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。     

不均衡训练集特征选择的印刷套准状态识别

目的 针对不均训练集导致印刷套准识别模型无法较好识别印刷套不准图像的问题,提出基于最大相关、最小冗余的印刷标志图像数据特征选择方法.方法 提取印刷标志图像的多维特征数据,计算特征与印刷套准和印刷套不准2类之间的相关性和特征之间的冗余度.确定特征选择的目标函数,通过增量搜索方法寻找最优特征,加入特征子集,实现不均衡印刷标志图像的特征选择.结果 文中的特征选择方法获得了3项不均衡数据分类性能评价指标,A为0.9900,R为0.9400,Gmean为0.9466.结论 在不均衡印刷标志图像套准识别中,文中提出的方法性能优于实验中的未处理方法、PCA方法、Relief方法和NCA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。     

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.     

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.     

彩色印刷套准标记的自动检测方法

本文主要介绍了在印刷生产过程中,利用机器视觉采集特定的套准标识,通过数字图像处理的方法快速、准确地测定出套准精度,及时调整印刷控制的原理及方法,并对其精度进行评价。     

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。     

凹版印刷多色套准控制系统设计

目的 为减小凹版印刷过程中套印误差、提高印刷质量.方法 分析凹版印刷产生误差的主要原因,基于模糊控制设计一种多色套准控制系统.论述基于图像处理的套印误差检测原理.根据多色套印的生产需求,设计一种模糊比例-积分-微分(PID)控制器.利用模糊推理,该控制器可对PID参数进行自适应调整,进而实现高精度、高速度印刷.最后,采用数字信号处理器(DSP)搭建控制系统架构,并进行实验研究.结果 实验结果表明,套印偏差最大值只有0.018 mm,远小于行业标准;套印偏差检测速度明显大于印刷速度,可确保印刷过程的实时性.结论 所述多色套准控制系统具有精度高、速度高等特点,可满足印刷、包装等相关行业的要求.     

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。     

具有SIFT描述的Harris角点多源图像配准

多源传感器成像原理的差异给图像配准带来了很大困难,本文针对红外与可见光图像配准提出了一种具有SIFT描述特征的Harris角点多源图像配准算法。首先建立多尺度空间,以多尺度空间检测尺度不变的Harris角点作为特征点;然后通过改进SIFT对特征点的描述方法,采用圆环结构算子对Harris角点进行类SIFT的特征描述;最后利用双向最近邻方法进行匹配,通过最小二乘法实现图像的配准。实验证实了算法配准的精确性、快速性和稳定性,具有较好的配准效果。     

基于支持向量特征筛选方法的想象动作识别

引入了支持向量特征筛选方法,以克服基于想象动作诱发脑电特征的脑-机接口识别中,由于特征维度较高而训练数据有限、不易获得理想识别效果的问题.支持向量特征筛选方法采用扰动支持向量机代价函数的方法测量特征的分类贡献度,进而建立特征序贯指数,以递归方法进行特征排序和优化筛选.对14例受试者的左右上肢想象动作诱发脑电信号进行分析,提取6类246维特征,采用支持向量递归筛选方法进行特征优选,利用支持向量机对优选特征进行识别,结果显示,支持向量递归筛选得到的优选特征可显著提高识别正确率.研究表明,支持向量特征筛选可以降低无效特征干扰,提高分类器效率,适用于特征维度较高的脑-机接口任务识别.     

基于互信息和混合算法的印刷图像配准

目的为了提高印刷图像配准的精度,提出一种基于混合搜索算法的图像配准方法。方法首先求取图像的归一化互信息,然后利用GA算法(遗传算法)进行全局搜索,得出粗配准参数;最后,利用Powell算法进行局部寻优,得出精配准参数。结果混合算法的配准结果与只用单一Powell搜索算法或只用单一GA搜索算法相比,在各个几何变换方向上得到了更小的配准误差。结论与GA算法和Powell算法相比,文中建议的混合算法配准精确度更高、速度更快。