-
Die vorliegende Erfindung beschäftigt sich mit einem Verfahren zur Detektion defekter Druckdüsen in einer Inkjet-Druckmaschine mittels des Einsatzes neuronaler Netze.
-
Bei Inkjet-Druckmaschinen führen nicht erkannte fehlerhafte Druckdüsen, z.B. bei Fehlern wie Ausfall oder Schiefspritzern, zu Ausschuss und damit zu kommerziell wertlosen Druckerzeugnissen. Das Ziel ist daher eine Produktion ohne, oder zumindest mit minimiertem Ausschuss. Die Druckqualität der Inkjet-Druckmaschine lässt sich dabei über verschiedene Kennwerte messbar machen, die durch geeignete Bildverarbeitung von Aufnahmen geeigneter Testmuster gewonnen werden.
-
Dazu zählen:
- • Die Qualität jeder einzelnen Druckdüse wird über spezifische DruckdüsenKennwerte beschrieben, z.B. Stärke, Schiefheit, Grauwert, und wird aus dem sog. Druckdüsen-Testmuster-Muster gewonnen.
- • Die Homogenität quer zur Druckrichtung wird durch den Dichteverlauf quer zur Druckrichtung beschrieben.
- • Die Kopfposition lässt sich über sogenannte y-,x-Stitching-Muster ermitteln
- • etc.
-
Die Kennwerte werden online im laufenden Druckbetrieb in vorgegebenen Intervallen ermittelt. Es existiert in den meisten Inkjet-Druckmaschinen ein Inline-Inspektionssystem, also ein Kamerasystem, welches ein digitales Bild eines geeigneten Testmusters aufnimmt. Diese Bilddaten werden programmtechnisch analysiert. Hierbei kommt eine Verkettung von Methoden zum Einsatz, wie z.B. Bildaufbereitung durch Subpixel-Methoden, Filterung, Fourier-Transformation etc.. Diese Methoden sind stetig in Entwicklung und arbeiten mehr oder weniger robust. Für mehrere dieser Teilschritte werden ein oder mehrere Parameter benötigt, die das Ergebnis mehr oder weniger beeinflussen. Um die Parameter geeignet wählen zu können, ist Erfahrungswissen notwendig und es bedarf einer kontinuierlichen Optimierung des Gesamtablaufs. Liegen die so ermittelten Kennwerte vor, können sie z.B. zur Klassifikation der Düsen oder zur Kopfeinstellung hergenommen werden.
-
Für ein mehr oder weniger robustes Verfahren müssen dabei sehr viele Parameter gewählt und angepasst werden. Wechselwirkungen der Parameter untereinander sind nahezu nicht überschaubar. Es existieren im Stand der Technik unterschiedliche Verfahren für unterschiedliche Qualitäts-Teilaspekte. Zur Quantifizierung verschiedener Effekte, bei der Ermittlung der Düsenkennwerte: z.B. Druckdüsen-Testmuster, Ermittlung Kopfposition: y-,x-Stitching-Muster, werden mehrere verschiedene Testmuster erzeugt und verarbeitet.
-
Dies alles macht die automatisierte Qualitätsbeurteilung mittels digitaler Bildverarbeitung sehr komplex, aufwändig und wenig flexibel. Daher besteht eine Notwendigkeit bessere Alternativen für diesen Anwendungsbereich zu finden.
-
Die Verwendung neuronaler Netze, welche selbstlernende Algorithmen sind, die auf einem Rechner als Programm realisiert werden, zur Bilderkennung und digitalen Bildverarbeitung ist dabei aus dem Stand der Technik durchaus bekannt. So offenbart die US-Anmeldung
US 2004/0101181 A1 ein Verfahren zur Verarbeitung medizinischer Bilddaten, in welchen künstliche neuronale Netzwerke eingesetzt werden, um bestimmte Fehlertypen in den vorliegenden Bilddaten zu erkennen. Das neuronale Netzwerk wird dabei spezifisch zum Erkennen dieser speziellen Fehler trainiert. Die in dieser Patentanmeldung vorgestellten neuronalen Netzwerke sind jedoch spezifisch für den Einsatz bei medizinischen Bilddaten angepasst. Sie sind damit in ihrer offenbarten Ausführung und Anwendung nicht für den Einsatz zur Qualitätskontrolle von Druckdüsen in Inkjet-Druckmaschinen geeignet.
-
Die Aufgabe der vorliegenden Erfindung besteht somit darin, ein Verfahren zur Detektion und Kompensation defekter Druckdüsen in einer Inkjet-Druckmaschine vorzustellen, welches bei mindestens gleichbleibender Effizienz einfacher und mit weniger Aufwand umzusetzen ist als die aus dem Stand der Technik bekannten Verfahren.
-
Gelöst wird diese Aufgabe durch ein Verfahren zur Detektion und Kompensation defekter Druckdüsen in einer Inkjet-Druckmaschine durch einen Rechner, wobei Testmuster von der Inkjet-Druckmaschine gedruckt werden, diese Testmuster durch mindestens einen Bildsensor erfasst, digitalisiert und als digitale Bilddaten an den Rechner weitergeleitet werden, der Rechner dann anhand der digitale Bilddaten Kennwerte für einzelne Druckdüsen eines Druckkopfes ermittelt, anhand der Kennwerte defekter Druckdüsen detektiert und die betreffenden Druckdüsen kompensiert, welches dadurch gekennzeichnet ist, dass der Rechner die digitalen Bilddaten einem neuronalen Netz zuführt, welches mittels Trainingsdaten so eingelernt worden ist, dass es aus den zugeführten digitalen Bilddaten die entsprechenden Kennwerte der Druckdüsen eines Druckkopfes ermittelt. Der Einsatz des neuronalen Netzes ist notwendig, da die Auflösung des Bildsensors deutlich niedriger als die Druckauflösung der Inkjet-Druckmaschine ist. Dies bedeutet, dass die gedruckten Testmuster nach der Digitalisierung bzw. Erfassung durch den Bildsensor in einer deutlich geringeren Auflösung als in der gedruckten Form vorliegen. Durch diese geringere Auflösung gehen Informationen über das gedruckte Testmuster verloren, welche für eine Bewertung des Zustandes der zu untersuchenden Druckdüsen mittels normaler Bildverarbeitungsalgorithmen, wie im Stand der Technik, notwendig sind. Dort wird versucht, diese geringere Auflösung der digitalen Bilddaten des erfassten Testmusters durch verschiedenste Instrumente der digitalen Bildverarbeitung zu kompensieren. Dies ist jedoch extrem aufwändig und sehr unflexibel. Daher werden im erfindungsgemäßen Verfahren stattdessen die erfassten digitalen Bilddaten dem neuronalen Netz in Form des selbstlernenden Algorithmus zugeführt, welcher dann diese Bilddaten hinsichtlich der zu ermittelnden Kennwerte der Druckdüsen bewertet. Damit der selbstlernende Algorithmus dazu in der Lage ist, muss er, neben der Beherrschung grundlegender digitaler Bildverarbeitungswerkzeuge, mit Hilfe digital vorliegender Trainingsdaten vorher eingelernt werden. Ein nicht eingelerntes neuronales Netz ist nicht sinnvoll einzusetzen. Daher muss es anhand digitaler Trainingsdaten, wie z.B. Testmustern mit bestimmten spezifisch bekannten Merkmalen, hinsichtlich der Kennwerte der Druckdüsen trainiert werden. So kann dies geschehen, indem digital vorliegende Testmuster dem neuronalen Netz zugeführt werden, welche ganz bestimmte Werte, meist bestimmte Fehlerbilder, hinsichtlich der Kennwerte der Druckdüsen innehaben. Das neuronale Netz wird dann mit diesen Trainingsdaten so lange eingelernt, bis es die korrekten Kennwerte ermitteln kann.
-
Erst dann wird es für die Bewertung realer, erfasster und digitalisierter Testmuster und die daraus folgende Ermittlung realer Kennwerte der Druckdüsen eingesetzt.
-
Vorteilhafte und daher bevorzugte Weiterbildungen des Verfahrens ergeben sich aus den zugehörigen Unteransprüchen sowie aus der Beschreibung mit den zugehörigen Zeichnungen.
-
Eine bevorzugte Weiterbildung des erfindungsgemäßen Verfahrens ist dabei, dass für die Testmuster Druckdüsentestmuster und/oder Flächendeckungselemente verwendet werden. Diese beiden Arten von Testmustern sind die häufigsten bei der Detektion defekter Druckdüsen verwendeten Testmuster. Besonders die Druckdüsentestmuster werden zur Ermittlung der Kennwerte der Druckdüsen benötigt. Diese bestehen üblicherweise aus einer oder mehreren horizontalen Reihen von Druckobjekten, wobei jedes Druckobjekt von einer Druckdüse des Druckkopfes erzeugt wird. Anhand von Lage und Art jedes Druckobjektes können dann die Kennwerte der einzelnen Druckdüsen des Druckkopfes ermittelt werden. Flächendeckungselemente oder Flächenkeilen, welche üblicherweise aus Grau- oder Vollflächen jeweils einzelner oder mehrerer Prozessfarben bestehen, werden dabei ebenfalls häufig eingesetzt. Sie eignen sich besonders gut zur Ermittlung von White Lines und anderer Druckfehler, welche durch defekte Druckdüsen verursacht werden.
-
Eine weitere bevorzugte Weiterbildung des erfindungsgemäßen Verfahrens ist dabei, dass die digitalen Bilddaten vom Rechner um störende Effekte, wie statische Linsenfehler und Objektivverzerrungen des mindestens einen Bildsensors, bereinigt werden. Damit das neuronale Netz die vorliegenden digitalen Bilddaten auch korrekt bewerten kann, müssen genannte störende Effekte aus den digitalen Bilddaten entfernt werden. Andernfalls wäre es möglich, dass das neuronale Netz Pseudofehler entdeckt oder reale Fehler, welche von diesen Störeffekten überlagert werden, nicht korrekt ermitteln kann. Damit wäre eine korrekte Ermittlung der Druckdüsenkennwerte deutlich erschwert. Natürlich ist es auch möglich das neuronale Netz so zu trainieren, dass es lernt, diese Störeffekte zu ignorieren. Dies verlängert und kompliziert jedoch den eigentlichen Einlernprozess, weshalb das Entfernen der Störeffekte aus den digitalen Bilddaten durch den Rechner bevorzugt wird.
-
Eine weitere bevorzugte Weiterbildung des erfindungsgemäßen Verfahrens ist dabei, dass die Trainingsdaten zum Einlernen des neuronalen Netzes vom Rechner künstlich erzeugt werden, indem Testdatensätze in Form von digitalisierten Druckbilddaten mit bekannten Fehlern, insbesondere Druckdüsentestmuster und /oder Flächendeckungselemente mit Bildfehlern, welche von defekten Druckdüsen verursacht werden, erzeugt und als Eingangsgrößen für das neuronale Netz verwendet werden. Dies stellt einen besonderen Vorteil der Verwendung eines neuronalen Netzes dar. Anstatt dass wie im Stand der Technik der Rechner und das vom Rechner angesteuerte Bildinspektionssystem mühsam mit Hilfe diverser digitaler Bildverarbeitungsoperationen programmiert werden, um Fehler in den Testmustern zu entdecken und entsprechend hinsichtlich der Kennwerte der Druckdüsen zu bewerten, kann das neuronale Netz, welches künstlich erzeugte Trainingsdaten, die in Form von digital vorliegenden Testmustern mit künstlich eingebrachten Fehlern verwendet, zur Erzeugung der Druckdüsenkennwerte trainiert werden. Da dieser gesamte Vorgang automatisiert vom Rechner durchgeführt wird, ist es somit möglich, das neuronale Netz innerhalb relativ kurzer Zeit mit großen Mengen vom Rechner erzeugter, künstlicher Trainingsdaten zu versorgen und somit das neuronale Netz innerhalb kurzer Zeit einzulernen. Beispielsweise können die Trainingsdaten vom Rechner derart künstlich erzeugt werden, dass sie Testmuster mit bestimmten Kennwerten beinhalten, welche im digitalen Bild als bestimmte Bildfehler realisiert werden. Diese Bildfehler werden dabei jeweils von bestimmten Defekten in den Druckdüsen verursacht. Der Rechner lässt sich dabei so programmieren, dass die in den künstlich erzeugten Trainingsdaten beinhalteten Fehler in praktisch beliebiger Kombination variiert werden können. Damit lässt sich innerhalb kürzester Zeit ein gewaltiger Satz von verschiedenen Trainingsdaten erzeugen und zum Einlernen des neuronalen Netzes anwenden.
-
Eine weitere bevorzugte Weiterbildung des erfindungsgemäßen Verfahrens ist dabei, dass als digitalisierte Druckbilddaten mit bekannten Fehlern Pre-RIP-Daten, in welchen für jede Druckdüse zu jedem Pixelschritt in Druckrichtung eine zu druckende Tropfengröße zugeordnet wird, verwendet werden. Besonders geeignet als digitalisierte Druckbilddaten sind dabei Pre-RIP-Daten. Diese bestehen aus einem Datensatz, der für jede Druckdüse zu jedem Pixelschritt in Druckrichtung bestimmte, zu druckende Tropfengrößen zuordnet.
-
Eine weitere bevorzugte Weiterbildung des erfindungsgemäßen Verfahrens ist dabei, dass zum Einlernen des neuronalen Netzes die digitalisierten Druckbilddaten mit bekannten Fehlern zuerst vom Rechner mittels Upsamplings in eine höhere Bildauflösung umgewandelt werden, dann die bekannten Fehler in die digitalisierten Druckbilddaten eingebracht werden, diese an das neuronale Netz gesendet werden und dann fortlaufend die Bildauflösung mittels Downsamplings verringert wird, bis die Bildauflösung des mindestens einen Bildsensors erreicht wird. Damit das neuronale Netz die digitalisierten Druckbilddaten mit den bekannten Fehlern korrekt einlernen kann, empfiehlt es sich, die bekannten Fehler in die digitalisierten Druckbilddaten in einer höheren Bildauflösung einzubringen und das neuronale Netz erst einmal mit höherer Bildauflösung zu trainieren und dann Schritt für Schritt die Bildauflösung zu verringern, bis die eigentliche Bildauflösung des Bildsensors erreicht wird. Dies erleichtert dem neuronalen Netz das Einlernen und das Finden der eingebrachten, bekannten Fehler.
-
Eine weitere bevorzugte Weiterbildung des erfindungsgemäßen Verfahrens ist dabei, dass die bekannten Fehler in den digitalisierten Druckbilddaten das Schiefspritzen einer Druckdüse, abweichende Tropfengrößen, die Verschiebung und/oder Verdrehung von Druckköpfen, sowie Bahnschwankungen des mindestens einen Bildsensors quer zur Druckrichtung umfassen. Dies sind die bekanntesten und am häufigsten vorkommenden Fehler, welche die Funktionsweise der Inkjet-Druckdüsen negativ beeinflussen, Diese lassen sich detektieren, indem die Auswirkungen, die diese Fehler in den Druckdüsen auf das Druckbild haben, ermittelt werden. Am Besten geht dies über die Auswertung des digitalisierten Testmusters, durch welche eine Ermittlung und Überprüfung der Kennwerte durchgeführt wird. Selbstverständlich können im erfindungsgemäßen Verfahren auch alle möglichen weiteren, hier nicht spezifisch genannten Druckdüsenfehler oder sonstige Einflussgrößen auf die zu ermittelnden Kennwerte berücksichtigt werden.
-
Eine weitere bevorzugte Weiterbildung des erfindungsgemäßen Verfahrens ist dabei, dass die Kennwerte der Druckdüsen die bekannten Fehler in den digitalisierten Druckbilddaten abbilden. Diese Kennwerte beschreiben, wie bereits erläutert, die Auswirkungen der häufigsten Druckdüsenfehler auf die Leistungsdaten der Druckdüsen, bzw. der gesamten Inkjet-Druckmaschine. Sie bilden quasi den Status der Druckdüse, die sogenannte „Nozzle-Health“ ab. Durch Drucken und Ausmessen der Testmuster lassen sich die Kennwerte dann quantifizieren und zur Beurteilung des Status der Inkjet-Druckmaschine heranziehen.
-
Eine weitere bevorzugte Weiterbildung des erfindungsgemäßen Verfahrens ist dabei, dass als mindestens ein Bildsensor das Kamerasystem eines Inspektionssystems, welches inline in der Druckmaschine hinter den Druckwerken angebracht ist, verwendet wird. Am ehesten bietet es sich an, das in den meisten Inkjet-Druckmaschinen vorhandene Inspektionssystem, welches üblicherweise inline in der Druckmaschine hinter den Druckwerken angebracht ist und die resultierende Druckqualität überprüfen soll, auch zur Überwachung der Funktionsweise der einzelnen Druckdüsen zu verwenden. Dabei werden die Kameras des Inspektionssystems als Bildsensor verwendet, um die gedruckten Testmuster zu erfassen und zu digitalisieren. Es sind natürlich auch externe Bildsensoren oder interne Bildsensoren, welche nicht Bestandteil eines Bildinspektionssystems sind, für das erfindungsgemäße Verfahren einsetzbar. Besonders bei Inkjet-Druckmaschinen, welche über kein inline-Bildinspektionssystem verfügen, ist dieser Ansatz notwendig. Prinzipiell ist jedoch aus Effizienzgründen das Verwenden des vorhandenen Bildinspektionssystems mit seinen Kameras die naheliegendste und effizienteste Herangehensweise.
-
Die Erfindung als solche sowie konstruktiv und/oder funktionell vorteilhafte Weiterbildungen der Erfindung werden nachfolgend unter Bezug auf die zugehörigen Zeichnungen anhand wenigstens eines bevorzugten Ausführungsbeispiels näher beschrieben. In den Zeichnungen sind einander entsprechende Elemente mit jeweils denselben Bezugszeichen versehen.
-
Die Zeichnungen zeigen:
- 1: ein Beispiel des Aufbaus einer Bogen-Inkjet-Druckmaschine
- 2: ein schematisches Beispiel einer „white line“, verursacht durch eine „missing nozzle“
- 3: ein erfasstes, digitalisiertes Testmuster jeweils in realer Druckauflösung und in erfasster Kameraauflösung
- 4: den schematischen Ablauf des Einlernens des neuronalen Netzes für die Bildauswertung
-
Das Anwendungsgebiet der bevorzugten Ausführungsvariante ist eine Inkjet-Druckmaschine 7. Ein Beispiel für den grundlegenden Aufbau einer solchen Maschine 7, bestehend aus Anleger 3 für die Zufuhr des Drucksubstrats 2 in das Druckwerk 4, wo es von den Druckköpfen 5 bedruckt wird, bis hin zum Ausleger 1, ist in 1 dargestellt. Dabei handelt es sich hier um eine Bogen-Inkjetdruckmaschine 7, welche von einem Steuerungsrechner 6 kontrolliert wird. Beim Betrieb dieser Druckmaschine 7 kann es, wie bereits beschrieben, zu Ausfällen einzelner Druckdüsen in den Druckköpfen 5 im Druckwerk 4 kommen. Folge sind dann „white lines“ 9, bzw. im Falle eines mehrfarbigen Drucks, verzerrte Farbwerte. Ein Beispiel einer solchen „white line“ 9 in einem Druckbild 8 ist in 2 dargestellt.
-
Die Ausgangssituation des erfindungsgemäßen Verfahrens ist dabei Folgendes: Es liegt ein digitales Kamerabild 13, ggf. korrigiert um statische Linsenfehler und Objektivverzerrungen etc., eines mittels des Inline-Inspektionssystems der Inkjet-Druckmaschine 7 erfassten Druckdüsen-Testmusters 11 vor. Das Testmuster 10 kann z.B. ein gebräuchliches Testmuster 10, in welchem jede Druckdüse beteiligt ist sein. Zusätzlich kann auch eine Rasterfläche, eine sogenannte „bigDotTestTreppe“, enthalten sein. Es können prinzipiell auch andere Testmuster verwendet werden. Wichtig ist nur, dass das Testmuster 10 über Elemente verfügt, die jeder einzelnen Druckdüse zugeordnet werden können. Im Folgenden wird das Vorgehen für die bevorzugte Ausführungsvariante erläutert, in der nur das Testmuster 11 vorliegt. Im Produktionsfall werden aus dem so vorliegenden Kamerabild 11 die qualitätsbeschreibenden Kennwerte der Druckdüsen ermittelt, indem die digitalen Bilddaten 13 durch ein trainiertes neuronales Netz 14 geführt werden. Das Training des neuronalen Netzes 14 wird in 3 und 4 näher erläutert und läuft folgendermaßen ab:
- • Es liegt das Testmuster 10 in der Auflösung der Druckdüsen als Pre-Rip-Daten, also ein Datensatz, der für jede Druckdüse zu jedem Pixelschritt in Druckrichtung eine zu druckende Tropfengröße zuordnet, vor.
- • Die Auflösung dieses Bildes wird künstlich um ein zehn- bis hundertfaches erhöht (sog. Upsampling).
- • In dieser hohen Auflösung werden zufällige physikalisch sinnvolle Fehler vorgegeben und in das Bild eingebracht, z.B.:
- ◯ Stetes, unstetes Verhalten einer Druckdüse in Bezug auf Schiefspritzen, Tropfengröße (sog. Weakness)
- ◯ Verschiebung und Verdrehung von gesamten Druckköpfen 5
- ◯ Bahnschwankung in Querrichtung, d.h. rel. Position Bahn/Kamera
- ◯ Weitere Fehler bzgl. Bildauflösung, Bildrauschen, Belichtungssituation, Interaktion Tinte/Papier etc.
- • Die Auflösung des hochaufgelösten Bildes wird mittels des sog Downsamplings künstlich auf die Auflösung der Kamera abgesenkt.
-
3 zeigt einmal links ein Beispiel für ein Testmuster in hoher, originaler Bildauflösung 10 (2540dpi) und einmal rechts das gleiche Testmuster in niedrigerer Kameraauflösung 11 (200dpi).
-
Auf diese Weise wird ein künstlicher Testdatensatz mit Bilddaten 12 inklusive bekannter Fehler als Eingangsgrößen erzeugt. Zum Training des neuronalen Netzes 14 sind viele dieser Testdatensätze 12 notwendig. Der Ablauf dieses Trainings wird in 4 schematisch dargestellt. Hier ist gut zu sehen, wie das neuronale Netz 14 in mehreren Stufen trainiert wird. Der Datensatz 12 wird dabei in einen Trainings- 12a und einen Testdatensatz 12b aufgeteilt, z.B. in einem Verhältnis 60/40. Anhand des künstlich erzeugten Trainingsdatensatzes 12a wird das Netz 14 „geschult“, während der Testdatensatz 12b das geschulte Netz 14 überprüft. Zuerst wird also mittels der Trainingsdaten 12a das Netz 14 trainiert. Ist dann ein ausreichendes Niveau erreicht, wird mit den Testdaten 12b validiert. Dieses validierte Netz 14 wird dann zum Test der realen Bilddaten 13 verwendet, womit am Ende überprüfte Bilddaten mit Ortsinformation 13a (x-y-Koordinaten) vorliegen. Da die Trainingsdaten 12a künstlich im Rechner 6 erzeugt werden, stellt es kein Problem dar, viele verschiedene Testdatensätze 12 zu verwenden. Je mehr Testdatensätze 12, desto besser wird das neuronale Netz 14 eingelernt. Ein großer Vorteil der Erzeugung der Trainingsdaten am Rechner 6 ist weiterhin, dass die eingebrachten Fehler bekannt sind. Ergebnis dieses einfachen Testmusters sind die Kennwerte: Amplitude, die sogenannte Weakness einer Druckdüse und Phase, der sogenannte Schiefspritzwert, für jede Druckdüse, sowie die Lagekennwerte der Druckköpfe 5 hinsichtlich Ort, Rotation.
-
In einer weiteren Ausführung kann auch ein abgewandeltes Testmuster zum Einsatz kommen, um auf dieselben Ausgangsdaten zu kommen.
-
Zusätzliche alternative, bzw. weiterentwickelte Ausführungsformen sehen folgendermaßen aus:
- A) Die Erweiterung der Betrachtung um eine Rasterfläche, also ein vollständiges Testmuster.
-
Hierfür existiert allerdings das Problem, dass aktuell kein Verfahren existiert, um ein synthetisches Druckbild einer Rasterfläche zu erzeugen. D.h. in der Form: PDF -> RIP -> Drucken, einschließlich Papiereffekte, Tinteneffekte, wie Spreiten, Koaleszenz etc., können keine Testdaten 12 im Rechner 6 erzeugt werden. Es muss daher auf reale Druckdaten 13 zurückgegriffen werden, was Flexibilität und Geschwindigkeit des Einlernens des neuronalen Netzes 14 verringert.
-
Das Verfahren beginnt wie das Standardverfahren. Anschließend werden weitere Trainingsdaten erzeugt und aufbauend auf dem bestehenden Netz 14 ein weiterer Trainingsschritt unternommen - das Netz wird „evolutioniert“:
- • Das Testmuster beinhaltet das bestehende Muster 10 und wird um eine Rasterfläche ergänzt.
- • Das digitale Kamerabild, welches im Druckbetrieb aufgenommen wurde, bzw. der gedruckte Bogen 2 ist durch einen subjektiven Bewerter zu bewerten.
- • Erkennt der Bewerter eine sog. White-Line 9, wird diese Information zusammen mit dem Ort der White-Line 9 abgespeichert
-
Bei diesem so trainierten Netz 14 kommt für jede Druckdüse die Information „White-Line ja oder nein“ zu den aus dem Standardverfahren ermittelten Druckdüsen-Informationen, also den Kennwerten, hinzu.
- B) Eine Erweiterung der Betrachtung bis hin zum PDF-Vergleich
-
Das Standardverfahren wird so weit vorangetrieben, dass ein Testmuster 10 für jede Druckfarbe über Elemente verfügt, die jeder einzelnen Druckdüse zugeordnet werden können und dermaßen miniaturisiert ist, dass eine Unterbringung auf jedem Bogen 2 ober- oder unterhalb des eigentlichen Drucksujets möglich wird.
-
Wenn das Standardverfahren durchgeführt wurde, können Trainingsdaten 12 quasisynthetisch erzeugt werden. Das Vorgehen wäre folgendermaßen:
- • Ein Bogen 2 beinhaltet Testmuster 10 gemäß Standardverfahren für jede Druckfarbe. Das derart trainierte neuronale Netz 14 identifiziert nun zuverlässig die White-Lines 9 und deren Zuordnung zu spezifischen Druckdüsen.
- • Ein oder mehrere nachfolgende Bogen 2 werden mit miniaturisiertem Testmuster und willkürlichen und wechselnden Drucksujets versehen, z.B. Kundensujets
- • Dieser Ablauf wird sooft wiederholt, bis das neuronale Netz 14 zuverlässig im Stande ist, aus einem beliebigen Kundensujet die White-Lines 9 zu erkennen.
- • Weiterhin können in einer weiteren Ausführung zusätzliche Eingangsdaten in Form von Bild-Rohdaten 13 des Drucksujets eingebracht werden, z.B. ein Datensatz, der für jede Druckdüse zu jedem Pixelschritt in Druckrichtung eine zu druckende Tropfengröße zuordnet
-
Wollte man dies ohne das Standardverfahren realisieren, wäre eine Beurteilung jedes Bogens 2 durch einen oder mehrere Anwender notwendig, was einen nicht realisierbaren Aufwand darstellt. Evtl. ist eine Kamera mit höherer Auflösung als die bei Anwendung des Standardverfahrens verwendete Kamera notwendig.
-
Das erfindungsgemäße Verfahren mit Einsatz eines neuronalen Netzes 14 weist ggü. dem Stand der Technik mit starren Bildverarbeitungsalgorithmen viele Vorteile auf. So ist es nicht notwendig eine Vielzahl an Parametern zu ermitteln und zu handhaben. Der Erfolg der Methode und ihre Robustheit hängen nicht von teils willkürliche gewählten Parametern ab, sondern ergibt sich aus der Anzahl und Qualität der Trainingsdaten 12 - die teils sogar künstlich erzeugt werden können und damit nahezu unbegrenzt verfügbar sind. Es können nahezu beliebige viele Trainings- 12a und Testdaten 12b erzeugt werden. Zudem sind aufgrund der künstlichen Erzeugung Fehler und Wahrheit in beliebiger Genauigkeit bekannt. Das Verfahren lässt sich in der letzten Ausbaustufe so weit treiben, dass eine White-Line-Erkennung durch das austrainierte neuronale Netz 14 direkt im Druckbild 13 möglich ist und kaum, bzw. gar keine Testmuster 10 mehr gedruckt und ausgewertet werden müssen.
-
Bezugszeichenliste
-
- 1
- Ausleger
- 2
- aktuelles Drucksubstrat / aktueller Druckbogen
- 3
- Anleger
- 4
- Inkjet-Druckwerk
- 5
- Inkjet-Druckkopf
- 6
- Rechner
- 7
- Inkjet-Druckmaschine
- 8
- Druckbild auf aktuellem Druckbogen
- 9
- white line
- 10
- Testmuster in hoher, originaler Bildauflösung
- 11
- Testmuster in niedrigerer Kameraauflösung
- 12
- künstlich erzeugte Bilddaten mit Ortsinformation
- 12a
- künstlich erzeugte Trainingsdaten
- 12b
- künstlich erzeugte Testdaten
- 13
- reale Bilddaten
- 13a
- reale Bilddaten mit Ortsinformation
- 14
- neuronales Netz
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Patentliteratur
-
- US 2004/0101181 A1 [0007]