印刷网点异常状态诊断方法范文
本站小编为你精心准备了印刷网点异常状态诊断方法参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。
《今日印刷》2017年第8期
摘要：目的为了实现印刷生产过程中网点异常状态的智能诊断，提出一种基于二维经验模式分解(BEMD)的网点特征提取方法。方法通过对网点图像的BEMD分析，获取了其二维本征模式分量，并利用灰度共生矩阵(GLCM)对其进行特征提取，构建印刷网点的特征表示向量。结果依托支持向量机决策方法开展分类实验，所提出的方法能够准确诊断出网点压力不当、水墨不均等异常状态，网点分类实验的正确率达到90%以上。结论BIMF-GLCM分析对于网点特性有着很好的表征能力，相关研究为印刷网点智能诊断特征集的构建提供了有效方法。
关键词：印刷网点；纹理分析；二维经验模式分解；灰度共生矩阵
随着工业朝着信息化与智能化发展，印刷行业装备水平也迫切需要提升其智能水平，以实现生产效率和产品质量的提升，而与产品质量相关的自动检测技术向来是实现其自动化水平提升与智能制造的关键[1—4]。由于涉及了较多因素，在印刷生产中的产品质量控制一直以来都是企业需要解决的重要问题，在产品检测中往往需要大量人力物力，且效率与可靠性偏低，为了有效提高印刷产品质量，相关学者针对印刷质量的智能检测开展了深入研究：海德堡、曼罗兰等知名印刷设备企业都开发了检测印品质量的图像检测系统，但这些检测往往要与专用检测标识条、检测仪器、计算系统等联合使用，成本极高且依赖人工经验，智能化程度有待进一步提升。徐卓飞等[5]提出了一种基于Gabor滤波的印刷星标纹理特征提取通过图像纹理识别星标，实现了印刷机工作中对星标的自动识别，研究结果在减少调试维修设备工时和成本、提高印刷调节效率、快速实现水墨平衡等方面具有实际应用价值，但未对网点做出分析评价。柴江松等[6]通过高斯拟合阈值分割算法，可寻找网点类图像最佳分割阈值，对图像进行二值化处理，得到准确的网点参数，可为印刷品复制质量的评价提供重要依据。郑遂等[7]结合数字图像处理技术对网点二值化的关键阈值进行了分析与评价，为网点状态识别提供了参数选择方法。侯和平等[8]提出了一种基于顶帽变换的网点自动计算方法，通过实验证明其具有较高的识别正确率，提高了网点智能识别水平，但不具备分析网点异常状态的能力。由于网点质量水平是决定印刷质量的根本，所以如何在现有研究基础上实现网点异常状态的智能诊断，是进一步推动印刷装备自动化程度发展的重要方向之一[9—10]。网点的作为一种图像信息，如何构建有效地特征值对其进行描述是实现其智能检测的关键[8—11]，因此，文中以实现印刷网点质量的智能检测与诊断为目的，提出了基于BIMF熵分析的网点状态表征与诊断方法。
1技术路线
文中所提出技术路线见图1。首先，采集印张上的各类网点，包括正常、水量过大、墨量过大、压力过大、压力不足等不同状态，考虑到50%的网点最为敏感，具有较强的异常状态表征能力，因此研究以50%的平网为主要对象。其次，进行BEMD分析并获得相应BIMF分量，去除低频分量，保留高频分量并进行GLCM特征提取，用以表征网点特性。最后，利用支持向量机进行决策网络构建，训练分类模型，将待检测样本输入网络，最终实现网点异常状态的智能诊断。
2BEMD算法及特征集构建
经验模式分解(EMD)作为一种具有自适应能力的非线性信号时域解析方法，在故障诊断、信号处理、模式识别领域得到了广泛的应用。EMD可按照信号的局部时变特征自适应地进行时频分解，能够将采集到的信号分解成多个本征模式分量函数(IMF)，每个分量具有单一性并反映信号中含有的一种频率信号。信号的高频部分主要集中在前几个IMF分量中，末尾残余的IMF分量则是以低频噪声干扰为主，往往可以去除，从而实现有效信息的分离[12—13]。二维经验模式分解是在一维经验模式分解方法在空间域上的拓展，其分析对象也从一维时间信号变为了二维空间信号，因而广泛应用于图像分析。依靠其优越的解析特性及自适应分解能力，广泛应用与医学、地学、纺织等领域[14]。与一维分析类似，BEMD可将一副图像转化为一系列二维内蕴模函数(BIMF)和残差项。其中，BIMF分量应当具有如下特征：BIMF的极值点数目等于过零点的数目，或者最多相差为1；BIMF的局部极大值所构成的上包络面与局部极小值所构成的下包络面的均值曲面为0。
3实验研究
3.1实验条件描述
实验在四开单色胶印机完成，采用ECO655工业面阵相机与ComputarTEC-M55远心镜头构建采集系统进行图像采集。BEMD分析及相关特征的提取计算均在小型工作站完成，核心CPU为InterXeonE3-1230V2，图像显示GPU为GTX660。图像前处理程序、特征提取、决策网络训练等程序均在Matlab环境下编写并计算。
3.2BEMD分析及灰度特征计算
BEMD分解结果见图3，分别选取了图2中的5幅图像作为原图进行分解，获取了相应的BIMF分量组。从图3可以看出，BIMF分量随着分解层数的递增，对于原图信息的保留逐步减少，BIMF1-2明显包含原图信息，BIMF3已经无法看出原图的纹理，仅保留了趋势性信息。经过分解后，原图的能量按照一定规律实现了分层表现，可以利用每一层BIMF图像分别计算一个特征，从而构成特征集，以发挥BEMD实现不同频率成分分离的特性。在计算GLCM矩阵时，需要先进行灰度级别压缩，压缩程度不宜过大，以免造成过多信息损失，故选取32级灰度级压缩。由于BIMF1-2很好体现了原始纹理状态，因此研究对这2幅图像进行特征提取，得到一个32维特征集，依次是BIMF1的0°,45°,90°和135°方向，BIMF2的0°,45°,90°和135°方向，一共8组，每组包含熵、相关性、角二阶矩、对比度等4个值。在进行识别之前，应当剔除不敏感特征组，实现计算效率提升，同时减少不必要成分。根据图3结果，认为BIMF1垂直方向和对角方向的梯度变化较大且高频信息较多，故保留45°,90°方向。BIMF2在90°方向呈现出较强的规律性，故予以保留。这样以来32维特征降低为12维特征集。
3.3网点异常状态识别结果
研究选取图2中5类网点图像共计150幅，每类30幅，分为训练集15幅和验证集15幅。按照上述方法分别计算BIMF1的16维特征集、BIMF1-2的32维特征集、剔除冗余后的20维特征集。采取支持向量机SVM作为决策网络进行训练与识别。
4结语
针对印刷网点提出了一种基于二维经验模式分析的异常状态诊断方法，对其纹理特征进行了有效表征，通过实验证明了相关理论的正确性。通过对各类印刷网点图像进行BEMD分析获取了相应的BIMF分量，结合GLCM对其进行有效表征，依托SVM决策网络实现了压力过大、压力不足、墨量过大、水量过大、正常等常见网点状态的自动识别，并获得了较高的正确率；研究说明BEMD-GLCM特征集在网点分析中具有很好识别效果，分析发现BIMF中的低阶成分不利于网点性质的表征，应当予以剔除，主要敏感信息依然集中于高频分量中。相关研究可为印刷网点的自动识别与异常状态监测提供理论依据。
作者：郑新 单位：中山火炬职业技术学院
