fā)展的重要方向之一[9—10]。網(wǎng)點(diǎn)的作為一種圖像信息，如何構(gòu)建有效地特征值對(duì)其進(jìn)行描述是實(shí)現(xiàn)其智能檢測(cè)的關(guān)鍵[8—11]，因此，文中以實(shí)現(xiàn)印刷網(wǎng)點(diǎn)質(zhì)量的智能檢測(cè)與診斷為目的，提出了基于BIMF熵分析的網(wǎng)點(diǎn)狀態(tài)表征與診斷方法。

1技術(shù)路線

文中所提出技術(shù)路線見圖1。首先，采集印張上的各類網(wǎng)點(diǎn)，包括正常、水量過大、墨量過大、壓力過大、壓力不足等不同狀態(tài)，考慮到50%的網(wǎng)點(diǎn)最為敏感，具有較強(qiáng)的異常狀態(tài)表征能力，因此研究以50%的平網(wǎng)為主要對(duì)象。其次，進(jìn)行BEMD分析并獲得相應(yīng)BIMF分量，去除低頻分量，保留高頻分量并進(jìn)行GLCM特征提取，用以表征網(wǎng)點(diǎn)特性。最后，利用支持向量機(jī)進(jìn)行決策網(wǎng)絡(luò)構(gòu)建，訓(xùn)練分類模型，將待檢測(cè)樣本輸入網(wǎng)絡(luò)，最終實(shí)現(xiàn)網(wǎng)點(diǎn)異常狀態(tài)的智能診斷。

2BEMD算法及特征集構(gòu)建

經(jīng)驗(yàn)?zāi)Ｊ椒纸?EMD)作為一種具有自適應(yīng)能力的非線性信號(hào)時(shí)域解析方法，在故障診斷、信號(hào)處理、模式識(shí)別領(lǐng)域得到了廣泛的應(yīng)用。EMD可按照信號(hào)的局部時(shí)變特征自適應(yīng)地進(jìn)行時(shí)頻分解，能夠?qū)⒉杉降男盘?hào)分解成多個(gè)本征模式分量函數(shù)(IMF)，每個(gè)分量具有單一性并反映信號(hào)中含有的一種頻率信號(hào)。信號(hào)的高頻部分主要集中在前幾個(gè)IMF分量中，末尾殘余的IMF分量則是以低頻噪聲干擾為主，往往可以去除，從而實(shí)現(xiàn)有效信息的分離[12—13]。二維經(jīng)驗(yàn)?zāi)Ｊ椒纸馐窃谝痪S經(jīng)驗(yàn)?zāi)Ｊ椒纸夥椒ㄔ诳臻g域上的拓展，其分析對(duì)象也從一維時(shí)間信號(hào)變?yōu)榱硕S空間信號(hào)，因而廣泛應(yīng)用于圖像分析。依靠其優(yōu)越的解析特性及自適應(yīng)分解能力，廣泛應(yīng)用與醫(yī)學(xué)、地學(xué)、紡織等領(lǐng)域[14]。與一維分析類似，BEMD可將一副圖像轉(zhuǎn)化為一系列二維內(nèi)蘊(yùn)模函數(shù)(BIMF)和殘差項(xiàng)。其中，BIMF分量應(yīng)當(dāng)具有如下特征：BIMF的極值點(diǎn)數(shù)目等于過零點(diǎn)的數(shù)目，或者最多相差為1；BIMF的局部極大值所構(gòu)成的上包絡(luò)面與局部極小值所構(gòu)成的下包絡(luò)面的均值曲面為0。

3實(shí)驗(yàn)研究

3.1實(shí)驗(yàn)條件描述

實(shí)驗(yàn)在四開單色膠印機(jī)完成，采用ECO655工業(yè)面陣相機(jī)與ComputarTEC-M55遠(yuǎn)心鏡頭構(gòu)建采集系統(tǒng)進(jìn)行圖像采集。BEMD分析及相關(guān)特征的提取計(jì)算均在小型工作站完成，核心CPU為InterXeonE3-1230V2，圖像顯示GPU為GTX660。圖像前處理程序、特征提取、決策網(wǎng)絡(luò)訓(xùn)練等程序均在Matlab環(huán)境下編寫并計(jì)算。

3.2BEMD分析及灰度特征計(jì)算

BEMD分解結(jié)果見圖3，分別選取了圖2中的5幅圖像作為原圖進(jìn)行分解，獲取了相應(yīng)的BIMF分量組。從圖3可以看出，BIMF分量隨著分解層數(shù)的遞增，對(duì)于原圖信息的保留逐步減少，BIMF1-2明顯包含原圖信息，BIMF3已經(jīng)無法看出原圖的紋理，僅保留了趨勢(shì)性信息。經(jīng)過分解后，原圖的能量按照一定規(guī)律實(shí)現(xiàn)了分層表現(xiàn)，可以利用每一層BIMF圖像分別計(jì)算一個(gè)特征，從而構(gòu)成特征集，以發(fā)揮BEMD實(shí)現(xiàn)不同頻率成分分離的特性。在計(jì)算GLCM矩陣時(shí)，需要先進(jìn)行灰度級(jí)別壓縮，壓縮程度不宜過大，以免造成過多信息損失，故選取32級(jí)灰度級(jí)壓縮。由于BIMF1-2很好體現(xiàn)了原始紋理狀態(tài)，因此研究對(duì)這2幅圖像進(jìn)行特征提取，得到一個(gè)32維特征集，依次是BIMF1的0°,45°,90°和135°方向，BIMF2的0°,45°,90°和135°方向，一共8組，每組包含熵、相關(guān)性、角二階矩、對(duì)比度等4個(gè)值。在進(jìn)行識(shí)別之前，應(yīng)當(dāng)剔除不敏感特征組，實(shí)現(xiàn)計(jì)算效率提升，同時(shí)減少不必要成分。根據(jù)圖3結(jié)果，認(rèn)為BIMF1垂直方向和對(duì)角方向的梯度變化較大且高頻信息較多，故保留45°,90°方向。BIMF2在90°方向呈現(xiàn)出較強(qiáng)的規(guī)律性，故予以保留。這樣以來32維特征降低為12維特征集。

3.3網(wǎng)點(diǎn)異常狀態(tài)識(shí)別結(jié)果

研究選取圖2中5類網(wǎng)點(diǎn)圖像共計(jì)150幅，每類30幅，分為訓(xùn)練集15幅和驗(yàn)證集15幅。按照上述方法分別計(jì)算BIMF1的16維特征集、BIMF1-2的32維特征集、剔除冗余后的20維特征集。采取支持向量機(jī)SVM作為決策網(wǎng)絡(luò)進(jìn)行訓(xùn)練與識(shí)別。

4結(jié)語

針對(duì)印刷網(wǎng)點(diǎn)提出了一種基于二維經(jīng)驗(yàn)?zāi)Ｊ椒治龅漠惓顟B(tài)診斷方法，對(duì)其紋理特征進(jìn)行了有效表征，通過實(shí)驗(yàn)證明了相關(guān)理論的正確性。通過對(duì)各類印刷網(wǎng)點(diǎn)圖像進(jìn)行BEMD分析獲取了相應(yīng)的BIMF分量，結(jié)合GLCM對(duì)其進(jìn)行有效表征，依托SVM決策網(wǎng)絡(luò)實(shí)現(xiàn)了壓力過大、壓力不足、墨量過大、水量過大、正常等常見網(wǎng)點(diǎn)狀態(tài)的自動(dòng)識(shí)別，并獲得了較高的正確率；研究說明BEMD-GLCM特征集在網(wǎng)點(diǎn)分析中具有很好識(shí)別效果，分析發(fā)現(xiàn)BIMF中的低階成分不利于網(wǎng)點(diǎn)性質(zhì)的表征，應(yīng)當(dāng)予以剔除，主要敏感信息依然集中于高頻分量中。相關(guān)研究可為印刷網(wǎng)點(diǎn)的自動(dòng)識(shí)別與異常狀態(tài)監(jiān)測(cè)提供理論依據(jù)。

作者：鄭新 單位：中山火炬職業(yè)技術(shù)學(xué)院