CN117533015B - 数码印刷机柔板套位印刷控制系统 - Google Patents
数码印刷机柔板套位印刷控制系统 Download PDFInfo
- Publication number
- CN117533015B CN117533015B CN202311746873.2A CN202311746873A CN117533015B CN 117533015 B CN117533015 B CN 117533015B CN 202311746873 A CN202311746873 A CN 202311746873A CN 117533015 B CN117533015 B CN 117533015B
- Authority
- CN
- China
- Prior art keywords
- printing
- image
- data
- layer
- intelligent
- 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
- 239000000463 material Substances 0.000 claims abstract description 66
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 230000000694 effects Effects 0.000 claims abstract description 8
- 230000004044 response Effects 0.000 claims abstract description 7
- 210000002569 neuron Anatomy 0.000 claims description 27
- 238000009499 grossing Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 14
- 230000008569 process Effects 0.000 abstract description 11
- 238000007405 data analysis Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
- B41F—PRINTING MACHINES OR PRESSES
- B41F33/00—Indicating, counting, warning, control or safety devices
- B41F33/16—Programming systems for automatic control of sequence of operations
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
- B41F—PRINTING MACHINES OR PRESSES
- B41F23/00—Devices for treating the surfaces of sheets, webs, or other articles in connection with printing
- B41F23/08—Print finishing devices, e.g. for glossing prints
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
- B41F—PRINTING MACHINES OR PRESSES
- B41F5/00—Rotary letterpress machines
- B41F5/24—Rotary letterpress machines for flexographic printing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
- B41P—INDEXING SCHEME RELATING TO PRINTING, LINING MACHINES, TYPEWRITERS, AND TO STAMPS
- B41P2200/00—Printing processes
- B41P2200/10—Relief printing
- B41P2200/12—Flexographic printing
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
- B41P—INDEXING SCHEME RELATING TO PRINTING, LINING MACHINES, TYPEWRITERS, AND TO STAMPS
- B41P2233/00—Arrangements for the operation of printing presses
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mechanical Engineering (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Printing Methods (AREA)
Abstract
本发明涉及一种数码印刷机柔板套位印刷控制系统，属于数码印刷机技术领域，通过采集数码印刷机在印刷效果良好时的印刷数据，构建广义回归神经网络，过程中对重复样本进行合并和取平均值处理，精确量化材料上油量对印刷材料的面积和厚度的响应；通过建立直角坐标系，计算不同坐标所对应的待印刷图像特征数据和印刷后图像特征数据之间的差值，确定需要追印的图像坐标位置，计算图像差值的方差衡量印刷图像清晰度，以控制印刷追印压力。本发明通过在数码印刷机添加柔板套位，并结合大数据分析，解决了数码印刷机利用柔板材料上油产生的上油不均匀问题，同时解决了在追印图像过程中发生重叠和不清晰的问题。
Description
技术领域
本发明属于数码印刷机技术领域，涉及一种数码印刷机柔板套位印刷控制系统。
背景技术
数码印刷机是一种通过数码技术对纸张、纺织品或其他材料进行打印的印刷设备。相对于传统的印刷设备，数码印刷机可以实现快速、灵活、低成本的印刷，同时能够实现个性化订制，批量生产等需求，因此在广告、出版、服装等领域得到了广泛应用。
然而，目前大部分数码印刷机由于缺少传统印刷机的柔板工位，无法实现材料上油和追印印刷的功能，导致印刷质量和稳定性降低。而在材料上油过程中，容易出现由于无法精确评估不同印刷材料面积和厚度的上油量，导致材料上油不均匀的问题。此外，在追印印刷过程中，容易出现由于无法确定需要追印的图像位置以及控制追印印刷压力，导致追印图像重叠和不清晰的问题。
发明内容
为解决上述现有技术存在的问题，本发明提供了一种数码印刷机柔板套位印刷控制系统。
本发明的目的可以通过以下技术方案实现：
本发明提供了一种数码印刷机柔板套位印刷控制系统，包括数据采集模块、智能上油模块、智能追印模块和柔板控制模块，其中：
所述数据采集模块，用于采集印刷机工作时的印刷数据，所述印刷数据包括印刷材料的面积和厚度、材料上油量、待印刷图像特征数据和印刷后图像特征数据；
所述智能上油模块，用于将印刷材料的面积和厚度作为输入，输入广义回归神经网络模型，对材料上油量进行控制；
所述智能追印模块，用于根据待印刷图像特征数据和印刷后图像特征数据，采用智能追印算法确定需要追印的图像位置以及追印印刷压力；
所述柔板控制模块，连接所述智能上油模块和所述智能追印模块，用于控制柔板的运动以完成材料上油和追印印刷的操作。
进一步地，所述智能上油模块中，所述广义回归神经网络，是以印刷材料的面积和厚度作为自变量，材料上油量为因变量构建的，包括以下步骤：
S1、数据预处理：对重复的自变量样本进行合并，重复样本所对应的因变量数据取平均值处理；
S2、模型结构设计：确定模型神经元的结构，以及它们之间的传输方式；
S3、模型参数调整：设定平滑因子的步长，采用决定系数评估不同平滑因子步长的模型预测性能，选择决定系数最大的平滑因子作为模型的最佳参数；
S4、模型确定：选择具有最佳参数的模型作为最终模型。
进一步地，步骤S2中，所述模型神经元包括输入层、模式层、求和层和输出层，所述输入层，用于将输入向量传输给模式层，输入层层数等于输入向量的样本数；所述模式层，用于采用高斯函数对输入数据进行处理，并传输给求和层；所述求和层，用于对模式层神经元进行求和，包括神经元输出求和，以及输出向量加权求和；所述输出层，用于利用求和层的输出求出估计输出结果；所述输入向量为印刷材料的面积和厚度，输出向量为材料上油量；
进一步地，所述模式层中，所述高斯函数，计算公式为：
式中，pi表示第i个输入层的模式层神经元输出；X表示网络输入向量；Xi表示第i个输入层神经元对应的学习样本；σ表示平滑因子。
进一步地，所述求和层中，所述神经元输出求和，计算公式为：
式中，SD表示求和层神经元输出总和；pi表示第i个输入层的模式层神经元输出；n为样本数；
所述输出向量加权求和，计算公式为：
式中，SNj表示第j个求和层的输出向量加权求和，j＝1，2，……，k，k为求和层层数；yij表示第j个求和层的输出向量。
进一步地，所述输出层中，所述利用求和层的输出求出估计输出结果，估计输出结果的计算公如下：
式中，SNj表示第j个求和层的输出向量加权求和，j＝1，2，……，k，k为求和层层数；SD表示求和层神经元输出总和；yj表示第j个求和层的估计输出结果。
进一步地，步骤S3中，所述决定系数，计算公式为：
式中，R2为决定系数；yi为材料上油量的实际值；zi为待材料上油量的预测值；为材料上油量实际值的平均值；n为样本数。
进一步地，所述智能追印模块中，所述智能追印算法，包括以下步骤：
T1、以印刷材料的图像中心为原点，建立x-y直角坐标系；
T2、计算不同坐标所对应的待印刷图像特征数据和印刷后图像特征数据之间的差值，确定需要追印的图像坐标位置；
T3、根据所述需要追印的图像坐标位置，在所述图像坐标位置准备追印的图像；
T4、根据待印刷图像特征数据和印刷后图像特征数据之间的差值，确定追印印刷的压力，对需要追印的图像坐标位置进行追印印刷。
进一步地，步骤T4中，所述根据待印刷图像特征数据和印刷后图像特征数据之间的差值，确定追印印刷压力，包括以下步骤：
T41、计算图像差值方差，所述图像坐标方差为不同坐标所对应的待印刷图像特征数据和印刷后图像特征数据之间差值的方差；
T42、以图像差值方差为解释变量，追印压力为响应变量，训练人工神经网络模型；
T43、将图像差值方差输入训练完成的人工神经网络模型，输出追印印刷压力。
进一步地，步骤T42中，所述人工神经网络模型为卷积神经网络模型。
本发明的有益效果：
(1)通过构建广义回归神经网络，精确量化材料上油量对印刷材料的面积和厚度的响应，过程中对重复的样本数据进行合并和取平均值处理，解决了现有技术中在材料上油过程中，容易出现由于无法精确评估不同印刷材料面积和厚度的上油量，导致材料上油不均匀的问题。
(2)通过建立直角坐标系，计算不同坐标所对应的待印刷图像特征数据和印刷后图像特征数据之间的差值，确定需要追印的图像坐标位置，并以图像差值方差，作为衡量印刷图像清晰度的指标，以控制印刷追印压力，解决了现有技术在追印印刷过程中，由于无法确定需要追印的图像位置以及无法控制追印印刷压力，导致追印图像重叠和不清晰的问题。
附图说明
为了便于本领域技术人员理解，下面结合附图对本发明作进一步地说明。
图1为本发明中一种数码印刷机柔板套位印刷控制系统的结构图。
具体实施方式
为更进一步阐述本发明为实现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，对依据本发明的具体实施方式、结构、特征及其功效，详细说明如后。
请参阅图1，本发明提供了一种数码印刷机柔板套位印刷控制系统，包括数据采集模块、智能上油模块、智能追印模块和柔板控制模块，其中：
所述数据采集模块，用于采集印刷机工作时的印刷数据，所述印刷数据包括印刷材料的面积和厚度、材料上油量、待印刷图像特征数据和印刷后图像特征数据；
所述智能上油模块，用于将印刷材料的面积和厚度作为输入，输入广义回归神经网络模型，对材料上油量进行控制；
所述智能追印模块，用于根据待印刷图像特征数据和印刷后图像特征数据，采用智能追印算法确定需要追印的图像位置以及追印印刷压力；
所述柔板控制模块，连接所述智能上油模块和所述智能追印模块，用于控制柔板的运动以完成材料上油和追印印刷的操作。
本实施例中，数据采集模块所采集的印刷数据是后续构建神经网络模型的数据基础，其数据要求应当是印刷机在印刷效果良好时的数据。对于材料上油来说，上油量应该在材料中均匀分布，因此需要精确控制上油量以符合不同印刷材料面积和厚度的情况；对于追印印刷来说，传统的追印方式是直接将整个图像进行追印，这种操作容易使原本就清晰的部分图像位置重叠而导致不清晰，加上每次印刷图像的清晰度不同，恒定追印印刷压力可能导致追印效果不统一，因此需要提前确定需要追印的图像位置以及精确控制追印印刷压力，使印刷效果达到最佳状态。
进一步地，所述智能上油模块中，所述广义回归神经网络，是以印刷材料的面积和厚度作为自变量，材料上油量为因变量构建的，包括以下步骤：
S1、数据预处理：对重复的自变量样本进行合并，重复样本所对应的因变量数据取平均值处理；
需要注意的是，由于印刷材料的规格大部分是固定的，并且种类相对较少，因此在所采集的数据中，相同种类印刷材料的面积和厚度大致相同，由此产生重复样本，对这些重复样本需要将其合并，而重复样本中的材料上油量可能存在细微差异，要对其取平均值处理。这样有利于数据特征的提取，提高模型的稳定性；
S2、模型结构设计：确定模型神经元的结构，以及它们之间的传输方式；
S3、模型参数调整：设定平滑因子的步长，采用决定系数评估不同平滑因子步长的模型预测性能，选择决定系数最大的平滑因子作为模型的最佳参数；
S4、模型确定：选择具有最佳参数的模型作为最终模型。
在本实施例中，考虑到具有不同面积和厚度的材料的种类较少，其产生的样本量也相对较少的情况，在量化材料上油量对印刷材料面积和厚度的响应时，采用具有处理少量样本优势的广义回归神经网络。广义回归神经网络是建立在非参数估计基础上的径向基(RBF)神经网络，其结构和RBF神经网络很相似。在网络训练的过程中其实就是确定平滑因子的过程，在样本数据较少的时候，其训练效果也很好，尤其是在逼近能力和学习速度上比RBF神经网络和BP神经网络具有更强的优势，而且最后能收敛于样本聚集较多的优化回归面。
进一步地，步骤S2中，所述模型神经元包括输入层、模式层、求和层和输出层，所述输入层，用于将输入向量传输给模式层，输入层层数等于输入向量的样本数；所述模式层，用于采用高斯函数对输入数据进行处理，并传输给求和层；所述求和层，用于对模式层神经元进行求和，包括神经元输出求和，以及输出向量加权求和；所述输出层，用于利用求和层的输出求出估计输出结果；所述输入向量为印刷材料的面积和厚度，输出向量为材料上油量；
进一步地，所述模式层中，所述高斯函数，计算公式为：
式中，pi表示第i个输入层的模式层神经元输出；X表示网络输入向量；Xi表示第i个输入层神经元对应的学习样本；σ表示平滑因子。
进一步地，所述求和层中，所述神经元输出求和，计算公式为：
式中，SD表示求和层神经元输出总和；pi表示第i个输入层的模式层神经元输出；n为样本数；
所述输出向量加权求和，计算公式为：
式中，SNj表示第j个求和层的输出向量加权求和，j＝1，2，……，k，k为求和层层数；yij表示第j个求和层的输出向量。
进一步地，所述输出层中，所述利用求和层的输出求出估计输出结果，估计输出结果的计算公如下：
式中，SNj表示第j个求和层的输出向量加权求和，j＝1，2，……，k，k为求和层层数；SD表示求和层神经元输出总和；yj表示第j个求和层的估计输出结果。
进一步地，步骤S3中，所述决定系数，计算公式为：
式中，R2为决定系数；yi为材料上油量的实际值；zi为待材料上油量的预测值；为材料上油量实际值的平均值；n为样本数。
进一步地，所述智能追印模块中，所述智能追印算法，包括以下步骤：
T1、以印刷材料的图像中心为原点，建立x-y直角坐标系；
T2、计算不同坐标所对应的待印刷图像特征数据和印刷后图像特征数据之间的差值，确定需要追印的图像坐标位置；
T3、根据所述需要追印的图像坐标位置，在所述图像坐标位置准备追印的图像；
T4、根据待印刷图像特征数据和印刷后图像特征数据之间的差值，确定追印印刷的压力，对需要追印的图像坐标位置进行追印印刷。
本实施例中，不同坐标所对应的待印刷图像特征数据和印刷后图像特征数据之间存在差值，表示该坐标位置的图像印刷后存在不清晰的现象，计算该差值，可以很好地确定需要追印的图像坐标位置；此外，通过计算不同坐标差值的方差，可以衡量图像印刷的清晰程度，以作为控制追印印刷压力的依据。
进一步地，步骤T4中，所述根据待印刷图像特征数据和印刷后图像特征数据之间的差值，确定追印印刷压力，包括以下步骤：
T41、计算图像差值方差，所述图像坐标方差为不同坐标所对应的待印刷图像特征数据和印刷后图像特征数据之间差值的方差；
T42、基于已采集的印刷数据，以图像差值方差为解释变量，追印压力为响应变量，训练人工神经网络模型；
T43、将步骤T41中的图像差值方差输入训练完成的人工神经网络模型，输出追印印刷压力。
需要注意的是，针对于图像数据，步骤T42中所述的人工神经网络模型优选为卷积神经网络。
本发明的有益效果：
(1)通过构建广义回归神经网络，精确量化材料上油量对印刷材料的面积和厚度的响应，解决了现有技术中在材料上油过程中，容易出现由于无法精确评估不同印刷材料面积和厚度的上油量，导致材料上油不均匀的问题。
(2)通过建立直角坐标系，计算不同坐标所对应的待印刷图像特征数据和印刷后图像特征数据之间的差值，确定需要追印的图像坐标位置，并构建图像差值的方差与印刷追印压力的人工神经网络模型，作为控制印刷追印压力的控制模型，解决了现有技术在追印印刷过程中，由于无法确定需要追印的图像位置以及控制追印印刷压力，导致追印图像重叠和不清晰的问题。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭示如上，然而并非用以限定本发明，任何本领域技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简介修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
Claims (5)
1.一种数码印刷机柔板套位印刷控制系统，其特征在于：包括数据采集模块、智能上油模块、智能追印模块和柔板控制模块，其中：
所述数据采集模块，用于采集印刷机工作时的印刷数据，所述印刷数据，是采集印刷机在印刷效果良好时的数据，包括印刷材料的面积和厚度、材料上油量、待印刷图像特征数据和印刷后图像特征数据；
所述智能上油模块，用于将印刷材料的面积和厚度作为输入，输入广义回归神经网络模型，对材料上油量进行控制；
所述智能追印模块，用于根据待印刷图像特征数据和印刷后图像特征数据，采用智能追印算法确定需要追印的图像位置以及追印印刷压力；
所述柔板控制模块，连接所述智能上油模块和所述智能追印模块，用于控制柔板的运动以完成材料上油和追印印刷的操作；
其中，所述智能上油模块中，所述广义回归神经网络，是以印刷材料的面积和厚度作为自变量，材料上油量为因变量构建的，包括以下步骤：
S1、数据预处理：对重复的自变量样本进行合并，重复样本所对应的因变量数据取平均值处理；
S2、模型结构设计：确定模型神经元的结构，以及神经元之间的传输方式；
S3、模型参数调整：设定平滑因子的步长，采用决定系数评估不同平滑因子步长的模型预测性能，选择决定系数最大的平滑因子作为模型的最佳参数；
S4、模型确定：选择具有最佳参数的模型作为最终模型；
所述智能追印模块中，所述智能追印算法，包括以下步骤：
T1、以印刷材料的图像中心为原点，建立x-y直角坐标系；
T2、计算不同坐标所对应的待印刷图像特征数据和印刷后图像特征数据之间的差值，确定需要追印的图像坐标位置；
T3、根据所述需要追印的图像坐标位置，在图像坐标位置准备追印的图像；
T4、根据待印刷图像特征数据和印刷后图像特征数据之间的差值，确定追印印刷的压力，对需要追印的图像坐标位置进行追印印刷。
2.根据权利要求1所述的一种数码印刷机柔板套位印刷控制系统，其特征在于：步骤S2中，所述模型神经元包括输入层、模式层、求和层和输出层，所述输入层，用于将输入向量传输给模式层，输入层层数等于输入向量的样本数；所述模式层，用于采用高斯函数对输入数据进行处理，并传输给求和层；所述求和层，用于对模式层神经元进行求和，包括神经元输出求和，以及输出向量加权求和；所述输出层，用于利用求和层的输出求出估计输出结果；所述输入向量为印刷材料的面积和厚度，输出向量为材料上油量。
3.根据权利要求1所述的一种数码印刷机柔板套位印刷控制系统，其特征在于：步骤S3中，所述决定系数，计算公式为：
式中，R2为决定系数；yi为材料上油量的实际值；zi为待材料上油量的预测值；为材料上油量实际值的平均值；n为样本数。
4.根据权利要求1所述的一种数码印刷机柔板套位印刷控制系统，其特征在于：步骤T4中，所述根据待印刷图像特征数据和印刷后图像特征数据之间的差值，确定追印印刷压力，包括以下步骤：
T41、计算图像差值方差，所述图像差值方差为不同坐标所对应的待印刷图像特征数据和印刷后图像特征数据之间差值的方差；
T42、利用已采集的印刷数据，以图像差值方差为解释变量，追印压力为响应变量，训练人工神经网络模型；
T43、将步骤T41所述的图像差值方差输入所述人工神经网络模型，输出追印印刷压力。
5.根据权利要求4所述的一种数码印刷机柔板套位印刷控制系统，其特征在于：步骤T42中，所述人工神经网络模型为卷积神经网络模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311746873.2A CN117533015B (zh) | 2023-12-19 | 2023-12-19 | 数码印刷机柔板套位印刷控制系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311746873.2A CN117533015B (zh) | 2023-12-19 | 2023-12-19 | 数码印刷机柔板套位印刷控制系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117533015A CN117533015A (zh) | 2024-02-09 |
| CN117533015B true CN117533015B (zh) | 2024-04-16 |
Family
ID=89792013
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311746873.2A Active CN117533015B (zh) | 2023-12-19 | 2023-12-19 | 数码印刷机柔板套位印刷控制系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117533015B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104553375A (zh) * | 2013-10-17 | 2015-04-29 | 北大方正集团有限公司 | 打印控制方法、装置及系统 |
| CN106671618A (zh) * | 2015-11-10 | 2017-05-17 | 北大方正集团有限公司 | 二次追印控制方法及装置 |
| WO2019193900A1 (ja) * | 2018-04-05 | 2019-10-10 | コニカミノルタ株式会社 | 印刷物検査装置、印刷物検査方法、および印刷物検査プログラム |
| CN113002161A (zh) * | 2021-02-19 | 2021-06-22 | 绍兴文理学院元培学院 | 一种印刷机色彩质量控制方法、系统、终端及存储介质 |
| EP3954540A1 (en) * | 2020-08-11 | 2022-02-16 | Schott AG | Method for printing an image on a substrate and corresponding system |
| CN114240819A (zh) * | 2020-09-09 | 2022-03-25 | 富士胶片商业创新有限公司 | 追印检查装置、追印检查方法以及计算机可读介质 |
| CN114553927A (zh) * | 2022-04-19 | 2022-05-27 | 深圳市彩昇印刷机械有限公司 | 一种基于大数据的印刷设备远程控制方法、系统及介质 |
| CN115008879A (zh) * | 2022-06-29 | 2022-09-06 | 浙江衢州祥光橡塑有限公司 | 一种丝网印刷机及其使用方法 |
-
2023
- 2023-12-19 CN CN202311746873.2A patent/CN117533015B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104553375A (zh) * | 2013-10-17 | 2015-04-29 | 北大方正集团有限公司 | 打印控制方法、装置及系统 |
| CN106671618A (zh) * | 2015-11-10 | 2017-05-17 | 北大方正集团有限公司 | 二次追印控制方法及装置 |
| WO2019193900A1 (ja) * | 2018-04-05 | 2019-10-10 | コニカミノルタ株式会社 | 印刷物検査装置、印刷物検査方法、および印刷物検査プログラム |
| EP3954540A1 (en) * | 2020-08-11 | 2022-02-16 | Schott AG | Method for printing an image on a substrate and corresponding system |
| CN114240819A (zh) * | 2020-09-09 | 2022-03-25 | 富士胶片商业创新有限公司 | 追印检查装置、追印检查方法以及计算机可读介质 |
| CN113002161A (zh) * | 2021-02-19 | 2021-06-22 | 绍兴文理学院元培学院 | 一种印刷机色彩质量控制方法、系统、终端及存储介质 |
| CN114553927A (zh) * | 2022-04-19 | 2022-05-27 | 深圳市彩昇印刷机械有限公司 | 一种基于大数据的印刷设备远程控制方法、系统及介质 |
| CN115008879A (zh) * | 2022-06-29 | 2022-09-06 | 浙江衢州祥光橡塑有限公司 | 一种丝网印刷机及其使用方法 |
Non-Patent Citations (2)
| Title |
|---|
| 印刷油墨量闭环控制模型研究;范凯博;硕士学位论文;20120616;74-85 * |
| 张雷洪；麻祥才；卢辉.色彩管理与实务.文化发展出版社,2018,(第2018年12月第1版),120-125. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117533015A (zh) | 2024-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AT511577B1 (de) | Maschinell umgesetztes verfahren zum erhalten von daten aus einem nicht linearen dynamischen echtsystem während eines testlaufs | |
| CN114419004B (zh) | 织物瑕疵的检测方法、装置、计算机设备及可读存储介质 | |
| CN100367300C (zh) | 一种基于人工神经网络的特征选择方法 | |
| CN108717570A (zh) | 一种脉冲神经网络参数量化方法 | |
| CN112180361B (zh) | 一种基于动态联邦滤波的车载雷达目标跟踪方法 | |
| CN110516512B (zh) | 行人属性分析模型的训练方法、行人属性识别方法及装置 | |
| CN110110794B (zh) | 基于特征函数滤波的神经网络参数更新的图像分类方法 | |
| CN113128338A (zh) | 一种小样本下印刷机滚筒故障的智能诊断方法 | |
| CN117533015B (zh) | 数码印刷机柔板套位印刷控制系统 | |
| CN111433689A (zh) | 用于目标系统的控制系统的生成 | |
| CN113920116B (zh) | 基于人工智能的彩箱面纸贴合工艺智能控制方法及系统 | |
| CN116600104A (zh) | 一种用于ipc网络摄像头的采相质量分析方法及系统 | |
| CN115994308A (zh) | 基于元学习的数控机床故障识别方法、系统、设备及介质 | |
| CN111582373A (zh) | 一种基于加权迁移极限学习机算法的辐射源识别方法 | |
| CN113313179B (zh) | 一种基于l2p范数鲁棒最小二乘法的噪声图像分类方法 | |
| CN112881054A (zh) | 起重机械故障诊断方法和系统 | |
| CN116484921A (zh) | 多物理量特征融合卷积神经网络的裂纹尺寸精准量化方法 | |
| CN113156832B (zh) | 一种胶印机墨路系统性能参数快速分析方法与系统 | |
| GB2283834A (en) | Adaptive process control system | |
| CN111881922B (zh) | 一种基于显著性特征的绝缘子图像识别方法及系统 | |
| Ancona et al. | On the importance of sorting in" Neural Gas" training of vector quantizers | |
| CN113673149A (zh) | 一种复杂环境下的无人机决策评估方法 | |
| US20220219473A1 (en) | Manufacturing and deployment of printed devices using machine learning | |
| CN117261362B (zh) | 瓦楞纸板生产设备的控制系统及其方法 | |
| CN118839130A (zh) | 碳纸制备的性能预测方法、装置、设备以及存储介质 |
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 |