CN112330602B - 一种智能陷印方向判断方法及装置 - Google Patents

一种智能陷印方向判断方法及装置 Download PDF

Info

Publication number
CN112330602B
CN112330602B CN202011106013.9A CN202011106013A CN112330602B CN 112330602 B CN112330602 B CN 112330602B CN 202011106013 A CN202011106013 A CN 202011106013A CN 112330602 B CN112330602 B CN 112330602B
Authority
CN
China
Prior art keywords
trapping
image
classifier
self
encoder
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
Application number
CN202011106013.9A
Other languages
English (en)
Other versions
CN112330602A (zh
Inventor
吕松南
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fangzheng Zhushi Wuhan Technology Development Co ltd
Original Assignee
Fangzheng Zhushi Wuhan Technology Development Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fangzheng Zhushi Wuhan Technology Development Co ltd filed Critical Fangzheng Zhushi Wuhan Technology Development Co ltd
Priority to CN202011106013.9A priority Critical patent/CN112330602B/zh
Publication of CN112330602A publication Critical patent/CN112330602A/zh
Application granted granted Critical
Publication of CN112330602B publication Critical patent/CN112330602B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30144—Printing quality

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种智能陷印方向判断方法及装置，该方法包括如下步骤：获取印刷图像与其对应的陷印图；将所述印刷图像与陷印图分割为若干个大小相同的图像块；将所述图像块中方向正确的陷印图与其对应的印刷图像作为训练集，训练自编码器直至其损失函数最小，保存所述自编码器；将所述自编码器作为分类器的输入,训练所述分类器直至其误差低于阈值，保存所述分类器并利用其判断陷印方向的正误。本发明利用神经网络对印刷陷印方向进行判别，提取方向正确的陷印区域的潜在特征分布，从而实现对陷印方向的自动化判断，降低了人工检查的成本，提高了陷印方向判断的准确性，可以根据用户的历史任务训练出个性化的陷印方向判断规则。

Description

一种智能陷印方向判断方法及装置
技术领域
本发明涉及印刷图像识别领域，尤其涉及一种智能陷印方向判断方法及装置。
背景技术
在印刷领域中，为了防止套印不准导致色块边界出现漏白情况，通常会在不同色块边界生成细小的叠印区来预防漏白问题的发生，这样的叠印处理被称为陷印。常规的陷印方向是根据人为预先设定好的规则选定的，如深色色块向浅色色块陷印。
然而，对于不同的用户，对陷印方向的规则会有不同的需求；对于不同的印刷任务，依据固定规则设定的陷印方向也不能满足印刷任务的要求，如一个色块同时与多个色块陷印，由于固定规则导致边界出现陷印方向有进有出的情况发生。这些问题通常需要使用人工筛查的方法进行校正，人工方法不仅人工和时间成本较大，而且容易出现漏检和误检等问题。
发明内容
本发明针对现有印刷领域采用人工筛查陷印方向的正误方法，成本高、容易漏检和误检的问题提供了一种智能陷印方向判断方法，包括如下步骤：获取印刷图像与其对应的陷印图；将所述印刷图像与陷印图分割为若干个大小相同的图像块；将所述图像块中方向正确的陷印图与其对应的印刷图像作为训练集，训练自编码器直至其损失函数最小，保存所述自编码器；将所述自编码器作为分类器的输入,训练所述分类器直至其误差低于阈值，保存所述分类器并利用其判断陷印方向的正误。
在本发明的一些实施例中，所述将所述图像块中方向正确的陷印图与其对应的印刷图像作为训练集，训练自编码器直至其损失函数最小，保存所述自编码器包括如下步骤：从所述方向正确的陷印图与其对应的印刷图像中提取潜在特征；根据所述潜在特征生成印刷图；根据所述潜在特征生成印刷图对应的陷印图。
进一步的，所述潜在特征为正确的陷印方向特征。
在本发明的一些实施例中，所述将所述自编码器作为分类器的输入,训练所述分类器直至其误差低于阈值，保存所述分类器并利用其判断陷印方向的正误包括如下步骤：将自编码器的输出转换为陷印特征向量；将陷印特征向量经过卷积池化转换为多维向量；根据所述多维向量和softmax函数输出陷印方向正确的概率。
进一步的，所述分类器至少包括CNN、FCN、LeNet-5、AlexNet、ZFNet、VGGNet、GoogleNet、ResNet、区域CNN、GANs中的一种。
在本发明的一些实施例中，所述将所述印刷图像与陷印图分割为若干个大小相同的图像块还包括：将不含陷印的印刷图像区域的像素值置为0。
在本发明的第二方面，提供了一种智能陷印方向判断装置，包括获取模块、分割模块、自编码模块、分类模块，所述获取模块，用于获取印刷图像与其对应的陷印图；所述分割模块，用于将所述印刷图像与陷印图分割为若干个大小相同的图像块；所述自编码模块，用于将所述图像块中方向正确的陷印图与其对应的印刷图像作为训练集，训练自编码器直至其损失函数最小，保存所述自编码器；所述分类模块，用于将所述自编码器作为分类器的输入,训练所述分类器直至其误差低于阈值，保存所述分类器并利用其判断陷印方向的正误。
在发明的一些发明实施例中，所述自编码模块包括编码神经网络、第一解码神经网络、第二解码神经网络，所述编码神经网络，用于从所述方向正确的陷印图与其对应的印刷图像中提取潜在特征；所述第一解码神经网络，用于根据潜在特征生成印刷图；所述第二解码神经网络，用于根据潜在特征生成印刷图对应的陷印图。
在本发明的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明的第一方面提供的方法。
在本发明的第四方面，提供了一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现本发明的第一方面提供的方法。
本发明的有益效果是：本发明利用神经网络对印刷陷印方向进行判别，提取方向正确的陷印区域的潜在特征分布，从而实现对陷印方向的自动化判断，降低了人工检查的成本，提高了陷印方向判断的准确性，可以根据用户的历史任务训练出个性化的陷印方向判断规则。
附图说明
图1为本发明的一些实施例中的智能陷印方向判断方法；
图2为本发明的一些实施例中的智能陷印方向装置方法；
图3为本发明的一些实施例中的自编码模块的结构示意图；
图4为本发明的一些实施例中的分类模块的结构图示意图；
图5为本发明的一些实施例中的电子设备基本结构图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
参考图1，一种智能陷印方向判断方法，包括如下步骤：S101.获取印刷图像与其对应的陷印图；S102.将所述印刷图像与陷印图分割为若干个大小相同的图像块；S103.将所述图像块中方向正确的陷印图与其对应的印刷图像作为训练集，训练自编码器直至其损失函数最小，保存所述自编码器；S104.将所述自编码器作为分类器的输入,训练所述分类器直至其误差低于阈值，保存所述分类器并利用其判断陷印方向的正误。
在本发明的一些实施例的步骤S103中，所述将所述图像块中方向正确的陷印图与其对应的印刷图像作为训练集，训练自编码器直至其损失函数最小，保存所述自编码器包括如下步骤：从所述方向正确的陷印图与其对应的印刷图像中提取潜在特征；根据所述潜在特征生成印刷图；根据所述潜在特征生成印刷图对应的陷印图。
进一步的，所述潜在特征为正确的陷印方向特征。
在本发明的一些实施例的步骤S104中，所述将所述自编码器作为分类器的输入,训练所述分类器直至其误差低于阈值，保存所述分类器并利用其判断陷印方向的正误包括如下步骤：将自编码器的输出转换为陷印特征向量；将陷印特征向量经过卷积池化转换为多维向量；根据所述多维向量和softmax函数输出陷印方向正确的概率。
进一步的，所述分类器至少包括CNN、FCN、LeNet-5、AlexNet、ZFNet、VGGNet、GoogleNet、ResNet、区域CNN、GANs中的一种。
在本发明的一些实施例中，所述将所述印刷图像与陷印图分割为若干个大小相同的图像块还包括：将不含陷印的印刷图像区域的像素值置为0。
参考图2，在本发明的第二方面，提供了一种智能陷印方向判断装置1，包括获取模块11、分割模块12、自编码模块13、分类模块14，所述获取模块11，用于获取印刷图像与其对应的陷印图；所述分割模块12，用于将所述印刷图像与陷印图分割为若干个大小相同的图像块；所述自编码模块13，用于将所述图像块中方向正确的陷印图与其对应的印刷图像作为训练集，训练自编码器直至其损失函数最小，保存所述自编码器；所述分类模块14，用于将所述自编码器作为分类器的输入,训练所述分类器直至其误差低于阈值，保存所述分类器并利用其判断陷印方向的正误。
参考图3，在发明的一些发明实施例中，所述自编码模块13包括编码神经网络、第一解码神经网络、第二解码神经网络，所述编码神经网络，用于从所述方向正确的陷印图与其对应的印刷图像中提取潜在特征；所述第一解码神经网络，用于根据潜在特征生成印刷图；所述第二解码神经网络，用于根据潜在特征生成印刷图对应的陷印图。
参考图4，在本发明的一些实施例中，所述分类模块14包括输入层、输出层、softmax层，所述输入层用于将自编码器的输出转换为陷印特征向量；所述输出层用于将陷印特征向量转换为多维向量；所述softmax层输出陷印方向正确的概率。
参考图5，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。通常以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图5中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM502被安装。在该计算机程序被处理装置501执行时，执行本公开的实施例的方法中限定的上述功能。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM502被安装。在该计算机程序被处理装置501执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所描述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个计算机程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、Python，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种智能陷印方向判断方法，其特征在于，包括如下步骤：
获取印刷图像与其对应的陷印图；
将所述印刷图像与陷印图分割为若干个大小相同的图像块；
将所述图像块中方向正确的陷印图与其对应的印刷图像作为训练集，训练自编码器直至其损失函数最小，保存所述自编码器；
将所述自编码器的输出作为分类器的输入,训练所述分类器直至其误差低于阈值，保存所述分类器并利用其判断陷印方向的正误。
2.根据权利要求1所述的智能陷印方向判断方法，其特征在于，所述将所述图像块中方向正确的陷印图与其对应的印刷图像作为训练集，训练自编码器直至其损失函数最小，保存所述自编码器包括如下步骤：
从所述方向正确的陷印图与其对应的印刷图像中提取潜在特征；
根据所述潜在特征生成印刷图；
根据所述潜在特征生成印刷图对应的陷印图。
3.根据权利要求2所述的智能陷印方向判断方法，其特征在于，所述潜在特征为正确的陷印方向特征。
4.根据权利要求1所述的智能陷印方向判断方法，其特征在于，所述将所述自编码器作为分类器的输入,训练所述分类器直至其误差低于阈值，保存所述分类器并利用其判断陷印方向的正误包括如下步骤：
将自编码器的输出转换为陷印特征向量；
将陷印特征向量经过卷积池化转换为多维向量；
根据所述多维向量和softmax函数输出陷印方向正确的概率。
5.根据权利要求4所述的智能陷印方向判断方法，其特征在于，所述分类器至少包括FCN、LeNet-5、AlexNet、ZFNet、VGGNet、GoogleNet、ResNet、区域CNN、GANs中的一种。
6.根据权利要求1所述的智能陷印方向判断方法，其特征在于，所述将所述印刷图像与陷印图分割为若干个大小相同的图像块还包括：
将不含陷印的印刷图像区域的像素值置为0。
7.一种智能陷印方向判断装置，其特征在于，包括获取模块、分割模块、自编码模块、分类模块，
所述获取模块，用于获取印刷图像与其对应的陷印图；
所述分割模块，用于将所述印刷图像与陷印图分割为若干个大小相同的图像块；
所述自编码模块，用于将所述图像块中方向正确的陷印图与其对应的印刷图像作为训练集，训练自编码器直至其损失函数最小，保存所述自编码器；
所述分类模块，用于将所述自编码器的输出作为分类器的输入,训练所述分类器直至其误差低于阈值，保存所述分类器并利用其判断陷印方向的正误。
8.根据权利要求7所述的智能陷印方向判断装置，其特征在于，所述自编码模块包括编码神经网络、第一解码神经网络、第二解码神经网络，
所述编码神经网络，用于从所述方向正确的陷印图与其对应的印刷图像中提取潜在特征；
所述第一解码神经网络，用于根据潜在特征生成印刷图；
所述第二解码神经网络，用于根据潜在特征生成印刷图对应的陷印图。
9.一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的智能陷印方向判断方法。
10.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-6中任一所述的智能陷印方向判断方法。
CN202011106013.9A 2020-10-15 2020-10-15 一种智能陷印方向判断方法及装置 Active CN112330602B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011106013.9A CN112330602B (zh) 2020-10-15 2020-10-15 一种智能陷印方向判断方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011106013.9A CN112330602B (zh) 2020-10-15 2020-10-15 一种智能陷印方向判断方法及装置

Publications (2)

Publication Number Publication Date
CN112330602A CN112330602A (zh) 2021-02-05
CN112330602B true CN112330602B (zh) 2022-09-27

Family

ID=74313806

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011106013.9A Active CN112330602B (zh) 2020-10-15 2020-10-15 一种智能陷印方向判断方法及装置

Country Status (1)

Country Link
CN (1) CN112330602B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112967250B (zh) * 2021-03-03 2023-02-28 方正株式(武汉)科技开发有限公司 一种基于非邻近色块的陷印区优化方法及装置
CN117216718B (zh) * 2023-09-28 2024-04-26 佳源科技股份有限公司 一种电能表故障分类方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109086861A (zh) * 2018-07-26 2018-12-25 西安理工大学 基于bp神经网络的胶印半色调网点预测方法
JP2019053366A (ja) * 2017-09-13 2019-04-04 大日本印刷株式会社 写真撮影装置、画像プリントシステム
CN109816635A (zh) * 2018-12-31 2019-05-28 方正株式(武汉)科技开发有限公司 陷印区域优化方法及装置、存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6632434B2 (ja) * 2016-03-10 2020-01-22 キヤノン株式会社 画像処理装置、画像処理方法、及びプログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019053366A (ja) * 2017-09-13 2019-04-04 大日本印刷株式会社 写真撮影装置、画像プリントシステム
CN109086861A (zh) * 2018-07-26 2018-12-25 西安理工大学 基于bp神经网络的胶印半色调网点预测方法
CN109816635A (zh) * 2018-12-31 2019-05-28 方正株式(武汉)科技开发有限公司 陷印区域优化方法及装置、存储介质

Also Published As

Publication number Publication date
CN112330602A (zh) 2021-02-05

Similar Documents

Publication Publication Date Title
US10650236B2 (en) Road detecting method and apparatus
CN112633384B (zh) 基于图像识别模型的对象识别方法、装置和电子设备
CN107622240B (zh) 人脸检测方法和装置
CN110348522B (zh) 一种图像检测识别方法及系统、电子设备、图像分类网络优化方法及系统
CN110163153B (zh) 用于识别交通标志牌边界的方法及装置
CN110084172B (zh) 文字识别方法、装置和电子设备
CN112330602B (zh) 一种智能陷印方向判断方法及装置
CN109285181B (zh) 用于识别图像的方法和装置
CN110119725B (zh) 用于检测信号灯的方法及装置
CN110795975A (zh) 人脸误检优化方法及装置
CN110705511A (zh) 模糊图像的识别方法、装置、设备及存储介质
CN110188815B (zh) 一种特征点采样方法、装置、设备及存储介质
CN110287817B (zh) 目标识别及目标识别模型的训练方法、装置和电子设备
CN113592033B (zh) 油罐图像识别模型训练方法、油罐图像识别方法和装置
CN114037990A (zh) 一种字符识别方法、装置、设备、介质及产品
CN109934185B (zh) 数据处理方法及装置、介质和计算设备
CN110210314B (zh) 人脸检测方法、装置、计算机设备及存储介质
CN110633598B (zh) 用于确定环境图像中的行驶区域的方法和装置
CN111783632A (zh) 针对视频流的人脸检测方法、装置、电子设备及存储介质
CN107330470B (zh) 识别图片的方法和装置
CN113762266B (zh) 目标检测方法、装置、电子设备和计算机可读介质
CN115546487A (zh) 图像模型训练方法、装置、介质及电子设备
CN114463734A (zh) 文字识别方法、装置、电子设备及存储介质
CN114511744A (zh) 图像分类方法、装置、可读介质和电子设备
CN114549535A (zh) 一种图像分割方法、装置、设备、存储介质及产品

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