CN117173134B - 印刷图像的检测方法及检测装置 - Google Patents
印刷图像的检测方法及检测装置 Download PDFInfo
- Publication number
- CN117173134B CN117173134B CN202311149378.3A CN202311149378A CN117173134B CN 117173134 B CN117173134 B CN 117173134B CN 202311149378 A CN202311149378 A CN 202311149378A CN 117173134 B CN117173134 B CN 117173134B
- Authority
- CN
- China
- Prior art keywords
- printing
- searching
- sets
- areas
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000001514 detection method Methods 0.000 claims abstract description 81
- 230000011218 segmentation Effects 0.000 claims abstract description 13
- 230000005540 biological transmission Effects 0.000 claims description 58
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 17
- 230000004907 flux Effects 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 abstract description 16
- 238000012797 qualification Methods 0.000 abstract description 13
- 230000000694 effects Effects 0.000 abstract description 11
- 230000008569 process Effects 0.000 abstract description 9
- 230000000007 visual effect Effects 0.000 abstract description 6
- 230000002950 deficient Effects 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 239000013598 vector Substances 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010422 painting Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000002932 luster Substances 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Abstract
本发明提供了印刷图像的检测方法及检测装置，涉及数据处理技术领域，通过对印刷图像进行识别分割和检测获得多个检测结果，结合标准检测数据获得多个印刷准度，对多个更新区域进行识别分割和检测并结合多个印刷准确进行判别，对搜索步长和搜索方向进行调整；基于调整后的搜索步长和搜索方向继续进行区域搜索和检测进而计算获得印刷图像的检测结果。解决现有技术中印刷品表面图像的印刷合格性检测依赖于主观目测评价，存在印刷合格性评价结果受主观因素影响导致可信度较低，对于印刷工艺调整，降低印刷次品率的作用较弱的技术问题。达到提高印刷合格性评价的可信度和评价结果获得方法的科学性，为进行印刷工艺调整提供高可信参考的技术效果。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及印刷图像的检测方法及检测装置。
背景技术
当前，印刷品表面图像的印刷合格性检测在实际应用中仍然主要依赖于人工主观目测评价，但是一个人无法做到长时间专注地进行图像观察，或者因为视觉疲劳而在评估中的前后期间产生了显著差异；评估员对颜色、光泽、清晰度等方面的标准理解存在偏差，进而导致评估结果不稳定，评价结果的可信度较低，影响有效的印刷质量控制。
综上所述，现阶段印刷品表面图像的印刷合格性检测依赖于主观目测评价，存在印刷合格性评价结果受主观因素影响导致可信度较低，对于印刷工艺调整，降低印刷次品率的参考作用较弱的缺陷。
发明内容
本申请提供了印刷图像的检测方法及检测装置，用于针对解决现有技术中印刷品表面图像的印刷合格性检测依赖于主观目测评价，存在印刷合格性评价结果受主观因素影响导致可信度较低，对于印刷工艺调整，降低印刷次品率的作用较弱的技术问题。
鉴于上述问题，本申请提供了印刷图像的检测方法及检测装置。
本申请的第一个方面，提供了印刷图像的方法，所述方法包括：通过区域选择模块，将采集获得的印刷图像划分为多个栅格区域，并随机选择多个感兴趣区域；采用检测识别模块，对多个感兴趣区域内的多个图像内容对象的区域进行识别分割，获得多个对象区域集合；分别对每个对象区域集合内的每个对象区域进行透射密度检测和反射密度检测，获得多个透射密度集和多个反射密度集，结合标准图像内多个对象区域的标准透射密度和标准反射密度，计算获取多个感兴趣区域的印刷准度；采用搜索模块，按照搜索步长和搜索方向，以多个感兴趣区域为起点，搜索获得更新的多个更新区域；对多个更新区域进行识别分割和检测，获得多个更新印刷准度，结合多个印刷准确进行判别，对搜索步长和搜索方向进行调整；通过计算模块，基于调整后的搜索步长和搜索方向继续进行区域搜索和检测，达到预设次数后，基于全部搜索区域的印刷准度，计算获得印刷图像的检测结果。
本申请的第二个方面，提供了印刷图像的检测装置，所述检测装置包括：印刷图像选取单元，用于通过区域选择模块，将采集获得的印刷图像划分为多个栅格区域，并随机选择多个感兴趣区域；区域识别分割单元，用于采用检测识别模块，对多个感兴趣区域内的多个图像内容对象的区域进行识别分割，获得多个对象区域集合；印刷准度计算单元，用于分别对每个对象区域集合内的每个对象区域进行透射密度检测和反射密度检测，获得多个透射密度集和多个反射密度集，结合标准图像内多个对象区域的标准透射密度和标准反射密度，计算获取多个感兴趣区域的印刷准度；更新区域搜索单元，用于采用搜索模块，按照搜索步长和搜索方向，以多个感兴趣区域为起点，搜索获得更新的多个更新区域；搜索规则调整单元，用于对多个更新区域进行识别分割和检测，获得多个更新印刷准度，结合多个印刷准确进行判别，对搜索步长和搜索方向进行调整；印刷检测输出单元，用于通过计算模块，基于调整后的搜索步长和搜索方向继续进行区域搜索和检测，达到预设次数后，基于全部搜索区域的印刷准度，计算获得印刷图像的检测结果。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请实施例提供的方法通过区域选择模块，将采集获得的印刷图像划分为多个栅格区域，并随机选择多个感兴趣区域；采用检测识别模块，对多个感兴趣区域内的多个图像内容对象的区域进行识别分割，获得多个对象区域集合；分别对每个对象区域集合内的每个对象区域进行透射密度检测和反射密度检测，获得多个透射密度集和多个反射密度集，结合标准图像内多个对象区域的标准透射密度和标准反射密度，计算获取多个感兴趣区域的印刷准度；采用搜索模块，按照搜索步长和搜索方向，以多个感兴趣区域为起点，搜索获得更新的多个更新区域；对多个更新区域进行识别分割和检测，获得多个更新印刷准度，结合多个印刷准确进行判别，对搜索步长和搜索方向进行调整；通过计算模块，基于调整后的搜索步长和搜索方向继续进行区域搜索和检测，达到预设次数后，基于全部搜索区域的印刷准度，计算获得印刷图像的检测结果。达到了提高印刷合格性评价的可信度和评价结果获得方法的科学性，为进行印刷工艺调整提供高可信参考的技术效果。
附图说明
图1为本申请提供的印刷图像的方法流程示意图；
图2为本申请提供的印刷图像的方法中构建内容对象分割器的流程示意图；
图3为本申请提供的印刷图像的方法中调整搜索步长的流程示意图；
图4为本申请提供的印刷图像的检测装置的结构示意图。
附图标记说明：印刷图像选取单元1，区域识别分割单元2，印刷准度计算单元3，更新区域搜索单元4，搜索规则调整单元5，印刷检测输出单元6。
具体实施方式
本申请提供了印刷图像的检测方法及检测装置，用于针对解决现有技术中印刷品表面图像的印刷合格性检测依赖于主观目测评价，存在印刷合格性评价结果受主观因素影响导致可信度较低，对于印刷工艺调整，降低印刷次品率的作用较弱的技术问题。达到了提高印刷合格性评价的可信度和评价结果获得方法的科学性，为进行印刷工艺调整提供高可信参考的技术效果。
本发明技术方案中对数据的获取、存储、使用、处理等均符合相关规定。
下面，将参考附图对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部。
实施例一
如图1所示，本申请提供了印刷图像的方法，应用于一印刷图像的检测设备，所述检测设备包括区域选择模块、检测识别模块、搜索模块和计算模块，所述方法包括：
A100:通过区域选择模块，将采集获得的印刷图像划分为多个栅格区域，并随机选择多个感兴趣区域；
具体而言，应理解的，基于印刷工艺将印刷油墨转印到承印物上以获得印刷成品，所述印刷图像即为印刷油墨在印刷成品上的直观图像。
在本实施例中，所述检测设备中的所述区域选择模块用于将图像分割为一系列网格状的小区域，每个栅格区域通常具有相同的形状和大小，并且栅格之间没有重叠，本实施例对所述区域选择模块预设栅格区域尺寸约束，例如所述栅格区域尺寸约束为0.3*0.3m2。
所述区域选择模块基于预定栅格区域尺寸约束进行所述印刷图像的划分，获得所述多个栅格区域，进一步的，基于随机选择，获得所述多个感兴趣区域，所述感兴趣区域在后续作为检测评价印刷成品表面印刷图像的印刷准度的检测评价基准。
A200:采用检测识别模块，对多个感兴趣区域内的多个图像内容对象的区域进行识别分割，获得多个对象区域集合；
在一个实施例中，如图2所示，本申请提供的方法步骤还包括：
A210:根据所述印刷图像的标准图像的印刷数据，训练内容对象分割器，嵌入所述检测识别模块；
A220:采用所述内容对象分割器，对多个感兴趣区域的区域图像进行识别，获得多个内容对象标识信息集；
A230:根据多个内容对象标识信息集，对多个感兴趣区域内多个图像中的内容对象进行分割，获得多个对象区域集合。
在一个实施例中，本申请提供的方法步骤还包括：
A211:根据标准图像的印刷数据记录，划分获取多个栅格区域的多个样本区域图像集合；
A212:对多个样本区域图像集合内的内容对象进行识别和标识，获得多个样本内容对象标识信息集；
A213:基于机器学习中的语义分割，采用多个样本区域图像集合和多个样本内容对象标识信息集作为训练数据，构建内容对象分割器内的编码器和解码器，并训练至收敛。
具体而言，在本实施例中，所述标准图像为印刷生产流水线质检人员基于人工主观目测法检测评价获得的图像印刷准确的多个印刷品。
采用工业摄像机进行所述多个印刷品的表面图像精细化采集，获得所述印刷数据记录，采用获得步骤A100中多个栅格区域相同方法，对所述印刷数据记录进行栅格区域划分，获取多个栅格区域，映射于多个栅格区域的多个样本区域图像集合。
应理解的，印刷品表面附着的印刷油墨构成多种内容对象，例如所述印刷品为自然景色，则内容对象包括蓝天、白云、动物、河流，基于此，本实施例采用人工对多个样本区域图像集合内的每张样本区域图像进行其所包括的内容对象识别和标识，获得多个样本内容对象标识信息集，所述多个样本内容对象标识信息集包括每张样本区域图像中多种内容对象的划分和标识。
基于机器学习中的语义分割构建用于自动化进行图像中所包含内容对象识别划分的所述内容对象分割器，所述内容对象分割器包括编码器和解码器。
具体而言，所述编码器用于提取输入样本区域图像的特征向量，使用预训练的CNN模型作为编码器的基础，例如ResNet、VGG等，移除编码器的分类层，保留前面的卷积层和池化层。通过将输入样本区域图像传递给编码器，获取样本区域图像的特征向量。
解码器将编码器提取的特征向量转换为对应样本区域图像的区域划分识别标记。可以使用全连接层或者逆卷积层来构建解码器。通过调整解码器的参数，使其能够输出与图像内容识别、标识和分割相关的识别标记。
采用上述多个样本区域图像集合和多个样本内容对象标识信息集作为训练数据，并将所述训练数据标识划分为训练集、测试集和验证集，基于训练集和测试集进行编码器和解码器的训练和测试，基于验证集进行所述编码器和解码器的图像识别分割精度验证，直至图像区域识别分割精度稳定高于预设精度时，完成所述内容对象分割器的构建。
将训练好的所述内容对象分割器嵌入所述检测识别模块，以使所述内容检测识别模块具备对印刷图像所包含内容对象进行识别和分割的功能。
在所述检测识别模块中采用所述内容对象分割器，对多个感兴趣区域的区域图像进行识别，获得多个内容对象标识信息集，根据多个内容对象标识信息集，对多个感兴趣区域内多个图像中的内容对象进行分割，获得多个对象区域集合，每个所述对象区域集合中包括了对应感兴趣区域中的印刷内容对象的分割情况。
示例性的，本实施例中，所述印刷图像为山水画，通过区域选择模块将该幅山水画划分为多个栅格区域且随机选择栅格区域获得所述多个感兴趣区域，每个感兴趣区域都可能包括山、水、植物、动物等内容对象，采用检测识别模块进行每个感兴趣区域中内容对象的识别和分割，以获得所述多个对象区域集合。
本实施例通过构建检测识别模块，实现了替代人工进行图像中内容对象识别，在解放劳动力的同时，规避人工主观因素造成的图像内容识别分割准确度缺陷，达到提高图像内容识别精度的技术效果。
A300:分别对每个对象区域集合内的每个对象区域进行透射密度检测和反射密度检测，获得多个透射密度集和多个反射密度集，结合标准图像内多个对象区域的标准透射密度和标准反射密度，计算获取多个感兴趣区域的印刷准度；
在一个实施例中，本申请提供的方法步骤还包括：
A310:采用预设测试光，对多个对象区域集合内每个对象区域进行测试，检测反射和透射后的光通量，与预设测试光在白纸上反射和透射的基准光通量，计算对数函数，获得多个透射密度集和多个反射密度集；
A320:根据所述标准图像内多个对象区域的多个基准透射密度和多个基准反射密度，计算多个透射密度集和多个反射密度集的偏差，获得多个反射印刷准度集和多个透射印刷准度集；
A330:根据每个感兴趣区域内多个对象区域的面积大小，对多个反射印刷准度集和多个透射印刷准度集进行加权计算，获得多个反射印刷准度和多个透射印刷准度；
A340:对多个反射印刷准度和多个透射印刷准度进行加权计算，获得多个感兴趣区域的多个印刷准度。
具体而言，在本实施例中，基于密度检测法进行印刷品表面油墨厚度检测，具体的，所述预设测试光为透视光，所述预设测试光由透视光源设备发出，透视光源设备发出的所述预设测试光照射到印刷品表面后，在油墨附着区域发生光发射和光投射，光穿过油墨层后，位于印刷品背面的光传感器进行透射光强度的记录，光未穿过油墨层且被油墨层反射后，位于印刷品正面的光传感器进行反射光强的记录，在获得油墨层反射光强度。
采用如上获得反射光强度和透射光强度的方法，分别对每个对象区域集合内的每个对象区域进行预设测试光的光强测试，获得多个透射光强集合和多个反射光强集合。
进一步的，采用以透射光强为分子，以预设透视光照射白纸，从白纸上透射出来的光通量为分母进行光通量之比计算，进而进行光通量之比的对数函数构建的方式，获得透射密度，以反射光强为分子，以预设透视光照射白纸，从白纸上反射出来的光通量为分母进行光通量之比计算，进而进行光通量之比的对数函数构建的方式，获得反射密度。采用如上方法，结合多个透射光强集合和多个反射光强集合，计算获得所述多个透射密度集和多个反射密度集。
采用获得所述多个透射密度集和多个反射密度集相同方法，获得表征所述标准图像内随机多个对象区域的对于预设测试光的投射情况和发射情况的多个基准透射密度和多个基准反射密度。进而基于多个基准透射密度进行均值计算，作为所述标准图像的全局基准透射密度，基于多个基准反射密度进行均值计算，作为所述标准图像的全局基准反射密度。
以全局基准透射密度和全局基准反射密度为被减数，以多个透射密度集和多个反射密度集中数据为减数，对应计算多个透射密度集和多个反射密度集的偏差，获得多个反射印刷准度集和多个透射印刷准度集。
进而结合每个感兴趣区域内多个对象区域的印刷面积占比大小，对多个反射印刷准度集和多个透射印刷准度集进行加权计算，获得对应于多个感兴趣区域的多个反射印刷准度和多个透射印刷准度。
进一步的，采用权重均匀分配的权重分配设定，对多个反射印刷准度和多个透射印刷准度进行加权计算，获得多个感兴趣区域的多个印刷准度。
本实施例通过采用预设测试光配合光强传感器进行油墨投射光强和油墨反射光强测试采集，进而结合标准图像的标准参数进行偏差计算，实现了获得可信度和准确度较强的，反映当前印刷品表面局部区域印刷图像的油墨附着均匀度的印刷准度数据的技术效果，间接实现了为后续确定印刷品表面全局印刷图像的印刷准度提供基准数据的技术效果。
A400:采用搜索模块，按照搜索步长和搜索方向，以多个感兴趣区域为起点，搜索获得更新的多个更新区域；
在一个实施例中，本申请提供的方法步骤还包括：
A410:随机生成多个搜索方向；
A420:按照多个搜索方向和搜索步长，以多个感兴趣区域为起点，搜索获得多个更新区域。
具体而言，在本实施例中，以所述印刷图像某点为原点，构建二维坐标系，进而获得所述多个感兴趣区域在所述二维坐标系中的坐标位置，所述搜索方向即为以某个感兴趣区域的坐标位置为起始点进行下一栅格区域选取时，在二维坐标系中的选取方向，例如所述搜索方向为Y轴偏X轴30°。所述搜索步长为以某个感兴趣区域的坐标位置为起始点进行下一栅格区域选取时，要求选定的栅格区域与该感兴趣区域的距离。
在本实施例中，随机生成多个搜索方向和多个搜索步长，采用排列组合，获得无重复的多组搜索方向-搜索步长，所述搜索模块基于前述多组搜索方向-搜索步长，以多个感兴趣区域为起点，搜索获得由多个栅格区域构成的多个更新区域。所述更新区域的数量为多组搜索方向-搜索步长的组数与多个感兴趣区域的区域数量乘积。
本实施例基于随机设定搜索方向及寻优步长并以感兴趣区域作为搜索起始进行更新区域选取，实现了保障更新区域的随机性，从而为后续确定所述印刷图像全局印刷准度提供参考的技术效果。
A500:对多个更新区域进行识别分割和检测，获得多个更新印刷准度，结合多个印刷准确进行判别，对搜索步长和搜索方向进行调整；
在一个实施例中，如图3所示，本申请提供的方法步骤还包括：
A510:分别判断多个更新印刷准度是否大于多个感兴趣区域的印刷准度；
A520:若是，则随机对多个搜索方向进行调整，获得多个调整搜索方向，并将多个搜索方向加入息用表，在息用搜索次数内不可使用，若否，则不对多个搜索方向进行调整；
A530:分别计算多个更新印刷准度与多个感兴趣区域的印刷准度的多个比值；
A540:采用多个比值，对搜索步长进行计算调整和取整处理，获得多个调整后的搜索步长。
具体而言，在本实施例中，采用前述获得多个感兴趣区域的多个印刷准度相同方法，对多个更新区域进行识别分割和检测，获得多个更新印刷准度。
基于前述内容可知，所述更新区域的数量为多组搜索方向-搜索步长的组数与多个感兴趣区域的区域数量乘积。因而根据感兴趣区域进行多个更新印刷准度的分组，获得每个感兴趣区域的更新印刷准度集合，每个更新印刷准度集合中的每个更新印刷准度对应于一组搜索方向-搜索步长。
分别判断每个更新印刷准度集合中的多个更新印刷准度是否均大于该更新印刷准度集合对应的感兴趣区域的印刷准度。若是，则随机对多个搜索方向进行调整，获得多个调整搜索方向，并将前期获得所述多个更新区域的多个搜索方向加入息用表中暂停进行该多个搜索方向的更新区域选取，且所述息用表中的搜索方向在息用搜索次数内（例如停用3次搜索）不可使用。
分别计算每个更新印刷准度集合中的多个更新印刷准度与对应感兴趣区域的印刷准度的多个比值，获得多个比值集合，进而进行每个比值集合中的比值均值计算，从而获得对应于多个感兴趣区域的多个搜索印刷准度比值。
以多个搜索印刷比值加和结果为分母，以每个搜索印刷比值为分子，计算获得多个感兴趣区域的多个步长调整权重。采用多个步长调整权重进行搜索步长进行计算调整和取整处理，获得多个调整后的搜索步长，以作为后续进行多个感兴趣区域的第二轮栅格区域选取时栅格区域与前一轮更新区域空间距离约束。
分别判断每个更新印刷准度集合中的多个更新印刷准度是否均大于该更新印刷准度集合对应的感兴趣区域的印刷准度。若否，则不对多个搜索方向进行调整，保持原来的多个搜索方向。
本实施例通过进行搜索方向控制以及进行多个感兴趣区域的搜索步长个性化调整，实现了提高获得反映印刷图像全局印刷准度的印刷质量等级的效率的技术效果。
A600:通过计算模块，基于调整后的搜索步长和搜索方向继续进行区域搜索和检测，达到预设次数后，基于全部搜索区域的印刷准度，计算获得印刷图像的检测结果。
在一个实施例中，本申请提供的方法步骤还包括：
A610:在区域搜索和检测达到预设次数后，获得全部的多个搜索区域的多个搜索印刷准度；
A620:计算多个搜索印刷准度的均值以及标准差；
A630:根据多个印刷图像的检测数据记录，获取样本准度均值记录、样本准度标准差记录、样本准度最小值记录和样本印刷质量等级记录；
A640:采用样本准度均值记录、样本准度标准差记录、样本准度最小值记录和样本印刷质量等级记录，基于机器学习，训练印刷质量识别器；
A650:采用印刷质量识别器，对多个搜索印刷准度均值、标准差和最小值进行识别，获得印刷质量等级，作为印刷图像的检测结果。
具体而言，在本实施例中，以步骤S500获得的每个感兴趣区域的多个搜索方向和多个搜索步长后，所述搜索模块控制搜索方向和搜索步长在二维坐标系内进行预设频次（例如1*102次）的更新区域搜索和新获得更新区域的印刷准度测试。
在二维坐标系的区域内进行更新区域搜索和检测达到预设次数后，获得由多个感兴趣区域的多个搜索方向构成的多个搜索区域的多个搜索印刷准度，进而计算多个搜索印刷准度的均值以及标准差。
交互该公司的历史印刷日志，获得历史多个印刷图像的印刷准度检测数据记录，进而获取样本准度均值记录、样本准度标准差记录、样本准度最小值记录和样本印刷质量等级记录。
基于循环神经网络构建印刷质量识别器，所述印刷质量识别器的输入数据为印刷准度数据集合和印刷准度数据集合的印刷准度均值，输出结果为印刷质量等级。所述印刷质量识别器基于输入数据进行印刷准度均值、标准差和最小值进行识别，并进行印刷质量等级的定级。
将样本准度均值记录、样本准度标准差记录、样本准度最小值记录和样本印刷质量等级记录作为所述印刷质量识别器的训练数据进行所述印刷质量识别器的多轮次训练测试和验证，直至所述印刷质量识别器的输出准确度稳定高于97%。
采用印刷质量识别器，对多个搜索印刷准度均值、标准差和最小值进行识别，获得印刷质量等级，作为印刷图像的检测结果。
本实施例通过构建印刷质量识别器达到了提高所获印刷图像的评价结果的可信度的技术效果，本实施例提供的印刷图像检测方法在提高印刷合格性评价的可信度和评价结果获得方法的科学性的同时，为进行印刷工艺调整提供高可信参考。
实施例二
基于与前述实施例中印刷图像的方法相同的发明构思，如图4所示，本申请提供了印刷图像的检测装置，其中，所述检测装置包括：
印刷图像选取单元1，用于通过区域选择模块，将采集获得的印刷图像划分为多个栅格区域，并随机选择多个感兴趣区域；
区域识别分割单元2，用于采用检测识别模块，对多个感兴趣区域内的多个图像内容对象的区域进行识别分割，获得多个对象区域集合；
印刷准度计算单元3，用于分别对每个对象区域集合内的每个对象区域进行透射密度检测和反射密度检测，获得多个透射密度集和多个反射密度集，结合标准图像内多个对象区域的标准透射密度和标准反射密度，计算获取多个感兴趣区域的印刷准度；
更新区域搜索单元4，用于采用搜索模块，按照搜索步长和搜索方向，以多个感兴趣区域为起点，搜索获得更新的多个更新区域；
搜索规则调整单元5，用于对多个更新区域进行识别分割和检测，获得多个更新印刷准度，结合多个印刷准确进行判别，对搜索步长和搜索方向进行调整；
印刷检测输出单元6，用于通过计算模块，基于调整后的搜索步长和搜索方向继续进行区域搜索和检测，达到预设次数后，基于全部搜索区域的印刷准度，计算获得印刷图像的检测结果。
在一个实施例中，所述区域识别分割单元2还包括：
根据所述印刷图像的标准图像的印刷数据，训练内容对象分割器，嵌入所述检测识别模块；
采用所述内容对象分割器，对多个感兴趣区域的区域图像进行识别，获得多个内容对象标识信息集；
根据多个内容对象标识信息集，对多个感兴趣区域内多个图像中的内容对象进行分割，获得多个对象区域集合。
在一个实施例中，所述区域识别分割单元2还包括：
根据标准图像的印刷数据记录，划分获取多个栅格区域的多个样本区域图像集合；
对多个样本区域图像集合内的内容对象进行识别和标识，获得多个样本内容对象标识信息集；
基于机器学习中的语义分割，采用多个样本区域图像集合和多个样本内容对象标识信息集作为训练数据，构建内容对象分割器内的编码器和解码器，并训练至收敛。
在一个实施例中，所述印刷准度计算单元3还包括：
采用预设测试光，对多个对象区域集合内每个对象区域进行测试，检测反射和透射后的光通量，与预设测试光在白纸上反射和透射的基准光通量，计算对数函数，获得多个透射密度集和多个反射密度集；
根据所述标准图像内多个对象区域的多个基准透射密度和多个基准反射密度，计算多个透射密度集和多个反射密度集的偏差，获得多个反射印刷准度集和多个透射印刷准度集；
根据每个感兴趣区域内多个对象区域的面积大小，对多个反射印刷准度集和多个透射印刷准度集进行加权计算，获得多个反射印刷准度和多个透射印刷准度；
对多个反射印刷准度和多个透射印刷准度进行加权计算，获得多个感兴趣区域的多个印刷准度。
在一个实施例中，所述更新区域搜索单元4还包括：
随机生成多个搜索方向；
按照多个搜索方向和搜索步长，以多个感兴趣区域为起点，搜索获得多个更新区域。
在一个实施例中，所述搜索规则调整单元5还包括：
分别判断多个更新印刷准度是否大于多个感兴趣区域的印刷准度；
若是，则随机对多个搜索方向进行调整，获得多个调整搜索方向，并将多个搜索方向加入息用表，在息用搜索次数内不可使用，若否，则不对多个搜索方向进行调整；
分别计算多个更新印刷准度与多个感兴趣区域的印刷准度的多个比值；
采用多个比值，对搜索步长进行计算调整和取整处理，获得多个调整后的搜索步长。
在一个实施例中，所述印刷检测输出单元6还包括：
在区域搜索和检测达到预设次数后，获得全部的多个搜索区域的多个搜索印刷准度；
计算多个搜索印刷准度的均值以及标准差；
根据多个印刷图像的检测数据记录，获取样本准度均值记录、样本准度标准差记录、样本准度最小值记录和样本印刷质量等级记录；
采用样本准度均值记录、样本准度标准差记录、样本准度最小值记录和样本印刷质量等级记录，基于机器学习，训练印刷质量识别器；
采用印刷质量识别器，对多个搜索印刷准度均值、标准差和最小值进行识别，获得印刷质量等级，作为印刷图像的检测结果。
综上所述的任意一项方法或者步骤可作为计算机指令或程序存储在各种不限类型的计算机存储器中，通过各种不限类型的计算机处理器识别计算机指令或程序，进而实现上述任一项方法或者步骤。
基于本发明的上述具体实施例，本技术领域的技术人员在不脱离本发明原理的前提下，对本发明所作的任何改进和修饰，皆应落入本发明的专利保护范围。
Claims (8)
1.一种印刷图像的检测方法，其特征在于，所述方法应用于一印刷图像的检测设备，所述检测设备包括区域选择模块、检测识别模块、搜索模块和计算模块，所述方法包括：
通过区域选择模块，将采集获得的印刷图像划分为多个栅格区域，并随机选择多个感兴趣区域；
采用检测识别模块，对多个感兴趣区域内的多个图像内容对象的区域进行识别分割，获得多个对象区域集合；
分别对每个对象区域集合内的每个对象区域进行透射密度检测和反射密度检测，获得多个透射密度集和多个反射密度集，结合标准图像内多个对象区域的标准透射密度和标准反射密度，计算获取多个感兴趣区域的印刷准度；
采用搜索模块，按照搜索步长和搜索方向，以多个感兴趣区域为起点，搜索获得更新的多个更新区域；
对多个更新区域进行识别分割和检测，获得多个更新印刷准度，结合多个印刷准度进行判别，对搜索步长和搜索方向进行调整；
通过计算模块，基于调整后的搜索步长和搜索方向继续进行区域搜索和检测，达到预设次数后，基于全部搜索区域的印刷准度，计算获得印刷图像的检测结果。
2.根据权利要求1所述的方法，其特征在于，所述方法包括：
根据所述印刷图像的标准图像的印刷数据，训练内容对象分割器，嵌入所述检测识别模块；
采用所述内容对象分割器，对多个感兴趣区域的区域图像进行识别，获得多个内容对象标识信息集；
根据多个内容对象标识信息集，对多个感兴趣区域内多个图像中的内容对象进行分割，获得多个对象区域集合。
3.根据权利要求2所述的方法，其特征在于，所述方法包括：
根据标准图像的印刷数据记录，划分获取多个栅格区域的多个样本区域图像集合；
对多个样本区域图像集合内的内容对象进行识别和标识，获得多个样本内容对象标识信息集；
基于机器学习中的语义分割，采用多个样本区域图像集合和多个样本内容对象标识信息集作为训练数据，构建内容对象分割器内的编码器和解码器，并训练至收敛。
4.根据权利要求1所述的方法，其特征在于，所述方法包括：
采用预设测试光，对多个对象区域集合内每个对象区域进行测试，检测反射和透射后的光通量，与预设测试光在白纸上反射和透射的基准光通量，计算对数函数，获得多个透射密度集和多个反射密度集；
根据所述标准图像内多个对象区域的多个基准透射密度和多个基准反射密度，计算多个透射密度集和多个反射密度集的偏差，获得多个反射印刷准度集和多个透射印刷准度集；
根据每个感兴趣区域内多个对象区域的面积大小，对多个反射印刷准度集和多个透射印刷准度集进行加权计算，获得多个反射印刷准度和多个透射印刷准度；
对多个反射印刷准度和多个透射印刷准度进行加权计算，获得多个感兴趣区域的多个印刷准度。
5.根据权利要求1所述的方法，其特征在于，所述方法包括：
随机生成多个搜索方向；
按照多个搜索方向和搜索步长，以多个感兴趣区域为起点，搜索获得多个更新区域。
6.根据权利要求1所述的方法，其特征在于，所述方法包括：
分别判断多个更新印刷准度是否大于多个感兴趣区域的印刷准度；
若是，则随机对多个搜索方向进行调整，获得多个调整搜索方向，并将多个搜索方向加入息用表，在息用搜索次数内不可使用，若否，则不对多个搜索方向进行调整；
分别计算多个更新印刷准度与多个感兴趣区域的印刷准度的多个比值；
采用多个比值，对搜索步长进行计算调整和取整处理，获得多个调整后的搜索步长。
7.根据权利要求1所述的方法，其特征在于，所述方法包括：
在区域搜索和检测达到预设次数后，获得全部的多个搜索区域的多个搜索印刷准度；
计算多个搜索印刷准度的均值以及标准差；
根据多个印刷图像的检测数据记录，获取样本准度均值记录、样本准度标准差记录、样本准度最小值记录和样本印刷质量等级记录；
采用样本准度均值记录、样本准度标准差记录、样本准度最小值记录和样本印刷质量等级记录，基于机器学习，训练印刷质量识别器；
采用印刷质量识别器，对多个搜索印刷准度均值、标准差和最小值进行识别，获得印刷质量等级，作为印刷图像的检测结果。
8.一种印刷图像的检测装置，其特征在于，所述检测装置包括：
印刷图像选取单元，用于通过区域选择模块，将采集获得的印刷图像划分为多个栅格区域，并随机选择多个感兴趣区域；
区域识别分割单元，用于采用检测识别模块，对多个感兴趣区域内的多个图像内容对象的区域进行识别分割，获得多个对象区域集合；
印刷准度计算单元，用于分别对每个对象区域集合内的每个对象区域进行透射密度检测和反射密度检测，获得多个透射密度集和多个反射密度集，结合标准图像内多个对象区域的标准透射密度和标准反射密度，计算获取多个感兴趣区域的印刷准度；
更新区域搜索单元，用于采用搜索模块，按照搜索步长和搜索方向，以多个感兴趣区域为起点，搜索获得更新的多个更新区域；
搜索规则调整单元，用于对多个更新区域进行识别分割和检测，获得多个更新印刷准度，结合多个印刷准度进行判别，对搜索步长和搜索方向进行调整；
印刷检测输出单元，用于通过计算模块，基于调整后的搜索步长和搜索方向继续进行区域搜索和检测，达到预设次数后，基于全部搜索区域的印刷准度，计算获得印刷图像的检测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311149378.3A CN117173134B (zh) | 2023-09-07 | 2023-09-07 | 印刷图像的检测方法及检测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311149378.3A CN117173134B (zh) | 2023-09-07 | 2023-09-07 | 印刷图像的检测方法及检测装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117173134A CN117173134A (zh) | 2023-12-05 |
| CN117173134B true CN117173134B (zh) | 2024-04-09 |
Family
ID=88944614
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311149378.3A Active CN117173134B (zh) | 2023-09-07 | 2023-09-07 | 印刷图像的检测方法及检测装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117173134B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1632542A (zh) * | 2004-12-31 | 2005-06-29 | 张健 | 智能数码图文检测系统及其检测方法 |
| CN106469450A (zh) * | 2016-08-31 | 2017-03-01 | 华南理工大学 | 一种印刷品墨斑的检测方法及装置 |
| CN109308700A (zh) * | 2017-07-27 | 2019-02-05 | 南京敏光视觉智能科技有限公司 | 一种基于印刷品字符的视觉识别缺陷检测方法 |
| CN112348126A (zh) * | 2021-01-06 | 2021-02-09 | 北京沃东天骏信息技术有限公司 | 一种印刷物品中目标对象的识别方法和装置 |
| CN112489042A (zh) * | 2020-12-21 | 2021-03-12 | 大连工业大学 | 基于超分辨重建的金属品印刷缺陷与表面损伤的检测方法 |
| CN113706464A (zh) * | 2021-07-22 | 2021-11-26 | 西安交通大学 | 一种印刷品外观质量检测方法及系统 |
-
2023
- 2023-09-07 CN CN202311149378.3A patent/CN117173134B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1632542A (zh) * | 2004-12-31 | 2005-06-29 | 张健 | 智能数码图文检测系统及其检测方法 |
| CN106469450A (zh) * | 2016-08-31 | 2017-03-01 | 华南理工大学 | 一种印刷品墨斑的检测方法及装置 |
| CN109308700A (zh) * | 2017-07-27 | 2019-02-05 | 南京敏光视觉智能科技有限公司 | 一种基于印刷品字符的视觉识别缺陷检测方法 |
| CN112489042A (zh) * | 2020-12-21 | 2021-03-12 | 大连工业大学 | 基于超分辨重建的金属品印刷缺陷与表面损伤的检测方法 |
| CN112348126A (zh) * | 2021-01-06 | 2021-02-09 | 北京沃东天骏信息技术有限公司 | 一种印刷物品中目标对象的识别方法和装置 |
| CN113706464A (zh) * | 2021-07-22 | 2021-11-26 | 西安交通大学 | 一种印刷品外观质量检测方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| 印刷产品质量标准化检测中的数字测控系统技术;李波;谢毅;王惠;;印刷质量与标准化(第11期);全文 * |
| 图像质量的评价与实现方法;杨尚昆;韩丽丽;;印刷质量与标准化(第09期);全文 * |
| 基于图像处理的印品质量检测系统研究;刘浩;孙建明;王小芳;李昭;;科技视界(第03期);全文 * |
| 无标记印刷品质量在线检测方法研究;许敏;马钺;陈帅;徐首帅;;传感器与微系统(第10期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117173134A (zh) | 2023-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113705478B (zh) | 一种基于改进YOLOv5的红树林单木目标检测方法 | |
| CN110569837B (zh) | 优化损伤检测结果的方法及装置 | |
| CN108416378B (zh) | 一种基于深度神经网络的大场景sar目标识别方法 | |
| CN112115895B (zh) | 指针型仪表读数识别方法、装置、计算机设备及存储介质 | |
| CN107004123B (zh) | 迭代式缺陷滤除工艺 | |
| CN110136101B (zh) | 一种基于孪生距离比对的轮胎x光病疵检测方法 | |
| CN113793333B (zh) | 应用于工业质检的缺陷图片生成方法及装置 | |
| CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
| CN111178206A (zh) | 一种基于改进yolo的建筑预埋件检测方法及系统 | |
| CN115861170A (zh) | 基于改进yolo v4算法的表面缺陷检测方法 | |
| Wang et al. | A camouflaged object detection model based on deep learning | |
| CN113554645B (zh) | 基于wgan的工业异常检测方法和装置 | |
| KR102189951B1 (ko) | 이미지 분석을 이용한 선박 도장상태 검사 시스템 및 방법 | |
| CN117173134B (zh) | 印刷图像的检测方法及检测装置 | |
| CN112633354B (zh) | 路面裂缝检测方法、装置、计算机设备和存储介质 | |
| CN115493532B (zh) | 测量板材表面待测量元素面积的测量系统、方法及介质 | |
| CN115631192B (zh) | 一种阀门试压机的控制方法、装置、设备及介质 | |
| KR20220111214A (ko) | 인공지능 기반 제품 결함 검사 방법, 장치 및 컴퓨터 프로그램 | |
| US20220189806A1 (en) | Estimating heights of defects in a wafer | |
| US11790639B2 (en) | Measuring the sensitivity of image classifiers to modifications of the input image | |
| CN117314914B (zh) | 一种对工程无损检测图像的缺陷识别方法及相关设备 | |
| CN115357517B (zh) | 机器视觉底层算法的开发优劣性的评测方法 | |
| CN114898225A (zh) | 基于深度学习的目标检测方法和设备及计算机可读介质 | |
| CN117274788B (zh) | 一种声呐图像目标定位方法、系统、电子设备及存储介质 | |
| CN117456542A (zh) | 图像匹配方法、装置、电子设备及存储介质 |
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 |