王世輝， 王儀明， 武淑琴， 焦琳青， 李林會(huì)

(北京印刷學(xué)院 數(shù)字化印刷裝備北京市重點(diǎn)實(shí)驗(yàn)室，北京 102600)

0 引 言

套印精度檢測(cè)與控制系統(tǒng)是保證印品生產(chǎn)質(zhì)量的必要環(huán)節(jié)[1]。其中，套準(zhǔn)識(shí)別算法是系統(tǒng)的核心部分。如何高效、準(zhǔn)確地判斷印品套準(zhǔn)狀態(tài)成為當(dāng)下印刷機(jī)故障診斷的熱點(diǎn)。于麗杰等人[2]通過提取印刷標(biāo)志圖像的顏色、紋理特征，設(shè)計(jì)最小距離分類器，取得良好的分類效果，并得基于紋理特征參數(shù)的分類效果優(yōu)于顏色特征分類。簡(jiǎn)川霞等人[3]提取了印刷標(biāo)志圖像的灰度共生矩陣，采用了Adaboost分類器進(jìn)行套準(zhǔn)識(shí)別，得到了較高的準(zhǔn)確率，并分析對(duì)比了不同分類器的效果。

本文首先建立了基于支持向量機(jī)(support vector machine,SVM)的印刷套準(zhǔn)識(shí)別模型，隨后在選取模型中懲罰參數(shù)與核函數(shù)參數(shù)時(shí)，應(yīng)用遺傳算法(genetic algorithm,GA)進(jìn)行全局尋優(yōu)，獲取更高的分類準(zhǔn)確率，最后采集某印刷廠四色膠印機(jī)生產(chǎn)的印刷品作為GA-SVM模型的訓(xùn)練集和測(cè)試集樣本，在樣本數(shù)據(jù)有限的情況下，取得了良好的預(yù)測(cè)效果。同時(shí)將本文模型與SVM模型、交叉驗(yàn)證意義下網(wǎng)格劃分[4]優(yōu)化SVM模型(GS-SVM)、粒子群優(yōu)化[5]SVM模型(particle swarm optimization,PSO-SVM)比對(duì)，驗(yàn)證方法的可靠性和實(shí)時(shí)性。

1 GA-SVM印刷套準(zhǔn)識(shí)別模型

1.1 印刷套準(zhǔn)識(shí)別原理

通常將兩色套印誤差小于0.1 mm的印刷品視為套準(zhǔn)印刷品，否則為非套準(zhǔn)印刷品。傳統(tǒng)人工識(shí)別套準(zhǔn)方法效率低下、浪費(fèi)人力。隨著機(jī)器視覺技術(shù)的發(fā)展，通過圖像采集系統(tǒng)獲取印刷套印標(biāo)識(shí)圖像，并交由計(jì)算機(jī)分析處理，可準(zhǔn)確、高效地判斷套準(zhǔn)狀態(tài)，已逐漸成為印刷套準(zhǔn)識(shí)別的主要技術(shù)手段。

1.2 印刷標(biāo)識(shí)圖像特征提取

1.2.1 印刷標(biāo)識(shí)圖像采集

采用電荷耦合器件(charge couple device,CCD)工業(yè)相機(jī)拍攝印刷標(biāo)識(shí)圖像，得到套準(zhǔn)圖像和非套準(zhǔn)圖像如圖1。

圖1 拍攝的印刷標(biāo)識(shí)圖像

1.2.2 基于灰度共生矩陣的特征提取

灰度共生矩陣(gray-level co-occurrence matrix,GLCM)是描述圖像紋理特征[6]的經(jīng)典方法，能夠精確反映紋理的粗糙程度和重復(fù)方向。設(shè)(x,y) 為一幅M×N的印刷標(biāo)識(shí)灰度圖像，其GLCM可表示為

p(i,j|d,θ)={(x,y)|f(x,y)=i,f(x+dx,y+dy)=j}

(1)

式中i，j分別為圖像在像素點(diǎn)(x,y)處的灰度值；dx，dy為偏移矢量，且dx=dcosθ，dy=dsinθ；d為生成步長(zhǎng)，一般可取1,2,3,4等值；θ為生成方向，即兩個(gè)點(diǎn)間的角度。

本文采用了4個(gè)重要的特征：慣性矩Ine、能量Ene、相關(guān)性Cor和熵Ent[7～10]

(2)

式中Ng為矩陣的行數(shù)與列數(shù),L為圖像灰度級(jí)數(shù),μ為GLCM所有元素的均值,σ2為GLCM所有元素的方差

(3)

2 GA-SVM模型

GA優(yōu)化SVM參數(shù)的具體步驟如下[11]:1)染色體編碼及參數(shù)初始化；2)確定適應(yīng)度函數(shù)；3)染色體選擇、交叉和變異；4)解碼，確定最優(yōu)解。

經(jīng)GA優(yōu)化后，可得到SVM最佳懲罰參數(shù)c與核函數(shù)參數(shù)g，隨后利用最佳參數(shù)對(duì)SVM進(jìn)行訓(xùn)練和分類預(yù)測(cè)，得出分類準(zhǔn)確率，完成印刷套準(zhǔn)識(shí)別。GA-SVM模型如圖2。

圖2 GA-SVM模型

3 實(shí)驗(yàn)及分析

實(shí)驗(yàn)材料為某印刷廠生產(chǎn)的四色印刷品，通過圖像采集裝置獲取100個(gè)印刷標(biāo)識(shí)圖像樣本，其中，套準(zhǔn)圖像50張，非套準(zhǔn)圖像50張。將彩色圖像轉(zhuǎn)換為灰度圖像，壓縮灰度級(jí)至16級(jí)，以減少圖像處理運(yùn)算量。生成步長(zhǎng)d取1，計(jì)算GLCM的慣性矩、能量、相關(guān)性和熵在0°,45°,90°和135°方向上的均值和標(biāo)準(zhǔn)差，可得8維紋理特征數(shù)據(jù)，并采用歸一化預(yù)處理，將原始數(shù)據(jù)規(guī)整到[0,1]范圍內(nèi)，以獲取訓(xùn)練集和測(cè)試集歸一化映射如下

(4)

選取套準(zhǔn)樣本和非套準(zhǔn)樣本各30個(gè)作為SVM的訓(xùn)練集，其余樣本作為測(cè)試集。分別采用SVM模型、格式搜索(grid-search,GS)-SVM模型、PSO-SVM模型、GA-SVM模型對(duì)100組特征向量進(jìn)行訓(xùn)練和預(yù)測(cè)，參數(shù)選擇結(jié)果、分類準(zhǔn)確率Ca和測(cè)試集分類結(jié)果如圖3～圖6和表1。

圖3 SVM模型

圖4 GS-SVM模型(c=0.25，g=11.313 7，Ca=98.333 3 %)

圖5 GA-SVM模型(c=6.671，g=9.366 2，Ca=98.333 3 %)

圖6 PSO-SVM模型(c1=0.25，c2=1.7，終止代數(shù)=200,種群數(shù)量pop=20,c=7.950 8,g=9.687 4,Ca=98.333 3 %)

4 結(jié)束語

由測(cè)試結(jié)果可知GA-SVM模型的識(shí)別率達(dá)97.5 %，僅出現(xiàn)一例樣本識(shí)別錯(cuò)誤，識(shí)別能力優(yōu)于其他模型，識(shí)別速度快，滿足工業(yè)需求。由于遺傳算法的選擇、交叉和變異操作復(fù)雜，需多次迭代才能獲得比較好的分類模型，尋優(yōu)速度較慢，下一步，可通過改進(jìn)算法進(jìn)一步優(yōu)化模型。