基于支持向量数据描述的印刷图像套准状态检测方法

目的 针对不均衡的印刷标志图像训练集构建的二分类模型,对少类的印刷套不准图像识别准确率低的问题,研究不均衡印刷标志图像套准状态的单分类模型识别方法。方法 提出支持向量数据描述方法,实现多类的印刷套准图像和少类的印刷套不准图像的准确识别。采用多类的印刷套准图像训练支持向量数据描述,构建模型。采用网格寻优方法和交叉验证方法确定模型的最佳参数 和 。利用模型对印刷标志图像套准状态进行识别。结果 采用文中提出的支持向量数据描述方法,对印刷标志图像套准状态识别获得的总体识别率a为0.9500,印刷套准图像和印刷套不准图像识别准确率的几何平均数Gmean为0.9513。结论 文中提出的方法获得的总体识别率a和识别率的几何平均数Gmean要优于实验中的其他方法。     

面向不均衡训练集的印刷图像套准状态检测方法

目的针对不均衡的印刷图像套准状态检测中存在的印刷套不准图像识别准确率低的问题,研究不均衡印刷图像训练集的预处理方法。方法提出不均衡印刷图像训练集数据的集成采样预处理方法。支持向量机先将不均衡的训练集数据分为支持向量和非支持向量,然后过采集少类样本(即印刷套不准图像)中的支持向量,欠采集多类样本(即印刷套准图像)中的非支持向量,实现训练集数据的均衡化。最后采用预处理后的均衡训练集对支持向量机模型进行训练,并优化模型参数。结果采用文中提出的集成采样方法对不均衡训练集预处理后获得支持向量机模型,通过对印刷图像套准状态进行识别,获得的少类样本识别率a+为0.9375,识别准确率几何平均数Gmean为0.9437,F测度为0.9574。结论文中提出方法获得的印刷套不准图像识别准确率a+,Gmean和F测度均优于实验中的其他方法。     

基于约束谱聚类的印刷套准状态识别

目的 针对实际生产中获取印刷标志图像标签成本较高的问题,研究基于约束谱聚类的印刷套准状态识别方法.方法 基于少量有标签的样本,建立样本之间的must-link约束和cannot-link约束,并进行约束扩展.计算印刷标志图像样本点欧式空间相似度矩阵,并根据扩展后约束关系修正,构建样本点的特征向量空间.采用K-means方法对样本点特征向量空间进行2类聚类,即印刷套准图像和印刷套不准图像.结果 文中方法在实验数据集上的最高印刷套准识别准确率为98.11％.文中方法(约束对数为30)的识别准确率优于无监督的谱聚类方法、朴素贝叶斯方法和决策树方法,文中方法与SVM方法的识别准确率接近.文中方法获取印刷标志图像标签的成本低于SVM方法,且模型建立和识别的时间也少于SVM方法.结论 文中方法以较少的获取印刷标志图像标签成本达到了较高的印刷套准识别准确率.     

基于卷积神经网络的印刷套准识别方法

目的 针对目前印刷套准识别方法依赖于经验人工设计特征提取的问题,提出一种不需要人工提取图像特征的卷积神经网络模型,实现印刷套准状态的识别.方法 采用图像增强技术实现不均衡训练集的均衡化,增加训练集图像的数量,提高模型的识别准确率.设计基于AlexNet网络结构的印刷套准识别模型的结构参数,分析批处理样本数量和基础学习率对模型性能的影响规律.结果 文中方法获得的总印刷套准识别准确率为0.9860,召回率为1.0000,分类准确率几何平均数为0.9869.结论 文中方法能自动提取图像特征,不依赖于人工设计的特征提取方法.在构造的数据集上,文中方法的分类性能优于实验中的支持向量机方法.     

非均衡训练集过采样的印刷套准识别方法

目的 针对印刷标志图像训练数据集非均衡性导致印刷标志图像中少类数据套准状态识别准确率低的问题,提出改进的SMOTE训练集过采样方法,以提高少类数据的识别准确率。方法 提取印刷标志图像灰度行程矩阵的纹理特征,组成多维的模型输入特征数据。基于少类样本的邻域信息,得到少类样本的过采样参数。对少类样本采取不同的过采样策略,实现训练集样本的均衡。使用均衡的训练集建立支持向量机模型,实现对印刷套准状态的识别。结果 实验结果表明,文中方法在不同非均衡印刷数据集上,获得的平均分类准确率几何平均数Gmean为0.8507,召回率Re为0.7192,ROC曲线下面积A为0.8549。结论 文中方法在不同非均衡印刷套准数据集上的分类性能要优于实验中的SMOTE,IS和SVM等方法。     

印刷套准识别方法研究

目的研究印刷标志套准机器快速和高精度的识别方法。方法提取印刷标志图像的灰度共生矩阵表达其纹理特征,采用Adaboost分类器对印刷标志套准图像进行识别,以判断印刷是否套准。结果提取出了印刷标志图像的能量、熵、惯性矩、相关度等的均值和标准差的8维图像纹理特征。为了比较不同分类器的分类性能,分别得出了Adaboost、K近邻、贝叶斯、支持向量机、Fisher和决策树对印刷标志图像纹理特征的分类准确率和分类时间。结论采用文中方法,印刷标志图像套准识别准确率达到97.5%,分类时间达到0.022 377 s,优于其他的分类方法。     

基于特征融合与降维的印刷套准识别方法

目的针对单一方面特征难以准确表达印刷标志套准状态的问题,研究印刷标志图像多维特征提取、融合和降维的印刷套准识别方法。方法提取印刷标志图像的灰度共生矩阵、Tamura纹理特征、灰度差分统计特征和灰度梯度共生矩阵表达其纹理,并采用主成分分析法对融合后的多维特征进行降维处理,得到主特征。将印刷标志图像的主特征数据分成训练集和测试集。支持向量机模型通过对训练集的学习确定模型参数,然后在测试集上验证模型的性能。结果文中建议方法在测试集上的识别准确率为99%,训练集对支持向量机模型的训练时间为1.9327 s,模型在测试集上的识别时间为0.0307 s,模型的总体时间(训练时间和识别时间之和)为1.9634s。结论文中建议方法优于采用单一方面特征的识别准确率;同时在不影响识别准确率的情况下,优于未PCA降维方法的模型训练时间、识别时间和总体时间。     

印刷自动套准标记识别方法的研究

在自动套准控制系统中,通过对印刷套准标记的检测,经过数据传输、计算和各级遥控装置的调整实现必要的校正.对印刷自动套准图象的识别进行了初步的研究.通过对摄取到的实际套准标记图像和标准图像进行比较,输出其角度偏差值和位置偏差值,以此作为自动套准控制系统中对印刷机套准调节的依据,并时一种"*"形套准标记的识别和检测进行了分析.     

印刷自动套准偏差检测软件的主要技术问题分析

套准偏差检测软件是通过对实际印刷套准标记图像进行分析,获得自动套准偏差值,为后续的自动套准控制提供依据.主要讨论了套准偏差检测软件设计中需要解决的主要技术问题.其中包括:象素点的获取方法、象素点大小的设置、套准标记线端点坐标的确定、四色套准标记线叠印点的处理、不同背景色套准标记线的识别等.     

基于PLC与图像联合控制的印刷套准系统关键技术研究

以印刷套准智能化问题为研究对象,制定了基于PLC与图像联合控制的印刷套准控制系统总体方案,并就图像处理、数据存储和通讯、硬件选型等系统实现的关键技术进行了研究。经实验验证,该系统实现了印刷套准标记的在线检测和自动校准,套准标记灵活、多样。通过串行设备服务器组成以太网,实现了印刷全过程的远程监控。     

Evolutionary feature selection applied to artificial neural networks for wood-veneer classification

This paper presents the application of FeaSANNT, an evolutionary algorithm for optimization of artificial neural networks, to the training of a multi-layer perceptron for identification of defects in wood veneer. Given a fixed artificial neural network structure, FeaSANNT concurrently evolves the input feature vector and the network weights. The novelty of the method lies in the implementation of the embedded approach in an evolutionary feature selection paradigm. Experimental tests show that the proposed algorithm produces high-performing solutions with robust learning results. A significant reduction of the set of veneer features is obtained. Experimental comparisons are made with a previous method based on statistical filtering of the input features and a standard genetic wrapper algorithm. In the first case, FeaSANNT greatly reduces the feature set with no degradation of the neural network accuracy. Moreover, FeaSANNT entails lower design costs, since feature selection is fully automated. In the second case, the proposed algorithm achieves superior results in terms of identification accuracy and reduction of the feature set. FeaSANNT involves also lower computational costs than the standard evolutionary wrapper approach and eases the algorithm design effort. Limited overlapping is observed between the patterns of features selected by the three algorithms. This result suggests that the full feature set contains mainly redundant attributes.     

基于多元图像特征分析的印刷单元故障诊断方法

目的提出一种基于画面分析的机械故障诊断方法,用于印刷机械中印刷单元的故障模式分类。方法通过印刷特定图像,获取印刷单元在正常与故障状态下的印刷画面,从网点覆盖率、灰度特征和画面纹理特征等3个方面构建表征印刷单元状态的多元图像特征集,并通过SVM构建故障识别网络。结果利用多元统计方法分析了印刷单元6类故障与特征集的映射关系,依靠画面特征实现了故障类别判断;经过实际故障诊断试验验证,所提出方法的准确率可达90%以上。结论图像特征集对于印刷机故障有着很好的分类表征能力,为印刷机维护提供了新的理论和方法。     

基于兴趣点特征匹配的印刷图像缺陷检测

提出了1种基于兴趣点特征匹配的印刷图像缺陷检测方法.首先利用SIFT特征检测器,获取图像中具有旋转和平移不变性的特征点,然后采用最近邻方法进行特征点匹配,最后使用最小二乘优化算法,计算2幅图像特征点对的变换矩阵来实现缺陷图像的检测.实验结果表明:该方法能够快速准确地提取出2幅图像间的对应特征点,大大降低了误匹配的概率,在图像发生较大平移和旋转的情况下,仍能准确地实现图像的对准及缺陷图像的检测.     

基于多对象匹配与融合字符特征的印刷质量检验方法

目的 为了增强字符配准对字符位姿变化的鲁棒性和识别能力,以及印刷质量检验精度和缺陷类型分析对不同字符产品的自适应性,提出一种基于多对象匹配与融合字符特征的印刷质量检验方法。方法 采用多张合格字符样品图像进行模板构建;借助多对象匹配来配准多个待检验的字符,消除字符位姿的变化对字符配准的影响;进行逐像素的比对,检验字符区域的质量;利用灰度阈值分割以及Sobel边缘检测,将字符区域分成3个待检验的局部特征区域：边缘、前景、后景;进而获取边缘完整性,前景面积和灰度,背景面积和灰度这些显著的字符特征,由多张字符样品训练每个特征的自适应的合格范围;将其组合,形成融合字符特征,分析缺陷的类型。结果 测试数据表明,针对不同种类、不同精度要求的字符产品,所提方法对于字符质量的判断准确率达到100%,对缺陷类型的分类准确率保持在84.2%以上。结论 所提字符质量检验方法拥有良好的鲁棒性与自适应性,在包装、印刷等行业具备较高的应用价值。