CN109086861A - 基于bp神经网络的胶印半色调网点预测方法 - Google Patents
基于bp神经网络的胶印半色调网点预测方法 Download PDFInfo
- Publication number
- CN109086861A CN109086861A CN201810834951.7A CN201810834951A CN109086861A CN 109086861 A CN109086861 A CN 109086861A CN 201810834951 A CN201810834951 A CN 201810834951A CN 109086861 A CN109086861 A CN 109086861A
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- training
- prediction
- color
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Facsimile Image Signal Circuits (AREA)
- Color Image Communication Systems (AREA)
Abstract
本发明公开的基于BP神经网络的胶印半色调网点预测方法,首先采集印刷色块数据,其次,选取部分色块数据的31维光谱反射率数据作为预测模型的训练输入数据,进行HDPM训练,对应的四色网点面积率作为训练输出数据,然后,判断输出的四色网点面积率是否满足精度要求,如果不满足,则逐步对BP神经网络进行优化,如果满足,则建立基于BP神经网络的半色调网点预测模型;本发明公开的预测方法,能把印刷目标色在特定条件下测量得到的光谱反射率数组与其对应的四色套印网点面积率组合建立联系,实现由目标色的光谱反射率数据即可预测其印刷四色网点面积率的效果,帮助企业快速投入印刷成产,提高生产效率。
Description
技术领域
本发明属于印刷技术领域,涉及一种基于BP神经网络的胶印半色调网点预测方法。
背景技术
近年来,伴随着信息量爆发式的增长趋势,人们不仅对印刷品这一信息承载物的质量要求越来越高,还对承印物的制作效率提出了更高的要求。传统印刷工艺主要依靠工人凭经验给出印刷配方,该方法对工人技术有太大的依赖性,而且容易造成油墨、承印物的浪费,近几十年来,这种方法己逐渐被淘汰。半色调印品是油墨以网点的形式并列或叠合而形成,含有空白区域、单色油墨区域和由原色油墨叠印产生的叠色区域。在印刷过程中,表现各种灰色和彩色的网点,经常会出现网点扩大,使得实际印品与理想印品产生偏差的现象,因此通过印刷网点呈色模型来预测印刷过程中网点尺寸的变化,成为至关重要的步骤。
平版胶印是现今最常用的印刷方式之一,其呈色方式为半色调网点叠印,研究半色调网点预测模型,可以有效的提升平版胶印的印刷效率和避免油墨等其他材料的浪费,并且降低印刷成本。目前,彩色印刷品半色调网点印刷常用的模型有Kubelka-Munk理论和人工神经网络两大类。Kubelka-Munk是用于描述含有能散射和吸收入射光的微小粒子的系统的光学行为的理论,理论基础是假设光的多重散射,但在实际应用中油墨与空气交界的折射存在各种变化,导致生产中存在许多约束条件。结合神经网络具有较强的逼近非映射能力以及自学习、自组织和自适应能力等特点,本发明建立了基于神经网络的胶印半色调网点预测的模型,该模型能够快速稳定的计算出油墨网点面积率,并应用于实际的印刷生产。
发明内容
本发明的目的是提供一种基于BP神经网络的胶印半色调网点预测方法,解决了现有技术中存在实际印品与理想印品产生偏差的问题,以BP神经网络为基础,能把印刷目标色在特定条件下测量得到的光谱反射率数组与其对应的四色套印网点面积率组合建立联系,实现由目标色的光谱反射率数据即可预测其印刷四色网点面积率的效果。
本发明所采用的技术方案是,基于BP神经网络的胶印半色调网点预测方法,具体操作过程包括如下步骤:
步骤1.采集印刷色块数据,包括四色网点面积率、31维光谱反射率数据以及L*a*b*值;
步骤2.选取部分色块数据的31维光谱反射率数据作为预测模型的训练输入数据,进行HDPM训练,对应的四色网点面积率作为训练输出数据;
步骤3.判断输出的四色网点面积率是否满足精度要求,如果不满足,则进行步骤4;如果满足,则建立基于BP神经网络的半色调网点预测模型;
步骤4.逐步对BP神经网络进行优化,优化完成后依次进行步骤2和步骤3。
本发明的其他特点还在于,
步骤1的具体过程如下:
确定采集色块数据的观察环境,将观察环境设置为2°视角、5000k光源,使用X-rite i1pro2测量纸张及四色套印标准色块,测量波长范围为400-700nm,间隔10nm,取其色块的光谱反射率与四色网点面积率以及L*a*b*值,网点面积率由10%-100%网点面积率的黄、品红、青、黑单色色块及不同网点面积率的双色、三色、四色套印色块组成。
步骤2的具体过程如下:
将测量得到的色块数据依据基墨组成分组,选取全部纸张和单色墨色块,再均匀选取三分之一的多色叠印色块,即,31维光谱反射率数据,作为模型的训练数据;这些色块的网点面积率组合作为训练输出数据,训练数据通过非线性映射函数映射到高维特征空间,然后使用非线性激活函数对隐藏层和输出层进行转换用于预测输出数据。
步骤3的具体过程如下:
首先,计算训练输出值与其目标值的均方误差MSE,如公式1所示,然后判断输出的四色网点面积率是否满足精度要求,均方误差小于5则满足要求:
其中i表示输入节点数,j表示输出节点数,带有(i,j)下标的t和s分别表示第i个输入样本下第j个输出样本的输出值和目标值;
然后,对于满足精度要求的数据,建立基于BP神经网络的半色调网点预测模型:
半色调网点预测模型的BP神经网络结构包含3层:输入层、隐含层及输出层,使用印刷目标色的31维光谱反射率作为输入值,对应输出值为印刷此目标色色块的四色网点面积率,训练参数包含迭代次数,学习速率,目标精度这几个部分,初始网络结构为单隐层,隐层节点数设定为7,训练算法设定为贝叶斯正则化算法。
步骤4的具体过程如下:
步骤4.1训练样本的优化:若模型的预测精度较低,可按照色块组合适当增加训练样本,可改善模型的预测准确度;
步骤4.2隐含层数及隐层节点数的优化:单隐层的预测模型结构比较简单,预测精度较低,通过试凑法调整预测模型的隐含层数及隐层节点数,以改善模型的预测准确度;
步骤4.3初始权重及阈值的优化:对于不满足要求的数据,使用粒子群优化算法对预测模型的初始阈值及权重的选取做优化,首先定义适应度值的函数,通过设置个体数、输入层节点数、隐含层节点数,计算参数w1、w2、B1、B2,重新排列完成对网络权值的初始赋值;然后,HDPM输入数据及输出数据均为数组,输入节点为31,输出结果节点为4,迭代计算得到全局最佳适应度值,将得到的最优初始化阈值及权值赋予模型,继续训练;
步骤4.4激活函数的优化,将输入层与隐含层之间的激活函数以及隐含层之间的激活函数替换为log-sigmoid函数,提升模型的预测准确度;
步骤4.5防止过度拟合,在预测模型中加入“提前停止”的设定,防止网络和训练样本过度拟合、泛化预测能力变差。
本发明的有益效果是,基于BP神经网络的胶印半色调网点预测方法,解决了现有技术中存在实际印品与理想印品产生偏差的问题,以BP神经网络为基础,能把印刷目标色在特定条件下测量得到的光谱反射率数组与其对应的四色套印网点面积率组合建立联系,实现由目标色的光谱反射率数据即可预测其印刷四色网点面积率的效果。将印刷品的光谱数据与BP神经网络相结合,建立了半色调网点预测模型,可以直接应用于平版印刷;本发明的半色调网点预测模型预测准确度高,预测速度快,方便使用。
附图说明
图1是本发明的基于BP神经网络的胶印半色调网点预测方法的框架图。
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。
本发明的基于BP神经网络的胶印半色调网点预测方法,如图1所示,具体操作过程包括如下步骤:
步骤1.采集印刷色块数据,包括四色网点面积率、31维光谱反射率数据以及L*a*b*值:
步骤1的具体过程如下:
确定采集色块数据的观察环境,将观察环境设置为2°视角、5000k光源,使用X-rite i1pro2测量纸张及四色套印标准色块,测量波长范围为400-700nm,间隔10nm,取其色块的光谱反射率与四色网点面积率以及L*a*b*值,网点面积率由10%-100%网点面积率的黄、品红、青、黑单色色块及不同网点面积率的双色、三色、四色套印色块组成。
步骤2.选取部分色块数据的31维光谱反射率数据作为预测模型的训练输入数据,进行HDPM训练,对应的四色网点面积率作为训练输出数据:
将测量得到的色块数据依据基墨组成分组,如纸张、黄、品、青、黑、青+品、青+黄、品+黄、青+黑、品+黑、黄+黑、青+品+黄、青+品+黄+黑(黑墨网点面积率为10%或30%)、青+品+黄+黑(黑墨网点面积率为50%或70%或90%),选取全部纸张和单色墨色块,再均匀选取三分之一的多色叠印色块,即,31维光谱反射率数据,作为模型的训练数据;这些色块的网点面积率组合作为训练输出数据,训练数据通过非线性映射函数映射到高维特征空间,然后使用非线性激活函数对隐藏层和输出层进行转换用于预测输出数据。
步骤3.判断输出的四色网点面积率是否满足精度要求,如果不满足,则进行步骤4;如果满足,则建立基于BP神经网络的半色调网点预测模型:
首先,计算训练输出值与其目标值的均方误差MSE,如公式1所示,然后判断输出的四色网点面积率是否满足精度要求,均方误差小于5则满足要求;
其中,i表示输入节点数,j表示输出节点数,带有(i,j)下标的t和s分别表示第i个输入样本下第j个输出样本的输出值和目标值;
然后,对于满足精度要求的数据,建立基于BP神经网络的半色调网点预测模型:
半色调网点预测模型的BP神经网络结构包含3层:输入层、隐含层及输出层,使用印刷目标色的31维光谱反射率作为输入值,对应输出值为印刷此目标色色块的四色网点面积率,训练参数包含迭代次数,学习速率,目标精度这几个部分,初始网络结构为单隐层,隐层节点数设定为7,训练算法设定为贝叶斯正则化算法。
步骤4.逐步对BP神经网络进行优化,优化完成后依次进行步骤2和步骤3:
步骤4.1训练样本的优化:若模型的预测精度较低,可按照色块组合适当增加训练样本,可改善模型的预测准确度;
步骤4.2隐含层数及隐层节点数的优化:单隐层的预测模型结构比较简单,预测精度较低,通过试凑法调整预测模型的隐含层数及隐层节点数,以改善模型的预测准确度;
步骤4.3初始权重及阈值的优化:对于不满足要求的数据,使用粒子群优化算法对预测模型的初始阈值及权重的选取做优化,首先定义适应度值的函数,通过设置个体数、输入层节点数、隐含层节点数,计算参数w1、w2、B1、B2,重新排列完成对网络权值的初始赋值;然后,HDPM输入数据及输出数据均为数组,输入节点为31,输出结果节点为4,迭代计算得到全局最佳适应度值,将得到的最优初始化阈值及权值赋予模型,继续训练;
步骤4.4激活函数的优化,将输入层与隐含层之间的激活函数以及隐含层之间的激活函数替换为log-sigmoid函数,提升模型的预测准确度;
步骤4.5防止过度拟合,在预测模型中加入“提前停止”的设定,防止网络和训练样本过度拟合、泛化预测能力变差。
本发明结合BP神经网络,能把印刷目标色在特定条件下测量得到的光谱反射率数组与其对应的四色套印网点面积率组合建立联系,该模型能够快速稳定的计算出油墨网点面积率实现由目标色的光谱反射率数据即可预测其印刷四色网点面积率的效果,帮助企业快速准确的用于生产。
Claims (5)
1.基于BP神经网络的胶印半色调网点预测方法,其特征在于,具体操作过程包括如下步骤:
步骤1.采集印刷色块数据,包括四色网点面积率、31维光谱反射率数据以及L*a*b*值;
步骤2.选取部分色块数据的31维光谱反射率数据作为预测模型的训练输入数据,进行HDPM训练,对应的四色网点面积率作为训练输出数据;
步骤3.判断输出的四色网点面积率是否满足精度要求,如果不满足,则进行步骤4;如果满足,则建立基于BP神经网络的半色调网点预测模型;
步骤4.逐步对BP神经网络进行优化,优化完成后依次进行步骤2和步骤3。
2.如权利要求1所述的基于BP神经网络的胶印半色调网点预测方法,其特征在于,所述步骤1的具体过程如下:
确定采集色块数据的观察环境,将观察环境设置为2°视角、5000k光源,使用X-ritei1pro2测量纸张及四色套印标准色块,测量波长范围为400-700nm,间隔10nm,取其色块的光谱反射率与四色网点面积率以及L*a*b*值,网点面积率由10%-100%网点面积率的黄、品红、青、黑单色色块及不同网点面积率的双色、三色、四色套印色块组成。
3.如权利要求1所述的基于BP神经网络的胶印半色调网点预测方法,其特征在于,所述步骤2的具体过程如下:
将测量得到的色块数据依据基墨组成分组,选取全部纸张和单色墨色块,再均匀选取三分之一的多色叠印色块,即,31维光谱反射率数据,作为模型的训练数据;这些色块的网点面积率组合作为训练输出数据,训练数据通过非线性映射函数映射到高维特征空间,然后使用非线性激活函数对隐藏层和输出层进行转换用于预测输出数据。
4.如权利要求1所述的基于BP神经网络的胶印半色调网点预测方法,其特征在于,所述步骤3的具体过程如下:
首先,计算训练输出值与其目标值的均方误差MSE,如公式1所示,然后判断输出的四色网点面积率是否满足精度要求,均方误差小于5则满足要求:
其中i表示输入节点数,j表示输出节点数,带有(i,j)下标的t和s分别表示第i个输入样本下第j个输出样本的输出值和目标值;
然后,对于满足精度要求的数据,建立基于BP神经网络的半色调网点预测模型:
半色调网点预测模型的BP神经网络结构包含3层:输入层、隐含层及输出层,使用印刷目标色的31维光谱反射率作为输入值,对应输出值为印刷此目标色色块的四色网点面积率,训练参数包含迭代次数,学习速率,目标精度这几个部分,初始网络结构为单隐层,隐层节点数设定为7,训练算法设定为贝叶斯正则化算法。
5.如权利要求1所述的基于BP神经网络的胶印半色调网点预测方法,其特征在于,所述步骤4的具体过程如下:
步骤4.1训练样本的优化:若模型的预测精度较低,可按照色块组合适当增加训练样本,可改善模型的预测准确度;
步骤4.2隐含层数及隐层节点数的优化:单隐层的预测模型结构比较简单,预测精度较低,通过试凑法调整预测模型的隐含层数及隐层节点数,以改善模型的预测准确度;
步骤4.3初始权重及阈值的优化:对于不满足要求的数据,使用粒子群优化算法对预测模型的初始阈值及权重的选取做优化,首先定义适应度值的函数,通过设置个体数、输入层节点数、隐含层节点数,计算参数w1、w2、B1、B2,重新排列完成对网络权值的初始赋值;然后,HDPM输入数据及输出数据均为数组,输入节点为31,输出结果节点为4,迭代计算得到全局最佳适应度值,将得到的最优初始化阈值及权值赋予模型,继续训练;
步骤4.4激活函数的优化,将输入层与隐含层之间的激活函数以及隐含层之间的激活函数替换为log-sigmoid函数,提升模型的预测准确度;
步骤4.5防止过度拟合,在预测模型中加入“提前停止”的设定,防止网络和训练样本过度拟合、泛化预测能力变差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810834951.7A CN109086861A (zh) | 2018-07-26 | 2018-07-26 | 基于bp神经网络的胶印半色调网点预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810834951.7A CN109086861A (zh) | 2018-07-26 | 2018-07-26 | 基于bp神经网络的胶印半色调网点预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109086861A true CN109086861A (zh) | 2018-12-25 |
Family
ID=64830855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810834951.7A Pending CN109086861A (zh) | 2018-07-26 | 2018-07-26 | 基于bp神经网络的胶印半色调网点预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109086861A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330602A (zh) * | 2020-10-15 | 2021-02-05 | 方正株式(武汉)科技开发有限公司 | 一种智能陷印方向判断方法及装置 |
-
2018
- 2018-07-26 CN CN201810834951.7A patent/CN109086861A/zh active Pending
Non-Patent Citations (1)
Title |
---|
MENGYING LIU ET AL: "《A Novel Halftone Dot Prediction Model Based on BP Neural Network》", 《APPLIED SCIENCES IN GRAPHIC COMMUNICATION AND PACKAGING》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330602A (zh) * | 2020-10-15 | 2021-02-05 | 方正株式(武汉)科技开发有限公司 | 一种智能陷印方向判断方法及装置 |
CN112330602B (zh) * | 2020-10-15 | 2022-09-27 | 方正株式(武汉)科技开发有限公司 | 一种智能陷印方向判断方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107856409B (zh) | 一种基于吸收光谱的印刷专色配色方法 | |
CN103144448B (zh) | 一种实现喷墨打印色域最大化的墨量限制方法 | |
US7911648B2 (en) | Method for creating a color transform relating color reflectances produced under reference and target operating conditions and data structure incorporating the same | |
CN105191276A (zh) | 创建色域查找表 | |
JP4235837B2 (ja) | 粒状性の予測、プロファイルの作成および印刷装置 | |
CN102945556B (zh) | 基于胞元划分纽介堡方程的七色分色算法 | |
CN1946563A (zh) | N-色色域构建 | |
JP2021017034A (ja) | 情報処理装置、方法、およびプログラム | |
CN102238297B (zh) | 一种生成色彩对照文件的方法及系统 | |
CN107330188A (zh) | 面向复制对象的多色半色调设备拆分式建模方法及系统 | |
CN109086861A (zh) | 基于bp神经网络的胶印半色调网点预测方法 | |
CN105667069A (zh) | 一种基于比尔朗伯定律的光谱配色方法 | |
CN107766681A (zh) | 一种印刷品黑色油墨预测光谱的校正技术 | |
CN100585635C (zh) | 孟塞尔色彩模型计算机可视化方法 | |
CN101003225A (zh) | 一种彩色打标方法 | |
CN106157336A (zh) | 基于直接修正的高保真藏图数字挂网方法及系统 | |
US7777916B2 (en) | Method for producing a table of predicted reflectances under target operating conditions and data structure and printing system incorporating the table | |
JP2011077975A (ja) | 粒状性予測装置、粒状性予測方法、プロファイル作成方法、および、印刷装置 | |
CN106671594B (zh) | 一种确定印刷三原色密度的方法 | |
US7782489B2 (en) | Method for selecting a sample set useful in relating color reflectances producible under reference and target operating conditions and the sample set producing thereby | |
Guyler | Visualization of expanded printing gamuts using 3-dimensional convex hulls | |
CN104048613B (zh) | 一种基于机器视觉的墨层厚度检测方法 | |
JP2016019169A (ja) | 画像処理装置、画像形成装置、画像処理方法、及びプログラム | |
CN107367464A (zh) | 印刷品原色油墨光谱预测方法 | |
ETH | Color predicting model for electrophotographic prints on common office paper |
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: 20181225 |