本站小編為你精心準備了印刷網點異常狀態診斷方法參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

《今日印刷》2017年第8期

摘要：目的為了實現印刷生產過程中網點異常狀態的智能診斷，提出一種基于二維經驗模式分解(BEMD)的網點特征提取方法。方法通過對網點圖像的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)對其進行特征提取，構建印刷網點的特征表示向量。結果依托支持向量機決策方法開展分類實驗，所提出的方法能夠準確診斷出網點壓力不當、水墨不均等異常狀態，網點分類實驗的正確率達到90%以上。結論BIMF-GLCM分析對于網點特性有著很好的表征能力，相關研究為印刷網點智能診斷特征集的構建提供了有效方法。

關鍵詞：印刷網點；紋理分析；二維經驗模式分解；灰度共生矩陣

隨著工業朝著信息化與智能化發展，印刷行業裝備水平也迫切需要提升其智能水平，以實現生產效率和產品質量的提升，而與產品質量相關的自動檢測技術向來是實現其自動化水平提升與智能制造的關鍵[1—4]。由于涉及了較多因素，在印刷生產中的產品質量控制一直以來都是企業需要解決的重要問題，在產品檢測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品質量，相關學者針對印刷質量的智能檢測開展了深入研究：海德堡、曼羅蘭等知名印刷設備企業都開發了檢測印品質量的圖像檢測系統，但這些檢測往往要與專用檢測標識條、檢測儀器、計算系統等聯合使用，成本極高且依賴人工經驗，智能化程度有待進一步提升。徐卓飛等[5]提出了一種基于Gabor濾波的印刷星標紋理特征提取通過圖像紋理識別星標，實現了印刷機工作中對星標的自動識別，研究結果在減少調試維修設備工時和成本、提高印刷調節效率、快速實現水墨平衡等方面具有實際應用價值，但未對網點做出分析評價。柴江松等[6]通過高斯擬合閾值分割算法，可尋找網點類圖像最佳分割閾值，對圖像進行二值化處理，得到準確的網點參數，可為印刷品復制質量的評價提供重要依據。鄭遂等[7]結合數字圖像處理技術對網點二值化的關鍵閾值進行了分析與評價，為網點狀態識別提供了參數選擇方法。侯和平等[8]提出了一種基于頂帽變換的網點自動計算方法，通過實驗證明其具有較高的識別正確率，提高了網點智能識別水平，但不具備分析網點異常狀態的能力。由于網點質量水平是決定印刷質量的根本，所以如何在現有研究基礎上實現網點異常狀態的智能診斷，是進一步推動印刷裝備自動化程度發展的重要方向之一[9—10]。網點的作為一種圖像信息，如何構建有效地特征值對其進行描述是實現其智能檢測的關鍵[8—11]，因此，文中以實現印刷網點質量的智能檢測與診斷為目的，提出了基于BIMF熵分析的網點狀態表征與診斷方法。

1技術路線

文中所提出技術路線見圖1。首先，采集印張上的各類網點，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，考慮到50%的網點最為敏感，具有較強的異常狀態表征能力，因此研究以50%的平網為主要對象。其次，進行BEMD分析并獲得相應BIMF分量，去除低頻分量，保留高頻分量并進行GLCM特征提取，用以表征網點特性。最后，利用支持向量機進行決策網絡構建，訓練分類模型，將待檢測樣本輸入網絡，最終實現網點異常狀態的智能診斷。

2BEMD算法及特征集構建

經驗模式分解(EMD)作為一種具有自適應能力的非線性信號時域解析方法，在故障診斷、信號處理、模式識別領域得到了廣泛的應用。EMD可按照信號的局部時變特征自適應地進行時頻分解，能夠將采集到的信號分解成多個本征模式分量函數(IMF)，每個分量具有單一性并反映信號中含有的一種頻率信號。信號的高頻部分主要集中在前幾個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，從而實現有效信息的分離[12—13]。二維經驗模式分解是在一維經驗模式分解方法在空間域上的拓展，其分析對象也從一維時間信號變為了二維空間信號，因而廣泛應用于圖像分析。依靠其優越的解析特性及自適應分解能力，廣泛應用與醫學、地學、紡織等領域[14]。與一維分析類似，BEMD可將一副圖像轉化為一系列二維內蘊模函數(BIMF)和殘差項。其中，BIMF分量應當具有如下特征：BIMF的極值點數目等于過零點的數目，或者最多相差為1；BIMF的局部極大值所構成的上包絡面與局部極小值所構成的下包絡面的均值曲面為0。

3實驗研究

3.1實驗條件描述

實驗在四開單色膠印機完成，采用ECO655工業面陣相機與ComputarTEC-M55遠心鏡頭構建采集系統進行圖像采集。BEMD分析及相關特征的提取計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、決策網絡訓練等程序均在Matlab環境下編寫并計算。

3.2BEMD分析及灰度特征計算

BEMD分解結果見圖3，分別選取了圖2中的5幅圖像作為原圖進行分解，獲取了相應的BIMF分量組。從圖3可以看出，BIMF分量隨著分解層數的遞增，對于原圖信息的保留逐步減少，BIMF1-2明顯包含原圖信息，BIMF3已經無法看出原圖的紋理，僅保留了趨勢性信息。經過分解后，原圖的能量按照一定規律實現了分層表現，可以利用每一層BIMF圖像分別計算一個特征，從而構成特征集，以發揮BEMD實現不同頻率成分分離的特性。在計算GLCM矩陣時，需要先進行灰度級別壓縮，壓縮程度不宜過大，以免造成過多信息損失，故選取32級灰度級壓縮。由于BIMF1-2很好體現了原始紋理狀態，因此研究對這2幅圖像進行特征提取，得到一個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、相關性、角二階矩、對比度等4個值。在進行識別之前，應當剔除不敏感特征組，實現計算效率提升，同時減少不必要成分。根據圖3結果，認為BIMF1垂直方向和對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°方向呈現出較強的規律性，故予以保留。這樣以來32維特征降低為12維特征集。

3.3網點異常狀態識別結果

研究選取圖2中5類網點圖像共計150幅，每類30幅，分為訓練集15幅和驗證集15幅。按照上述方法分別計算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SVM作為決策網絡進行訓練與識別。

4結語

針對印刷網點提出了一種基于二維經驗模式分析的異常狀態診斷方法，對其紋理特征進行了有效表征，通過實驗證明了相關理論的正確性。通過對各類印刷網點圖像進行BEMD分析獲取了相應的BIMF分量，結合GLCM對其進行有效表征，依托SVM決策網絡實現了壓力過大、壓力不足、墨量過大、水量過大、正常等常見網點狀態的自動識別，并獲得了較高的正確率；研究說明BEMD-GLCM特征集在網點分析中具有很好識別效果，分析發現BIMF中的低階成分不利于網點性質的表征，應當予以剔除，主要敏感信息依然集中于高頻分量中。相關研究可為印刷網點的自動識別與異常狀態監測提供理論依據。

作者：鄭新 單位：中山火炬職業技術學院