[發(fā)明專利]一種人工智能的柔版印刷壓力預(yù)測方法

在審

• 申請?zhí)枺?/td>: 202110399006.0
• 申請日: 2021-04-14
• 公開（公告）號: CN113291055A
• 公開（公告）日: 2021-08-24
• 發(fā)明（設(shè)計(jì)）人: 廖開陽;李勇濤;武吉梅;章明珠;裴朝松;王子豪
• 申請（專利權(quán)）人: 西安理工大學(xué)
• 主分類號: B41F33/00
• 分類號: B41F33/00;G06K9/62;G06N3/08;G06T11/00;G06T17/20
• 代理公司: 西安弘理專利事務(wù)所 61214
• 代理人: 徐瑤

1.一種人工智能的柔版印刷壓力預(yù)測方法，其特征在于，具體按以下步驟實(shí)施：

步驟1，對分色原稿圖像進(jìn)行二值化操作，得到二值化圖像；

步驟2，將經(jīng)步驟1得到的二值化圖像進(jìn)行取反操作，得到反色二值化圖像；

步驟3，將經(jīng)步驟2得到的反色二值化圖像劃分為若干規(guī)則的網(wǎng)格，計(jì)算每個網(wǎng)格區(qū)域內(nèi)的圖文面積，得到面積矩陣；

步驟4，對分色原稿圖像進(jìn)行梯度計(jì)算，得到梯度圖像；

步驟5，將經(jīng)步驟4得到的梯度圖像劃分為若干規(guī)則的網(wǎng)格，計(jì)算每個網(wǎng)格內(nèi)的最大梯度值，得到最大梯度值矩陣；

步驟6，對分色原稿圖像進(jìn)行灰度共生矩陣計(jì)算，得到灰度共生矩陣，即為分色原稿圖像的紋理特征；

步驟7，對分色原稿圖像進(jìn)行梯度方向直方圖計(jì)算，得到梯度方向直方圖矩陣，即為分色原稿圖像的另一紋理特征；

步驟8，將經(jīng)步驟3、步驟5、步驟6和步驟7得到的面積矩陣、最大梯度值矩陣、灰度共生矩陣和梯度方向直方圖橫向并列，得到分色原稿圖像的特征矩陣；

步驟9，在柔版印刷機(jī)上采集與分色圖像對應(yīng)印版的實(shí)際印刷壓力值，同時，將經(jīng)步驟8得到的特征矩陣作為SVR-BP組合神經(jīng)網(wǎng)絡(luò)模型的輸入數(shù)據(jù)；實(shí)際印刷壓力值作為SVR-BP組合神經(jīng)網(wǎng)絡(luò)模型的輸出數(shù)據(jù)，建立壓力預(yù)測的SVR-BP組合神經(jīng)網(wǎng)絡(luò)模型，對模型參數(shù)進(jìn)行優(yōu)化，得到合適的壓力預(yù)測模型。

2.根據(jù)權(quán)利要求1所述的一種人工智能的柔版印刷壓力預(yù)測方法，其特征在于，所述步驟3具體按以下步驟實(shí)施：

步驟3.1，將步驟2得到的反色二值化圖像劃分為28*28的規(guī)則網(wǎng)格，用于網(wǎng)格區(qū)域內(nèi)的圖文面積計(jì)算；

步驟3.2，標(biāo)記網(wǎng)格內(nèi)連通區(qū)域的個數(shù)，然后，統(tǒng)計(jì)每個連通區(qū)域內(nèi)的像素點(diǎn)個數(shù)，最后，將每個連通區(qū)域內(nèi)的像素點(diǎn)數(shù)相加，得到網(wǎng)格內(nèi)的圖文面積；

步驟3.3，對每個網(wǎng)格內(nèi)的圖文面積進(jìn)行計(jì)算，最終得到28*28的面積矩陣。

3.根據(jù)權(quán)利要求1所述的一種人工智能的柔版印刷壓力預(yù)測方法，其特征在于，所述步驟5具體按以下步驟實(shí)施：

步驟5.1，使用常用的Robert算子橫向梯度模板對分色原稿圖像進(jìn)行卷積計(jì)算，得到橫向梯度圖像；

步驟5.2，使用常用的Robert算子縱向梯度模板對分色原稿圖像進(jìn)行卷積計(jì)算，得到縱向梯度圖像；

步驟5.3，計(jì)算梯度的模，得到梯度圖像，通常將梯度的模簡稱為梯度，因此梯度的計(jì)算為：

式中，Gx為橫向梯度，Gy為縱向梯度，G為梯度的模，即梯度。

4.根據(jù)權(quán)利要求1所述的一種人工智能的柔版印刷壓力預(yù)測方法，其特征在于，所述步驟9具體內(nèi)容包括：

以特征矩陣為輸入數(shù)據(jù)和實(shí)際印刷壓力值為輸出數(shù)據(jù)的SVR-BP組合神經(jīng)網(wǎng)絡(luò)模型，首先將輸入數(shù)據(jù)和輸出數(shù)據(jù)組成的數(shù)據(jù)集劃分為訓(xùn)練集和測試集，然后將訓(xùn)練集的數(shù)據(jù)輸入到SVR-BP組合神經(jīng)網(wǎng)絡(luò)模型中，經(jīng)歸一化、組合網(wǎng)絡(luò)處理，建立特征矩陣和實(shí)際印刷壓力值之間的非線性映射關(guān)系，最后將測試集的數(shù)據(jù)輸入到訓(xùn)練好的SVR-BP組合神經(jīng)網(wǎng)絡(luò)模型中，經(jīng)過SVR-BP組合神經(jīng)網(wǎng)絡(luò)模型計(jì)算便可以預(yù)測出最佳印刷壓力值。

5.根據(jù)權(quán)利要求1所述的一種人工智能的柔版印刷壓力預(yù)測方法，其特征在于，所述步驟9中首先將經(jīng)步驟8得到的特征矩陣進(jìn)行歸一化處理，采用線性歸一化的方法，將特征矩陣歸一化至[0,1]區(qū)間，其表達(dá)式如下：

式中，X和X'分別表示為原始數(shù)據(jù)和歸一化后數(shù)據(jù)，X_min和X_max分別表示原始數(shù)據(jù)的最小值和最大值。