CN110610484B - 一种基于旋转投影变换的印刷网点质量检测方法 - Google Patents

Abstract

本发明公开了一种基于旋转投影变换的印刷网点质量检测方法，包括以下步骤：采集印刷画面图像；将图像转化为灰度图像；对灰度图像进行投影，转化为不同方向的一维向量；对一维向量进行归一化处理；计算不同方向一维向量的方差，选取方差最大和方差最小的向量为主投影向量，并对主投影向量进行复制；对主投影向量进行经验小波分析，分解为低频分量和高频分量，选取高频分量组进行信号重构，并构建特征集；构建正常网点的特征集，以及SPE控制限和阈值；将特征集进行对比。所提出方法对于各类网点具有普遍适用性，不受印刷种类的限制，检测过程也不受到加网线数和网点类型的影响。

Description

一种基于旋转投影变换的印刷网点质量检测方法

技术领域

本发明属于印刷工程技术领域，涉及一种基于旋转投影变换的印刷网点质量检测方法。

背景技术

在印刷生产中，油墨通过印版转移到承印物上，形成印版上预定的图案。在胶印、凹印等主要印刷方式中，图案都是由网点构成，转印过程中网点的质量直接决定了印刷质量水平。因此，保证网点的质量对于印刷生产具有极为重要的意义。

目前，印刷网点的检测主要依靠各种专用仪器进行，其检测精度虽高，但是检测仪器往往价格昂贵，且对人员具有一定的技术要求，目前主流仪器有分光光度计和光电密度计等，这些仪器检测范围比较小，在应用中往往需要多点测量，给使用带来了极大的不便。

发明内容

本发明的目的是提供一种基于旋转投影变换的印刷网点质量检测方法，简单快速的实现了网点图案的分析，可一次实现印刷品大面积区域的网点画面分析与检测工作。

本发明所采用的技术方案是，一种基于旋转投影变换的印刷网点质量检测方法，具体按照以下步骤实施：

步骤1、利用工业CCD采集印刷画面图像，所述图像为单色没有重叠套印的网点；

步骤2、将步骤1中得到的图像转化为灰度图像；若采集到的为灰度图像则无需转化；

步骤3、对步骤2中得到的灰度图像在0-180°内进行旋转投影，将其转化为任意多个不同方向一维的向量；对这些一维向量进行归一化处理，得到-1～1的区间值；

步骤4、计算步骤3中不同方向一维向量的方差，选取方差最大和方差最小的向量为主投影向量，并对主投影向量进行镜像复制；

步骤5、对步骤4中的主投影向量进行经验小波分析，分解为低频分量和高频分量，选取高频分量组进行信号重构，并构建特征集以及待检测网点的SPE控制限；

步骤6、构建正常网点在不同网点覆盖率下的特征集，以及SPE控制限和阈值，以此作为网点判定依据；

步骤7、将步骤特5所得的待检测网点的SPE控制限与步骤6中的阈值进行对比，SPE控制限大于阈值，则判定网点异常，否则认为正常。

本发明的特点还在于：

步骤1中工业CCD安装在印刷机收纸单元或观测台。

步骤2中灰度图像的灰度级数设定为0-255级。

步骤2中，在灰度图像转化过程中对边缘图像区域进行扩充，扩充区域的灰度值一律设定为0。

步骤4中以主投影向量两端点为镜像复制的中心点，向外复制长度为向量总长度的10％。

步骤5中经验小波分析步骤如下：

5.1确定分割区间Λ_n，首先规定[0,π]为规范化的信号频谱的频率取值范围，假定信号由N个单分量成分构成，将[0,π]的频谱分割成N个连续的分区，那么就需要确定(N+1)条边界线，其中0和π分别为第一条和最后一条边界线，除去第一条和最后一条边界线外还需要(N-1)条边界线，过ω_n做相邻2个区间的分界限，每一段分区表示为Λ_n＝[ω_n-1,ω_n]，n＝1,2,…，N(ω₀＝0，ω_N＝π)，其中，ω_n为2个连续的极大值的中点，由此可知分区的集合

5.2确定分割区间Λ_n后，对其加小波窗函数进行滤波处理，按照Meyer小波的构造方法，可得经验尺度函数如式(1)所示，经验小波函数如式(2)所示；

其中，

β(x)＝x⁴(35-84x+70x²-20x³)；其中x为归一化处理后的区间值，将一维分量分解得到多个分量；

5.3根据细节函数(3)和近似系数(4)进行信号重构，将经验小波函数与原信号内积可得细节函数如式(3)所示，尺度函数与原信号内积可得近似系数如式(4)所示：

信号重构的结果显示如式(5)所示：

5.4由经验模态函数f_k构建特征集：

f_k(t)＝ω^ε _f(k,t)ψ_k(t) (7)；

5.5首先选取主投影向量对应的分量，求解分量的常用统计特征值X，其中n行代表了n组数据，m列代表了每列有m个误差特征值，如式(8)所示：

接着，选择投影后方差最大和最小的两个投影向量，每个向量选取1-3阶经验小波分解分量，共有6个分量，各计算9个特征值，则n＝6，m＝9；

5.6对特征值X进行标准化处理，如式(9)：

u是X的均值，std(X)是X的标准差，标准化的结果

可分解为式(10)：

式(10)中，t_i∈Rⁿ是主投影向量得分向量，Rⁿ代表所有分量的矩阵，每个向量有n个分量，p_i∈R^m是载荷向量，R^m代表误差特征值矩阵，每个分量有m个误差特征值，则式(10)可改写为：

提取t_i时要求其方差达到最大；对于i和j，当i≠j时应当满足

5.7得到特征集和SPE控制限

记

的协方差矩阵为∑，设其特征值为λ₁,λ₂...λ_m，等于对应的主投影向量的方差，其大小反映了第i个主投影向量所包含原始数据全部信息的比重，p₁,p₂...p_m为λ₁,λ₂...λ_m相应的单位特征向量，根据矩阵分解可得式(12)：

因p₁,p₂...p_m为单位正交矩阵故有：

将式(10)的左右两侧同时右乘p_i：

与式(13)相结合可以表示为如下结果：

得分向量t_i是矩阵

在其相应的载荷方向p_i上的投影，可将式(10)改写为式(16)的形式：

随后计算主投影向量模型

得到特征集，以及残差模型E，得到SPE平方预测误差统计量控制限：

l表示选取主投影向量的数量，

是主投影向量得分矩阵，

是主投影向量负载矩阵，

是残差得分矩阵，

是残差负载矩阵；

步骤6中建立正常网点阈值δ²的具体步骤：

根据步骤5计算正常网点下的特征集、SPE控制限，进而得到阈值，其计算如下：

λ_j是数据

的协方差矩阵第j个特征值，c_α是正态分布在检验水平α下的临界值，计算得到

两个中间变量，最终得出阈值。

步骤5.5中特征值X分别是均值、方差、最大值、最小值、极差、中位数、变异系数、偏度和峰度。

步骤5.7中主投影向量的个数l由累计贡献率的数值进行选择，主投影向量特征值的和与总特征值和的比值称为贡献率：

依次增加主投影向量个数直至满足贡献率大于70％为止。

步骤7中当发生故障时，SPE的值会超出阈值，其计算式为：

SPE＝||E||² (21)

E是残差模型，δ²是SPE正常与否的阈值，当SPE≤δ²时，印刷网点正常；SPE＞δ²时，判定印刷网点异常。

本发明的有益效果是：

(1)采用数字图像处理技术进行网点分析，提高了自动化检测程度，避免了人工测量存在的误差；(2)解决了网点检测专用仪器测试范围小、仅能单点测量的缺陷，可以同时实现多点测量和大面积区域测量；(3)利用图像投影方法将二维图像降为一维数据进行分析，大幅度提升了计算效率；(4)所提出方法对于各类网点具有普遍适用性，不受印刷种类的限制，检测过程也不受到加网线数和网点类型的影响。

附图说明

图1是本发明一种基于旋转投影变换的印刷网点质量检测方法的计算流程图；

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。

实施例，如图1所示，一种基于小波分析与投影变换的印刷网点检测方法，具体按照以下步骤实施：

步骤1、利用工业CCD采集在线或离线(在线指的是印刷机运行过程中实时图像的采集，离线指的是印刷完成后所得的印品的图像)印刷画面图像，采集的图像应为单色没有重叠套印的网点，因为套印的网点难以准确分离测量，采集时光线应当充足；

步骤2、将步骤1中得到的图像转化为灰度图像；若采集到的为灰度图像则无需转化；

步骤3、对步骤2中得到的灰度图像(像素值)在0-180°内进行旋转投影，将其转化为任意多个不同方向一维的向量；对这些一维向量进行归一化处理，目的是增加图像的亮度，使图像的细节更加清楚，以减弱光线和光照强度的影响，得到-1～1的区间值；本例中采集180个一维向量，每个向量的数值代表了该方向的灰度图像像素值的叠加结果，其数值都为整数；

步骤4、计算步骤3中不同方向一维向量的方差，选取方差最大和方差最小的向量为主投影向量，并对主投影向量进行镜像复制；

步骤5、对步骤4中的主投影向量进行经验小波分析，分解为低频分量和高频分量，选取高频分量组进行信号重构，并构建特征集；经验小波分析将会把区间为-1到1的一维向量进行频率分阶，分解为多个低频分量和高频分量，由于主要信息多集中在前几维高频分量中，因此选取其中1-5阶分量作为主要分析对象，并截取其与原向量对应的复制部分；将处理后的1-5阶分量进行SPE控制限的计算，将其结果作为后续网点检测的主要依据；

步骤6、构建正常网点在不同网点覆盖率下的特征集，以及SPE控制限和阈值，以此作为网点判定依据，SPE控制限的计算方法与步骤5相同；

步骤7、将步骤特5所得的SPE控制限与步骤6中的阈值进行对比，SPE控制限大于阈值，则判定网点异常，否则认为正常。

步骤1中工业CCD安装在印刷机收纸单元或观测台。

步骤2中灰度图像的灰度级数设定为0-255级。

步骤2中，在灰度图像转化过程中对边缘图像区域进行扩充，防止图像边缘像素值信息丢失，扩充区域(图像的四周边界)的灰度值一律设定为0。

步骤4中以主投影向量两端点为镜像复制的中心点，向外复制长度为向量总长度的10％，过长的长度会降低计算效果，过短的长度容易引发端点效应。

步骤5中经验小波分析步骤如下：

5.1确定分割区间Λ_n，首先规定[0,π]为规范化的信号频谱的频率取值范围，假定信号由N个单分量成分构成，将[0,π]的频谱分割成N个连续的分区，那么就需要确定(N+1)条边界线，其中0和π分别为第一条和最后一条边界线，除去第一条和最后一条边界线外还需要(N-1)条边界线，过ω_n做相邻2个区间的分界限，每一段分区表示为Λ_n＝[ω_n-1,ω_n]，n＝1,2,…，N(ω₀＝0，ω_N＝π)，其中，ω_n为2个连续的极大值的中点，由此可知分区的集合

5.2确定分割区间Λ_n后，对其加小波窗函数进行滤波处理，按照Meyer小波的构造方法，可得经验尺度函数如式(1)所示，经验小波函数如式(2)所示；

其中，

β(x)＝x⁴(35-84x+70x²-20x³)；其中x为归一化处理后的区间值，将一维分量分解得到多个分量；

5.3根据细节函数(3)和近似系数(4)进行信号重构，将经验小波函数与原信号内积可得细节函数如式(3)所示，尺度函数与原信号内积可得近似系数如式(4)所示：

信号重构的结果显示如式(5)所示：

5.4由经验模态函数f_k构建特征集：

f_k(t)＝ω^ε _f(k,t)ψ_k(t) (7)；

5.5首先选取主投影向量对应的分量，求解分量的常用统计特征值X，其中n行代表了n组数据，m列代表了每列有m个误差特征值，如式(8)所示：

接着，选择投影后方差最大和最小的两个投影向量，每个向量选取1-3阶经验小波分解分量，共有6个分量，各计算9个特征值，则n＝6，m＝9；

5.6对特征值X进行标准化处理，如式(9)：

u是X的均值，std(X)是X的标准差，标准化的结果

可分解为式(10)：

式(10)中，t_i∈Rⁿ是主投影向量得分向量，Rⁿ代表所有分量的矩阵，每个向量有n个分量，p_i∈R^m是载荷向量，R^m代表误差特征值矩阵，每个分量有m个误差特征值，则式(10)可改写为：

提取t_i时要求其方差达到最大；对于i和j，当i≠j时应当满足

5.7得到特征集和SPE控制限

记

的协方差矩阵为∑，设其特征值为λ₁,λ₂...λ_m，等于对应的主投影向量的方差，其大小反映了第i个主投影向量所包含原始数据全部信息的比重，p₁,p₂...p_m为λ₁,λ₂...λ_m相应的单位特征向量，根据矩阵分解可得式(12)：

因p₁,p₂...p_m为单位正交矩阵故有：

将式(10)的左右两侧同时右乘p_i：

与式(13)相结合可以表示为如下结果：

得分向量t_i是矩阵

在其相应的载荷方向p_i上的投影，可将式(10)改写为式(16)的形式：

随后计算主投影向量模型

得到特征集，以及残差模型E，得到SPE(平方预测误差统计量)控制限：

l表示选取主投影向量的数量，

是主投影向量得分矩阵，

是主投影向量负载矩阵，

是残差得分矩阵，

是残差负载矩阵；

步骤6中建立正常网点阈值δ²的具体步骤：

计算正常网点下的特征集、SPE控制限，其求解方式与步骤5相同，从而得出阈值，其计算如下：

λ_j是数据

的协方差矩阵第j个特征值，c_α是正态分布在检验水平α下的临界值，计算得到

两个中间变量，最终得出阈值。

步骤5.5中特征值X分别是均值、方差、最大值、最小值、极差、中位数、变异系数、偏度和峰度。

步骤5.7中主投影向量的个数l由累计贡献率的数值进行选择，主投影向量特征值的和与总特征值和的比值称为贡献率：

依次增加主投影向量个数直至满足贡献率大于70％为止。在本发明的网点检测中，预定主元个数为3个。

步骤7中当发生故障时，SPE的值会超出阈值，其计算式为：

SPE＝||E||² (21)

E是残差模型，δ²是SPE正常与否的阈值，当SPE≤δ²时，印刷网点正常；SPE＞δ²时，判定印刷网点异常。

参照图1，检测不同类别的产品印刷网点质量之前，都需要先从正常合格样品得到SPE控制限和阈值，之后才可以进行印刷网点的检测，如果改变了印刷工作条件及参数，需要重新标定正常印品的SPE控制限和阈值；可提前获取不同网点覆盖率的正常印品测控条进行标定，仅比对待检测印品的测控条，这样可以简化流程；也可以针对印品中的特定区域进行比对，适用对象和方式具有较强的灵活度。

Claims (8)

1.一种基于旋转投影变换的印刷网点质量检测方法，其特征在于，具体按照以下步骤实施：

步骤1、利用工业CCD采集印刷画面图像，所述图像为单色没有重叠套印的网点；

步骤2、将步骤1中得到的图像转化为灰度图像；若采集到的为灰度图像则无需转化；

步骤3、对步骤2中得到的灰度图像在0-180°内进行旋转投影，将其转化为任意多个不同方向一维的向量；对这些一维向量进行归一化处理，得到-1～1的区间值；

步骤4、计算步骤3中不同方向一维向量的方差，选取方差最大和方差最小的向量为主投影向量，并对主投影向量进行镜像复制；

步骤5、对步骤4中的主投影向量进行经验小波分析，分解为低频分量和高频分量，选取高频分量组进行信号重构，并构建特征集以及待检测网点的SPE控制限；

所述步骤5中经验小波分析步骤如下：

5.1确定分割区间Λ_n，首先规定[0,π]为规范化的信号频谱的频率取值范围，假定信号由N个单分量成分构成，将[0,π]的频谱分割成N个连续的分区，那么就需要确定(N+1)条边界线，其中0和π分别为第一条和最后一条边界线，除去第一条和最后一条边界线外还需要(N-1)条边界线，过ω_n做相邻2个区间的分界限，每一段分区表示为Λ_n＝[ω_n-1,ω_n]，n＝1,2,…，N(ω₀＝0，ω_N＝π)，其中，ω_n为2个连续的极大值的中点，由此可知分区的集合

5.2确定分割区间Λ_n后，对其加小波窗函数进行滤波处理，按照Meyer小波的构造方法，可得经验尺度函数如式(1)所示，经验小波函数如式(2)所示；

其中，

β(x)＝x⁴(35-84x+70x²-20x³)；其中x为归一化处理后的区间值，将一维分量分解得到多个分量；

5.3根据细节函数(3)和近似系数(4)进行信号重构，将经验小波函数与原信号内积可得细节函数如式(3)所示，尺度函数与原信号内积可得近似系数如式(4)所示：

信号重构的结果显示如式(5)所示：

5.4由经验模态函数f_k构建特征集：

f_k(t)＝ω^ε _f(k,t)ψ_k(t) (7)；

5.5首先选获取不同网点覆盖率下正常印品的主投影向量及其对应分量，求解分量的常用统计特征值X，特征值X分别是均值、方差、最大值、最小值、极差、中位数、变异系数、偏度和峰度，其中n行代表了n组数据，m列代表了每列有m个误差特征值，如式(8)所示：

接着，选择正常印刷网点图像投影后方差最大和最小的两个投影向量，每个向量选取1-3阶经验小波分解分量，共有6个分量，各计算9个特征值，则n＝6，m＝9；

5.6对特征值X进行标准化处理，如式(9)：

u是X的均值，std(X)是X的标准差，标准化的结果

可分解为式(10)：

式(10)中，t_i∈Rⁿ是主投影向量的分向量，Rⁿ代表所有分量的矩阵，每个向量有n个分量，p_i∈R^m是载荷向量，R^m代表误差特征值矩阵，每个分量有m个误差特征值，则式(10)可改写为：

提取t_i时要求其方差达到最大；对于i和j，当i≠j时应当满足

5.7得到特征集和SPE控制限

记

的协方差矩阵为∑，设其特征值为λ₁,λ₂...λ_m，等于对应的主投影向量的方差，其大小反映了第i个主投影向量所包含原始数据全部信息的比重，p₁,p₂...p_m为λ₁,λ₂...λ_m相应的单位特征向量，根据矩阵分解可得式(12)：

因p₁,p₂...p_m为单位正交矩阵故有：

将式(10)的左右两侧同时右乘p_i：

与式(13)相结合可以表示为如下结果：

得分向量t_i是矩阵

在其相应的载荷方向p_i上的投影，可将式(10)改写为式(16)的形式：

随后计算主投影向量模型

得到特征集，以及残差模型E，得到SPE平方预测误差统计量控制限：

l表示选取主投影向量的数量，

是主投影向量得分矩阵，

是主投影向量负载矩阵，

是残差得分矩阵，

是残差负载矩阵；

步骤6、构建正常网点在不同网点覆盖率下的特征集，以及SPE控制限和阈值，以此作为网点判定依据；

步骤7、将步骤特5所得的待检测网点的SPE控制限与步骤6中的阈值进行对比，SPE控制限大于阈值，则判定网点异常，否则认为正常。

2.根据权利要求1所述的一种基于旋转投影变换的印刷网点质量检测方法，其特征在于，所述步骤1中工业CCD安装在印刷机收纸单元或观测台。

3.根据权利要求1所述的一种基于旋转投影变换的印刷网点质量检测方法，其特征在于，所述步骤2中灰度图像的灰度级数设定为0-255级。

4.根据权利要求1所述的一种基于旋转投影变换的印刷网点质量检测方法，其特征在于，所述步骤2中，在灰度图像转化过程中对边缘图像区域进行扩充，扩充区域的灰度值一律设定为0。

5.根据权利要求1所述的一种基于旋转投影变换的印刷网点质量检测方法，其特征在于，所述步骤4中以主投影向量两端点为镜像复制的中心点，向外复制长度为向量总长度的10％。

6.根据权利要求1所述的一种基于旋转投影变换的印刷网点质量检测方法，其特征在于，所述步骤6中阈值δ²的具体步骤：

按照步骤5求得正常网点在不同网点覆盖率下的特征集，以及SPE控制限后，计算其阈值δ²如下：

λ_j是数据

的协方差矩阵第j个特征值，c_α是正态分布在检验水平α下的临界值，计算得到

两个中间变量，最终得出阈值。

7.根据权利要求1所述的一种基于旋转投影变换的印刷网点质量检测方法，其特征在于，所述步骤5.7中主投影向量的个数l由累计贡献率的数值进行选择，主投影向量特征值的和与总特征值和的比值称为贡献率：

依次增加主投影向量个数直至满足贡献率大于70％为止。

8.根据权利要求1所述的一种基于旋转投影变换的印刷网点质量检测方法，其特征在于，所述步骤7中当发生故障时，SPE的值会超出阈值，其计算式为：

SPE＝||E||² (21)

E是残差模型，δ²是SPE正常与否的阈值，当SPE≤δ²时，印刷网点正常；SPE＞δ²时，判定印刷网点异常。

Images