CN110667258B - 借助神经网络进行印刷品质分析的方法 - Google Patents
借助神经网络进行印刷品质分析的方法 Download PDFInfo
- Publication number
- CN110667258B CN110667258B CN201910594258.1A CN201910594258A CN110667258B CN 110667258 B CN110667258 B CN 110667258B CN 201910594258 A CN201910594258 A CN 201910594258A CN 110667258 B CN110667258 B CN 110667258B
- Authority
- CN
- China
- Prior art keywords
- errors
- neural network
- register
- computer
- image
- 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.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
- B41J—TYPEWRITERS; SELECTIVE PRINTING MECHANISMS, i.e. MECHANISMS PRINTING OTHERWISE THAN FROM A FORME; CORRECTION OF TYPOGRAPHICAL ERRORS
- B41J2/00—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed
- B41J2/005—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed characterised by bringing liquid or particles selectively into contact with a printing material
- B41J2/01—Ink jet
- B41J2/21—Ink jet for multi-colour printing
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
- B41F—PRINTING MACHINES OR PRESSES
- B41F33/00—Indicating, counting, warning, control or safety devices
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
- B41F—PRINTING MACHINES OR PRESSES
- B41F33/00—Indicating, counting, warning, control or safety devices
- B41F33/0036—Devices for scanning or checking the printed matter for quality control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
- B41F—PRINTING MACHINES OR PRESSES
- B41F33/00—Indicating, counting, warning, control or safety devices
- B41F33/0081—Devices for scanning register marks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
- B41J—TYPEWRITERS; SELECTIVE PRINTING MECHANISMS, i.e. MECHANISMS PRINTING OTHERWISE THAN FROM A FORME; CORRECTION OF TYPOGRAPHICAL ERRORS
- B41J2/00—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed
- B41J2/005—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed characterised by bringing liquid or particles selectively into contact with a printing material
- B41J2/01—Ink jet
- B41J2/21—Ink jet for multi-colour printing
- B41J2/2132—Print quality control characterised by dot disposition, e.g. for reducing white stripes or banding
- B41J2/2139—Compensation for malfunctioning nozzles creating dot place or dot size errors
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
- B41J—TYPEWRITERS; SELECTIVE PRINTING MECHANISMS, i.e. MECHANISMS PRINTING OTHERWISE THAN FROM A FORME; CORRECTION OF TYPOGRAPHICAL ERRORS
- B41J2/00—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed
- B41J2/005—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed characterised by bringing liquid or particles selectively into contact with a printing material
- B41J2/01—Ink jet
- B41J2/21—Ink jet for multi-colour printing
- B41J2/2132—Print quality control characterised by dot disposition, e.g. for reducing white stripes or banding
- B41J2/2142—Detection of malfunctioning nozzles
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Inking, Control Or Cleaning Of Printing Machines (AREA)
Abstract
本发明涉及一种用于借助计算机(6)补偿印刷机(4)中印刷过程的局部对版错误和/或重影错误的方法,其中,至少一个图像传感器(5)检测、数字化特定的印刷图案(8)并将这些数字图像数据(9)传递至所述计算机(6),所述计算机(6)检查所述数字图像数据(9)的可能的局部对版错误和/或重影错误并引入可能有必要的措施用于补偿这些错误,该方法的特征在于,所述计算机(6)将所述数字图像数据(9)供应给神经网络(12),该神经网络(12)借助训练数据(10,10a,10b)这样地被学入,使得它从被供应的数字图像数据(9)求得相应的对版值和/或重影值。
Description
技术领域
本发明涉及一种用于通过采用神经网络(neuronalen Netz)补偿印刷过程的局部对版和重影错误的方法。
本发明所属的技术领域是印刷品质分析。
背景技术
在胶版印刷机中采用不同的印刷控制元素。这些印刷控制元素中有些仅是按需印刷,其它的则是印刷在每个页张上。这些所谓的对版元素或SID元素在机器进行印样(Abdrucken)时被使用。它们用于分析且排除印刷机的对版错误和重影现象。在此,对版(Passer)是指:印刷机的工艺色的单个分色以目标准确的方式进行叠印。可由这些元素所鉴别的错误类别譬如是:较短较长印刷、较窄较宽印刷、节奏错误(譬如重影)等。
这些元素以分布在页张上的方式布置并这样地设计,使得在每个印刷机构中印刷一个对版子元素。基于这些子元素彼此的相对位置,可量化出所提及的错误类别。这些元素的读入是手动进行,这需要使专门的高分辨率的摄像机从元素到元素地运动。这些数字图像数据随后通过合适的软件借助于图像识别方法进一步处理。
此外,印刷机部分在执行用于品质分析的图像监测的图像检测系统的范畴内具有内联(inline)摄像机系统,但是,当前这种图像监测仅适用于求得套准错位。对于对版错误的特性值,类似的布置在数字(或喷墨)印刷中也是可想到的,并且部分也已经被用于试验目的。
现有技术的弊端在于,对这些元素的检测及其进一步处理是离线进行。在最终安装印刷机时,手动测量的耗费占据了巨大的成本份额。出于这个原因,通常仅读入三十个页张,由此在测量准确性和频率范围内数据分辨率方面必定有所折扣,这使得该手动测量的进程没那么具有说服力。因此,在进行的生产过程中,只有当存在关于印刷品质方面的问题时,才会采用上述分析方法。并不进行持续地控制或监控。
因此,针对该问题的一种解决方案是,只有在印刷机进行印样时出现问题的情况下才读入且分析处理最多一百个页张。尽管这只在存在问题的情况下才发生,但这也伴随着巨大的额外耗费。
因此,现有技术中为此在国际专利申请WO 04017034中公开了一种用于监测印刷产品的方法,其中,首先在学习模式中通过检测、数字化且分析一个或多个良好图像并然后将其存放在参考数据存储器中的方式来生成参考数据,并且然后在第二步骤中在监测模式中将待监测图像与参考数据存储器中的参考数据值进行像素对比。在此,这种对比是借助于分类器(譬如人工神经网络)进行。虽然该方法采用了神经网络,但是它是专门用于检查所生成的印刷图像的光谱含量,因此不适合用于求取对版值和重影错误。此外,神经网络在这里仅被用于监测图像与参考图像之间的对比。实际上的困难(也就是参考图像的学入)是以典型的方式方法在未采用神经网络的情况下发生。因此,在此现有技术中神经网络的使用所带来的优势是有限的。
发明内容
由此,本发明的任务在于,提出一种比迄今为止的现有技术所公开的方法更有效且更好用于探测印刷过程中局部对版错误和重影错误的方法。
该任务通过一种用于借助计算机补偿印刷机中的印刷过程的局部对版错误和/或重影错误的方法解决,其中,至少一个图像传感器检测、数字化确定的印刷图案,并将这些数字图像数据传递至计算机,所述计算机检查这些数字图像数据的可能的局部对版错误和/或重影错误,并引入可能有必要的措施用于补偿这些错误,本方法的特征在于,计算机将这些数字图像数据供应给神经网络,该神经网络借助于训练数据这样地学入(eingelernt),使得该神经网络基于所供应的数字图像数据求取出相应的对版值和/或重影值。采用神经网络是必需的,因为图像传感器的分辨率明显低于高分辨率的手持摄像机的印刷分辨率。这意味着:所印刷的子元素在通过图像传感器进行数字化(或检测)之后以相比于借助手持摄像机测量时明显更低的分辨率存在。在借助图像检测系统和常规图像处理算法进行简单分析时,由于这种较低的分辨率,因而关于所印刷的子元素的信息会有所丢失,而这些信息对于评估对版来说实际上是必要的。为了即使这样还是能够通过监测系统进行分析处理进而为了替代手动对版检验,因此在根据本发明的方法中取而代之地将由图像检测系统所数字化的图像数据供应给呈自学算法形式的神经网络,于是这种神经网络对这些图像数据关于印刷喷嘴的待求取的特性值方面进行评估。为了使这种自学算法能够实现目标,除了掌握基础数字图像处理工具之外,该自学算法必须事前借助以数字形式存在的训练数据进行学入。采用未经学入的神经网络是没有意义的。因此,该神经网络必须依据具有特定的专门已知的特征的数字训练数据(譬如对版子元素)进行学入。由此,这可通过将以数字形式存在的子元素供应给神经网络的方式得以实现,这些以数字形式存在的子元素包含完全确定的值(大多数情况下是关于错误对版方面的确定的错误图像)。然后,神经网络以这些训练数据这样长时间地学入,直到该神经网络能够求得正确的特性值。只有这样以后该神经网络才被用于评估实际所检测的且数据化的子元素,以及被用于后续求取对版。
本方法有利的和因此优选的改进方案由优选实施方式以及具有附图的说明书得出。
在此,根据本发明的方法的优选的改进方案是,针对这些确定的印刷图案,使用合适的对版标记。当然,采用形式为对版标记的对版子元素作为印刷图案是最有意义的。
在此,根据本发明的方法的另一优选的改进方案是,这些数字图像数据由计算机清除干扰效应(譬如所述至少一个图像传感器的静态透镜错误和物镜失真)。为了使神经网络也能正确地评估当前的数字图像数据,必须将上述干扰效应从数字图像数据去除。否则可能出现神经网络发现伪错误或无法正确求得被这些干扰效应所重叠的实际错误的情况。然而,这样一来,正确求得对版特性值就更加困难了。当然,也可行的是,这样地训练神经网络使得它学会忽略这些干扰效应。但是,这使得实际的学入过程变长且变复杂,因此优选通过计算机从数字图像数据去除干扰效应。
在此,根据本发明的方法的另一优选的改进方案是,用于神经网络的学入的那些训练数据是由计算机人工生成,其方式是,生成呈具有已知对版错误和/或重影错误的数字化印刷图案的形式的测试数据组,并将其用作神经网络的输入参量。这呈现了使用神经网络的特别优势。替换于如现有技术那样费力地借助各种不同的数字图像处理操作来编程计算机以及编程由该计算机所驱控的图像监测系统,用以发现这些子元素中的错误并相应关于对版方面进行评估,本发明的方法则将人工生成的、以数字形式存在的、具有人工引入的错误的对版子元素的神经网络进行训练用于对版评估。因为这整个过程是由计算机自动化地执行,因而能够的是:在相对较短的时间内给神经网络供应大量由计算机所生成的人工训练数据,进而神经网络在短时间内实现学入。譬如,这些训练数据可由计算机这样地人工生成,使得这些训练数据包含具有特定图像元素的子元素,这些特定图像元素在印刷图像中代表特定的对版错误。在此,计算机可这样地编程,使得人工生成的训练数据中所包含的这些错误能够以几乎任意组合进行改变。通过这种方式可在最短的时间内生成大量不同的训练数据组并用于神经网络的学入。
在此,根据本发明的方法的另一优选的改进方案是,为了神经网络的学入,那些具有已知对版错误和/或重影错误的数字化印刷图案首先由计算机以高图像分辨率的方式发送至神经网络,并且随后持续借助于缩减采样(Downsampling)不断降低图像分辨率直到达到所述至少一个图像传感器的图像分辨率为止。为了使神经网络能够正确地学入具有已知错误的数字化印刷图像数据,本发明建议的是,将已知的错误引入具有较高图像分辨率的数字化印刷图像数据中,并且神经网络首先以较高图像分辨率进行训练,然后再一步一步地降低图像分辨率,直至达到图像传感器的实际图像分辨率为止。这使得神经网络能更容易学入以及找到所引入的已知的错误。
在此,根据本发明的方法的另一优选的改进方案是,作为至少一个图像传感器,采用图像检测系统的摄像机系统,该图像检测系统以内联方式在印刷机中安装在印刷机构之后。本发明最推荐的是,将大多数在喷墨印刷机中存在的、被用于图像监测且通常以内联方式在印刷机中安装在印刷机构之后的、且应检验所获得的印刷品质的那个图像检测系统也用于对版监控。在此,图像检测系统的摄像机被用作图像传感器,用以检测且数字化所印刷的测试图案。当然,外部图像传感器或并非图像检测系统的组成部分的那些内部图像传感器也可用于根据本发明的方法。本方法特别是在不具有内联式图像检测系统的印刷机中是必要的。但是,原则上来说,出于效率原因,使用具有其摄像机的现存图像检测系统是最显著且最有效的方式。
在此,根据本发明的方法的另一优选的改进方案是,在胶版印刷机或喷墨印刷机中执行本方法。尽管根据本发明的方法主要是被开发用于胶版印刷机中的对版监控,然而根据本发明的方法也可被运用在喷墨印刷机中。不管怎样,对于喷墨印刷来说,正确对版也是高品质多色印刷的基本前提。
附图说明
本发明及本发明结构上和/或功能上有利的改进方案接下来参考附图基于至少一个优选的实施例进一步描述。在附图中,相互对应的元素分别以相同的附图标记表示。
图1:页张胶版印刷机中的图像监测系统的示例;
图2:所检测到的数字化测试图案,分别以实际印刷分辨率和所检测到的摄像机分辨率存在;和
图3:针对图像分析处理的神经网络的学入的示意性流程。
具体实施方式
图1示出了采用根据本发明的方法的图像检测系统2的示例。该图像检测系统2包括至少一个图像传感器5(通常是集成到页张印刷机4中的摄像机5)。所述至少一个摄像机5拍摄由印刷机4所生成的印刷图像并且将数据发送至计算机3,6用于分析处理。该计算机3,6可以是自身固有的单独的计算机6(譬如一个或多个专业化的图像处理计算机6),或者也可以与印刷机4的控制计算机3一致。至少所述印刷机4的控制计算机3是具有显示器7,在所述显示器7上给使用者1展示出图像监测的结果。
根据本发明的方法的目标是,这样地训练神经网络12,使得它能够以充分的准确性和快速性基于内联式摄像机系统5的相对来说分辨率较差的图像9求得对版值。本发明所建议的方法的输入参量是合适的高原始图像分辨率的对版子元素8的较低摄像机分辨率的数字摄像机图像9(优选是以数字形式存在的较低摄像机分辨率的对版标记9),较低摄像机分辨率的数字摄像机图像9必要时可被校正了静态透镜错误和物镜失真等。原则上,也可使用其它子元素。重要的只是:该子元素具有关于对版方面足够的信息。在此,不发生其它在信号技术方面的准备/处理步骤。输出参量是相应的对版值。输入与输出之间的关联不像现有技术中那样通过交织的图像处理算法(verschachtelteBildverarbeitungsalgorithmen)而是由神经网络12依据所谓的训练数据10,10a,10b内在固有地“学会”。重点在于,神经网络12的训练数据10,10a,10b能够人工地生成。由于这些高原始图像分辨率的对版元素8此时能够实现内联检测,从而能够执行在线印刷品质分析。基于这些对版数据,能够不断地获得信息,这些信息最终也能够被用于对印刷机4的印刷品质关于状态监控和预测性维护方面进行持续地观察和归类。至今为止,这些系统仅能够采用间接关联的数据(譬如x旋转编码器数据)。而本发明在此给出了页张上的印刷图像11与特性值之间的直接关联。
接下来阐释针对优选实施变型方案的流程,在该实施变型方案中,仅存在较低摄像机分辨率的子元素9。在生产情形下,基于如此存在的较低摄像机分辨率的摄像机图像9求得并校正可能存在的对版偏差,其方式是,将较低摄像机分辨率的数字图像数据9引导通过被训练过的神经网络12。神经网络12的训练在图2和图3中进一步阐释并如下进行:
·存在高分辨率的对版标记8。
·如果它不是以足够高的分辨率存在,则人工地将高原始图像分辨率的对版标记8的分辨率提高数十倍乃至数百倍→所谓的提升采样(Upsampling)。
ο在这种高分辨率中,对版移位在周向方向、横向方向上预先给定并引入到高原始图像分辨率的对版标记8中;
ο如果涉及到喷墨印刷机4,那么可能会额外出现由印刷方法所导致的不准确性(譬如失真、散线边缘等)→于是这些同样被引入到高原始图像分辨率的对版标记8中;
·然后,将高分辨率的图像8的分辨率通过所谓的缩减采样人工地降至摄像机5的分辨率。
图2一方面在左侧示出了测试图案的示例,在该情况下,这应当呈现以数字形式存在的、高原始图像分辨率(2540dpi)的对版标记8,而一方面在右侧示出了较低的摄像机分辨率(200dpi)的相同测试图案9。
通过这种方式生成具有图像数据和位置信息(包括已知错误)的人工测试数据组10作为输入数据。为了训练所述神经网络12需要许多这种测试数据组10。图3示意性地示出了该训练的流程。在此可以很好地看到,神经网络12如何在多个阶段中被训练。在此,数据组10被划分成训练数据组10a和测试数据组10b,譬如以60/40的比例。依据这种人工生成的训练数据组10a“培训”所述网络12,而测试数据组10b则检验所培训的网络12。也就是说,首先借助于训练数据10a训练所述网络12。如果然后达到了足够的水平,则借助测试数据10b验证。然后,这种被验证过的网络12被用于实际图像数据11,这些实际图像数据11在通过所述被验证过的神经网络12进行检验之后作为被测试过的、具有位置信息的图像数据11a存在。因为这些训练数据10,10a,10b人工地在计算机3,6中生成,因而使用许多不同的测试数据组10不成问题。测试数据组10越多,则神经网络12学入得越好。此外,在计算机3,6上生成这些训练数据10,10a,10b的一大优势在于,使得被引入的错误是已知的。结果则是所考虑的印刷机构的对版值。作为计算机3,6,优选使用图像检测系统2的图像处理计算机6。但是,在某些情况下,也可替换地使用印刷机4的控制计算机3。
在另一实施方案中,也可使用经修改的对版子元素,用以得到同一输出数据。
根据本发明的采用神经网络12的方法相对于具有严格图像处理算法的现有技术来说具有许多优势。由此不需要求取和操作多个参数。本方法手段的成功及其耐用性不取决于部分随机选择的参数,而是基于可被人工地生成进而几乎不受限可用的训练数据10,10a,10b的数量及品质得到。因此,几乎可生成任意多个训练数据10a及测试数据10b。此外,由于是人工生成,因而错误和真实性以任意准确性被已知。由于这些高原始图像分辨率的对版元素8此时能够实现内联检测,从而能够执行在线印刷品质分析。基于这些对版数据可不断继续获得信息,这些信息最终也可被用于对印刷机4的印刷品质关于状态监控和预测性维护方面进行持续观察和归类。
在训练所述神经网络12时所需的计算机功率大多数情况下是明显低于大多数情况下复杂的图像处理算法的情况,如它目前所使用的那样。通过手动读入这些高原始图像分辨率的印刷元素8而在印样时会限于三十个页张,这种限制能够同样得以省去。于是,可基于譬如五百个页张来进行印样监控。这巨大地提升了数据的说服力和准确性,并在最终安装印刷机4时节省成本和时间。
附图标记列表
1 使用者
2 图像检测系统
3 控制计算机
4 印刷机
5 图像传感器
6 图像处理计算机
7 显示器
8 高原始图像分辨率的对版元素
9 较低摄像机分辨率的对版元素
10 人工生成的具有位置信息的图像数据
10a 人工生成的训练数据
10b 人工生成的测试数据
11 实际图像数据
11a 具有位置信息的实际图像数据
12 神经网络
Claims (6)
1.一种用于借助于计算机(6)补偿印刷机(4)中的印刷过程的局部对版错误和/或重影错误的方法,
其中,至少一个图像传感器(5)对确定的印刷图案(8)进行检测、数字化,并且将数字图像数据(9)传递至计算机(6),所述计算机对所述数字图像数据(9)关于可能的局部对版错误和/或重影错误方面进行检查,并引入可能必要的措施用于补偿所述错误,
其特征在于,
计算机(6)将所述数字图像数据(9)供应至神经网络(12),所述神经网络已借助于训练数据(10,10a,10b)训练,使得该神经网络基于所供应的数字图像数据(9)求得相应的对版值和/或重影值,
由所述计算机(6)人工地生成所述训练数据(10,10a,10b)用于所述神经网络(12)的训练,其方式是,生成呈具有已知对版错误和/或重影错误的数字化印刷图案形式的测试数据组并作为针对所述神经网络(12)的输入参量来使用,并且
为了所述神经网络(12)的训练,将具有已知对版错误和/或重影错误的数字化印刷图案首先由计算机(6)以高图像分辨率的方式发送至所述神经网络(12)并且随后持续借助于缩减采样不断降低图像分辨率直至达到所述至少一个图像传感器(5)的图像分辨率为止。
2.根据权利要求1所述的方法,
其特征在于,
针对所述确定的印刷图案(8),采用合适的对版标记,其中,采用形式为对版标记的对版子元素作为印刷图案。
3.根据权利要求1或2所述的方法,
其特征在于,
所述数字图像数据(9)由计算机(6)清除干扰效应。
4.根据权利要求3所述的方法,
其特征在于,
所述干扰效应是所述至少一个图像传感器(5)的静态透镜错误和物镜失真。
5.根据权利要求1或2所述的方法,
其特征在于,
作为至少一个图像传感器(5),使用图像检测系统(2)的摄像机系统,所述图像检测系统以内联方式在印刷机(4)中安装在印刷机构之后。
6.根据权利要求1或2所述的方法,
其特征在于,
所述方法在胶版印刷机(4)或喷墨印刷机(4)中执行。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102018210891.9 | 2018-07-03 | ||
DE102018210891 | 2018-07-03 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110667258A CN110667258A (zh) | 2020-01-10 |
CN110667258B true CN110667258B (zh) | 2022-08-30 |
Family
ID=68943913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910594258.1A Active CN110667258B (zh) | 2018-07-03 | 2019-07-03 | 借助神经网络进行印刷品质分析的方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110667258B (zh) |
DE (1) | DE102019208257A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3954540A1 (en) * | 2020-08-11 | 2022-02-16 | Schott AG | Method for printing an image on a substrate and corresponding system |
JP2022049206A (ja) * | 2020-09-16 | 2022-03-29 | セイコーエプソン株式会社 | 情報処理システム、学習装置及び情報処理方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2135857A1 (en) * | 1994-01-03 | 1995-07-04 | Shay-Ping Thomas Wang | Neural network utilizing logarithmic function and method of using same |
JP2000112680A (ja) * | 1998-10-02 | 2000-04-21 | Casio Electronics Co Ltd | 印刷システム |
JP2000196892A (ja) * | 1998-12-28 | 2000-07-14 | Ricoh Co Ltd | カラ―画像形成装置 |
DE10234085B4 (de) | 2002-07-26 | 2012-10-18 | Koenig & Bauer Aktiengesellschaft | Verfahren zur Analyse von Farbabweichungen von Bildern mit einem Bildsensor |
CN104441970B (zh) * | 2013-09-13 | 2016-07-27 | 北大方正集团有限公司 | 一种喷墨印刷中重影的修正方法及装置 |
DE102014013370A1 (de) * | 2014-09-09 | 2016-03-10 | Heidelberger Druckmaschinen Ag | Verfahren zur Kompensation lokaler Passerungenauigkeiten |
DE102015219245B3 (de) * | 2015-10-06 | 2016-11-17 | Heidelberger Druckmaschinen Ag | Verfahren zur effizienten Papierdehnungskompensation |
US10713560B2 (en) * | 2015-12-28 | 2020-07-14 | Staples, Inc. | Learning a vector representation for unique identification codes |
EP3306528B1 (en) * | 2016-10-04 | 2019-12-25 | Axis AB | Using image analysis algorithms for providing traning data to neural networks |
EP3336774B1 (en) * | 2016-12-13 | 2020-11-25 | Axis AB | Method, computer program product and device for training a neural network |
-
2019
- 2019-06-06 DE DE102019208257.2A patent/DE102019208257A1/de active Pending
- 2019-07-03 CN CN201910594258.1A patent/CN110667258B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110667258A (zh) | 2020-01-10 |
DE102019208257A1 (de) | 2020-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10214017B2 (en) | Method for detecting and compensating for failed printing nozzles in an inkjet printing machine | |
CN110667254B (zh) | 借助神经网络的喷嘴健康探测方法 | |
CN107433780B (zh) | 用于识别喷墨印刷机中的印刷喷嘴故障的方法 | |
CN106881956B (zh) | 用于对图像检查系统进行检验的方法 | |
US9539803B2 (en) | Method for detecting failed printing nozzles in inkjet printing systems and inkjet printing machine | |
JP7150530B2 (ja) | 画像センサの自動的な較正 | |
US7672486B2 (en) | Method for evaluating the quality of a printed matter, provided by a printing machine | |
JP4990466B2 (ja) | 色調整特性曲線を生成する装置 | |
EP3368322B1 (en) | System and methods for detecting malfunctioning nozzles in a digital printing press | |
EP3442798B1 (en) | System and methods for detecting malfunctioning nozzles in a digital printing press | |
CN110667258B (zh) | 借助神经网络进行印刷品质分析的方法 | |
CN109476151B (zh) | 具有检查系统的生产设备和调整检查系统敏感度的方法 | |
JP2008195073A (ja) | インキスプリット修正方法 | |
EP2368711B1 (en) | Mark, method and system for color quality parameters measurement | |
US11292269B2 (en) | Method for detecting and compensating for defective printing nozzles in an inkjet printing machine for reducing unusable prints | |
JP2007240529A (ja) | 色測定ストライプを識別する方法 | |
JP4623948B2 (ja) | 印刷物における品質管理のための装置 | |
CN110077113B (zh) | 用于对喷墨印刷机中的故障印刷喷嘴进行探测的方法 | |
JP7037173B2 (ja) | 段ボールシートの品質検査装置 | |
US11135833B2 (en) | Method for verifying a printing plate, specifically a gravure cylinder | |
JP2011123075A (ja) | 着色偏差の検出方法 | |
CN110588167B (zh) | 用于图像监测的方法及设备 | |
US20120105876A1 (en) | Color plane registration error correction | |
US7720278B2 (en) | Misregister amount detection method and apparatus | |
Gökhan Kasapoğlu et al. | Cross Mark Coordinate Determination and Automatic Registration for Offset Printing |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |