CN113920120A - 基于人工智能的瓦楞纸板印刷效果评估方法及系统 - Google Patents

基于人工智能的瓦楞纸板印刷效果评估方法及系统 Download PDF

Info

Publication number
CN113920120A
CN113920120A CN202111525277.2A CN202111525277A CN113920120A CN 113920120 A CN113920120 A CN 113920120A CN 202111525277 A CN202111525277 A CN 202111525277A CN 113920120 A CN113920120 A CN 113920120A
Authority
CN
China
Prior art keywords
corrugated
image
printing pattern
corrugated board
pattern
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.)
Granted
Application number
CN202111525277.2A
Other languages
English (en)
Other versions
CN113920120B (zh
Inventor
康凤莲
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.)
Wuhan Xinchengxiang Packaging Co ltd
Original Assignee
Wuhan Xinchengxiang Packaging 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 Wuhan Xinchengxiang Packaging Co ltd filed Critical Wuhan Xinchengxiang Packaging Co ltd
Priority to CN202111525277.2A priority Critical patent/CN113920120B/zh
Publication of CN113920120A publication Critical patent/CN113920120A/zh
Application granted granted Critical
Publication of CN113920120B publication Critical patent/CN113920120B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine 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
    • G06T2207/10—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
    • G06T2207/20081—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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30141—Printed circuit board [PCB]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Printing Methods (AREA)

Abstract

本发明涉及人工智能技术领域，具体涉及一种基于人工智能的瓦楞纸板印刷效果评估方法及系统，该方法包括：基于包括印刷图案的瓦楞纸板表面图像，提取瓦楞纸板表面的瓦楞纹，获取瓦楞纹图像；对瓦楞纹图像进行特征分析，获取表征瓦楞纹对印刷图案影响大小的整体影响系数；基于灰度值大小，对瓦楞纸板表面图像中的印刷图案像素点进行分类，获取每类印刷图案像素点的统计变化系数，所述统计变化系数表征受瓦楞纹影响后瓦楞纸板表面图像中像素点灰度值与参考灰度值间的差异程度；综合整体影响系数、每类印刷图案像素点的像素个数和统计变化系数，获取评估结果。本发明中的评估结果可反应瓦楞纹对瓦楞纸板上印刷图案视觉效果影响的大小。

Description

基于人工智能的瓦楞纸板印刷效果评估方法及系统
技术领域
本发明涉及人工智能领域，具体涉及一种基于人工智能的瓦楞纸板印刷效果评估方法及系统。
背景技术
彩色瓦楞纸箱包装具有保护内装物、方便运输、刺激消费者和促进销售的作用，近些年来受到了人们的青睐，其印刷质量也受到了印刷生产方和使用方的重视。但是，在瓦楞纸箱生产过程中，往往会出现条纹现象，行业内称之为“排骨纹”，影响包装装潢本身的整体图像效果。因此，对在排骨纹影响下的印刷质量进行评估，以此来指导后续的印刷生产是一项必要工作。现阶段对印刷质量的评估方法大多是基于瓦楞纸板上的印刷图案是否存在油污、漏印、色差等瑕疵进行质量评估，未考虑瓦楞纹对印刷图案的影响。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的瓦楞纸板印刷效果评估方法及系统，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了一种基于人工智能的瓦楞纸板印刷效果评估方法，该方法包括以下具体步骤：
基于包括印刷图案的瓦楞纸板表面图像，提取瓦楞纸板表面的瓦楞纹，获取瓦楞纹图像；
对瓦楞纹图像进行特征分析，获取表征瓦楞纹对印刷图案影响大小的整体影响系数；
基于灰度值大小，对瓦楞纸板表面图像中的印刷图案像素点进行分类，获取每类印刷图案像素点的统计变化系数，所述统计变化系数表征受瓦楞纹影响后瓦楞纸板表面图像中像素点灰度值与参考灰度值间的差异程度；
综合整体影响系数、每类印刷图案像素点的像素个数和统计变化系数，获取评估结果，所述评估结果反应瓦楞纹对瓦楞纸板上印刷图案视觉效果影响的大小。
进一步地，利用影响系数估计网络，对瓦楞纹图像进行特征分析，获取瓦楞纹图像的整体影响系数；所述特征包括瓦楞纹的数量和深浅程度。
进一步地，基于统计得到每类印刷图案像素点的统计变化系数，具体地：
获取若干瓦楞纸板表面图像；对于每类印刷图案像素点，每张瓦楞纸板表面图像中该类印刷图案像素点的变化系数的均值为该类印刷图案像素点的统计变化系数。
进一步地，每张瓦楞纸板表面图像中每类印刷图案像素点的变化系数的获取具体为：
基于瓦楞纸板表面图像，提取瓦楞纸板表面的印刷图案，获取印刷图案图像；
对于每类印刷图案像素点，基于印刷图案图像与瓦楞纸板表面图像中该类印刷图案像素点的灰度值，计算灰度差值均值；根据灰度差值均值和瓦楞纸板表面图像对应的整体影响系数计算该类印刷图案像素点的变化系数。
进一步地，所述瓦楞纹图像和所述印刷图案图像的获取具体为：
构建分解网络；
瓦楞纸板表面图像输入分解网络中，输出瓦楞纹图像和印刷图案图像。
进一步地，训练分解网络所用损失的获取具体为：
根据分解网络输出的瓦楞纹图像中的每条瓦楞纹的斜率、像素点的数量和相邻两条瓦楞纹间的距离计算第一损失；
根据分解网络输出的印刷图案图像中是否存在瓦楞纹计算第二损失；
根据分解网络输出的瓦楞纹图像和印刷图案图像进行重构，得到重构图像，根据重构图像与瓦楞纸板表面图像的差异，计算第三损失；
根据第一损失、第二损失和第三损失得到训练分解网络所用损失。
第二方面，本发明另一个实施例提供了一种基于人工智能的瓦楞纸板印刷效果评估系统，该系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现一种基于人工智能的瓦楞纸板印刷效果评估方法的步骤。
本发明实施例至少具有如下有益效果：本发明基于瓦楞纹对印刷图案的整体影响系数、瓦楞纸板表面图像中每类印刷图案像素点的像素个数和统计变化系数，对印刷效果进行评估，印刷效果越好，瓦楞纸板上印刷图案的视觉效果越接近印刷图案设计图；所述评估结果可反应瓦楞纹对瓦楞纸板上印刷图案视觉效果影响的大小，本发明可以辅助进行印刷图案的选择。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明实施例的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能的瓦楞纸板印刷效果评估方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于人工智能的瓦楞纸板印刷效果评估方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于人工智能的瓦楞纸板印刷效果评估方法的步骤流程图，该方法包括以下步骤：
基于包括印刷图案的瓦楞纸板表面图像，提取瓦楞纸板表面的瓦楞纹，获取瓦楞纹图像；
对瓦楞纹图像进行特征分析，获取表征瓦楞纹对印刷图案影响大小的整体影响系数；
基于灰度值大小，对瓦楞纸板表面图像中的印刷图案像素点进行分类，获取每类印刷图案像素点的统计变化系数，所述统计变化系数表征受瓦楞纹影响后瓦楞纸板表面图像中像素点灰度值与参考灰度值间的差异程度；
综合整体影响系数、每类印刷图案像素点的像素个数和统计变化系数，获取评估结果，所述评估结果反应瓦楞纹对瓦楞纸板上印刷图案视觉效果影响的大小。
下面对上述各个步骤进行详细展开：
步骤S1，基于包括印刷图案的瓦楞纸板表面图像，提取瓦楞纸板表面的瓦楞纹，获取瓦楞纹图像。
(1)获取瓦楞纸板表面图像：利用相机采集瓦楞纸板表面的正视图像，获得待检测的瓦楞纸板表面图像，并进行图像灰度化、图像滤波去噪以及图像增强等一系列图像预处理，通过提高图像质量来提升后续评估结果的准确性。
(2)基于瓦楞纸板表面图像，获取瓦楞纹图像。
一种实施方式中，瓦楞纹图像的获取具体为：构建分解网络；瓦楞纸板表面图像输入分解网络中，输出瓦楞纹图像和印刷图案图像。其中，分解网络包括分解编码器、第一分解解码器和第二分解解码器，瓦楞纸板表面图像经过分解编码器的特征提取后，输出分解特征图，第一分解解码器对分解特征图进行上采样，输出与瓦楞纸板表面图像等大的瓦楞纹图像，第二分解解码器对分解特征图进行上采样，输出与瓦楞纸板表面图像等大的印刷图案图像。
其中，分解网络的训练过程具体为：
(a)若干瓦楞纸板表面图像构成训练数据集；
(b)构建损失函数；训练分解网络所用损失的获取具体为：
瓦楞纸板中的瓦楞纹(排骨纹)为长度相等且等距排列的平行线，则对于分解网络输出的瓦楞纹图像，基于霍夫变换进行瓦楞纹直线的检测，基于各条瓦楞纹的直线特征获取第一损失；具体地，根据分解网络输出的瓦楞纹图像中的每条瓦楞纹的斜率、像素点的数量和相邻两条瓦楞纹间的距离计算第一损失：
Figure DEST_PATH_IMAGE002
Figure DEST_PATH_IMAGE004
为第一损失；
Figure DEST_PATH_IMAGE006
、
Figure DEST_PATH_IMAGE008
分别为第
Figure DEST_PATH_IMAGE010
条瓦楞纹的斜率、第
Figure 891857DEST_PATH_IMAGE010
条瓦楞纹上像素点的数量，
Figure DEST_PATH_IMAGE012
为第
Figure 74577DEST_PATH_IMAGE010
条瓦楞纹与其相邻的瓦楞纹之间的距离，优选地，
Figure 57576DEST_PATH_IMAGE012
为第
Figure 452786DEST_PATH_IMAGE010
条瓦楞纹与第
Figure DEST_PATH_IMAGE014
条瓦楞纹之间的距离；
Figure DEST_PATH_IMAGE016
、
Figure DEST_PATH_IMAGE018
、
Figure DEST_PATH_IMAGE020
分别为斜率均值、像素点数量均值、距离均值；
Figure DEST_PATH_IMAGE022
表示瓦楞纹图像中共有
Figure 204841DEST_PATH_IMAGE022
条瓦楞纹；
Figure DEST_PATH_IMAGE024
、
Figure DEST_PATH_IMAGE026
、
Figure DEST_PATH_IMAGE028
为归一化系数，其作用是进行归一化处理，使相应的差值绝对值的取值范围为[0,1]。
根据分解网络输出的印刷图案图像中是否存在瓦楞纹计算第二损失
Figure DEST_PATH_IMAGE030
，具体地，若印刷图案图像中存在瓦楞纹，
Figure 964987DEST_PATH_IMAGE030
值为1，否则，
Figure 232020DEST_PATH_IMAGE030
值为0；优选地，实施例中利用瓦楞纹检测网络检测印刷图案图像中是否存在瓦楞纹，其中，瓦楞纹检测网络为编码器-全连接(Encoder-FC)结构。
根据分解网络输出的瓦楞纹图像和印刷图案图像进行重构，得到重构图像，即瓦楞纹图像和印刷图案图像对应位置像素点相加，得到重构图像；根据重构图像与瓦楞纸板表面图像的差异，计算第三损失：
Figure DEST_PATH_IMAGE032
Figure DEST_PATH_IMAGE034
为第三损失；M为瓦楞纸板表面图像中的像素点的总数量，
Figure DEST_PATH_IMAGE036
为瓦楞纸板表面图像中第
Figure DEST_PATH_IMAGE038
个像素点的灰度值，
Figure DEST_PATH_IMAGE040
为重构图像中第
Figure 634182DEST_PATH_IMAGE038
个像素点的灰度值。
根据第一损失、第二损失和第三损失得到训练分解网络所用损失，具体地，
Figure DEST_PATH_IMAGE042
，
Figure DEST_PATH_IMAGE044
、
Figure DEST_PATH_IMAGE046
、
Figure DEST_PATH_IMAGE048
为权重系数，
Figure DEST_PATH_IMAGE050
、
Figure DEST_PATH_IMAGE052
、
Figure DEST_PATH_IMAGE054
分别为
Figure 647269DEST_PATH_IMAGE004
、
Figure 843895DEST_PATH_IMAGE030
、
Figure 863804DEST_PATH_IMAGE034
归一化后的结果，优选地，实施例中
Figure DEST_PATH_IMAGE056
、
Figure DEST_PATH_IMAGE058
、
Figure DEST_PATH_IMAGE060
。
(c)根据训练数据集和损失函数进行分解网络的训练。
另一种实施方式中，瓦楞纹图像的获取具体为：印刷图案为前景，其他区域为背景，利用图像分割算法，对瓦楞纸板表面图像进行前景和背景的分割，获得最大的背景连通域作为初始瓦楞纹区域，从初始瓦楞纹区域获得复制模板进行整张图像的复制，获得瓦楞纹图像：首先对初始瓦楞纹区域利用霍夫变换算法进行直线检测，从而获得任意两条相邻的瓦楞纹直线之间的距离a以及两直线之间的纵向区域，则将a作为复制模版的宽度，根据瓦楞纸板表面图像的长宽A和B，获得复制模版的长度
Figure DEST_PATH_IMAGE062
，根据已知大小的复制模板得到复制模板遮罩，根据复制模板遮罩和初始瓦楞纹区域截取初始复制区域，进而在新的与瓦楞纸板表面图像等大的图像中，按照从左到右从上到下的顺序进行初始复制区域的复制，获得对应的瓦楞纹图像。
步骤S2，对瓦楞纹图像进行特征分析，获取表征瓦楞纹对印刷图案影响大小的整体影响系数。
具体地，利用影响系数估计网络，对瓦楞纹图像进行特征分析，获取瓦楞纹图像的整体影响系数；所述特征包括瓦楞纹的数量和深浅程度。其中，影响系数估计网络包括影响系数估计编码器和影响系数估计全连接层，影响系数估计编码器对瓦楞纹图像进行特征提取，输出提取到的特征向量，特征向量作为影响系数估计全连接层的输入，进而输出整体影响系数
Figure DEST_PATH_IMAGE064
。
其中，影响系数估计网络的训练具体为：根据得到的大量瓦楞纹图像构建训练数据集，训练数据集中瓦楞纹图像中瓦楞纹的数量和深浅程度不同，人为标注训练数据集中的每张瓦楞纹图像的标签，标签即为其对应的整体影响系数，实施例中标签为[1，10]范围内的整数，数值越大，说明瓦楞纹对印刷图案影响越大。采用交叉熵损失函数进行影响系数估计网络的迭代优化。
步骤S3，基于灰度值大小，对瓦楞纸板表面图像中的印刷图案像素点进行分类，获取每类印刷图案像素点的统计变化系数，所述统计变化系数表征受瓦楞纹影响后瓦楞纸板表面图像中像素点灰度值与参考灰度值间的差异程度。
基于统计得到每类印刷图案像素点的统计变化系数，具体地：获取若干瓦楞纸板表面图像；对于每类印刷图案像素点，每张瓦楞纸板表面图像中该类印刷图案像素点的变化系数的均值为该类印刷图案像素点的统计变化系数；某类印刷图案像素点的统计变化系数值越大，说明该类像素点的灰度值受瓦楞纹的影响越大。其中，基于灰度值大小，对瓦楞纸板表面图像中的印刷图案像素点进行分类，分类后每个类别对应一个灰度值范围，具体地，像素点灰度值为
Figure DEST_PATH_IMAGE066
的像素点看作一类，灰度值为
Figure DEST_PATH_IMAGE068
的像素点看作一类，…，以此类推完成256个灰度级的分类；其中，h的具体数值可基于实际情况进行设定，实施例中
Figure DEST_PATH_IMAGE070
。
其中，每张瓦楞纸板表面图像中每类印刷图案像素点的变化系数的获取具体为：基于瓦楞纸板表面图像，提取瓦楞纸板表面的印刷图案，获取印刷图案图像；对于每类印刷图案像素点，基于印刷图案图像与瓦楞纸板表面图像中该类印刷图案像素点的灰度值，计算灰度差值均值；根据灰度差值均值和瓦楞纸板表面图像对应的整体影响系数计算该类印刷图案像素点的变化系数；计算变化系数时考虑整体影响系数的目的是为了消除由于不同瓦楞纸板图像中瓦楞纹特征(深度和数量)的不同对同一类像素点灰度造成的影响，即变化系数表征的是瓦楞纹深度和数量相同时，每类印刷图案像素点灰度值受瓦楞纹影响的大小。需要注意，实施例中灰度差值均值为灰度差值绝对值的均值：
Figure DEST_PATH_IMAGE072
Figure DEST_PATH_IMAGE074
表示一张瓦楞纸板表面图像对应的第k类印刷图案像素点的灰度差值均值；
Figure DEST_PATH_IMAGE076
为第k类印刷图案像素点中第t个像素点在印刷图案图像中的灰度值，
Figure DEST_PATH_IMAGE078
为第k类印刷图案像素点中第t个像素点在瓦楞纸板表面图像中对应位置处像素点的灰度值，
Figure DEST_PATH_IMAGE080
为第k类印刷图案像素点中灰度值发生变化的像素点数量。
根据灰度差值均值和瓦楞纸板表面图像对应的整体影响系数计算该类印刷图案像素点的变化系数，具体为：
Figure DEST_PATH_IMAGE082
Figure DEST_PATH_IMAGE084
表示一张瓦楞纸板表面图像对应的第k类印刷图案像素点的变化系数，
Figure DEST_PATH_IMAGE086
为优化系数，实施例中
Figure 410935DEST_PATH_IMAGE086
的值为0.4；
Figure 137583DEST_PATH_IMAGE064
为瓦楞纸板表面图像对应的整体影响系数。对于灰度值会受到瓦楞纹影响的某一类印刷图案像素点来说，整体影响系数
Figure 567427DEST_PATH_IMAGE064
越大，对应的灰度差值均值也越大。此外，还需注意，一张瓦楞纸板表面图像对应一个
Figure 74632DEST_PATH_IMAGE064
值，即该瓦楞纸板表面图像中包括的多类印刷图案像素点对应的
Figure 553018DEST_PATH_IMAGE064
值相同。
若干瓦楞纸板表面图像对应的多个
Figure 196489DEST_PATH_IMAGE084
的均值为第k类印刷图案像素点的统计变化系数。
至此，可得到每类印刷图案像素点的统计变化系数，统计变化系数用
Figure DEST_PATH_IMAGE088
表示。
步骤S4，综合整体影响系数、每类印刷图案像素点的像素个数和统计变化系数，获取评估结果，所述评估结果反应瓦楞纹对瓦楞纸板上印刷图案视觉效果影响的大小。
Figure DEST_PATH_IMAGE090
Figure DEST_PATH_IMAGE092
为评估结果，
Figure 469338DEST_PATH_IMAGE092
值越大，瓦楞纹对瓦楞纸板上印刷图案视觉效果的影响越大，即视觉效果越不好；
Figure DEST_PATH_IMAGE094
为瓦楞纸板表面图像中第
Figure DEST_PATH_IMAGE096
类印刷图案像素点的个数；
Figure 463839DEST_PATH_IMAGE064
为瓦楞纸板表面图像对应的整体影响系数；
Figure DEST_PATH_IMAGE098
为瓦楞纸板表面图像中第
Figure 11495DEST_PATH_IMAGE096
类印刷图案像素点对应的统计变化系数，
Figure DEST_PATH_IMAGE100
表示对瓦楞纸板表面图像中的印刷图案像素点进行分类后得到
Figure 712735DEST_PATH_IMAGE100
类印刷图案像素点。
根据本发明的评估结果，可得知哪些图案印刷出来后的视觉效果不好，从而避免使用这些图案，提高瓦楞纸板包装的整体图像效果，提高视觉体验。
基于与上述方法实施例相同的发明构思，本发明一个实施例提供了一种基于人工智能的瓦楞纸板印刷效果评估系统，该系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现一种基于人工智能的瓦楞纸板印刷效果评估方法的步骤。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
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 (7)

1.一种基于人工智能的瓦楞纸板印刷效果评估方法，其特征在于，该方法包括：
基于包括印刷图案的瓦楞纸板表面图像，提取瓦楞纸板表面的瓦楞纹，获取瓦楞纹图像；
对瓦楞纹图像进行特征分析，获取表征瓦楞纹对印刷图案影响大小的整体影响系数；
基于灰度值大小，对瓦楞纸板表面图像中的印刷图案像素点进行分类，获取每类印刷图案像素点的统计变化系数，所述统计变化系数表征受瓦楞纹影响后瓦楞纸板表面图像中像素点灰度值与参考灰度值间的差异程度；
综合整体影响系数、每类印刷图案像素点的像素个数和统计变化系数，获取评估结果，所述评估结果反应瓦楞纹对瓦楞纸板上印刷图案视觉效果影响的大小。
2.如权利要求1所述的方法，其特征在于，利用影响系数估计网络，对瓦楞纹图像进行特征分析，获取瓦楞纹图像的整体影响系数；所述特征包括瓦楞纹的数量和深浅程度。
3.如权利要求2所述的方法，其特征在于，基于统计得到每类印刷图案像素点的统计变化系数，具体地：
获取若干瓦楞纸板表面图像；对于每类印刷图案像素点，每张瓦楞纸板表面图像中该类印刷图案像素点的变化系数的均值为该类印刷图案像素点的统计变化系数。
4.如权利要求3所述的方法，其特征在于，每张瓦楞纸板表面图像中每类印刷图案像素点的变化系数的获取具体为：
基于瓦楞纸板表面图像，提取瓦楞纸板表面的印刷图案，获取印刷图案图像；
对于每类印刷图案像素点，基于印刷图案图像与瓦楞纸板表面图像中该类印刷图案像素点的灰度值，计算灰度差值均值；根据灰度差值均值和瓦楞纸板表面图像对应的整体影响系数计算该类印刷图案像素点的变化系数。
5.如权利要求4所述的方法，其特征在于，所述瓦楞纹图像和所述印刷图案图像的获取具体为：
构建分解网络；
瓦楞纸板表面图像输入分解网络中，输出瓦楞纹图像和印刷图案图像。
6.如权利要求5所述的方法，其特征在于，训练拆分网络所用损失的获取具体为：
根据分解网络输出的瓦楞纹图像中的每条瓦楞纹的斜率、像素点的数量和相邻两条瓦楞纹间的距离计算第一损失；
根据分解网络输出的印刷图案图像中是否存在瓦楞纹计算第二损失；
根据分解网络输出的瓦楞纹图像和印刷图案图像进行重构，得到重构图像，根据重构图像与瓦楞纸板表面图像的差异，计算第三损失；
根据第一损失、第二损失和第三损失得到训练分解网络所用损失。
7.一种基于人工智能的瓦楞纸板印刷效果评估系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6任一项所述方法的步骤。
CN202111525277.2A 2021-12-14 2021-12-14 基于人工智能的瓦楞纸板印刷效果评估方法及系统 Active CN113920120B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111525277.2A CN113920120B (zh) 2021-12-14 2021-12-14 基于人工智能的瓦楞纸板印刷效果评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111525277.2A CN113920120B (zh) 2021-12-14 2021-12-14 基于人工智能的瓦楞纸板印刷效果评估方法及系统

Publications (2)

Publication Number Publication Date
CN113920120A true CN113920120A (zh) 2022-01-11
CN113920120B CN113920120B (zh) 2022-03-18

Family

ID=79249225

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111525277.2A Active CN113920120B (zh) 2021-12-14 2021-12-14 基于人工智能的瓦楞纸板印刷效果评估方法及系统

Country Status (1)

Country Link
CN (1) CN113920120B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116912256A (zh) * 2023-09-14 2023-10-20 山东大昌纸制品有限公司 基于图像处理的瓦楞纸排骨纹缺陷程度评估方法
CN117818140A (zh) * 2024-01-12 2024-04-05 杭州华犇包装有限公司 彩色瓦楞纸箱的生产管理系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3065071B1 (ja) * 1999-03-18 2000-07-12 有限会社山部製作所 印刷検査装置
US8073239B1 (en) * 2008-09-24 2011-12-06 Valco Cincinnati, Inc. Error detection system for verifying the construction of paper boxes
CN103954634A (zh) * 2014-05-08 2014-07-30 昆明瑞丰印刷有限公司 一种印刷品在线质量检测系统
CN106909926A (zh) * 2015-12-21 2017-06-30 深圳市科彩印务有限公司 一种烟包印刷色彩的均匀性检测方法及装置
CN111862122A (zh) * 2020-07-29 2020-10-30 南通大学 一种基于深度学习的瓦楞纸板堆叠层数计数方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3065071B1 (ja) * 1999-03-18 2000-07-12 有限会社山部製作所 印刷検査装置
US8073239B1 (en) * 2008-09-24 2011-12-06 Valco Cincinnati, Inc. Error detection system for verifying the construction of paper boxes
CN103954634A (zh) * 2014-05-08 2014-07-30 昆明瑞丰印刷有限公司 一种印刷品在线质量检测系统
CN106909926A (zh) * 2015-12-21 2017-06-30 深圳市科彩印务有限公司 一种烟包印刷色彩的均匀性检测方法及装置
CN111862122A (zh) * 2020-07-29 2020-10-30 南通大学 一种基于深度学习的瓦楞纸板堆叠层数计数方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MARCUS REBBERGER，ET AL: "《Variable data printing（VDP）quality aspects on fibre based packaging-an elementary print quality study on corrugated board》", 《JPMTR》 *
宋卫生: "《瓦楞纸箱后印工艺"排骨纹"产生机理研究》", 《包装工程》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116912256A (zh) * 2023-09-14 2023-10-20 山东大昌纸制品有限公司 基于图像处理的瓦楞纸排骨纹缺陷程度评估方法
CN116912256B (zh) * 2023-09-14 2023-11-28 山东大昌纸制品有限公司 基于图像处理的瓦楞纸排骨纹缺陷程度评估方法
CN117818140A (zh) * 2024-01-12 2024-04-05 杭州华犇包装有限公司 彩色瓦楞纸箱的生产管理系统及方法

Also Published As

Publication number Publication date
CN113920120B (zh) 2022-03-18

Similar Documents

Publication Publication Date Title
CN113920120B (zh) 基于人工智能的瓦楞纸板印刷效果评估方法及系统
CN103098074B (zh) 光学字符识别中的文档页分割
Mitianoudis et al. Document image binarization using local features and Gaussian mixture modeling
CN101950414B (zh) 自然图像非局部均值去噪方法
CN101944230B (zh) 基于多尺度的自然图像非局部均值去噪方法
CN111553837B (zh) 一种基于神经风格迁移的艺术文本图像生成方法
CN114926839B (zh) 基于rpa和ai的图像识别方法及电子设备
CN104463814B (zh) 基于局部纹理方向性的图像增强方法
KR20110132770A (ko) 디지털 포렌직 기술을 이용한 보안 인쇄물 위조식별 시스템 및 그 방법
CN110782413A (zh) 一种图像处理方法、装置、设备及存储介质
Wang et al. A new image denoising method based on adaptive multiscale morphological edge detection
CN115239594A (zh) 一种基于全变差模型的文档图像去噪方法
Sree Sharmila et al. Impact of applying pre-processing techniques for improving classification accuracy
CN114445410A (zh) 基于图像识别的电路板检测方法、计算机及可读存储介质
CN101957984A (zh) 基于非局部萎缩因子参数估计的图像去噪方法
EP2223265A1 (en) A method for resolving contradicting output data from an optical character recognition (ocr) system, wherein the output data comprises more than one recognition alternative for an image of a character
CN111104869B (zh) 一种可识别小字符内容的工尺谱数字化方法
Darbon Total variation minimization with L/sup 1/data fidelity as a contrast invariant filter
EP1310940A1 (en) Color display device and method
US7221795B2 (en) Document processing method, recording medium having recorded thereon document processing program, document processing program, document processing apparatus, and character-input document
CN115937302A (zh) 结合边缘保持的高光谱图像亚像元定位方法
CN114066861A (zh) 一种基于交叉算法边缘检测理论和视觉特征的煤矸识别方法
CN113160069A (zh) 一种基于图信号的高光谱图像去噪方法
Shi et al. Image denoising through locally linear embedding
Chen et al. Multiplicative noise removal via nonlocal similarity-based sparse representation

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