ES3034807T3 - Method for testing gravure cylinders and gravure plates - Google Patents

Abstract

Se describe un método para la inspección óptica de superficies de cilindros y placas de huecograbado. Tras insertar el cilindro o la placa de huecograbado en un dispositivo de inspección, su superficie se escanea ópticamente en una o más imágenes de medición. A continuación, se detectan células mediante el escaneo sucesivo de las imágenes de medición, lo que permite identificar células y defectos. Las propiedades de las células y los defectos detectados se registran en un vector de características. Se utilizan varias redes neuronales para detectar y evaluar las células y los defectos. La clasificación de los vectores de características, y por consiguiente de la superficie, se realiza mediante una máquina de vectores de soporte (SVM) previamente entrenada. (Traducción automática con Google Translate, sin valor legal)

Description

DESCRIPCIÓN

Procedimiento para la inspección de cilindros de huecograbado y planchas de huecograbado

El objeto de la presente invención es un procedimiento para el reconocimiento de defectos en cilindros de huecograbado o planchas de huecograbado. En particular, el procedimiento prevé el uso de redes neuronales.

A continuación se utiliza el término cilindro de huecograbado. Todas las etapas de procedimiento (a excepción de la rotación) pueden aplicarse de forma análoga a planchas de huecograbado o se explican por separado de manera correspondiente.

En la impresión por huecograbado, se introducen tintas en cavidades de la superficie de cilindros metálicos o planchas metálicas y se transfieren desde allí al medio que se va a imprimir (papel, tejido, etc.). Las cavidades se forman como un gran número de cavidades individuales (denominadas celdillas).

Una superficie (grabada) con la imagen se crea incorporando hendiduras en una superficie cilíndrica (cilindro de huecograbado) mediante diversos procedimientos. Los principales procedimientos de creación de la imagen en huecograbado son el grabado electromecánico con un estilete de diamante, mediante luz láser o mediante un proceso de grabado químico.

Cada proceso de creación de la imagen crea moldes de celdilla típicos según su proceso técnico, en donde la disposición de estos moldes de celdilla en la superficie del cilindro está sujeta a las limitaciones de fabricación del proceso de producción. Normalmente, las celdillas se diseñan como cavidades con una abertura en forma de rombo. Los rombos están dispuestos a este respecto en columnas paralelas, en donde columnas vecinas están desplazadas la mitad de la distancia entre los centros de los rombos de una columna, de modo que las columnas de rombos pueden disponerse entrelazadas entre sí.

Las formas de realización típicas son las celdillas cerradas (células cerradas), en las que las esquinas de células vecinas de una columna están separadas entre sí, es decir, cada celdilla existe por separado, cerrada, en la superficie, y las celdillas abiertas (células abiertas), en las que las esquinas de células vecinas de una columna están conectadas entre sí. La conexión de las esquinas se implementa como contacto directo o por medio de un canal corto que salva la distancia entre las esquinas.

Al grabar la superficie del cilindro de huecograbado, es posible que ya existan daños en la superficie o que se produzcan daños en la superficie o celdillas defectuosas durante el grabado. Reconocer y categorizar estos daños es una tarea recurrente de aseguramiento de la calidad de los cilindros de huecograbado.

El objeto del documento DE 10 2019.117.680 A1 es un procedimiento para medir defectos de componentes en un procedimiento de inspección de calidad. El procedimiento utiliza una imagen digital detectada de un componente que se va a inspeccionar y una primera imagen de referencia del componente que se va a inspeccionar. Una segunda imagen de referencia se forma a partir de una combinación de la imagen digital detectada y la primera imagen de referencia. Además, el procedimiento utiliza un sistema clasificador entrenado, basado en aprendizaje automático, que ha sido entrenado con datos de entrenamiento para formar un modelo, en donde el modelo sirve como base para la segmentación semántica de los vóxeles de la imagen recibida en clases de defectos. El sistema clasificador activado clasifica los vóxeles de la imagen digital recibida, en donde tanto los vóxeles de la imagen digital recibida como los vóxeles de la segunda imagen de referencia sirven como datos de entrada para el sistema clasificador. Se menciona explícitamente el uso de una SVM. La presencia de una imagen de referencia sin defectos es esencial en este procedimiento. La estructura global de la imagen detectada se compara con la estructura global de la imagen de referencia. Elementos individuales presentes en la imagen detectada (estructuras formadas por varios píxeles/vóxeles) no se reconocen ni analizan.

Los procedimientos conocidos prevén la realización de una impresión de prueba con posterior comprobación del resultado de impresión.

El documento DE 102008.016.538 A1 propone, para evaluar los resultados de impresión, reconocer zonas de texto e imagen en el sustrato impreso y detectar las zonas de imagen con una cámara multiespectral y, a continuación, tras un procesamiento de la imagen, comparar los valores obtenidos con valores de referencia.

El documento EP 0.749.833 A2 intenta resolver el problema de que no se consigue un brillo uniforme durante la detección de imágenes del material impreso. El sistema propuesto pretende garantizar que las mediciones sean coherentes en cuanto a ubicación y tiempo.

El objeto del documento EP 0.795.400 A1 es un procedimiento para alinear imágenes registradas con fines de comparación de imágenes. Para ello, se detecta una imagen de referencia y se convierte en valores de gris. La imagen que se va a evaluar se detecta del mismo modo. De la comparación de las dos imágenes se obtiene una función de transferencia que asocia las zonas de imagen entre sí.

El documento GB 2.159.622 A describe detalladamente los algoritmos que se utilizan al comparar una imagen de referencia con una imagen de comparación. A este respecto, en el cálculo se incluye la velocidad de impresión a la que se han obtenido las imágenes de referencia y de comparación.

El documento JP 2012.154.830 está orientado a reconocer defectos en el producto impreso generados por la plancha de huecograbado. Para ello, no se utiliza como referencia una primera imagen generada por la plancha de impresión, sino una imagen generada previamente, independiente de la plancha de impresión.

El documento US 2007/0.201.066 A1 describe procedimientos de análisis para imágenes tomadas de material impreso con fines de control de calidad.

El documento US 2019/0.340.740 A1 propone reducir la valoración humana de la calidad de impresión a parámetros individuales de la imagen impresa y, de este modo, crear una colección de parámetros para determinar la calidad de impresión. A continuación, imágenes de los sustratos impresos registradas por una cámara se calcularán en función de los parámetros mencionados y se clasificarán.

La desventaja de los procedimientos para la inspección de la imagen impresa es el gran esfuerzo que suponen. Los cilindros de huecograbado deben introducirse en una máquina de impresión para la inspección y volver a retirarse y limpiarse tras la impresión de prueba.

Procedimientos más avanzados prevén la inspección directa de la superficie de los cilindros de huecograbado.

El documento US 2017/0.246.853 A1 describe: “ Un aparato de impresión aplica tinta a una superficie de una plancha de impresión en forma de un patrón predeterminado y, a continuación, transfiere la tinta a un sustrato. El dispositivo de impresión incluye una sección de registro de imágenes que aplica la tinta a la superficie de la plancha de impresión; una unidad de observación de la superficie de la plancha que detecta información sobre la superficie de la plancha de impresión; una sección de almacenamiento que almacena información sobre una forma de referencia que sirve como referencia de la superficie de la plancha de impresión y una sección de determinación que compara la información sobre la forma de referencia, la información sobre la forma de referencia almacenada en la sección de almacenamiento, con la información sobre la superficie de la plancha de impresión obtenida por la unidad de observación de la superficie de la plancha y determina si la superficie de la plancha de impresión sobre la que se ha aplicado la tinta se encuentra dentro de una zona predeterminada de la forma de referencia” .

En formas de realización, también está previsto la eliminación de defectos (impurezas) sobre la plancha de impresión mediante láser.

En el documento CN 108.481.891A, los rodillos de impresión se insertan en un bastidor de inspección y se escanean con un sistema de cámara. El sistema de cámara y la unidad de procesamiento de datos situada aguas abajo crean una imagen tridimensional de cada célula (celdilla) del rodillo. A continuación se calcula el volumen de la célula y se compara con un valor especificado. El documento EP 0 636 475 B1 prevé la comparación de una imagen de la superficie de una plancha de impresión o de un cilindro de impresión con una imagen de referencia o con un conjunto de reglas que describen el estado positivo/negativo de las secciones de la plancha/cilindro de impresión. Se enumeran algunos de los métodos matemáticos utilizados.

El documento DE 102005.002.351 A1 propone un procedimiento para detectar la topología de superficie bajo presión. A este respecto, se obtiene un perfil de superficie mediante barrido luminoso. El método de cálculo se describe brevemente en el párrafo [0067].

En el documento JP 2002.254.590 se describe un bastidor para la inspección de un cilindro de grabado (rodillo de impresión). El cilindro se mantiene giratorio en el marco y se genera una imagen de cámara de su superficie. Un software de reconocimiento de imágenes debe reconocer los defectos.

El documento JP 2018.039.117A se refiere a un dispositivo para examinar el estado de superficie de una plancha de huecograbado. Se reconoce una anomalía en la profundidad de la plancha mediante monitorización continua. En caso necesario, puede activarse una máquina de limpieza automática. También en este caso se obtiene una imagen tridimensional de la superficie irradiándola con luz láser y detectando la luz reflejada con una cámara. A continuación se realiza una evaluación automática.

En el documento WO 2008/049.510 A1 se describen un procedimiento y un dispositivo para la inspección de cilindros de impresión. El dispositivo tiene varios equipos de medición que escanean la superficie del cilindro mecánica y ópticamente y generan una imagen de la misma. El procedimiento calcula una imagen de impresión inicial, sin que tenga que tener lugar ninguna impresión real.

El documento US 2007/089.625 A1 se refiere a un procedimiento en el que se reconocen defectos tanto en las celdillas como en la superficie de un cilindro de impresión mediante un análisis de imágenes.

En general, los métodos utilizados para el procesamiento de imágenes no se describen en detalle.

También se proponen procedimientos o dispositivos que incluyen los parámetros de la prensa de impresión en el análisis de defectos:

El documento JP 2014.106.069A utiliza imágenes tanto del resultado de impresión como de la plancha de impresión para generar un reconocimiento de defectos a partir de la combinación de las imágenes. Los métodos de procesamiento de imágenes solo se describen en términos generales:

“ El procesamiento de inspección consiste en el procesamiento de alineación mediante la comparación de patrones, la correlación normalizada, etc., el procesamiento de filtrado, como el promediado y la maximización, centrándose en el procesamiento de las diferencias entre la imagen de referencia obtenida en el momento del transporte y la imagen de inspección que se va a inspeccionar” .

Actualmente se están realizando los primeros ensayos para incorporar métodos de inteligencia artificial (IA) y redes neuronales (NN) en la inspección de rodillos de impresión en huecograbado:

El documento CN 106.739.485A prevé la detección de una serie de parámetros del cilindro de impresión junto con señales de color del cilindro de impresión giratorio. Los datos se introducen en un algoritmo que determina el defecto de sobreimpresión. Se prevé la corrección del resultado mediante una red neuronal.

El documento JP 2019.117.105A prevé el uso de una red neuronal para categorizar los defectos en la imagen impresa. Los defectos deben dividirse únicamente en dos categorías (inofensivos y no inofensivos).

Aunque ya se han propuesto un gran número de soluciones, no se puede considerar que el problema de la inspección de cilindros y planchas de huecograbado se haya resuelto satisfactoriamente. Esto se aplica, en particular, al aumento de los requisitos de fiabilidad y rapidez de los procedimientos de inspección.

Por consiguiente, el objetivo sigue siendo proponer un procedimiento para la inspección de la superficie de los cilindros o planchas de huecograbado que garantice un reconocimiento rápido y fiable de los defectos.

Según la invención, el objetivo se resuelve mediante el procedimiento según la reivindicación 1. Configuraciones ventajosas del procedimiento se divulgan en las reivindicaciones dependientes relacionadas.

El procedimiento según la invención para la inspección óptica de las superficies de cilindros de huecograbado y planchas de huecograbado prevé al menos las siguientes etapas:

a) insertar el cilindro de huecograbado o la plancha de huecograbado en un dispositivo de inspección,

b) detectar ópticamente por barrido la superficie del cilindro de huecograbado o de la plancha de huecograbado mediante una unidad de detección de imágenes en una o más imágenes de medición, así como detectar la posición de las imágenes de medición con respecto a la superficie del cilindro de huecograbado o de la plancha de huecograbado,

c) reconocer celdillas mediante exploración de la primera imagen de medición,

d) comparar una serie de propiedades predefinidas con los valores teóricos predefinidos asignados a estas propiedades y registrar la desviación de cada propiedad respecto al valor teórico respectivo como valor en un vector de características,

e) reconocer defectos en las zonas de la primera imagen de medición en las que no se reconocieron celdillas, f) determinar un valor de defecto de anomalía de un defecto reconocido,

g) clasificar el vector de características de cada celdilla y el valor de defecto de anomalía de cada defecto por medio de ponderación de resultados predeterminada y valores de tolerancia admisibles de cada propiedad del vector de características por medio de una máquina de vectores de soporte (SVM) preentrenada, y

h) repetir las etapas c) a g) para cada imagen de medición adicional,

i) emitir una evaluación del cilindro de huecograbado o de la plancha de huecograbado, en donde la evaluación contiene al menos las indicaciones “ libre de defectos” o “ defectuoso” .

Las etapas b) a i) se realizan preferiblemente con el apoyo de o en uno o más sistemas de procesamiento de datos.

Inserción del cilindro de huecograbado o la plancha de huecograbado en un dispositivo de inspección

El dispositivo de inspección prevé un cojinete giratorio para el cilindro de huecograbado o un alojamiento plano para planchas de huecograbado. Una unidad de inspección detecta la superficie del cilindro de huecograbado. Para ello, la unidad de inspección dispone preferiblemente de al menos un equipo de detección de imágenes (por ejemplo, una cámara) y al menos un equipo de iluminación. Se utilizan equipos de desviación del haz (espejos, prismas) adecuados para garantizar que la luz del equipo de iluminación incida verticalmente o casi verticalmente sobre la superficie del cilindro de huecograbado y que el equipo de detección de imágenes pueda detectar una imagen de medición verticalmente o casi verticalmente a la superficie. Mediante la iluminación vertical y la detección de imágenes se evitan en gran medida efectos de sombra en los bordes de las celdillas o los daños.

Moviendo la unidad de inspección con respecto a la superficie del cilindro de huecograbado, se detecta una imagen (imagen de medición o imágenes de medición) de toda la superficie (o al menos de la superficie que se va a inspeccionar) del cilindro de huecograbado (detección óptica por barrido). Esta imagen puede estar presente como una imagen global (imagen de medición) o como una pluralidad de imágenes individuales (imágenes de medición). Preferiblemente, las imágenes individuales se solapan parcialmente para permitir la combinación de las imágenes individuales en una imagen global. Preferiblemente, las imágenes de medición o la imagen de medición se almacenan y procesan posteriormente de manera electrónica. A cada imagen individual o a la imagen global se le asigna la posición de registro (posición de la imagen en la superficie del cilindro de impresión) en la que fue tomada. Esto permite localizar los defectos reconocidos en la superficie del cilindro de huecograbado.

La resolución de medición de la superficie del cilindro de huecograbado escaneado en 2D suele ser inferior a 10 pm. Este valor puede ser mayor o menor y depende de los tamaños de los defectos que deban detectarse y analizarse. La resolución de medición viene determinada por la escala de formación de imágenes de los componentes ópticos (objetivo de medición) y el tamaño de píxel de la cámara. Es esencial que la resolución de medición sea tan alta que las celdillas más pequeñas y los defectos que se han de determinar puedan detectarse como elementos de imagen bidimensionales (representados en un gran número de píxeles) que permitan determinar la forma de las celdillas o defectos detectados. De las leyes ópticas de formación de imágenes se deduce que el número de píxeles de la cámara debe ser al menos el doble de la resolución mínima en el campo del objeto, es decir, la superficie que debe inspeccionarse. Por ejemplo, con una resolución de medición deseada de 1 pm, esta distancia se corresponde con al menos 2 píxeles de la cámara.

El procesamiento de las imágenes de medición o de la única imagen de medición tiene lugar en un sistema electrónico de procesamiento de datos.

Cada imagen individual se procesa por separado o bien las imágenes individuales se combinan en una única imagen de medición o en varias imágenes de medición de mayor tamaño y, a continuación, se procesan. Para combinar las imágenes individuales en una única imagen de medición o en varias imágenes de medición de gran tamaño, se utilizan algoritmos conocidos de procesamiento de imágenes para combinar las imágenes individuales en una imagen global.

Al procesar las imágenes individuales o la imagen de medición única combinada o varias imágenes de medición grandes, se comprueba en primer lugar si cada estructura (elemento) reconocida en la imagen de medición es una celdilla. Si esto puede descartarse, se comprueba si se trata de un fallo (defecto) en la superficie del cilindro de huecograbado. Para reconocer las estructuras se utilizan procedimientos conocidos del procesamiento de imágenes, como el procedimiento de valor umbral.

Los procedimientos de valor umbral son conocidos por el estado de la técnica y se basan en el reconocimiento de que las imágenes de estructuras en una imagen tienen, por ejemplo, un brillo diferente, propiedades de reflexión diferentes o un color diferente que las secciones de superficie sin estructuras. En este caso se define un valor umbral a partir del cual la superación de este valor umbral debe considerarse como una estructura que debe analizarse.

Reconocimiento de celdillas mediante exploración de la primera imagen de medición

A continuación, se identifican las estructuras en cada imagen de medición individual o en la imagen de medición combinada. En el caso de las estructuras puede tratarse de celdillas cerradas (células cerradas), celdillas abiertas (células cerradas) u otras irregularidades (daños tales como arañazos o cráteres, etc.).

En principio, existen tres variantes para la identificación y evaluación de celdillas según la invención:

a) reconocimiento de patrones y posterior evaluación de las celdillas identificadas utilizando métodos conocidos de reconocimiento de formas o algoritmos de desarrollo propio,

b) reconocimiento de las celdillas con una primera red neuronal y evaluación posterior de las celdillas identificadas utilizando métodos conocidos de reconocimiento de formas o algoritmos de desarrollo propio,

с) reconocimiento de las celdillas con una segunda red neuronal, en donde se realiza también la evaluación de las celdillas con la red neuronal.

Para ello se utilizan varios procedimientos alternativos o combinados:

a) Reconocimiento de patrones

El reconocimiento de patrones (correspondencia de plantillas) se implementa preferiblemente basándose en la correlación cruzada normalizada (NCC), la supresión de no máximos (NMS), así como la determinación de contornos basada en los centros de las celdillas halladas. Esto también puede lograrse utilizando procedimientos de transformación de imágenes en el intervalo de frecuencia, lo que tiene un efecto positivo en el tiempo de cálculo. Esta vía de solución alternativa se basa en una transformación matemática de la imagen de medición y la imagen de plantilla en su espacio de frecuencias (=transformación de Fourier) y un cálculo posterior en este espacio de frecuencias. Este procedimiento ofrece, entre otras cosas, la ventaja de un cálculo más rápido.

En la correspondencia de plantillas, se crean previamente imágenes de plantilla de diferentes tamaños y estas diferentes plantillas se aplican varias veces a estructuras reconocidas en la imagen y se detecta el mejor resultado de correlación. Una plantilla es una especie de modelo que especifica la forma ideal de la celdilla. Se ha demostrado que es ventajoso proporcionar aproximadamente de 5 a 10 tamaños de plantilla diferentes, también conocidos como escalas, por separado para las plantillas de células abiertas y de células cerradas.

De manera especialmente preferida se usa la correlación cruzada normalizada (NCC), que en particular presenta las siguientes ventajas:

- El intervalo de valores está normalizado a [-1,.. 1] y permite una evaluación directa de los resultados como valor porcentual.

- La implementación es sencilla y la fórmula fácil de interpretar.

- La normalización permite comparar diferentes plantillas de celdilla o diferentes tamaños de la misma plantilla.

Se utilizan preferiblemente plantillas diferentes para las celdillas de células abiertas y células cerradas. La forma de la plantilla que está presente en el cilindro de huecograbado que se va a analizar se conoce por el proceso de grabado. Los procedimientos de reconocimiento de patrones también proporcionan resultados diferentes para las dos formas de plantilla, de modo que también es posible una diferenciación automática.

Una vez identificadas las celdillas, puede determinarse su centro geométrico.

Basándose en el centro geométrico hallado de las celdillas, se puede examinar la calidad de la celdilla. En este caso también son adecuados varios enfoques:

a1) Un enfoque basado en el centro geométrico hallado funciona con la extracción del contorno de la celdilla. Se pueden utilizar algoritmos como los defectos de convexidad. A este respecto se halla una curva que encierra completamente la celdilla y es convexa (curvada hacia el exterior, alejándose del objeto envuelto) en todo su recorrido.

La envoltura convexa envolvente se crea basándose en un polígono. La distancia máxima de los puntos de contorno al segmento de línea del polígono envolvente puede utilizarse para obtener una medida de posibles hundimientos u otros daños en el borde de la celdilla.

a2) Una vez hallados los centros geométricos de las celdillas, se puede extraer información basándose en el contorno de celdilla creado. Las características cercanas son momentos (momentos en el sentido del procesamiento de imágenes - Ming-Kuei Hu, “ Visual Pattern Recognition by Moment Invariants” , doi:10.1109/TIT.1962.1057692) hasta el enésimo orden; por ejemplo, los momentos hasta n=7 se describen como momentos Hu, que pueden extraerse de forma eficaz.

Se conocen los momentos de las formas ideales de las celdillas y, por tanto, su desviación geométrica. Los momentos determinados pueden compararse con los de las formas ideales y determinarse uno o varios valores de desviación.

аз) Procedimiento de TemplateDistanceRefAngle (algoritmo de desarrollo propio): El contorno de la celdilla se evalúa a partir de puntos de borde seleccionados. A este respecto, la distancia esperada de un punto de borde respecto al centro de la celdilla se establece en relación con la distancia real y se utiliza como medida de la desviación de la forma ideal.

Para esta forma de comparación del contorno (TemplateDistanceRefAngle) de la celdilla ideal (plantilla) y la celdilla hallada, se comparan preferiblemente ocho puntos situados en puntos sistemáticos de la circunferencia de la celdilla con las posiciones esperadas.

Determinar el ángulo de 45° es fundamental. Para encontrar el punto relevante (discreto), se examinan puntos directos en la vecindad para determinar en qué cuadrante se encuentran los puntos.

Se puede conseguir una mejora en la velocidad utilizando una lista de contorno de los puntos y calculando la magnitud de la diferencia y la suma de las coordenadas. Se aplica dx1 = |x - y| y dx2 = |x y|. Los valores sin magnitud dx y sx se asignan a los cuadrantes. En el mejor de los casos, los puntos situados a 45°, 135°, 225° y 315° pueden encontrarse directamente en la lista creada a partir de estos valores:

dx1 ~ 0 & sx2 > O foigt F(x/y) = 45* ;dx1 - 0 & $x2 - 0 fü lg t P (x/y) - 225*

dx = O & dx2 = 0 foigt P(x/y) = 135°

dx < 0 & dx2 - 0 foigt P(x/y) - 315°

Un ejemplo de las distancias de dx1 sería dx1 = (4320136,..) el punto correspondiente a 0 en la lista dx2 permite comprobar directamente el cuadrante. La ventaja reside en la rapidez de cálculo y en encontrar puntos no ideales en la vecindad. Es el caso de la forma de celdilla irregular, que daría lugar a una secuencia de valores sin 0 (por ejemplo, dx1 = (432 1134,..)). En este caso, se puede seleccionar en la lista el primer punto con el valor 1.

La medida de calidad descrita junto con el enfoque desarrollado de la correspondencia de plantillas en varias escalas en combinación con un procesamiento previo de imágenes bajo con operadores morfológicos funciona muy bien para celdillas aisladas.

Un patrón de impresión regular típico también contiene celdillas que están conectadas entre sí a través de un canal, es decir, que ya no están aisladas. Para reconocerlas y evaluarlas, se hace aquí una distinción de casos utilizando una segunda plantilla.

Una forma de reconocer las celdillas conectadas es utilizar la segunda plantilla. Un patrón de impresión regular conduce a una primera diferenciación de casos de células abiertas en el borde y en el interior de la zona de impresión.

Se obtienen zonas en las que las celdillas se reconocen con la plantilla conocida para celdillas cerradas. Además se obtienen zonas en las que falla la plantilla para celdillas cerradas.

La segunda plantilla para células abiertas puede utilizarse entonces para reconocer todas las celdillas que aún no se han identificado. Idealmente, se obtienen dos curvas para la celdilla abierta que corresponden a las almas de celdilla que no están cerradas.

Si la plantilla para celdillas abiertas no presentara tampoco ninguna coincidencia con la estructura hallada, es muy probable que se trate de un defecto en la superficie del rodillo de impresión.

Una forma de utilizar los métodos existentes para evaluar la celdilla hallada u otra irregularidad en la superficie de la plancha de impresión (o en su imagen de medición) consiste en insertar un marco a través de la red neuronal de análisis u otro software utilizado para el tratamiento y la evaluación de imágenes de medición. Este marco (preferiblemente rectangular) encierra la celdilla u otra irregularidad hallada. Con este marco puede determinarse a su vez el centro de la celdilla. A continuación, algoritmos probados para el seguimiento y la evaluación de contornos también pueden utilizarse para las células abiertas de forma similar a las células cerradas. También se utilizan preferiblemente algoritmos correspondientes a “ TemplateDistanceRefAngle” . Alternativamente, también pueden utilizarse algoritmos adecuados para el seguimiento y la evaluación de contornos sin un marco adicionalmente insertado. Estos se orientan entonces, por ejemplo, al contorno exterior de la celdilla u otra irregularidad.

Si se producen como resultado más de dos áreas de contorno cerradas en el caso de un alma rota entre dos celdillas realmente conectadas, se puede concluir que existe un defecto.

El algoritmo utilizado actualmente para el reconocimiento de defectos consta de las siguientes etapas:

1. Preprocesamiento de imágenes: mejora del contraste, binarización, apertura morfológica

2. Localización de los centros de las celdillas:

• Correspondencia de plantillas mediante correlación cruzada normalizada (NCC) y varias escalas (tamaños de plantilla)

• Búsqueda de máximos en el espacio de resultados de las plantillas escaladas

• Supresión de no máximos

3. Evaluación de las celdillas:

• Evaluación de contornos con defectos de convexidad de OpenCV

• Evaluación de contornos mediante comparación de plantillas en ocho puntos clave

• Evaluación de contornos mediante comparación de plantillas de la forma ideal del alma en caso de celdillas de célula abierta

4. Diferenciación de casos de defectos encontrados:

• Caso a: Contorno de celdilla sin deformación reconocible: Celdilla

• Caso b: Contorno de celdilla con deformación reconocible: Defecto en la celdilla

• Caso c: Sin contorno de celdilla - pero reconocible: Defecto

Los defectos en la celdilla se reconocen basándose características seleccionadas utilizando en este caso los parámetros 0, que se derivan de las evaluaciones ya mencionadas. Por ejemplo, para n características se obtiene el vector 0 = [01 62,.. 0n]

Dada la valoración utilizada, tal y como sigue:

En el presente documento, dx° designa la distancia del contorno respecto al ideal (valor de la plantilla con este ángulo) en x grados. El valor del defecto de convexidad se encuentra en dconv y la calidad de la correlación cruzada normalizada en 0<ncc>.

Opcionalmente, también puede incluirse el procedimiento de determinación (y evaluación) de la dimensión fractal de la celdilla reconocida. Para ello es adecuado, por ejemplo, el método de recuento de cuadros. En este método, la celdilla se cubre completamente, una tras otra, con cuadrados de una longitud lateral determinada. La longitud lateral de los cuadrados se reduce varias veces. Si el número de cuadrados necesarios se representa gráficamente frente a la inversa de su longitud lateral en forma logarítmica doble, se produce una línea recta cuya pendiente puede interpretarse como una dimensión fractal. Las desviaciones de esta pendiente con respecto a un valor predeterminado pueden utilizarse para evaluar la integridad de las celdillas. La ventaja de este procedimiento es que funciona independientemente del tamaño de las celdillas.

Se conocen y son adecuadas otras definiciones similares de las dimensiones fractales (https://de.wikipedia.su/wiki/Fraktale_Dimension#Boxcounting-Dimension).

En resumen, la serie de propiedades predefinidas utilizadas para evaluar las celdillas puede incluir lo siguiente: Desviación del tamaño de área (desviación de tamaños característicos como longitud, altura, etc. con respecto a la plantilla o relaciones de desviación de los tamaños entre sí), defecto de convexidad (véase a1)), envoltura de convexidad de las celdillas, coincidencias de forma mediante momentos HU (véase a2)), distancias de contorno de las celdillas (TemplateDistanceRefAngle), dimensión fractal y un procedimiento para evaluar la desviación de contorno (véase a3)).

Los resultados de la comparación de las propiedades predefinidas con los valores teóricos se incluyen como componentes en un vector de características. Esto puede hacerse como desviación porcentual o absoluta de los valores teóricos. Por supuesto, también son posibles otras cuantificaciones (por ejemplo, desviaciones logarítmicas, etc.). La selección de los métodos adecuados para formar las componentes del vector de características depende del grado de influencia de las fluctuaciones del resultado en la corrección de la evaluación.

Opcionalmente, el procedimiento para la inspección óptica de las superficies de cilindros de huecograbado y planchas de huecograbado puede complementarse comprobando si existe una desviación de la posición de una celdilla con respecto a los datos de imagen sobre la base de las imágenes conocidas que se han grabado en el cilindro de huecograbado o en la plancha de huecograbado, en donde se determina un valor que se incorpora al vector de características.

Además, opcionalmente, se puede determinar un valor a partir de la desviación de la posición de celdillas individuales del patrón regular que se obtiene a partir de la pluralidad de celdillas (desviación en el patrón de celdillas), valor que se incorpora al vector de características.

b) Primera red neuronal

Otro modo de proceder para la identificación de celdillas es una primera red neuronal preentrenada. Esta reconoce las celdillas y las marca. Una determinación posterior del centro de gravedad geométrico y del contorno de la celdilla detectada permite examinar las celdillas de forma similar al procesamiento posterior de las celdillas reconocidas mediante la correspondencia de plantillas. Esto incluye de nuevo la determinación de defectos de convexidad o momentos, como se describe en a1) o a2).

Para la identificación de celdillas se utilizan preferiblemente arquitecturas de redes neuronales de una etapa (fase) o de dos etapas (fases). Los procedimientos de dos fases suelen alcanzar las mayores precisiones, pero son bastante más lentos que los de una fase (en un factor de alrededor de 20). El representante más popular es Faster-RCNN (Shaoqing Ren y col. “ Faster R-CNN: Towards Real-Time Object Detection with RegionProposal Networks” . En: CoRR abs/1506.01497 (2016). arXiv: 1506.01497. url: http://arxiv.org/abs/1506.01497). Sin embargo, los procedimientos de una sola fase también son adecuados para el problema planteado; arquitecturas útiles son Retina-Net (Tsung-Yi Lin y col. “ Focal Loss for Dense Object Detection” . En: CoRR abs/1708.02002 (2017). arXiv: 1708.02002. url: http://arxiv.org/abs/1708.02002) y YOLOv4 (Alexey Bochkovskiy, Chien-Yao Wang y Hong-Yuan Mark Liao. “ YOLOv4: Optimal Speed and Accuracy of Object Detection” . En: CoRR abs/2004.10934 (2020). arXiv: 2004.10934. url: https://arxiv.org/abs/2004.10934). De manera especialmente preferida se usa YOLOv4.

c) Segunda red neuronal

En una forma de realización del procedimiento según la invención, una segunda red neuronal preentrenada reconoce las celdillas y también las evalúa inmediatamente. Como resultado se produce un valor de confianza que representa una medida de la integridad de las celdillas reconocidas. Este valor se transfiere al vector de características como una componente. En esta forma de realización, la segunda red neuronal es, por así decir, la primera red neuronal ampliada para incluir la función de evaluación.

Preferiblemente, tanto en el caso de la primera como en el caso de la segunda red neuronal se trata de una red YOLOv4.

Reconocimiento de defectos en las zonas sin imagen creada del cilindro de huecograbado

En principio, se sabe por la copia maestra en qué zonas de un cilindro de huecograbado debe crearse imagen y en cuáles no. Una comparación con la imagen de referencia (la imagen que cabe esperar, que se conoce a partir del preprocesamiento de impresión) puede acotar las zonas de la imagen de medición que deben analizarse.

También es posible determinar la zona sin imagen creada sustrayendo las zonas en las que se reconocieron celdillas de la imagen de medición o de las imágenes de medición, de modo que solo queden como zonas para analizar las zonas sin celdillas.

Los dos modos de proceder anteriores pueden utilizarse para acelerar el procesamiento.

En general, sin embargo, se analiza una imagen de medición completa para determinar las propiedades de defectos. La inspección de un cilindro de huecograbado completamente sin imagen creada corresponde, desde el punto de vista de la tecnología de producción, a la de una superficie de cobre, y la inspección de un cilindro de huecograbado con imagen creada corresponde a una superficie cromada en zonas en las que no están presentes formas de celdilla. Una superficie de cobre tiene un aspecto mate, brillante y reflectante, con una estructura superficial y una rugosidad creadas por piedras de amolar o bandas abrasivas.

Las causas típicas de los defectos incluyen defectos metálicos del cobre causados por problemas en el proceso de cobreado galvánico, así como rayas, arañazos, agujeros, abolladuras, etc.

El reconocimiento de defectos en las zonas sin imagen creada del cilindro de huecograbado se realiza preferiblemente por medio de

i. procedimiento de valor umbral para el reconocimiento de objetos, y/o

ii. una tercera red neuronal preentrenada

Los procedimientos de valor umbral son conocidos por el estado de la técnica y se basan en el conocimiento de que las imágenes de defectos tienen, por ejemplo, un brillo diferente, propiedades de reflexión diferentes o un color diferente que las secciones de superficie no dañadas. En este caso, sobre la base de valores empíricos, opcionalmente en función del revestimiento de la superficie, se define un valor umbral a partir del cual la superación de un valor umbral debe considerarse un defecto.

Como alternativa o adicionalmente, la zona sin imagen creada también puede analizarse con una tercera red neuronal. Preferiblemente, se utiliza en este caso una red neuronal convolucional que utiliza un marco de modelado de distribución de parches (PaDiM). PaDiM utiliza una red neuronal convolucional (CNN) preentrenada para la incrustación de parches y distribuciones gaussianas multivariantes para obtener una representación probabilística de la clase normal. También utiliza correlaciones entre los distintos niveles semánticos de la CNN para localizar mejor las anomalías. PaDiM supera a los enfoques actuales de reconocimiento y localización de anomalías. El rendimiento de vanguardia y la baja complejidad de PaDiM lo convierten en un buen candidato para muchas aplicaciones industriales.

Los defectos reconocidos por el procedimiento de valor umbral o la tercera red neuronal se evalúan a continuación mediante un valor de defecto de anomalía. El valor de defecto de anomalía es un valor que caracteriza la gravedad de un defecto y, por lo tanto, proporciona una medida del defecto. Como se explica a continuación, el valor de defecto de anomalía se evalúa incluyendo el valor de defecto de anomalía en un vector de características y comprobando mediante una máquina de vectores de soporte (SVM) si el vector de características (y, por tanto, también el valor de defecto de anomalía) se encuentra dentro de un volumen admisible. El valor de defecto de anomalía se determina a este respecto teniendo en cuenta algunas o todas las propiedades siguientes del defecto: el área, las extensiones en al menos dos direcciones diferentes, el ángulo trazado con respecto a la dirección de laminación del cilindro de huecograbado.

Por ejemplo, se aplica a este respecto un “ ajuste de elipse” al contorno del defecto hallado por PaDiM utilizando OpenCV, con el resultado de que el área del defecto se muestra con un rectángulo y un vector de dirección. Tanto el área como la distancia máxima entre dos puntos o el vector de dirección son adecuados en este caso como parámetros de medida de la calidad.

En la ecuación (1) se da un método de cálculo a modo de ejemplo para el valor de defecto de anomalía.

Valor de defecto de anomalía para arañazos:

L A

Adw = — x ---------B Amax (1)

Con Adw.- valor de defecto de anomalía, L- longitud, B- anchura, A- área, F1, F2- vértices de la elipse envolvente, Amáx- valor empírico de un área crítica del defecto, a- ángulo respecto al eje de cilindro; dado el caso se añade a la ecuación (1) una dependencia (func(a)-) del ángulo a, que describe el efecto de la orientación del ángulo respecto al eje de cilindro. Esta dependencia es función de las propiedades de la tinta de impresión, como por ejemplo la viscosidad. Se determina empíricamente, por lo que no puede especificarse una función válida en general.

En otras palabras, la magnitud del valor de defecto de anomalía se calcula a partir de los parámetros de la elipse. La elipse corresponde a una de las secciones cónicas y forma una curva cerrada que tiene la forma de un círculo comprimido y discurre alrededor de dos puntos fijos, los puntos focales (en donde la distancia desde un punto focal y la distancia desde el otro punto focal dan la misma suma en todas partes). Si se introducen en la fórmula los valores del vértice mayor L y del vértice menor B, el área A de la elipse y, opcionalmente, el ángulo a del eje mayor de la elipse, obtenidos a partir del ajuste de la elipse, se calcula a partir de ello su magnitud. El valor de Amáx es un valor empírico en forma de valor umbral y un indicador de a partir de cuándo un defecto o arañazo influye negativamente en la calidad del producto. Esto depende de los requisitos del producto.

Los resultados de los procedimientos individuales de evaluación de las formas de celdilla y de las formas de superficie se incorporan al vector de características en proporciones diferentes y predeterminadas. Preferiblemente, los procedimientos para evaluar las formas de celdilla proporcionan un valor común que se incorpora al vector de características al 100 %. Los procedimientos para evaluar desviaciones de las posiciones y patrones de celdilla también se incorporan en cada caso al vector de características al 100 %. Lo mismo ocurre con el valor de defecto de anomalía para las estructuras de la zona sin imagen creada. Los resultados para cada estructura de la zona con imagen creada (para cada celdilla) y también de la zona sin imagen creada (para cada defecto, como arañazos, agujeros, etc.) se combinan en un vector de características.

Opcionalmente, todas las características también pueden combinarse en un único vector de características con referencia a su origen. A partir de esto, un subconjunto orientado al objetivo puede transferirse a una o varias máquinas de vectores de soporte (SVM) para su clasificación y ser clasificado por esta o estas.

Una vez calculadas todas las características y anotadas como componentes en el vector de características, se procede a su clasificación. El resultado de la clasificación proporciona una declaración final sobre la calidad del producto examinado. El clasificador utilizado es una máquina de vectores de soporte (SVM), que se caracteriza por su gran velocidad de procesamiento y sus buenos resultados.

Las máquinas de vectores soporte son procedimientos de aprendizaje automático supervisado que se utilizan principalmente para la clasificación binaria. Los datos de entrenamiento se trazan en un espacio n-dimensional y el algoritmo intenta dibujar un límite con la mayor distancia posible a la siguiente muestra.

A este respecto, el kernel rbf (función de base radial) utilizado proporciona mejores resultados de clasificación que un kernel lineal. Los otros dos parámetros de la SVM son el parámetro C y el parámetro gamma, en donde C describe el tamaño de la penalización cuando una muestra se clasifica erróneamente y gamma comprende la influencia de cada muestra individual. Los resultados del examen mostraron valores para C de 1,0 y gamma de 0,8.

Las propiedades de la SVM permiten transferir las características del vector de características a dimensiones superiores (truco del kernel). En este espacio se adapta un hiperplano. La SVM se entrenó con datos de prueba de tal forma que los valores dentro del volumen delimitado se evalúan como buenos y los valores fuera de este como defecto. Se ha demostrado que con este modelo de SVM entrenado, con datos de la medición real, se pueden conseguir evaluaciones muy buenas.

La evaluación se realiza para todas las estructuras en todas las imágenes de medición (o en la única imagen de medición grande).

Si todas las estructuras de todas las imágenes de medición se sitúan dentro del volumen delimitado, se considera que el rodillo de huecograbado está libre de defectos. En caso contrario, se utilizan las coordenadas de la estructura defectuosa para determinar la ubicación del defecto.

La SVM proporciona un resultado correspondiente que contiene al menos “ sin defecto” o “ defectuoso” .

Entrenamiento de las redes neuronales y de la máquina de vectores de soporte

El entrenamiento de las redes neuronales utilizadas se realiza preferiblemente en tres fases:

1. Entrenamiento por medio de imágenes sintéticas (imágenes de superficies de rodillos) con formas ideales de celdillas (no aplicable a la tercera red neuronal).

2. Entrenamiento por medio de imágenes reales de superficies de cilindros de huecograbado ye correspondiente identificación de los objetos en las imágenes.

3. Entrenamiento por medio de imágenes reales categorizadas por una máquina de vectores de soporte (SVM). En una primera etapa de entrenamiento, la primera y la segunda red neuronal se entrenan con formas ideales de las respectivas formas de celdilla, que se generan como formas de referencia 2D. A continuación, en una segunda etapa, tiene lugar un entrenamiento con datos conocidos (imágenes reales) obtenidos a partir de inspecciones de las superficies de cilindros de huecograbado y planchas de huecograbado realizadas por operadores humanos.

En la segunda etapa, los datos para el entrenamiento de la primera y la segunda red neuronal contenían, además de las imágenes reales de las superficies de los cilindros de huecograbado o de las planchas de huecograbado, también información sobre si en el caso de objetos de imagen en las imágenes se trata de celdillas.

En la segunda etapa, los datos para el entrenamiento de la segunda red neuronal contienen, además de las imágenes de las superficies de cilindros de huecograbado o planchas de huecograbado y la información sobre si en el caso de objetos de imagen en las imágenes se trata de celdillas, además un parámetro de evaluación de la gravedad de un defecto en una celdilla respectiva, es decir, si estas celdillas deben valorarse como dañadas o utilizables.

Para la tercera red neuronal, que debe buscar defectos en las zonas sin imagen creada, se omite la primera etapa. Las etapas siguientes se realizan de la misma manera que para las otras dos redes neuronales. También en este caso, los datos para el entrenamiento de la tercera red neuronal en la segunda etapa contienen, además de las imágenes de las superficies de cilindros de huecograbado o planchas de huecograbado, también información sobre si en el caso de objetos de imagen en las imágenes de entrenamiento se trata de defectos.

La tercera red neuronal es preferiblemente una red PaDiM -A Patch Distribution Modeling and Localization- para la detección de anomalías. La tercera red neuronal se entrenó con imágenes buenas y defectuosas y mostró una detección de defectos muy buena.

Las etapas de entrenamiento también pueden fusionarse entre sí partiendo de las formas ideales de las respectivas formas de celdilla, que pueden formularse matemáticamente y generarse como forma de referencia 2D(blueprint).En posteriores procesos de optimización, estos se amplían cada vez más con datos (valores de celdilla) del proceso real. Las imágenes de las dos secuencias de imágenes Fig. 5 y Fig. 6 tienen el siguiente significado, de izquierda a derecha.

• Entrada: Imagen = imagen original

• Entrada: GroundTruth = zona de defecto enmascarada

• Salida, resultado: Mapa de calor previsto, anomalía en falsos colores

• Salida, resultado: Máscara prevista, máscara de la zona de defecto

• Salida, resultado: Resultado de la segmentación, marcado de la anomalía

La máquina de vectores de soporte se define en sus parámetros para la clasificación mediante la corrección de los parámetros a través de la intervención humana hasta que la evaluación de las imágenes de medición existentes por los seres humanos y la SVM coincidan en un grado especificado.

La SVM proporciona una base de datos para datos de entrenamiento para mejorar el reconocimiento de celdillas por parte de la primera red neuronal y/o para mejorar el reconocimiento y la evaluación de celdillas por parte de la segunda red neuronal y/o para mejorar el reconocimiento de defectos por parte de la tercera red neuronal a partir de la evaluación del vector de características de cada celdilla y del valor de defecto de anomalía de cada defecto y de la una o más imágenes de medición, en donde las redes neuronales se entrenan con estos datos de entrenamiento en una segunda etapa de entrenamiento. En particular, los datos de entrenamiento se preparan para el proceso de entrenamiento de las redes neuronales como parte de una evaluación humana buena/mala de las celdillas basada en el proceso de producción real.

Con respecto a las redes neuronales utilizadas

Para determinar la medida de la calidad de la imagen puede utilizarse un algoritmo entrenado mediante un procedimiento de aprendizaje automático. Como algoritmo puede utilizarse una red neuronal, en particular una red neuronal convolucional. Los algoritmos de aprendizaje automático, en particular las redes neuronales convolucionales, son especialmente adecuados para reconocer y tener en cuenta un gran número de propiedades de imagen a diferentes niveles de resolución. En comparación con las medidas de calidad de imagen conocidas, un algoritmo de aprendizaje automático puede aprender un gran número de propiedades de imagen adecuadas y combinarlas de la mejor manera posible.

El algoritmo puede procesar como datos de entrada datos de imágenes sintéticas conocidas, generadas idealmente. Sin embargo, también es posible enriquecer estos datos de entrada con datos de imágenes reales procedentes de la práctica. En su forma más simple, el algoritmo puede dar como valor de salida un único valor escalar, que es la medida de la calidad de la imagen. Como se explicará con más detalle a continuación, esto permite un entrenamiento sencillo del algoritmo y un procesamiento posterior simple de los datos de salida. Sin embargo, también pueden obtenerse ventajosamente vectores de características o similares, por ejemplo para analizar varias dimensiones de la calidad de una imagen por separado.

En las redes neuronales, en particular en las redes neuronales convolucionales, las características de la imagen pueden extraerse de los datos de entrada en varias capas sucesivas mediante convolución, aplicación de funciones de activación y submuestreo. Como capa final, puede utilizarse la denominada “ capa totalmente conectada” para combinar las características de la imagen para dar un valor escalar, que es la medida de la calidad de la imagen. La función de las redes neuronales y, en particular, de las redes neuronales convolucionales es bien conocida en el estado de la técnica a partir de otros campos de aplicación y, por lo tanto, no se describirá en detalle.

En particular, el entrenamiento del algoritmo puede realizarse mediante un entrenamiento supervisado, en el que conjuntos de datos de entrenamiento individuales comprenden en cada caso datos de entrada para el algoritmo y un resultado teórico. Los conjuntos de datos de entrenamiento pueden incluir en cada caso datos de imágenes bidimensionales o datos de plantillas de referencia en varias escalas.

Los datos de imágenes bidimensionales o los datos de plantillas pueden construirse con un valor de defecto conocido. Esto permite incluir una medida que describa este defecto como resultado teórico en el conjunto de datos de entrenamiento respectivo. Para ello puede utilizarse, por ejemplo, una retroalimentación de defectos. Esto puede hacerse manualmente, con un esfuerzo apropiado o utilizando una función de software programada, por ejemplo, para simular el desgaste del estilete de grabado. Esta función proporciona como resultado datos de plantilla bidimensional defectuosa, que se incorporan al entrenamiento de la red con el atributo “ plantilla defectuosa” .

En el estado de la técnica se conocen varias opciones para entrenar algoritmos de aprendizaje automático y no se explicarán en detalle.

El algoritmo puede estar entrenado o entrenarse utilizando conjuntos de entrenamiento, que en cada caso comprenden datos de imagen (por ejemplo, para formas de celdilla defectuosas) y un valor teórico para la medida de la calidad de la imagen que debe determinarse para estos datos de imagen. A este respecto, los datos de imagen se construyen a partir de imágenes de referencia predefinidas de tal manera que un valor teórico modificado según una especificación de modificación se determina en función de la especificación de modificación durante la construcción. Como se ha explicado anteriormente, esto permite que los datos de imágenes bidimensionales se construyan con un defecto conocido y que el conjunto de datos de entrenamiento comprenda una medida que describa este defecto.

En este sentido, pueden determinarse en primer lugar imágenes de referencia cuya geometría de imagen se conozca con gran precisión. Estas imágenes de referencia pueden determinarse, por ejemplo, tomando imágenes de un objeto conocido, en este caso celdillas de huecograbado, con una alta resolución, en donde estas imágenes de referencia y los valores de calidad asociados se crean mediante un dispositivo calibrado. A continuación, puede modificarse la geometría de registro de estas imágenes de celdillas, que es muy precisa y esencialmente libre de defectos. En este sentido, se pueden realizar un gran número de modificaciones diferentes para un conjunto de imágenes de celdilla. Por ejemplo, se pueden aplicar las mismas o diferentes deformaciones de contorno 2D a diferentes imágenes de celdilla. A continuación, puede crearse un conjunto de datos de entrenamiento optimizado utilizando un conjunto de datos de imagen reconstruidos o varios conjuntos de datos de imagen reconstruidos.

Como se sabe hasta qué punto se ha modificado la geometría de la celdilla, este conjunto de datos de entrenamiento puede utilizarse como un conjunto de datos de plantilla ampliado en el nuevo ciclo de entrenamiento. Esto da lugar a nuevos límites para los criterios de calidad en el vector de características.

En resumen, la invención también se refiere a un procedimiento para entrenar un algoritmo utilizando un procedimiento de aprendizaje automático. En particular, puede utilizarse un aprendizaje supervisado y los conjuntos de datos de entrenamiento pueden predefinirse como se ha descrito anteriormente. La invención también se refiere a un algoritmo entrenado por dicho procedimiento de entrenamiento para determinar una medida de una calidad de celdilla de datos de imagen reconstruidos a partir de imágenes de referencia o, como resultado del procedimiento, parámetros de un algoritmo que se determinan como parte de dicho procedimiento de aprendizaje automático. Además, la invención se refiere a un medio legible por ordenador que almacena el algoritmo entrenado en forma de secciones de programa legibles y ejecutables o que almacena parámetros para parametrizar dicho algoritmo determinados como parte del procedimiento de aprendizaje automático.

En el procedimiento para determinar las desviaciones de las especificaciones teóricas en imágenes de celdilla, los resultados de medición de las celdillas individuales se asignan a un vector de características. Esto puede servir como conjunto de datos de entrada para un clasificador con el fin de obtener una medida de calidad del conjunto global de resultados de medición a partir de la suma de los valores individuales. Se han realizado buenas experiencias con el uso de una máquina de vectores de soporte (SVM). La máquina de vectores de soporte (SVM) es un método matemático que se utiliza en el campo del aprendizaje automático. Permite clasificar objetos y puede utilizarse de diversas formas.

Los límites de clase determinados por la máquina de vectores de soporte son los denominados clasificadores de margen amplio y dejan libre de objetos una zona lo más amplia posible alrededor de los límites de clase. La SVM admite tanto la clasificación lineal como la no lineal. Para la clasificación no lineal, se utiliza el llamado truco del kernel, que amplía la zona del objeto con dimensiones adicionales (hiperplanos) para trazar áreas de separación no lineales.

En el resultado de la pirámide mostrada (véase la Fig. 12), el hiperplano se representa en el espacio 3D sobre el conjunto de datos resultante del vector de características.

Además, la invención se refiere a un programa informático que puede cargarse directamente en un equipo de almacenamiento de un equipo de procesamiento, con secciones de programa para llevar a cabo todas las etapas del procedimiento según la invención cuando el programa informático se ejecuta en el equipo de procesamiento.

Con respecto a la detección de objetos YOLO utilizada y el desarrollo del entrenamiento

YOLO es un procedimiento de detección de objetos (reconocimiento de objetos) ampliamente utilizado, publicado en 2015 por Redmon y col. (Joseph Redmon y col. You only look once: Unified, reaktime object detection. Techn. Ber.

2016, pág. 779-788. DOI: 10.1109/CVPR.2016.91. arXiv: 1506.02640v5. URL: http://pjreddie.com/yolo/) y desde entonces se ha seguido perfeccionando en varias etapas. El reconocimiento de objetos se considera un problema de regresión en el que se determinan objetos a partir de los píxeles de la imagen de entrada utilizando una red neuronal. En este sentido, un objeto reconocido se describe mediante el llamado cuadro delimitador, que determina unívocamente su posición y tamaño. Además, para cada objeto reconocido se determinan tantas probabilidades de clase como clases posibles haya en el caso de aplicación correspondiente. Para cada clase se determina un valor de probabilidad de clase - la suma de estos valores es igual a uno. Un objeto reconocido se asigna a la clase con la probabilidad de clase más alta. Un objetivo central de YOLO es el reconocimiento de objetos en tiempo real. Debido a sus características como detector de objetos de una sola fase, solamente se utiliza una red neuronal para todo el proceso de reconocimiento de objetos, que se ejecuta por cada imagen - la imagen solo se mira una vez (You Only Look Once). Esto significa que YOLO puede optimizarse de principio a fin en función de su rendimiento en el reconocimiento de objetos. En cambio, cabe mencionar el grupo de detectores de objetos de dos fases, a los que pertenecen, entre otros, los métodos de redes neuronales convolucionales basadas en regiones (RCNN) (Ross Girshick y col. Rich feature hierarchies for accurate object detection and semantic segmentation Tech report (v5). Techn. Ber. arXiv: 1311.2524v5), Fast RCNN (Ross Girshick. Fast R-CNN. Techn. Ber. arXiv: 1504.08083v2. URL: https://github.com/rbgirshick/) así como Faster RCNN (Shaoqing Ren y col. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. Techn. Ber. 6. 2017, pág. 1137-1149. DOI: 10.1109/TPAMI.2016.2577031. arXiv: 1506.01497). Los métodos de dos fases constituyen, en términos sencillos, en una primera etapa, las llamadas propuestas de regiones, es decir, sugerencias de zonas en las que podrían encontrarse los objetos. En una segunda etapa, se utilizan estas regiones y el contenido se considera un problema de clasificación, es decir, se determina la clase del objeto mapeado (Ross Girshick y col. Rich feature hierarchies for accurate object detection and semantic segmentation Tech report (v5). Techn. Ber. arXiv: 1311.2524v5).

Dado que las redes neuronales convolucionales pertenecen al estado de la técnica y son conocidas en otros campos de aplicación, no es necesaria una descripción más detallada para el experto en la materia.

El conjunto de datos de entrenamiento comprende aproximadamente 2.000 imágenes, en cada caso para plantillas de celdillas cerradas y con plantillas de celdillas abiertas de diferentes tamaños. Los tamaños de imagen de plantilla seleccionados se basaron en las dimensiones de la forma real de la celdilla de huecograbado.

Los parámetros de configuración de YOLOV4 se seleccionaron en función del conjunto de datos de entrenamiento de las imágenes de la plantilla y de la tarea planteada con el fin de generar una red entrenada de alta calidad. Se seleccionó un tamaño de imagen de 416x416 píxeles con Scale_x_y = 1,2,jitter= 0,3,momentum= 0,949 y una exposición = 1,5.

Para optimizar la duración del entrenamiento, el entrenamiento de YOLOV4 se realizó con el apoyo de procesadores GPU. Una GPU es una unidad de procesamiento gráfico (en inglés, Graphics Processing Unit (GPU)), un chip informático que realiza cálculos matemáticos con especial rapidez y alivia a la CPU (Central Processing Unit, “ procesador principal” ) o puede entrenar redes neuronales para aplicaciones de inteligencia artificial (IA).

Con el apoyo de la GPU fue posible reducir el tiempo de entrenamiento en un factor de entre cinco y ocho.

La idoneidad de una red CNN para el caso de aplicación descrito quedó confirmada por la curva de optimización positiva en el gráfico de la función de pérdida. La salida de la última capa de la CNN es, en este caso, un tensor en la forma (S,S,(Bx5+C)), cuyo contenido representa la predicción de la red para una imagen de entrada y alcanzó un valor superior al 95 %. Por último, el gráfico de optimización de una función de pérdida se obtiene durante el ciclo de entrenamiento, que puede durar varios días, en función de la potencia del PC. Ilustraciones correspondientes pueden encontrarse como ejemplos en https://www.researchgate.net/figure/Improved-YOLOv4-training-loss-functioncurve_fig1_350756829.

Perfeccionamientos preferidos de la invención se obtienen a partir de las combinaciones de las reivindicaciones o de características individuales de las mismas.

La invención se explicará con más detalle a continuación haciendo referencia a un ejemplo de realización y a las figuras asociadas. A este respecto, el ejemplo de realización pretende describir la invención, sin limitarla.

Figuras

LaFig. 1muestra esquemáticamente la estructura de la unidad de inspección óptica, con la que se detecta por barrido la imagen de medición o las múltiples imágenes de medición de la superficie del cilindro de huecograbado. Las flechas indican la trayectoria del haz.

LaFig. 2explica con más detalle la detección por barrido de las imágenes de medición.

LaFig. 3muestra el registro fotográfico de una zona con celdillas cerradas (células cerradas).

LaFig. 4muestra el registro fotográfico de una zona con celdillas abiertas (células abiertas).

LaFig. 5muestra datos de ejemplo utilizados para entrenar la tercera red neuronal, en este caso el defecto de superficie “ agujero y pequeño arañazo” , así como los datos de salida de la tercera red neuronal.

LaFig. 6muestra datos de ejemplo utilizados para entrenar la tercera red neuronal, en este caso el defecto de superficie “ arañazo prominente” , así como los datos de salida de la tercera red neuronal.

LaFig. 7explica esquemáticamente el procedimiento de correspondencia de plantillas con patrones predefinidos (plantillas) de diferentes tamaños.

LaFig. 8muestra a modo de ejemplo el resultado de la correlación cruzada normalizada para celdillas cerradas, así como los centros de gravedad geométricos determinados en consecuencia. Se utilizó a este respecto una plantilla de 183 x 128 píxeles.

LaFig. 9muestra a modo de ejemplo el resultado de la correlación cruzada normalizada para celdillas abiertas

LaFig. 10muestra a modo de ejemplo los resultados de la evaluación del contorno de celdilla mediante “ defectos de convexidad” .

LaFig. 11muestra un ejemplo de utilización del procedimiento de “ envoltura convexa” , en el que se tiene en cuenta la convexidad de la curva envolvente.

LaFig. 12muestra esquemáticamente el espacio de evaluación de una máquina de vectores de soporte. Las estructuras cuyos valores se encuentran dentro de la pirámide representada se consideran libres de defectos; las estructuras cuyos valores se encuentran fuera, se consideran defectuosas.

LaFig. 13muestra la secuencia del procedimiento según la invención. La rama “ mejorar el aprendizaje” ->“ sí” solo se ejecuta en la fase de entrenamiento de las redes neuronales o la SVM.

LaFig. 14explica la determinación del valor de defecto de anomalía y nombra los parámetros de una elipse ajustada alrededor de un defecto, en este caso un arañazo, que se utilizan en la fórmula de cálculo del valor de defecto de anomalía. Con: Adw.- valor de defecto de anomalía, L- longitud, B- anchura, A- área, F1, F2- vértices de la elipse envolvente, Amáx- valor empírico, a- ángulo respecto al eje de cilindro.

Ejemplo de realización

El procedimiento descrito en este caso comprende la inspección óptica de cilindros de huecograbado (cilindros de impresión) en el intervalo micrométrico, un procedimiento de varias fases totalmente automatizado para el registro de imágenes, el procesamiento de imágenes y la evaluación de la calidad. En este sentido, se utilizan módulos de ingeniería de software inteligentes y con autoaprendizaje, que incluyen IA (inteligencia artificial) y aprendizaje automático.

El registro de imágenes se realiza mediante una exploración óptica de la superficie del cilindro. Normalmente, la pieza de trabajo que se va a inspeccionar, el cilindro de huecograbado (rodillo de huecograbado), se hace girar y la unidad óptica de detección de imágenes se desplaza en paralelo al eje a lo largo de toda la anchura del cilindro de huecograbado. Alternativamente, la pieza de prueba también podría estar montada de manera fija y una unidad de detección de imágenes en movimiento sobre un carro x-y podría escanear una superficie 2D, lo que se utilizaría en la inspección de planchas de prueba rectangulares, por ejemplo, una capa Ballard. El cilindro suele sujetarse en una unidad giratoria mediante unidades de sujeción en cada extremo del eje. Alternativamente, es posible el montaje sobre ruedecillas giratorias. En este caso, el cilindro de impresión sería accionado y guiado en su superficie por las ruedecillas. También son concebibles otras variantes de realización, cuya disposición debe seleccionarse en función del entorno de aplicación. Esto también incluye la inspección en línea en máquinas de producción existentes, por ejemplo, el tratamiento de la superficie de cobre del cilindro de huecograbado después del proceso de “ acabado” como etapa final de la inspección de calidad. La inspección de entrada en línea en una de las etapas subsiguientes del proceso, incluido el proceso de creación de la imagen, representa otra opción en línea.

Para determinar la posición de la imagen de medición registrada en la superficie del cilindro, la posición angular respectiva se capta mediante un codificador del ángulo de rotación en la unidad de accionamiento o en un accesorio alternativo. Junto con la segunda información de localización de la unidad lineal paralela al eje, cada imagen de cámara registrada puede localizarse en el espacio 2D (superficie del cilindro desarrollada). A continuación, se juntan varias imágenes individuales para formar una imagen de medición mediante “ stitching” (combinación de las imágenes individuales).

El montaje y desmontaje del cilindro completo, así como su manipulación, pueden realizarse de forma independiente dentro de una unidad de inspección existente o de una línea de proceso automatizada.

En este contexto, los puntos de referencia mecánicos del cilindro de impresión también pueden detectarse automáticamente una vez finalizado el proceso de ajuste, incluida la anchura del cilindro, su diámetro y el posicionamiento automático de los puntos de referencia de la unidad de registro de imágenes mediante autoenfoque.

Se utiliza una unidad de inspección óptica para la detección de imágenes:

• Cámara, objetivo y componente de iluminación coaxial

• Registro de imágenes y evaluación: La superficie completa del cilindro se escanea utilizando un sistema de cámara y un software de detección de imágenes y, a continuación, se introduce en un sistema de procesamiento posterior de software especialmente desarrollado para ello.

Los componentes de la unidad óptica de detección de imágenes incluyen una cámara de exploración de área con objetivo, una fuente de luz con lente condensadora y un espejo deflector para iluminación coaxial. Los estados de superficie de los cilindros de huecograbado que van a inspeccionarse son, por una parte, el estado sin imagen creada de una superficie de cobre, que después se somete a un proceso de creación de la imagen y a cromado. En el estado sin imagen creada, la superficie de cobre es metálica y brillante mate, mientras que en el estado con imagen creada es reflectante y muy brillante debido al cromado de la superficie. Ambas superficies contienen la rugosidad de superficie colocada de manera deseada. Conforme a las leyes de la física, la nitidez de los detalles de la imagen aumenta con la luz de onda corta, por lo que se utiliza como fuente de luz un LED pulsado en el intervalo de frecuencias azules de 450 nm.

Para poder hacer una declaración cualitativa sobre los defectos críticos de la superficie en el intervalo de los micrómetros, es necesaria una resolución correspondientemente alta del campo de medición. Para ello, es necesario armonizar el tamaño del campo de medición, el objetivo y la cámara. En este sentido, la escala de imagen necesaria, es decir, la relación entre el tamaño del objeto y el tamaño de la imagen, puede conseguirse mediante un ajuste de la cámara(binning...)o, alternativamente, con un zoom del objetivo.

Esta disposición permite analizar el objeto que se ha de inspeccionar de forma totalmente automática en dos o más resoluciones ópticas. Una resolución de medición óptima adaptada al tamaño del defecto repercute positivamente en la gran cantidad de datos y la reduce considerablemente.

La detección de la superficie de un cilindro de huecograbado (30 cm de diámetro del cilindro, 100 cm de longitud de rollo) con una superficie para inspeccionar de aprox. 10.000 cm2 produce aprox. 150.000 imágenes con una resolución de 5.120 x 5.120 píxeles a una resolución de objeto de 20 pm.

Las imágenes se guardan y representan un volumen de datos de aproximadamente 190 MB por imagen.

Tras la combinación de las imágenes individuales con ayuda del software, se crea una imagen de medición de 3,41 terabytes. En la medida de lo posible, la combinación de la imagen de medición se realiza en paralelo al registro de imágenes para optimizar la duración de la medición. La imagen de medición se guarda para su procesamiento posterior.

Ahora tiene lugar el reconocimiento de celdillas en la imagen de medición. Para ello, la imagen de medición se analiza en busca de estructuras (elementos) mediante algoritmos conocidos de procesamiento de imágenes. En este caso se utiliza el algoritmo de valor umbral.

Si se encuentra una estructura en la superficie, se comprueba si se trata de una celdilla.

Para ello se utiliza el algoritmo de valor umbral. Se definió un valor de 0,8 como valor umbral por el que una estructura debe elevarse del fondo no tratado o no dañado (el fondo en la imagen de medición).

Si se reconoce una estructura, se utiliza el procedimiento de correspondencia de plantillas para comprobar si se trata de una celdilla abierta.

La prueba para determinar celdillas abiertas se realiza con 10 plantillas de distinto tamaño para celdillas cerradas utilizando la correlación cruzada normalizada. Si todas las plantillas se mantienen por debajo del valor de correlación especificado de 0,8, la estructura encontrada se analiza con plantillas para celdillas abiertas. En este caso, el valor umbral de correlación también es de 0,8. El valor de correlación significa en este sentido que las celdillas que superan el valor de correlación coinciden suficientemente con la plantilla respectiva.

Si la estructura encontrada no es ni una celdilla cerrada ni una celdilla abierta, se trata evidentemente de otro defecto de superficie. Por lo tanto, esta estructura se trata con el procedimiento para zonas sin imagen creada.

Si la estructura es una celdilla abierta o cerrada, a continuación se determina el punto central (centro de gravedad geométrico) de la celdilla. Esto se realiza con algoritmos conocidos por el estado de la técnica.

Una vez hallado el centro de gravedad geométrico, se evalúa la forma de la celdilla.

En el presente caso, se combinan los siguientes procedimientos:

1. Factor de área - medida de las relaciones de área, así como de la longitud y la anchura

2. Defectos de convexidad según https://theailearner.com/2020/11/09/convexity-defectsopencv/

3. Envoltura convexa según https://de.wikipedia.org/wiki/Konvexe_Hülle

4. Correlacionar formas utilizando momentos HU https://de.wikipedia.org/wiki/Konvexe_Hülle

5. TemplateDistanceRefAngle: Distancias de contorno “ polígono de contorno” y plantilla de referencia en diferentes ángulos, p. ej. 0, 45 grados, 90 grados, etc. - véase más arriba

6. Comprobación de fractura de alma y deformación de alma en celdillas abiertas

7. Dimensión fractal - véase más arriba

Los procedimientos proporcionan valores para la desviación de valores teóricos especificados. Esta desviación se expresa en este caso en porcentaje. Además, los resultados de los procedimientos se incluyen en el resultado final en distintos grados (véase la Tabla 1).

A continuación, la imagen de medición se transfiere a la tercera red neuronal. En este sentido se trata de una red basada en el marco PaDiM. Utiliza una red neuronal convolucional preentrenada. La tercera red neuronal reconoce estructuras que no son celdillas y las evalúa como fallo (defecto).

La tercera red neuronal proporciona como resultado un valor de defecto de anomalía como cuantificación de la medida del defecto. Este se calcula aplicando un “ ajuste de elipse” al contorno del defecto hallado por PaDiM utilizando OpenCV (según la ecuación (1)), con el resultado de que el área del defecto se muestra con un rectángulo y un vector de dirección. Tanto el área como la distancia máxima entre dos puntos o el vector de dirección son adecuados como medida de la calidad en este caso.

Los resultados de las evaluaciones de las celdillas y el valor de defecto de anomalía se incluyen en el vector de características con las ponderaciones que se muestran en la tabla siguiente:

Tabla 1: Elementos del vector de características, así como ponderaciones de la incorporación en el mismo y tolerancias de los valores individuales

Si el vector de características está completo, se clasifica mediante una máquina de vectores de soporte. La SVM considera un espacio de una dimensión, que es igual al número de elementos del vector de características. Dentro de este espacio, el vector de características define un punto. Basándose en valores empíricos y en el conocimiento humano, se definió un subespacio dentro de este espacio. Si el punto perteneciente a una estructura se encuentra dentro de este subespacio, se considera que la estructura está bien o no es crítica. Si todas las estructuras de todas las imágenes de medición se encuentran dentro de este subespacio, se considera que el rodillo de huecograbado está libre de defectos. En caso contrario, se utilizan las coordenadas de la estructura defectuosa para determinar la ubicación del defecto.

La SVM proporciona un resultado correspondiente que contiene al menos “ sin defecto” o “ defectuoso” .

Números de referencia

1 Rodillo de impresión

2 LED azul

3 Lente

4 Divisor de haz

5 Objetivo

6 Espejo deflector

7 Cámara

8 Resolvedor para la detección de la posición de la imagen en el rodillo

9 Sistema de procesamiento de datos

D Defecto

B Anchura del defecto

L Longitud del defecto

A Área del defecto

Amáx Valor empírico a partir de mediciones

F1, F2 Vértices de la elipse envolvente

a Ángulo con respecto al eje de cilindro del cilindro de huecograbado

Bibliografía citada que no es de patente

Ming-Kuei Hu,” Visual Pattern Recognition by Moment Invariants” , doi: 10.1109/TIT.1962.1057692

Shaoqing Ren y col.” Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks” . En: CoRR abs/1506.01497 (2016). arXiv: 1506.01497. url: http://arxiv.org/abs/1506.01497

Tsung-Yi Lin y col.” Focal Loss for Dense Object Detection” . En: CoRR abs/1708.02002 (2017). arXiv: 1708.02002. url: http://arxiv.org/abs/1708.02002

Alexey Bochkovskiy, Chien-Yao Wang y Hong-Yuan Mark Liao.”YOLOv4: Optimal Speed and Accuracy of Object Detection” . En: CoRR abs/2004.10934 (2020). arXiv: 2004.10934. url: https://arxiv.org/abs/2004.10934 https://de.wikipedia.su/wiki/Fraktale_Dimension#Boxcounting-Dimension (Stand, 04.04.2022) https://theailearner.com/2020/11/09/convexity-defects-opencv/

https://de.wikipedia.org/wiki/Konvexe_Hülle

https://cvexplained.wordpress.com/2020/07/21/10-4-hu-moments/ https://www.researchgate.net/figure/Improved-YOLOv4-training-loss-function-curve fig 1 350756829

Ross Girshick. Fast R-CNN. Techn. Ber. arXiv: 1504.08083v2. URL: https://gith ub.com/rbgirshick/.

Ross Girshick y col. Rich feature hierarchies for accurate object detection and semantic segmentation T ech report (v5). Techn. Ber. arXiv: 1311.2524v5.

Joseph Redmon y col. You only look once: Unified, reaktime object detection. Techn. Ber. 2016, pág. 779-788. DOI: 10.1109/CVPR.2016.91. arXiv: 1506.02640v5. URL: http://pjreddie.com/yolo/.

Shaoqing Ren y col. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. Techn. Ber.

6. 2017, pág. 1137-1149. DOI: 10.1109/TPAMI.2016.2577031. arXiv: 1506.01497.

Thomas Defard y col.” PaDiM: a Patch DistributionModeling Framework for Anomaly Detection and Localization. En: CoRR abs/2011.08785 (2020). arXiv: 2011.08785. URL: https://arxiv.org/abs/2011.08785. https://github.com/xiahaifeng1995/PaDiM-Anomaly-Detection-Localization-master

Claims (20)

1. REIVINDICACIONES

   i.Procedimiento para la inspección óptica de las superficies de cilindros de huecograbado y planchas de huecograbado, que presenta al menos las siguientes etapas:

   a) insertar el cilindro de huecograbado o la plancha de huecograbado en un dispositivo de inspección, b) detectar ópticamente por barrido la superficie del cilindro de huecograbado o de la plancha de huecograbado mediante una unidad de detección de imágenes en una o más imágenes de medición, así como detectar la posición de las imágenes de medición con respecto a la superficie del cilindro de huecograbado o de la plancha de huecograbado,

   c) reconocer celdillas mediante exploración de la primera imagen de medición,

   d) comparar una serie de propiedades predefinidas de las celdillas con los valores teóricos predefinidos asignados a estas propiedades y registrar la desviación de cada propiedad respecto al valor teórico respectivo como valor en un vector de características,

   e) reconocer defectos en las zonas de la primera imagen de medición en las que no se reconocieron celdillas,

   f) determinar un valor de defecto de anomalía de un defecto reconocido,

   g) clasificar el vector de características de cada celdilla y el valor de defecto de anomalía de cada defecto por medio de ponderación de resultados predeterminada y valores de tolerancia admisibles de cada propiedad del vector de características por medio de una máquina de vectores de soporte (SVM) preentrenada, y

   h) repetir las etapas c) a g) para cada imagen de medición adicional,

   i) emitir una evaluación del cilindro de huecograbado o de la plancha de huecograbado, en donde la evaluación contiene al menos las indicaciones “ libre de defectos” o “ defectuoso” .
2. 2. Procedimiento para la inspección óptica de las superficies de cilindros de huecograbado y planchas de huecograbado según la reivindicación 1,caracterizado por quedespués de la etapa c) se realiza una combinación de una imagen global de la superficie del cilindro de huecograbado o de la plancha de huecograbado a partir de las imágenes de medición y el procedimiento se realiza con esta imagen global combinada como imagen de medición.
3. 3. Procedimiento para la inspección óptica de las superficies de cilindros de huecograbado y planchas de huecograbado según la reivindicación 1 o 2,caracterizado por quela etapa c) se realiza por medio de

   i. reconocimiento de patrones (correspondencia de plantillas) con determinación del centro de gravedad geométrico y del contorno de la celdilla reconocida y/o

   ii. una primera red neuronal preentrenada que reconozca y marque las celdillas, así como posterior determinación del centro de gravedad geométrico y del contorno de la celdilla reconocida.
4. 4. Procedimiento para la inspección óptica de las superficies de cilindros de huecograbado y planchas de huecograbado según una de las reivindicaciones anteriores,caracterizado por quelas etapas c) y d) se realizan por medio de una segunda red neuronal preentrenada que reconoce y evalúa las celdillas y transfiere un valor de confianza como valor al vector de características.
5. 5. Procedimiento según una de las reivindicaciones anteriores,caracterizado por quela etapa e) se realiza por medio de

   i. procedimiento de valor umbral para el reconocimiento de objetos, y/o

   ii. una tercera red neuronal preentrenada.
6. 6. Procedimiento para la inspección óptica de las superficies de cilindros de huecograbado y planchas de huecograbado según una de las reivindicaciones anteriores,caracterizado por que, sobre la base de las imágenes conocidas que se han grabado en el cilindro de huecograbado o en la plancha de huecograbado, se comprueba si existe una desviación de la posición de una celdilla con respecto a los datos de imagen, en donde se determina un valor que se incorpora al vector de características.
7. 7. Procedimiento para la inspección óptica de las superficies de cilindros de huecograbado y planchas de huecograbado según una de las reivindicaciones anteriores,caracterizado por que, a partir de la desviación de la posición de celdillas individuales respecto al patrón regular, que se obtiene a partir de la pluralidad de celdillas, se determina un valor que se incorpora al vector de características.
8. 8.Procedimiento para la inspección óptica de las superficies de cilindros de huecograbado y planchas de huecograbado según una de las reivindicaciones anteriores,caracterizado por quelas imágenes de medición se registran con zonas solapadas.
9. 9.Procedimiento para la inspección óptica de las superficies de cilindros de huecograbado y planchas d huecograbado según la reivindicación 3,caracterizado por queel reconocimiento de patrones (correspondencia de plantillas) se realiza basándose en la correlación cruzada normalizada.
10. 10. Procedimiento para la inspección óptica de las superficies de cilindros de huecograbado y planchas de huecograbado según una de las reivindicaciones anteriores,caracterizado por quela serie de propiedades predeterminadas incluye algunas o todas de las siguientes propiedades: desviación de tamaño de área, defecto de convexidad, envoltura de convexidad, coincidencias de forma mediante momentos HU, distancias de contorno, dimensión fractal, así como un procedimiento para evaluar la desviación del contorno.
11. 11. Procedimiento para la inspección óptica de las superficies de cilindros de huecograbado y planchas d huecograbado según la reivindicación 10,caracterizado por queel procedimiento para evaluar la desviación

    del contorno consiste en determinar la desviación del contorno hallado de una celdilla respecto al contorno ideal de la celdilla en una pluralidad de puntos, preferiblemente 8, distribuidos por la circunferencia de la celdilla hallada, y registrarla en el vector de características.
12. 12. Procedimiento para la inspección óptica de las superficies de cilindros de huecograbado y planchas de huecograbado según una de las reivindicaciones 3 a 5,caracterizado por queen el caso de la primera y la segunda red neuronal se trata en cada caso de una red YOLOv4.
13. 13. Procedimiento para la inspección óptica de las superficies de cilindros de huecograbado y planchas de huecograbado según una de las reivindicaciones 3 a 5,caracterizado por queen el caso de la tercera red neuronal se trata de una red neuronal convolucional que utiliza un marco de modelado de distribución de parches.
14. 14. Procedimiento para la inspección óptica de las superficies de cilindros de huecograbado y planchas de huecograbado según una de las reivindicaciones anteriores,caracterizado por queel valor de defecto de anomalía se determina teniendo en cuenta alguna o todas las siguientes propiedades del defecto: el área, las expansiones en al menos dos direcciones diferentes entre sí, el ángulo de progresión.
15. 15. Procedimiento para la inspección óptica de las superficies de cilindros de huecograbado y planchas de huecograbado según una de las reivindicaciones anteriores,caracterizado por quela SVM se establece en sus parámetros para la clasificación corrigiendo los parámetros mediante intervención humana hasta que la evaluación de las imágenes de medición existentes por el hombre y la SVM coincidan en una medida predeterminada.
16. 16. Procedimiento para la inspección óptica de las superficies de cilindros de huecograbado y planchas de huecograbado según las reivindicaciones 3 a 5,caracterizado por quelas redes neuronales se entrenan en una primera etapa de entrenamiento con formas ideales de las respectivas formas de celdilla, que se generan como formas de referencia 2D; a continuación tiene lugar, seguido en una segunda etapa, un entrenamiento con datos conocidos procedentes de inspecciones de las superficies de cilindros de huecograbado o planchas de huecograbado.
17. 17. Procedimiento según la reivindicación 16,caracterizado por quelos datos para entrenar la primera y la segunda red neuronal en la segunda etapa también contenían, además de las imágenes de las superficies de cilindros de huecograbado o planchas de huecograbado, información sobre si en el caso de objetos de imagen en las imágenes se trata de celdillas.
18. 18. Procedimiento según la reivindicación 16,caracterizado por quelos datos para el entrenamiento de la segunda red neuronal en la segunda etapa contienen, además de las imágenes de las superficies de cilindros de huecograbado o planchas de huecograbado y la información sobre si en el caso de objetos de imagen en las imágenes se trata de celdillas, además un parámetro de evaluación de la gravedad de un defecto en una celdilla respectiva.
19. 19. Procedimiento para la inspección óptica de las superficies de cilindros de huecograbado y planchas de huecograbado según la reivindicación 16,caracterizado por quelos datos para entrenar la segunda red neuronal en la segunda etapa también contenían, además de las imágenes de las superficies de cilindros de huecograbado o planchas de huecograbado, información sobre si en el caso de objetos de imagen en las imágenes se trata de celdillas y si estas celdillas deben evaluarse como dañadas o utilizables.
20. 20. Procedimiento para la inspección óptica de las superficies de cilindros de huecograbado y planchas de huecograbado según la reivindicación 16,caracterizado por quelos datos para entrenar la tercera red neuronal también contenían, además de las imágenes de las superficies de cilindros de huecograbado o planchas de huecograbado, información sobre si en el caso de objetos de imagen en las imágenes se trata de defectos.

    Procedimiento para la inspección óptica de las superficies de cilindros de huecograbado y planchas de huecograbado según una de las reivindicaciones 16 a 20,caracterizado por quela SVM genera datos de entrenamiento para mejorar el reconocimiento de copas por parte de la primera red neuronal y/o para mejorar el reconocimiento y la evaluación de copas por parte de la segunda red neuronal y/o para mejorar el reconocimiento de defectos por parte de la tercera red neuronal a partir de la evaluación del vector de características de cada copa y del valor de defecto de anomalía de cada defecto y de la una o más imágenes de medición, y las redes neuronales se entrenan con estos datos de entrenamiento en una tercera etapa de entrenamiento.