一种人工智能的柔版印刷压力预测方法与流程

本发明属于印刷技术领域，涉及一种人工智能的柔版印刷压力预测方法。

背景技术：

近年来，随着材料技术、工艺技术和印前技术的持续改善，使得柔印步入高印刷品质行列，柔印也迎来了绿色环保国策下最好发展条件的时代。

随着生产智能化的推进，将会带动生产模式的改变，打造科技赋能的柔性、智能生产模式。借助人工智能、机器学习的方法来预测最佳印刷压力值。可以代替传统的压力预测方式。企业可以大量减少人工投入，大幅度提高生产效率。

技术实现要素：

本发明的目的是提供一种人工智能的柔版印刷压力预测方法，能够在不使用专用版面信息测量设备的情况下，通过人工智能的方法来实现柔版印刷压力的预测。

本发明所采用的技术方案是，一种人工智能的柔版印刷压力预测方法，具体按以下步骤实施：

步骤1，对分色原稿图像进行二值化操作，得到二值化图像；

步骤2，将经步骤1得到的二值化图像进行取反操作，得到反色二值化图像；

步骤3，将经步骤2得到的反色二值化图像划分为若干规则的网格，计算每个网格区域内的图文面积，得到面积矩阵；

步骤4，对分色原稿图像进行梯度计算，得到梯度图像；

步骤5，将经步骤4得到的梯度图像划分为若干规则的网格，计算每个网格内的最大梯度值，得到最大梯度值矩阵；

步骤6，对分色原稿图像进行灰度共生矩阵计算，得到灰度共生矩阵，即为分色原稿图像的纹理特征；

步骤7，对分色原稿图像进行梯度方向直方图计算，得到梯度方向直方图矩阵，即为分色原稿图像的另一纹理特征；

步骤8，将经步骤3、步骤5、步骤6和步骤7得到的面积矩阵、最大梯度值矩阵、灰度共生矩阵和梯度方向直方图横向并列，得到分色原稿图像的特征矩阵；

步骤9，在柔版印刷机上采集与分色图像对应印版的实际印刷压力值，同时，将经步骤8得到的特征矩阵作为svr-bp组合神经网络模型的输入数据；实际印刷压力值作为svr-bp组合神经网络模型的输出数据，建立压力预测的svr-bp组合神经网络模型，对模型参数进行优化，得到合适的压力预测模型。

本发明的特点还在于：

其中步骤3具体按以下步骤实施：

步骤3.1，将步骤2得到的反色二值化图像划分为28*28的规则网格，用于网格区域内的图文面积计算；

步骤3.2，标记网格内连通区域的个数，然后，统计每个连通区域内的像素点个数，最后，将每个连通区域内的像素点数相加，得到网格内的图文面积；

步骤3.3，对每个网格内的图文面积进行计算，最终得到28*28的面积矩阵；

其中步骤5具体按以下步骤实施：

步骤5.1，使用常用的robert算子横向梯度模板对分色原稿图像进行卷积计算，得到横向梯度图像；

步骤5.2，使用常用的robert算子纵向梯度模板对分色原稿图像进行卷积计算，得到纵向梯度图像；

步骤5.3，计算梯度的模，得到梯度图像，通常将梯度的模简称为梯度，因此梯度的计算为：

式中，gx为横向梯度，gy为纵向梯度，g为梯度的模，即梯度；

其中步骤9具体内容包括：

以特征矩阵为输入数据和实际印刷压力值为输出数据的svr-bp组合神经网络模型，首先将输入数据和输出数据组成的数据集划分为训练集和测试集，然后将训练集的数据输入到svr-bp组合神经网络模型中，经归一化、组合网络处理，建立特征矩阵和实际印刷压力值之间的非线性映射关系，最后将测试集的数据输入到训练好的svr-bp组合神经网络模型中，经过svr-bp组合神经网络模型计算便可以预测出最佳印刷压力值；

其中步骤9中首先将经步骤8得到的特征矩阵进行归一化处理，采用线性归一化的方法，将特征矩阵归一化至[0,1]区间，其表达式如下：

式中，x和x'分别表示为原始数据和归一化后数据，xmin和xmax分别表示原始数据的最小值和最大值；

其中步骤9中对svr-bp组合神经网络模型采用的模型评价参数为：均方根误差(rmse)、线性回归相关系数(r)和累积预测精度函数(cs(θ))；其中，rmse是预测值与实际值之差平方的期望值，反映了模型预测值相对于实际值的整体偏差程度，rmse的值越小，说明预测模型描述实验数据具有更好的精度；回归系数r反映预测值与实际值的关联程度，r值越接近1，说明预测模型描述实验数据与实际值具有更好的相关性；cs(θ)诗预测值与实际值的绝对值误差小于θ的样本数占总样本数的百分比，其函数表达式为：

式中，ne≤θ为预测误差小于θ的数据数量，n为预测样本数量；

其中步骤9中经过参数的优化，最终确定svr-bp组合神经网络预测模型，该模型包含在svr算法中，使用的模型是nu-svr网络，linear核函数，惩罚系数c为0.001；在bp算法中，bp神经网络使用三层结构，隐层节点数为48，训练算法采用ploak-ribiere共轭梯度法，节点传输函数使用双极性s函数。

本发明的有益效果是：

本发明一种人工智能的柔版印刷压力预测方法，通过提取图文面积、最大梯度值、灰度共生矩阵和梯度方向直方图四种图文信息特征，得到了图文信息特征矩阵；提出了一种人工智能的柔版印刷压力预测模型，实现了对最佳印刷压力的有效预测。

附图说明

图1是本发明的一种人工智能的柔版印刷压力预测方法的框架图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明提出一个将反向传播(back-propagation，bp)神经网络与支持向量回归机(supportvectorregression，svr)算法相结合的svr-bp神经网络模型；在svr算法中，使用的模型是nu-svr网络，linear核函数，惩罚系数c为0.001；在bp算法中，bp神经网络使用三层结构，隐层节点数为48，训练算法采用ploak-ribiere共轭梯度法(traincgp)，节点传输函数使用双极性s函数(tansig)；

本发明提供了一种人工智能的柔版印刷压力预测方法，如图1所示具体按照以下步骤实施：

步骤1，对分色原稿图像进行二值化操作，得到二值化图像；

步骤2，对步骤1的二值化图像进行取反操作，得到反色二值化图像；

步骤3，将步骤2得到的反色二值化图像划分为一个个规则的网格，计算每个网格区域内的图文面积，得到面积矩阵；具体按照以下步骤实施：

步骤3.1，将步骤2得到的反色二值化图像划分为28*28的规则网格，用于网格区域内的图文面积计算，网格划分的数量对实验结果有重要影响，网格划分数量多，则预测模型的计算难度将大大提升，网格划分数量少，则预测模型的准确性将会大大降低，因此我们将网格划分28×28；

步骤3.2，经步骤3.1，首先，标记网格内连通区域的个数，然后，统计每个连通区域内的像素点个数，最后，将每个连通区域内的像素点数相加，得到网格内的图文面积；

步骤3.3，经步骤3.2，对每个网格内的图文面积进行计算，最终得到28*28的面积矩阵；

步骤4，对分色原稿图像进行梯度计算，得到梯度图像；

步骤5，将经步骤4得到的梯度图像划分为若干规则的网格，计算每个网格内的最大梯度值，得到最大梯度值矩阵；具体按照以下方法实施：

步骤5.1，使用常用的robert算子横向梯度模板对分色原稿图像进行卷积计算，得到横向梯度图像；

步骤5.2，使用常用的robert算子纵向梯度模板对分色原稿图像进行卷积计算，得到纵向梯度图像；

步骤5.3，经步骤5.1和5.2，计算梯度的模，得到梯度图像，通常将梯度的模简称为梯度，因此梯度的计算为：

式中，gx为横向梯度，gy为纵向梯度，g为梯度的模，即梯度；

步骤6，将步骤4得到的梯度图像划分为一个个规则的网格，计算每个网格内的最大梯度值，得到最大梯度值矩阵。

步骤7，将步骤4得到的梯度图像划分为28*28的规则网格，计算网格区域内的最大梯度值，得到28*28的最大梯度值矩阵；

步骤8，将步骤3、步骤5、步骤6和步骤7得到的面积矩阵、最大梯度值矩阵、灰度共生矩阵和梯度直方图横向并列，得到分色原稿图像的特征矩阵；

步骤9，在柔版印刷机上采集与分色图像对应印版的实际印刷压力值，同时，将得到的特征矩阵作为svr-bp组合神经网络模型的输入数据；实际印刷压力值作为svr-bp组合神经网络模型的输出数据，建立压力预测的svr-bp组合神经网络模型，对模型参数进行优化，得到合适的压力预测模型，具体按照以下方法实施：

首先，对特征矩阵进行归一化处理，采用线性归一化的方法，将特征矩阵归一化至[0,1]区间，其表达式如下：

式中，x和x'分别表示为原始数据和归一化后数据，xmin和xmax分别表示原始数据的最小值和最大值；

以特征矩阵为输入数据和实际印刷压力值为输出数据的svr-bp组合神经网络模型，首先将输入数据和输出数据组成的数据集划分为训练集和测试集，然后将训练集的数据输入到svr-bp组合神经网络模型中，经归一化、组合网络处理，建立特征矩阵和实际印刷压力值之间的非线性映射关系，最后将测试集的数据输入到训练好的svr-bp组合神经网络模型中，经过svr-bp组合神经网络模型计算便可以预测出最佳印刷压力值；

采用的模型评价参数为：均方根误差(rmse)、线性回归相关系数(r)和累积预测精度函数(cs(θ))；其中，rmse是预测值与实际值之差平方的期望值，反映了模型预测值相对于实际值的整体偏差程度，rmse的值越小，说明预测模型描述实验数据具有更好的精度；回归系数r反映预测值与实际值的关联程度，r值越接近1，说明预测模型描述实验数据与实际值具有更好的相关性；cs(θ)诗预测值与实际值的绝对值误差小于θ的样本数占总样本数的百分比，其函数表达式为：

式中，ne≤θ为预测误差小于θ的数据数量，n为预测样本数量；

经过参数的优化，最终确定svr-bp组合神经网络预测模型，该模型包含在svr算法中，使用的模型是nu-svr网络，linear核函数，惩罚系数c为0.001；在bp算法中，bp神经网络使用三层结构，隐层节点数为48，训练算法采用ploak-ribiere共轭梯度法(traincgp)，节点传输函数使用双极性s函数(tansig)。

本发明是基于图文信息的人工智能柔版印刷压力预测方法，从功能执行上讲，首先执行对分色原稿图像进行二值化操作，得到二值化图像；其次执行二值化图像进行取反操作，得到反色二值化图像；然后执行反色二值化图像的网格化，计算每个网格区域内的图文面积，得到面积矩阵；接下来执行对分色原稿图像进行梯度计算，得到梯度图像；然后执行梯度图像的网格化，计算每个网格内的最大梯度值，得到最大梯度值矩阵；接下来再执行对分色原稿图像进行灰度共生矩阵计算，得到分色原稿图像灰度共生矩阵；然后再对分色原稿图像进行梯度直方图特征计算；然后执行面积矩阵、最大梯度值矩阵、灰度共生矩阵和梯度方向直方图横向并列，得到分色原稿图像的特征矩阵，最后进行压力预测模型的建立；

本发明是一种基于图文信息的人工智能柔版印刷压力预测方法，通过提取图文面积、最大梯度值、灰度共生矩阵和梯度方向直方图四种图文信息特征，建立了以特征矩阵为输入数据和实际印刷压力值为输出数据的svr-bp组合神经网络预测模型，实现了基于图文信息的人工智能柔版印刷压力预测。