CN108920850A - 一种基于卷积神经网络的柔印压力预测方法 - Google Patents
一种基于卷积神经网络的柔印压力预测方法 Download PDFInfo
- Publication number
- CN108920850A CN108920850A CN201810745170.0A CN201810745170A CN108920850A CN 108920850 A CN108920850 A CN 108920850A CN 201810745170 A CN201810745170 A CN 201810745170A CN 108920850 A CN108920850 A CN 108920850A
- Authority
- CN
- China
- Prior art keywords
- pressure
- model
- data
- printing
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000007639 printing Methods 0.000 claims abstract description 138
- 238000003860 storage Methods 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 230000005540 biological transmission Effects 0.000 claims abstract description 9
- 238000003825 pressing Methods 0.000 claims abstract description 8
- 230000003068 static effect Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 21
- 230000004913 activation Effects 0.000 claims description 17
- 238000011161 development Methods 0.000 claims description 14
- 239000000853 adhesive Substances 0.000 claims description 13
- 230000001070 adhesive effect Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 9
- 238000011160 research Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000013210 evaluation model Methods 0.000 claims description 6
- 239000003292 glue Substances 0.000 claims description 6
- 238000010191 image analysis Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 239000013013 elastic material Substances 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 claims description 3
- 238000009864 tensile test Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 238000009826 distribution Methods 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000004744 fabric Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于卷积神经网络的柔印压力预测方法，利用ansys建立中心压印滚筒与印版滚筒静态接触的局部有限元模型，分析了不同图文面积特征及分布特征对印刷压力的影响；建立了基于卷积神经网络的柔印压力的预测模型，采用感压胶片测得印版在初始合压位置的表面压力作为神经网络的输入样本，正常印刷状态下印版承压条上的压力作为神经网络的输出样本，建立了卷积神经网络的压力预测模型，并对模型参数进行优化，确定了最佳的压力预测模型。最后采集新的样本验证该模型的有效性；压力数据传输与存储。实现了将预测的压力数据自动导入到相应印版滚筒的电子标签中，便于后续印刷。
Description
技术领域
本发明属于印刷设备智能化领域，具体涉及一种基于卷积神经网络的柔印压力预测方法。
背景技术
随着对“绿色、环保”的不断追求，柔印作为一种“环境友好型”印刷方式受到了人们的青睐，并取得了快速发展，在印刷领域所占的市场份额不断增大，特别是食品、卫生用品包装方面。相比其它印刷方式，柔印的印刷压力较小，属于轻压力印刷，其压力大小通常为1～3kg/cm2。因此，柔印压力的轻微变化会对印品质量产生显著的影响。当压力过小时，油墨转移量不足，导致印品发虚，细小网点和线条缺失，图文出现空白；当印刷压力过大时，油墨转移量过多，印品网点扩大严重，并呈现出中心空白，四周颜色较深的现象，导致亮调图文丢失，暗调图文阶调合并，出现糊版等。
影响柔印压力的因素很多，主要包括印版、双面胶、套筒、承印材料、油墨、温度、湿度等，每当一个或多个印刷工作条件改变时，必须重新确定合适的印刷压力，以确保印品质量。目前印刷压力的确定主要是通过预印实现的，其流程为：先根据经验设置初始压力开机印刷，人工检验印品质量，再根据印品质量调节印刷压力的大小，直至印出满足生产要求的印品。这种压力确定方式需要消耗大量的人力、物力，生产效率较低，不仅造成资源的浪费，且对印刷人员的经验要求高，易受人为主观的影响。
为了提高柔印机的自动化程度，实现压力的自动调节，Massimo Resentera等人公开了一种柔印压力自动调节和监测系统，在每色印版滚筒位置安装一个或者多个读取器读取每色印刷后的对比度，处理单元根据对比度和滚筒位置自动调节印刷压力。Jordi PuigVila等人建立了一个柔印机压力自动调节系统，在每个印版上设置一个标记M1，通过检测当前印版所在色辊位置及标记M1的尺寸Td，并将其与当前色辊位置M1在正常压力下的尺寸Tr比较得出压力的调节量。Gray A.Smith等人考虑到印刷压力对油墨转移率的影响，提出了一种通过检测印品的光学性能调节印刷压力的方法。通过在印版印刷图文的两侧预设一个专门用于压力检测的特征图文，并检测印品上压力特征图文在不同印刷压力下的光学特性实现压力的自动调节。虽然上述研究中采用不同的方法实现印刷过程中压力的监测与调节，但依然存在一个共同问题：以最佳压力下的承印图文为参照标准进行调节。随着人工智能的发展，神经网络作为一个研究分支，能够通过有监督的自主学习方式，充分挖掘样本数据的隐含特征，并建立输入数据与输出数据的非线性关系，已广泛应用于各种模式识别及预测领域，并且取得不错的成果。本发明采用卷积神经网络对柔印压力进行预测。CNN广泛应用于其它模式识别和预测领域，几乎涉及了各种行业。如在人脸识别方面，Taigman Y等人提出了DeepFace模型，能够有效地进行人脸识别，准确率高达97.35％。Sun等人提出了DeepID，DeepID2，DeepID2+，DeepID3模型，在LFW数据库上的识别准确率达到99.47％。Google公司提出了Face Net模型，在LFW和YouTube数据库上进行人脸识别，准确率高达99.63％和95.12％。在音频检索方面，Abdel-Hamid等人将隐马尔科夫与CNN结合起来，建立了用于音频检索的改进CNN模型，并在标准TIMIT数据库的基础上进行实验验证。实验证明改进后的CNN模型能够将错误率降低10％。在年龄预测方面，Hao Liu等提出了一个ODFL(Ordinal Deep Feature Learning)模型，能够直接从图像像素中学习并提取不同的年纪特征，避免了手动特征提取，并采用MORP、FG-NET和FACES三种数据库的数据对该模型质量进行评价，得到的模型平均绝对误差(MAE)分别为3.12、3.89和4.12。
发明内容
本发明的目的在于提供一种基于卷积神经网络的柔印压力预测方法，以FCI300卫星式柔印机为研究对象，利用有限元法分析在相同的压缩量下，印版图文(实地)特征对印刷压力的影响。以版面不同位置的压力值作为网络模型的输入，最佳印刷压力值作为网络模型的输出，建立基于卷积神经网络的柔印压力预测模型。
为实现上述目的本发明采用以下技术方案：
一种基于卷积神经网络的柔印压力预测方法，包括如下步骤：
步骤1、以FCI300卫星式柔印机为研究对象，建立印版滚筒与中心压印滚筒静态接触状态下的局部有限元模型，研究印版图文特征对印刷压力的影响；
步骤2、在FCI300卫星式柔印机上采集在0.22mm的压缩量下不同印版表面压力值，同时，将测得的版面压力数据作为卷积神经网络模型的原始输入样本；在正常印刷下采集不同印版承压条上的实际印刷压力值，并将其作为卷积神经网络模型的原始输出样本，建立压力预测的卷积神经网络模型，对模型参数进行优化，确定合适的压力预测模型；
步骤3、在印前贴版环节通过计算机进行印刷压力预测后，将预测出的压力值存储到相应的印版滚筒上，用于上版印刷时数据的读取，采用RFID技术，选择合适的射频读写器，通过对读写器界面进行二次开发，将利用MATLAB预测出的压力值导入到相应的读写卡中，省去数据手动写入环节，实现印版压力的传输与存储。
作为本发明进一步的方案，步骤1具体包括以下步骤：
步骤1.1、印刷单元滚筒接触有限元模型的建立，以FCI300卫星式柔印刷机为研究对象，利用Ansys Workbench建立了印刷单元几何模型；其包括中心压印滚筒、为柔性版的凸起图文、为柔性版的底基、贴版双面胶、印版滚筒五部分，具体的几何参数如下表1所示；
表1
步骤1.2、采用大小为0.2mm的六面体网格对模型进行网格划分，共生成24050个单元，节点个数为111182，平均网格质量为0.95；
步骤1.3、根据滚筒合压状态下的实际情况确定模型的边界条件如下：
中心压印滚筒的左面为固定约束；中心压印滚筒与柔性版之间的接触为摩擦接触，摩擦系数为0.1，接触面为柔性版，目标面为中心压印滚筒；印版滚筒的右面沿印版厚度方向为位移约束，位移量为0.22mm；柔性版与双面胶之间的胶连接、双面胶与印版滚筒之间的胶连接视为固定约束；中心压印滚筒、贴版双面胶、柔性版底基、印版滚筒的前后面与上下面分别对称；柔性版的上下面对称；
步骤1.4、假设柔性版为超弹性体，对于超弹性材料，其应力—应变的关系是非线性的，通常采用应变能密度函数表示，选择含2参数的Mooney-Rivlin的本构模型来描述柔性版版的应变能密度函数，其表达式：(其中，C01、C10为需要确定的两个材料参数)
W＝C01(I1-3)+C10(I2-3)2 (1)；
以1.7mm的杜邦中性柔性版为试验对象，按照GB/T 1701-2001制作拉伸试件，并在万能拉伸机仪上进行拉伸试验，将得到的应力—应变数据导入ansys中进行曲线拟合，得到C01和C10的值分别为0.058、0.056；
步骤1.5、通过改变印版图文沿轴向的宽度来改变图文面积的大小，保持其它条件不变，改变印版图文面积，分析在同一压缩量下，印版图文面积对印刷压力的影响；
步骤1.6、保持其它条件不变，改变印版图文分布的数量，分析在同一压缩量下，印版图文数量对印刷压力的影响；
步骤1.7、分析在同一压缩量下，周围图文对印刷压力是否有影响。
作为本发明进一步的方案，步骤2具体包括如下步骤：
步骤2.1、样本数据的采集使用FUJIFILM PRESCALE感压胶片、Epson PerfectionV300 Photo扫描仪与FPD-8010F压力图像分析系统，将测量后的C感压胶片放在扫描仪里进行扫描，FPD-8010F压力图像分析系统根据扫描结果分析出每一处位置的具体压力值；
步骤2.2、对样本数据进行降采样处理，采用50mm×30mm矩形滑动窗口截取版面压力数据，求取窗口内数据的平均值替代原始窗口内的数据，其中沿印版滚筒轴线方向的滑动步长为50mm，沿周向方向的滑动步长为30mm；
步骤2.3、对样本数据进行数据大小标准化处理，考虑到FCI300柔印机可印刷的最大幅面为1350mm×800mm，结合数据降采样处理时的窗口大小，确定模型的输入数据大小为28×28，对于小尺寸印版的表面压力数据，在进行降采样处理后再进行对称扩充，使其大小均为28×28，空缺值用0填充；
步骤2.4、对样本数据进行数据归一化处理，采用线性归一化的方法，将输入数据与输出数据分别归一化至[0,1]区间，其表达式如下：
步骤2.5、基于卷积神经网络的柔印压力预测模型的构建：包括两部分内容：模型训练、模型测试，在模型训练过程中，以测得的版面压力数值与实际印刷压力值作为原始样本，经过数据预处理输入到CNN模型中，采用BP算法对CNN模型中权值与阀值进行调整，并通过L2正则化避免CNN模型过拟合，提高模型的泛化能力，经训练，提取到每个印刷压力所对应的版面特征，并建立起两者之间的非线性映射关系，在模型测试过程中，调用训练好的CNN模型，将新的版面压力数据输入到训练好的CNN模型中，经计算给出合适的印刷压力值；
步骤2.6、卷积神经网络模型的构建：建立的卷积神经网络模型共7层，包含输入层和输出层，输入层为28×28的版面压力数据，输出层为1×1的实际印刷压力值；卷积层C1的卷积核大小为5×5，个数为6，特征层f个数为6，激活函数为ReLU函数；池化层S2采用平均池化法，幅值为2；卷积层C3的卷积核大小为3×3，个数为12，特征层个数f为12，激活函数为ReLU函数；池化层S4采用平均池化法，幅值为2；全连接层激活函数为sigmoid函数；
步骤2.7、模型参数的优化除了采用MSE来评价模型质量外，还采用线性回归系数R及累积预测精度函数来评价模型质量，其中回归系数R越接近于1，则说明预测压力值与实际压力值越接近，模型预测精度高，CS(θ)为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，其函数表达式如下：
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；
步骤2.8、通过不断的参数优化，最终确定的卷积神经网络模型参数，包含两个卷积层C1、C3，两个池化层S2、S4，一个全连接层f，C1层的卷积核大小为5，数量为5，激活函数为ReLU；S2层的池化幅值为2，平均池化；C3层的卷积核大小为3，数量为10，激活函数为ReLU；S2层的池化幅值为2，平均池化；f层激活函数为sigmoid；迭代下降速率opts.alpha＝0.5；迭代次数opts.numepochs＝300，batchsize＝5；
步骤2.9、为了验证模型的有效性，另外选取了30个印版，并利用感压胶片测得其在初始合压位置的表面压力数据，经过数据预处理后，输入到设计好的卷积神经网络模型中进行预测。
作为本发明进一步的方案，步骤3具体包括如下步骤：
步骤3.1、结合印版滚筒的印刷周长范围及读写器的尺寸规格，选择了创方CF-RH320非接触式读写器，电子标签的芯片为s50，s50芯片共包含16个扇区，编号为0～15，每个扇区包含4个块，共64块，编号为0～63，空白块为数据写入块，用于写入数据；
步骤3.2、为了方便数据的写入，利用delphi语言对界面进行二次开发，实现压力数据的自动导入，开发的流程框图共包含两部分，一是数据格式的转换，二是数据的导入；
步骤3.3、在Matlab平台上对利用神经网络预测出的压力值进行十进制至十六进制转换，并将其扩充为十六字节的形式，以.txt的形式存在指定的文件夹下；在读写器界面上进行二次开发，添加一个路径选择框，选择.txt文件的路径，将.txt的文件导入到数据写入框，实现了压力数据的传输与存储。
本发明的有益效果是：
(1)分析了印版图文(实地)对印刷压力影响。以FCI300卫星式柔印机为研究对象，利用ansys建立了印刷单元滚筒接触的局部有限元模型，分别研究了在0.22mm的压缩量下，不同图文面积及分布形式对印版表面接触压力的影响。研究表明，在相同的压缩量下，图文面积大的印版，印刷压力小；图文面积小的印版，印刷压力大；每个图文的印刷压力受周围图文的影响。
(2)建立了卷积神经网络预测柔印压力预测模型。考虑到有限元分析的结果，以版面压力值反映印版图文分布情况。通过实验采集了0.22mm压缩量下版面的压力值和正常印刷状态下的压力值，并分别将其作为神经网络的原始输入样本数据和输出样本数据，建立了压力预测的卷积神经网络模型。通过对模型参数优化，确定了最佳的压力预测模型，最后通过实验验证了模型的有效性。
(3)利用RFID技术实现了压力数据的传输与存储，便于后续印刷。根据工作条件及需求，选择了CF-RH320读写器和芯片为s50的电子标签。利用Delphi语言对读写器界面进行了二次开发，实现了压力值的导入与存储，改变了手动写入这一数据写入方式。
附图说明
图1是印刷单元几何模型图；
图2是模型网格图；
图3是柔印压力预测卷积神经网络模型的设计流程图；
图4是压力预测卷积神经网络模型的结构图；
图5是读写器界面二次开发的流程框图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细阐述。
本发明主要分为三个部分：(1)利用ansys建立中心压印滚筒与印版滚筒(实地版)静态接触的局部有限元模型，分析了在0.22mm的压缩量下，不同图文面积特征及分布特征对印刷压力的影响。(2)建立了基于卷积神经网络的柔印压力的预测模型。采用感压胶片测得印版在初始合压位置的表面压力作为神经网络的输入样本，正常印刷状态下印版承压条上的压力作为神经网络的输出样本，建立了卷积神经网络的压力预测模型，并对模型参数进行优化，确定了最佳的压力预测模型。最后采集新的样本验证该模型的有效性。(3)压力数据传输与存储。采用了RFID技术，选择了CF-RH320非接触式射频读写器和s50芯片的电子标签，并对读写器界面进行二次开发，实现了将预测的压力数据自动导入到相应印版滚筒的电子标签中，便于后续印刷。
本发明一种基于卷积神经网络的柔印压力预测方法，具体按照以下步骤实施：
步骤1、以FCI300卫星式柔印机为研究对象，建立印版滚筒与中心压印滚筒静态接触状态下的局部有限元模型，研究印版图文特征对印刷压力的影响，具体按照以下步骤实施：
步骤1.1、印刷单元滚筒接触有限元模型的建立，以FCI300卫星式柔印刷机为研究对象，利用Ansys Workbench建立了印刷单元几何模型。如图1所示，1为中心压印滚筒，2为柔性版的凸起图文，3为柔性版的底基，4为贴版双面胶，5为印版滚筒。具体的几何参数如表1所示。
表1
为了减少计算量，本发明只取了滚筒中心接触区域进行建模分析。考虑到柔印压力较小，合压时接触区域的形变主要发生在柔性感光树脂版上，承印材料几乎不发生形变。因此，在进行几何建模时忽略了承印材料的变形对接触压力的影响。同时，将蓝色套筒与气涨轴视为一体，等效为刚性的印版滚筒。
步骤1.2、采用大小为0.2mm的六面体网格对模型进行网格划分，共生成24050个单元，节点个数为111182，平均网格质量为0.95。划分好的模型如图2所示。
步骤1.3、根据滚筒合压状态下的实际情况确定模型的边界条件如下：
中心压印滚筒的左面为固定约束；中心压印滚筒与柔性版之间的接触为摩擦接触，摩擦系数为0.1，接触面为柔性版，目标面为中心压印滚筒；印版滚筒的右面沿印版厚度方向为位移约束，位移量为0.22mm；柔性版与双面胶之间的胶连接、双面胶与印版滚筒之间的胶连接视为固定约束；中心压印滚筒、贴版双面胶、柔性版底基、印版滚筒的前后面与上下面分别对称；柔性版的上下面对称。
步骤1.4、假设柔性版为超弹性体。对于超弹性材料，其应力—应变的关系是非线性的，通常采用应变能密度函数表示，选择含2参数的Mooney-Rivlin的本构模型来描述柔性版版的应变能密度函数，其表达式：(其中，C01、C10为需要确定的两个材料参数)
W＝C01(I1-3)+C10(I2-3)2 (1)；
以1.7mm的杜邦中性柔性版为试验对象，按照GB/T 1701-2001制作拉伸试件，并在万能拉伸机仪上进行拉伸试验，将得到的应力—应变数据导入ansys中进行曲线拟合，得到C01和C10的值分别为0.058、0.056。如图3所示为应力—应变拟合曲线。
步骤1.5、通过改变印版图文沿轴向的宽度来改变图文面积的大小。保持其它条件不变，改变印版图文面积，分析在同一压缩量下，印版图文面积对印刷压力的影响。
步骤1.6、保持其它条件不变，改变印版图文分布的数量，分析在同一压缩量下，印版图文数量对印刷压力的影响。
步骤1.7、分析在同一压缩量下，周围图文对印刷压力是否有影响。
步骤2、在FCI300卫星式柔印机上采集在0.22mm的压缩量下不同印版表面压力值，同时，将测得的版面压力数据作为卷积神经网络模型的原始输入样本；在正常印刷下采集不同印版承压条上的实际印刷压力值，并将其作为卷积神经网络模型的原始输出样本，建立压力预测的卷积神经网络模型，对模型参数进行优化，确定合适的压力预测模型，具体按照以下步骤实施：
步骤2.1、样本数据的采集使用FUJIFILM PRESCALE感压胶片、Epson PerfectionV300 Photo扫描仪与FPD-8010F压力图像分析系统，将测量后的C感压胶片放在扫描仪里进行扫描，FPD-8010F压力图像分析系统可以根据扫描结果分析出每一处位置的具体压力值；
步骤2.2、对样本数据进行降采样处理，采用50mm×30mm矩形滑动窗口截取版面压力数据，求取窗口内数据的平均值替代原始窗口内的数据。其中沿印版滚筒轴线方向的滑动步长为50mm，沿周向方向的滑动步长为30mm。
步骤2.3、对样本数据进行数据大小标准化处理，考虑到FCI300柔印机可印刷的最大幅面为1350mm×800mm，结合数据降采样处理时的窗口大小，确定模型的输入数据大小为28×28。对于小尺寸印版的表面压力数据，在进行降采样处理后再进行对称扩充，使其大小均为28×28。空缺值用0填充。
步骤2.4、对样本数据进行数据归一化处理，采用线性归一化的方法，将输入数据与输出数据分别归一化至[0,1]区间，其表达式如下：
步骤2.5、基于卷积神经网络的柔印压力预测模型的构建：如图4所示为构建卷积神经网络预测柔印压力模型的流程图，包括两部分内容：模型训练、模型测试。在模型训练过程中，以测得的版面压力数值与实际印刷压力值作为原始样本，经过数据预处理输入到CNN模型中。采用BP算法对CNN模型中权值与阀值进行调整，并通过L2正则化避免CNN模型过拟合，提高模型的泛化能力。经训练，提取到每个印刷压力所对应的版面特征，并建立起两者之间的非线性映射关系。在模型测试过程中，调用训练好的CNN模型，将新的版面压力数据输入到训练好的CNN模型中，经计算便可以给出合适的印刷压力值。
步骤2.6、卷积神经网络模型的构建：如图5所示为建立的卷积神经网络模型，共7层(包含输入层和输出层)。输入层为28×28的版面压力数据，输出层为1×1的实际印刷压力值；卷积层C1的卷积核大小为5×5，个数为6，特征层f个数为6，激活函数为ReLU函数；池化层S2采用平均池化法，幅值为2；卷积层C3的卷积核大小为3×3，个数为12，特征层个数f为12，激活函数为ReLU函数；池化层S4采用平均池化法，幅值为2；全连接层激活函数为sigmoid函数。
步骤2.7、模型参数的优化除了采用MSE来评价模型质量外，还采用线性回归系数R及累积预测精度函数来评价模型质量。其中回归系数R越接近于1，则说明预测压力值与实际压力值越接近，模型预测精度高。CS(θ)为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，其函数表达式如下：
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。
步骤2.8、通过不断的参数优化，最终确定的卷积神经网络模型参数如表1所示，包含两个卷积层C1、C3，两个池化层S2、S4，一个全连接层f。C1层的卷积核大小为5，数量为5，激活函数为ReLU；S2层的池化幅值为2，平均池化；C3层的卷积核大小为3，数量为10，激活函数为ReLU；S2层的池化幅值为2，平均池化；f层激活函数为sigmoid；迭代下降速率opts.alpha＝0.5；迭代次数opts.numepochs＝300，batchsize＝5。
步骤2.9、为了验证模型的有效性，另外选取了30个印版，并利用感压胶片测得其在初始合压位置的表面压力数据，经过数据预处理后，输入到设计好的卷积神经网络模型中进行预测。
步骤3、采用RFID技术，选择合适的射频读写器，通过对读写器界面进行二次开发，将利用MATLAB预测出的压力值导入到相应的读写卡中，省去数据手动写入环节，实现印版压力的传输与存储，具体按照以下方法实施：
步骤3.1、结合印版滚筒的印刷周长范围及读写器的尺寸规格，选择了创方CF-RH320非接触式读写器，电子标签的芯片为s50。s50芯片共包含16个扇区，编号为0～15。每个扇区包含4个块，共64块，编号为0～63。空白块为数据写入块，用于写入数据。
步骤3.2、为了方便数据的写入，利用delphi语言对界面进行二次开发，实现压力数据的自动导入。如图5所示为开发的流程框图，共包含两部分，一是数据格式的转换，二是数据的导入。
步骤3.3、在Matlab平台上对利用神经网络预测出的压力值进行十进制至十六进制转换，并将其扩充为十六字节的形式，以.txt的形式存在指定的文件夹下；在读写器界面上进行二次开发，添加一个路径选择框，选择.txt文件的路径，将.txt的文件导入到数据写入框，实现了压力数据的传输与存储。
本发明一种基于卷积神经网络的柔印压力预测方法，以FCI300卫星式柔印机为研究对象，利用ansys建立了印刷单元的局部有限元模型，分析了在相同的压缩量下，印版图文(实地)分布对印刷压力的影响；同时以版面不同位置的压力值作为网络模型的输入，最佳印刷压力值作为网络模型的输出，建立了基于卷积神经网络的柔印压力预测模型。最后，采用RFID技术实现了预测出的压力值到相应印版滚筒之间的一一对应存储。本发明一种基于卷积神经网络的柔印压力预测方法，分析了在相同的压缩量下，印版图文(实地)分布对印刷压力的影响，并提出了一种应用到印刷领域的卷积神经网络模型，实现对印刷压力的有效预测与压力值数据的导入与存储。
以上所述为本发明较佳实施例，对于本领域的普通技术人员而言，根据本发明的教导，在不脱离本发明的原理与精神的情况下，对实施方式所进行的改变、修改、替换和变型仍落入本发明的保护范围之内。
Claims (4)
1.一种基于卷积神经网络的柔印压力预测方法，其特征在于，包括如下步骤：
步骤1、以FCI300卫星式柔印机为研究对象，建立印版滚筒与中心压印滚筒静态接触状态下的局部有限元模型，研究印版图文特征对印刷压力的影响；
步骤2、在FCI300卫星式柔印机上采集在0.22mm的压缩量下不同印版表面压力值，同时，将测得的版面压力数据作为卷积神经网络模型的原始输入样本；在正常印刷下采集不同印版承压条上的实际印刷压力值，并将其作为卷积神经网络模型的原始输出样本，建立压力预测的卷积神经网络模型，对模型参数进行优化，确定合适的压力预测模型；
步骤3、在印前贴版环节通过计算机进行印刷压力预测后，将预测出的压力值存储到相应的印版滚筒上，用于上版印刷时数据的读取，采用RFID技术，选择合适的射频读写器，通过对读写器界面进行二次开发，将利用MATLAB预测出的压力值导入到相应的读写卡中，省去数据手动写入环节，实现印版压力的传输与存储。
2.如权利要求1所述的一种基于卷积神经网络的柔印压力预测方法，其特征在于，步骤1具体包括以下步骤：
步骤1.1、印刷单元滚筒接触有限元模型的建立，以FCI300卫星式柔印刷机为研究对象，利用Ansys Workbench建立了印刷单元几何模型；其包括中心压印滚筒、为柔性版的凸起图文、为柔性版的底基、贴版双面胶、印版滚筒五部分，具体的几何参数如下表1所示；
表1
步骤1.2、采用大小为0.2mm的六面体网格对模型进行网格划分，共生成24050个单元，节点个数为111182，平均网格质量为0.95；
步骤1.3、根据滚筒合压状态下的实际情况确定模型的边界条件如下：
中心压印滚筒的左面为固定约束；中心压印滚筒与柔性版之间的接触为摩擦接触，摩擦系数为0.1，接触面为柔性版，目标面为中心压印滚筒；印版滚筒的右面沿印版厚度方向为位移约束，位移量为0.22mm；柔性版与双面胶之间的胶连接、双面胶与印版滚筒之间的胶连接视为固定约束；中心压印滚筒、贴版双面胶、柔性版底基、印版滚筒的前后面与上下面分别对称；柔性版的上下面对称；
步骤1.4、假设柔性版为超弹性体，对于超弹性材料，其应力—应变的关系是非线性的，通常采用应变能密度函数表示，选择含2参数的Mooney-Rivlin的本构模型来描述柔性版版的应变能密度函数，其表达式：(其中，C01、C10为需要确定的两个材料参数)
W＝C01(I1-3)+C10(I2-3)2 (1)；
以1.7mm的杜邦中性柔性版为试验对象，按照GB/T 1701-2001制作拉伸试件，并在万能拉伸机仪上进行拉伸试验，将得到的应力—应变数据导入ansys中进行曲线拟合，得到C01和C10的值分别为0.058、0.056；
步骤1.5、通过改变印版图文沿轴向的宽度来改变图文面积的大小，保持其它条件不变，改变印版图文面积，分析在同一压缩量下，印版图文面积对印刷压力的影响；
步骤1.6、保持其它条件不变，改变印版图文分布的数量，分析在同一压缩量下，印版图文数量对印刷压力的影响；
步骤1.7、分析在同一压缩量下，周围图文对印刷压力是否有影响。
3.如权利要求1所述的一种基于卷积神经网络的柔印压力预测方法，其特征在于，步骤2具体包括如下步骤：
步骤2.1、样本数据的采集使用FUJIFILM PRESCALE感压胶片、Epson Perfection V300Photo扫描仪与FPD-8010F压力图像分析系统，将测量后的C感压胶片放在扫描仪里进行扫描，FPD-8010F压力图像分析系统根据扫描结果分析出每一处位置的具体压力值；
步骤2.2、对样本数据进行降采样处理，采用50mm×30mm矩形滑动窗口截取版面压力数据，求取窗口内数据的平均值替代原始窗口内的数据，其中沿印版滚筒轴线方向的滑动步长为50mm，沿周向方向的滑动步长为30mm；
步骤2.3、对样本数据进行数据大小标准化处理，考虑到FCI300柔印机可印刷的最大幅面为1350mm×800mm，结合数据降采样处理时的窗口大小，确定模型的输入数据大小为28×28，对于小尺寸印版的表面压力数据，在进行降采样处理后再进行对称扩充，使其大小均为28×28，空缺值用0填充；
步骤2.4、对样本数据进行数据归一化处理，采用线性归一化的方法，将输入数据与输出数据分别归一化至[0,1]区间，其表达式如下：
步骤2.5、基于卷积神经网络的柔印压力预测模型的构建：包括两部分内容：模型训练、模型测试，在模型训练过程中，以测得的版面压力数值与实际印刷压力值作为原始样本，经过数据预处理输入到CNN模型中，采用BP算法对CNN模型中权值与阀值进行调整，并通过L2正则化避免CNN模型过拟合，提高模型的泛化能力，经训练，提取到每个印刷压力所对应的版面特征，并建立起两者之间的非线性映射关系，在模型测试过程中，调用训练好的CNN模型，将新的版面压力数据输入到训练好的CNN模型中，经计算给出合适的印刷压力值；
步骤2.6、卷积神经网络模型的构建：建立的卷积神经网络模型共7层，包含输入层和输出层，输入层为28×28的版面压力数据，输出层为1×1的实际印刷压力值；卷积层C1的卷积核大小为5×5，个数为6，特征层f个数为6，激活函数为ReLU函数；池化层S2采用平均池化法，幅值为2；卷积层C3的卷积核大小为3×3，个数为12，特征层个数f为12，激活函数为ReLU函数；池化层S4采用平均池化法，幅值为2；全连接层激活函数为sigmoid函数；
步骤2.7、模型参数的优化除了采用MSE来评价模型质量外，还采用线性回归系数R及累积预测精度函数来评价模型质量，其中回归系数R越接近于1，则说明预测压力值与实际压力值越接近，模型预测精度高，CS(θ)为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，其函数表达式如下：
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；
步骤2.8、通过不断的参数优化，最终确定的卷积神经网络模型参数，包含两个卷积层C1、C3，两个池化层S2、S4，一个全连接层f，C1层的卷积核大小为5，数量为5，激活函数为ReLU；S2层的池化幅值为2，平均池化；C3层的卷积核大小为3，数量为10，激活函数为ReLU；S2层的池化幅值为2，平均池化；f层激活函数为sigmoid；迭代下降速率opts.alpha＝0.5；迭代次数opts.numepochs＝300，batchsize＝5；
步骤2.9、为了验证模型的有效性，另外选取了30个印版，并利用感压胶片测得其在初始合压位置的表面压力数据，经过数据预处理后，输入到设计好的卷积神经网络模型中进行预测。
4.如权利要求1所述的一种基于卷积神经网络的柔印压力预测方法，其特征在于，步骤3具体包括如下步骤：
步骤3.1、结合印版滚筒的印刷周长范围及读写器的尺寸规格，选择了创方CF-RH320非接触式读写器，电子标签的芯片为s50，s50芯片共包含16个扇区，编号为0～15，每个扇区包含4个块，共64块，编号为0～63，空白块为数据写入块，用于写入数据；
步骤3.2、为了方便数据的写入，利用delphi语言对界面进行二次开发，实现压力数据的自动导入，开发的流程框图共包含两部分，一是数据格式的转换，二是数据的导入；
步骤3.3、在Matlab平台上对利用神经网络预测出的压力值进行十进制至十六进制转换，并将其扩充为十六字节的形式，以.txt的形式存在指定的文件夹下；在读写器界面上进行二次开发，添加一个路径选择框，选择.txt文件的路径，将.txt的文件导入到数据写入框，实现了压力数据的传输与存储。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810745170.0A CN108920850A (zh) | 2018-07-09 | 2018-07-09 | 一种基于卷积神经网络的柔印压力预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810745170.0A CN108920850A (zh) | 2018-07-09 | 2018-07-09 | 一种基于卷积神经网络的柔印压力预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108920850A true CN108920850A (zh) | 2018-11-30 |
Family
ID=64425650
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810745170.0A Pending CN108920850A (zh) | 2018-07-09 | 2018-07-09 | 一种基于卷积神经网络的柔印压力预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108920850A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109635409A (zh) * | 2018-12-05 | 2019-04-16 | 广州通泽机械有限公司 | 复合过程中基材图文长度控制方法、装置及可读存储介质 |
| CN110936743A (zh) * | 2019-11-29 | 2020-03-31 | 西安理工大学 | 一种基于图文信息的柔版印刷压力预测方法 |
| CN111309065A (zh) * | 2020-02-12 | 2020-06-19 | 广东韶钢松山股份有限公司 | 压力模型建立方法、压力调节方法以及装置 |
| CN113291055A (zh) * | 2021-04-14 | 2021-08-24 | 西安理工大学 | 一种人工智能的柔版印刷压力预测方法 |
| CN113532711A (zh) * | 2021-06-03 | 2021-10-22 | 西安理工大学 | 一种卫星式柔版印刷机中心压印辊筒印刷压力识别方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017133009A1 (zh) * | 2016-02-04 | 2017-08-10 | 广州新节奏智能科技有限公司 | 一种基于卷积神经网络的深度图像人体关节定位方法 |
-
2018
- 2018-07-09 CN CN201810745170.0A patent/CN108920850A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017133009A1 (zh) * | 2016-02-04 | 2017-08-10 | 广州新节奏智能科技有限公司 | 一种基于卷积神经网络的深度图像人体关节定位方法 |
Non-Patent Citations (6)
| Title |
|---|
| V. NARANJE, S. KUMAR, S. KASHID, A. GHODKE & H. M. A. HUSSEIN: "Prediction of life of deep drawing die using artificial neural network", 《ADVANCES IN MATERIALS AND PROCESSING TECHNOLOGIES》 * |
| 刘彩凤: "基于神经网络的RFID标签天线印刷品质的优化研究", 《 中国博士学位论文全文数据库(工程科技Ⅰ辑)》 * |
| 初红艳，沈瑞卿，蔡力钢: "胶印机供墨系统中两墨辊运动的动力学仿真", 《北京工业大学学报》 * |
| 吴宏武，金翔，廖芳明: "基于神经网络的注塑制品模腔压力预测", 《塑料》 * |
| 姜蓉蓉: "柔性版性能及其实验研究", 《中国优秀硕士学位论文全文数据库(工程科技Ⅰ辑)》 * |
| 张少华，王仪明，武淑琴，刘壮: "胶印机印刷压力分布规律的理论及实验研究", 《包装工程》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109635409A (zh) * | 2018-12-05 | 2019-04-16 | 广州通泽机械有限公司 | 复合过程中基材图文长度控制方法、装置及可读存储介质 |
| CN110936743A (zh) * | 2019-11-29 | 2020-03-31 | 西安理工大学 | 一种基于图文信息的柔版印刷压力预测方法 |
| CN110936743B (zh) * | 2019-11-29 | 2021-09-10 | 西安理工大学 | 一种基于图文信息的柔版印刷压力预测方法 |
| CN111309065A (zh) * | 2020-02-12 | 2020-06-19 | 广东韶钢松山股份有限公司 | 压力模型建立方法、压力调节方法以及装置 |
| CN111309065B (zh) * | 2020-02-12 | 2023-08-01 | 广东韶钢松山股份有限公司 | 压力模型建立方法、压力调节方法以及装置 |
| CN113291055A (zh) * | 2021-04-14 | 2021-08-24 | 西安理工大学 | 一种人工智能的柔版印刷压力预测方法 |
| CN113532711A (zh) * | 2021-06-03 | 2021-10-22 | 西安理工大学 | 一种卫星式柔版印刷机中心压印辊筒印刷压力识别方法 |
| CN113532711B (zh) * | 2021-06-03 | 2024-04-05 | 西安理工大学 | 一种卫星式柔版印刷机中心压印辊筒印刷压力识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108920850A (zh) | 一种基于卷积神经网络的柔印压力预测方法 | |
| Zhao et al. | Real-time detection of particleboard surface defects based on improved YOLOV5 target detection | |
| Singh et al. | Offline script identification from multilingual indic-script documents: a state-of-the-art | |
| CN104298682A (zh) | 一种基于人脸表情图像的信息推荐效果的评价方法及手机 | |
| CN204965618U (zh) | 一种一体化自助终端 | |
| Liu et al. | High-speed inline defect detection for TFT-LCD array process using a novel support vector data description | |
| CN109740515A (zh) | 一种评阅方法及装置 | |
| JP2023533644A (ja) | マシン視覚に基づく透明度検出方法 | |
| CN106778814A (zh) | 一种基于投影谱聚类算法的去除sar图像斑点的方法 | |
| Zhu et al. | Insect identification and counting in stored grain: image processing approach and application embedded in smartphones | |
| Jindal et al. | Text line segmentation in indian ancient handwritten documents using faster R-CNN | |
| CN110796145A (zh) | 基于智能决策的多证件分割关联方法及相关设备 | |
| CN107122723A (zh) | 指纹识别传感器、指纹识别方法以及电子设备 | |
| CN109584262A (zh) | 基于遥感影像的云检测方法、装置及电子设备 | |
| Yang et al. | Application of multitask joint sparse representation algorithm in Chinese painting image classification | |
| CN115063473A (zh) | 物体高度的检测方法、装置、计算机设备、存储介质 | |
| Chen et al. | Transformer text recognition with deep learning algorithm | |
| CN110647897B (zh) | 一种基于多部分注意力机制的零样本图像分类识别方法 | |
| Zhang et al. | Attention mechanism and texture contextual information for steel plate defects detection | |
| Sahare et al. | Word level multi-script identification using curvelet transform in log-polar domain | |
| CN103488744B (zh) | 一种大数据图像分类方法 | |
| CN110263784A (zh) | 智能的英语试卷成绩识别录入方法 | |
| Li et al. | Coal gangue detection and recognition method based on multiscale fusion lightweight network SMS‐YOLOv3 | |
| Zhao et al. | SSN: Shift suppression network for endogenous shift of photovoltaic defect detection | |
| CN109492450A (zh) | 一种基于版面分析的条形码定位方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181130 |