CN106228562A - 基于概率神经网络算法的在线印刷品色彩质量评价方法 - Google Patents
基于概率神经网络算法的在线印刷品色彩质量评价方法 Download PDFInfo
- Publication number
- CN106228562A CN106228562A CN201610615069.4A CN201610615069A CN106228562A CN 106228562 A CN106228562 A CN 106228562A CN 201610615069 A CN201610615069 A CN 201610615069A CN 106228562 A CN106228562 A CN 106228562A
- Authority
- CN
- China
- Prior art keywords
- neural network
- probabilistic neural
- quality evaluation
- leaflet
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000011156 evaluation Methods 0.000 title claims abstract description 29
- 238000013441 quality evaluation Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 230000000694 effects Effects 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 210000002569 neuron Anatomy 0.000 claims description 60
- 238000009499 grossing Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 7
- 230000004075 alteration Effects 0.000 claims description 4
- 238000007796 conventional method Methods 0.000 claims description 4
- 238000012109 statistical procedure Methods 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30144—Printing quality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Spectrometry And Color Measurement (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于概率神经网络算法的在线印刷品色彩质量评价方法。包括印刷品色彩质量评价指标的选择、概率神经网络算法模型的建立、利用配套在线检测设备获取待测印刷品色彩质量评价指标并将获取的指标数据输入给算法模型，这样概率神经网络算法模型便可经过运算输出印刷品色彩质量评价结果。该方法的概率神经网络建模时间仅需0.041313秒，可以在线实时获取新的训练样本，还可以根据需要修改质量评价指标，并快速构建算法模型；该方法的容错性高，只要在线实时获取更多训练样本并输入算法模型即可优化印刷品色彩质量评价结果；该方法评级稳定，评价结果与人眼综合评价效果符合度非常高。
Description
技术领域
本发明涉及一种在线印刷品色彩质量评价方法，尤其是涉及一种基于概率神经网络算法的在线印刷品色彩质量评价方法。
背景技术
目前，在印刷生产过程中，印刷机台人员需要对彩色印刷品进行随机抽检，并按照相应质量评价指标对其质量进行评价，在利用多个具有相互影响关系的质量评价指标对印刷品色彩质量作出综合评价时，就需要机台人员根据自己的经验做出综合判断，这就导致综合判断结果的重复性比较差，为了解决此问题，出现了利用特定算法来模拟人眼综合评价印刷品色彩质量过程的评价方法，最终保证印刷品色彩质量能够一直达到最优标准，而人眼对印刷品色彩质量进行综合评价的实质是，首先获取各印刷品综合评价指标，然后结合各评价指标的评级标准通过人脑进行复杂的计算，最后输出印刷品色彩质量评价结果，这一过程属于模式识别的过程，而人工神经网络是进行模式识别的最佳方法，目前用于模拟人眼综合评价的算法有BP人工神经网络算法和模糊人工神经网络算法，但都具有收敛速度较慢，收敛结果并非最优的缺点。
发明内容
针对背景技术中的不足，本发明的目的在于提供一种基于概率神经网络算法的在线印刷品色彩质量评价方法，该方法可实现在线准确评价印刷品色彩质量，基于概率神经网络收敛速度快的特性，极大地提高印刷品色彩质量评价效率，同时评价结果与人眼综合评价效果符合度非常高。
为了解决上述技术问题，本发明采用的技术方案是：
基于概率神经网络算法的在线印刷品色彩质量评价方法，该方法的步骤如下：
1)印刷品色彩质量评价指标的选取；
2)概率神经网络算法模型的建立，包括输入层神经元的确定、隐含层神经元的确定、求和层神经元的确定、输出层神经元的确定和平滑因子σ的确定；
3)利用配套在线检测设备获取待评价印刷品色彩质量评价指标并将获取的指标数据输入给概率神经网络算法模型；
4)概率神经网络算法模型经过运算输出印刷品色彩质量评价结果，即每个被测印刷品的评价等级。
所述印刷品色彩质量评价指标的选择，它是在众多印刷质量评价指标中选择与印刷品色彩质量最有关联的指标，即选择实地密度、网点增大、印刷反差、色差、色相差和灰度共6项国家规定的色彩质量检测指标。
所述输入层神经元的确定，它是确定输入层神经元的数量，概率神经网络建立时对采集到的6项色彩质量检测指标做统计学处理，形成一个18维特征向量，而输入层神经元的数量与输入特征向量的维数一致，因此，输入层神经元的数量为18个。
所述隐含层神经元的确定，它是确定隐含层神经元的数量，隐含层为径向基层，隐含层神经元的数量与训练样本的数目相同，训练样本即经专家评判出的包含不同色彩质量评价等级的标准样本，理论上训练样本越多，概率神经网络算法的输出结果越准确，实验表明15个训练样本即能达到满意的输出结果，因此，隐含层神经元的数目为15个。
所述求和层神经元的确定，它是确定求和层神经元的数量，在对印刷品色彩质量进行评价时，不同的印刷品色彩质量评价等级即为概率神经网络的不同分类模式，将分类模式确定为1、2、3、4共四种，分别对应印刷品色彩质量评价等级的差、中、良、优，求和层神经元的数目与所选择的分类模式种类数目相同，因此，求和层神经元的数量为4个。
所述输出层神经元的确定，它是确定输出层神经元的输出值，输出层神经元数目为1，它由竞争神经元构成，接收求和层的输出，通过对比求和层中拥有最大后验概率密度的神经元，其输出为1，其余输出为0，由此输出最佳的模式类别。
所述平滑因子σ的确定，它是确定平滑因子σ的取值，平滑因子σ是概率神经网络中最重要的一部分，对网络性能起着至关重要的影响，σ值太小就仅仅对单个样本起着分离效果，而σ值过高则不易区分较为接近的两种模式，对于细节区分效果不够精准，因此如何对σ取值是概率神经网络中最重要的一环；常用的方法是经验估计法，此时σ值直接通过经验得出，或取为在同组中特征向量之间距离平均值的一半。
所述概率神经网络算法模型的建立，是采用Matlab编程实现。
所述利用配套在线检测设备获取待评价印刷品色彩质量评价指标，它是利用配套在线检测设备分别测量待评价印刷品上测试色标中的100％的CMYK色块的反射密度值和LAB值、50％的CMYK色块的反射密度值、印刷品上非印刷部位的反射密度值和75％的CMYK色块的反射密度值，由50％的CMYK色块的反射密度值、100％的CMYK色块的反射密度值和印刷品上非印刷部位的反射密度值计算出50％的CMYK色块的网点增大值，由75％的CMYK色块的反射密度值和100％的CMYK色块的反射密度值计算出印刷品的印刷反差值，由100％的CMYK色块的LAB值和标准CMYK色块的LAB值计算出色差值和色相差值，由100％的CMYK色块的反射密度值计算出灰度值，即得到6项印刷品色彩质量评价指标。
本发明具有的有益效果是：
本发明的概率神经网络建模时间仅需0.041313秒，可以在印刷实际生产过程中实时获取新的训练样本，还可以根据需要修改质量评价指标，并快速构建算法模型；该方法的容错性高，隐含层采用了径向基的非线性映射函数，只要有足够的训练样本，判别界面便能渐进地逼近贝叶斯最优分类面，实验表明15个训练样本已能满足需要，因此，在印刷生产过程中实时获取更多训练样本并输入算法模型即可优化概率神经网络的识别效果，获得最佳的在线印刷品色彩质量评价结果，据此调整印刷过程各设置状态，可有效提高印刷品质量，提高企业经济效益；该方法可有效避免常规人工评价中的主观影响，评级稳定，评价结果与人眼综合评价效果符合度非常高。
附图说明
图1是概率神经网络模型。
图2是在线印刷品色彩质量检测流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
如图2所示，本发明方法的步骤如下：
1)印刷品色彩质量评价指标的选取；
2)概率神经网络算法模型的建立，包括输入层神经元的确定、隐含层神经元的确定、求和层神经元的确定、输出层神经元的确定和平滑因子σ的确定；
3)利用配套在线检测设备获取待评价印刷品色彩质量评价指标并将获取的指标数据输入给概率神经网络算法模型；
4)概率神经网络算法模型经过运算输出印刷品色彩质量评价结果，即每个被测印刷品的评价等级。
所述印刷品色彩质量评价指标的选择，它是在众多印刷质量评价指标中选择与印刷品色彩质量最有关联的指标，即选择实地密度、网点增大、印刷反差、色差、色相差和灰度共6项国家规定的色彩质量检测指标。所述概率神经网络算法是D.F.Specht博士在1989年提出的一种人工神经网络，可以视为一种径向基函数(Radial Basis Function，RBF)网络，但是又融合了密度函数估计和贝叶斯决策理论，由输入层、隐含层、求和层和输出层组成，其模型如图1所示
如图1所示，所述输入层神经元的确定，它是确定输入层神经元的数量，概率神经网络建立时对采集到的6项色彩质量检测指标做统计学处理，形成一个18维特征向量，而输入层神经元的数量与输入特征向量的维数一致，因此，输入层神经元的数量为18个。
所述隐含层神经元的确定，它是确定隐含层神经元的数量，隐含层为径向基层，隐含层神经元的数量与训练样本的数目相同，训练样本即经专家评判出的包含不同色彩质量评价等级的标准样本，理论上训练样本越多，概率神经网络算法的输出结果越准确，实验表明15个训练样本即能达到满意的输出结果，所以本方法最终选择的训练样本数目为15个，因此，隐含层神经元的数目为15个。
所述求和层神经元的确定，它是确定求和层神经元的数量，在对印刷品色彩质量进行评价时，不同的印刷品色彩质量评价等级即为概率神经网络的不同分类模式，本方法将分类模式确定为1、2、3、4共四种，分别对应印刷品色彩质量评价等级的差、中、良、优，求和层神经元的数目与所选择的分类模式种类数目相同，因此，求和层神经元的数量为4个。
所述输出层神经元的确定，它是确定输出层神经元的输出值，输出层神经元数目为1，它由竞争神经元构成，接收求和层的输出，通过对比求和层中拥有最大后验概率密度的神经元，其输出为1，其余输出为0，由此输出最佳的模式类别。
所述平滑因子σ的确定，它是确定平滑因子σ的取值，平滑因子σ是概率神经网络中最重要的一部分，对网络性能起着至关重要的影响，σ值太小就仅仅对单个样本起着分离效果，而σ值过高则不易区分较为接近的两种模式，对于细节区分效果不够精准，因此如何对σ取值是概率神经网络中最重要的一环；常用的方法是经验估计法，此时σ值直接通过经验得出，或取为在同组中特征向量之间距离平均值的一半。
所述概率神经网络算法模型的建立，是用Matlab编程实现。
所述利用配套在线检测设备获取待评价印刷品色彩质量评价指标，它是利用配套在线检测设备分别测量待评价印刷品上测试色标中的100％的CMYK色块的反射密度值和LAB值、50％的CMYK色块的反射密度值、印刷品上非印刷部位的反射密度值和75％的CMYK色块的反射密度值，
由50％的CMYK色块的反射密度值、100％的CMYK色块的反射密度值和印刷品上非印刷部位的反射密度值计算出50％的CMYK色块的网点增大值，由75％的CMYK色块的反射密度值和100％的CMYK色块的反射密度值计算出印刷品的印刷反差值，由100％的CMYK色块的LAB值和标准CMYK色块的LAB值计算出色差值和色相差值，由100％的CMYK色块的反射密度值计算出灰度值，即得到6项印刷品色彩质量评价指标。
实施例：
基于概率神经网络算法的在线印刷品色彩质量评价方法，包括印刷品色彩质量评价指标的选择；概率神经网络算法模型的建立；利用配套在线检测设备获取印刷品色彩质量评价指标并将获取的指标数据输入给概率神经网络算法模型；这样概率神经网络算法模型便可经过运算输出印刷品色彩质量评价结果。
用户准备实现在线印刷品质量检测与评价时，
第一，选择印刷品色彩质量评价指标，即实地密度、网点增大、印刷反差、色差、色相差和灰度共6项；
第二，建立概率神经网络算法模型，包括输入层神经元的确定、隐含层神经元的确定、求和层神经元的确定、输出层神经元的确定、平滑因子σ的确定。确定输入层神经元的数量，概率神经网络建立时对采集到的6项色彩质量评价指标做统计学处理，形成一个6维特征向量，而输入层神经元的数量与输入特征向量的维数一致，因此，输入层神经元的数量为6个。确定隐含层神经元的数量，隐含层为径向基层，该层神经元的数量与训练样本的数目相同，训练样本即经专家评判出的包含不同色彩质量评价等级的标准样本，理论上训练样本越多，PNN算法的输出结果越准确，实验表明15个训练样本即可达到满意的输出结果，所以本发明最终选择的训练样本数目为15个，训练样本的色彩评价指标数据见表1，因此，隐含层神经元的数目为15个。确定求和层神经元的数目，在对印刷品色彩质量进行评价时，不同的印刷品色彩质量评价等级即为概率神经网络的不同分类模式，本发明将分类模式确定为1、2、3、4共四种，分别对应印刷品色彩质量评价等级的差、中、良、优，求和层神经元的数目与所选择的分类模式种类数目相同，此，求和层神经元的数目为4。确定输出层神经元的输出值，输出层神经元数目为1，它由竞争神经元构成，接收求和层的输出，通过对比求和层中拥有最大后验概率密度的神经元，其输出为1，其余输出为0，由此可以输出最佳的模式类别。确定平滑因子σ的取值，平滑因子σ是概率神经网络中最重要的一部分，对网络性能起着至关重要的影响，σ值太小就仅仅对单个样本起着分离效果，而σ值过高则不易区分较为接近的两种模式，对于细节区分效果不够精准，因此如何对σ取值是概率神经网络中最重要的一环，常用的方法是经验估计法，此时σ值可直接通过经验得出，也可取为在同组中特征向量之间距离平均值的一半。至此完成了概率神经网络算法的建立，可用Matlab编程实现；
第三，所述利用配套在线检测设备获取待评价印刷品色彩质量评价指标，它是利用配套在线检测设备(本例子使用的测色设备是爱色丽528)分别测量待评价印刷品上测试色标中的100％的CMYK色块的反射密度值和LAB值、50％的CMYK色块的反射密度值、印刷品上非印刷部位的反射密度值和75％的CMYK色块的反射密度值，由50％的CMYK色块的反射密度值、100％的CMYK色块的反射密度值和印刷品上非印刷部位的反射密度值计算出50％的CMYK色块的网点增大值，由75％的CMYK色块的反射密度值和100％的CMYK色块的反射密度值计算出印刷品的印刷反差值，由100％的CMYK色块的LAB值和标准CMYK色块的LAB值计算出色差值和色相差值，由100％的CMYK色块的反射密度值计算出灰度值，即得到6项印刷品色彩质量评价指标，即待测样本的色彩评价指标数据，见表2，并将6项指标数据输入给概率神经网络算法模型，这样概率神经网络算法模型便可经过运算输出印刷品色彩质量评价结果，即每个被测印刷品的仿真评价等级，输出结果见表3，由表3可知在仿真出的结果中，有13个结果为优，样本编号分别B01、B02、B04、B05、B06、B08、B09、B10、B12、B13、B14、B15、B16，此类印刷品效果较好；结果为良的有5个，样本编号分别为B03、B11、B17、B18、B19；结果为差的有2个，样本编号分别为B07、B20，此类印刷品效果差。印品评价结果为优良以上的共18张，该类印品使用的为印刷合格产品，而评价结果为差的B07和B20的样张则采用的印刷机调墨时生产出的废品，其表现为颜色不正、阶调不清晰等缺点，由此可以看出，概率神经网络能够实现对印刷品质量的准确评价。
上述具体实施方式用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。
表1概率神经网络网络训练样本色彩评价指标数据及其评价结果
表2概率神经网络待测样本的色彩评价指标数据
表3概率神经网络待测样本仿真评价结果
Claims (9)
1.基于概率神经网络算法的在线印刷品色彩质量评价方法，其特征在于，该方法的步骤如下：
1) 印刷品色彩质量评价指标的选取；
2) 概率神经网络算法模型的建立，包括输入层神经元的确定、隐含层神经元的确定、求和层神经元的确定、输出层神经元的确定和平滑因子σ的确定；
3) 利用配套在线检测设备获取待评价印刷品色彩质量评价指标并将获取的指标数据输入给概率神经网络算法模型；
4) 概率神经网络算法模型经过运算输出印刷品色彩质量评价结果，即每个被测印刷品的评价等级。
2.根据权利要求1所述的基于概率神经网络算法的在线印刷品色彩质量评价方法，其特征在于：所述印刷品色彩质量评价指标的选择，它是在众多印刷质量评价指标中选择与印刷品色彩质量最有关联的指标，即选择实地密度、网点增大、印刷反差、色差、色相差和灰度共6项国家规定的色彩质量检测指标。
3.根据权利要求1所述的基于概率神经网络算法的在线色彩印刷品质量评价方法，其特征在于：所述输入层神经元的确定，它是确定输入层神经元的数量，概率神经网络建立时对采集到的6项色彩质量检测指标做统计学处理，形成一个18维特征向量，而输入层神经元的数量与输入特征向量的维数一致，因此，输入层神经元的数量为18个。
4.根据权利要求1所述的基于概率神经网络算法的在线色彩印刷品质量评价方法，其特征在于：所述隐含层神经元的确定，它是确定隐含层神经元的数量，隐含层为径向基层，隐含层神经元的数量与训练样本的数目相同，训练样本即经专家评判出的包含不同色彩质量评价等级的标准样本，理论上训练样本越多，概率神经网络算法的输出结果越准确，实验表明15个训练样本即能达到满意的输出结果，因此，隐含层神经元的数目为15个。
5.根据权利要求1所述的基于概率神经网络算法的在线色彩印刷品质量评价方法，其特征在于：所述求和层神经元的确定，它是确定求和层神经元的数量，在对印刷品色彩质量进行评价时，不同的印刷品色彩质量评价等级即为概率神经网络的不同分类模式，将分类模式确定为1、2、3、4共四种，分别对应印刷品色彩质量评价等级的差、中、良、优，求和层神经元的数目与所选择的分类模式种类数目相同，因此，求和层神经元的数量为4个。
6.根据权利要求1所述的基于概率神经网络算法的在线色彩印刷品质量评价方法，其特征在于：所述输出层神经元的确定，它是确定输出层神经元的输出值，输出层神经元数目为1，它由竞争神经元构成，接收求和层的输出，通过对比求和层中拥有最大后验概率密度的神经元，其输出为1，其余输出为0，由此输出最佳的模式类别。
7.根据权利要求1所述的基于概率神经网络算法的在线色彩印刷品质量评价方法，其特征在于：所述平滑因子σ的确定，它是确定平滑因子σ的取值，平滑因子σ是概率神经网络中最重要的一部分，对网络性能起着至关重要的影响，σ值太小就仅仅对单个样本起着分离效果，而σ值过高则不易区分较为接近的两种模式，对于细节区分效果不够精准，因此如何对σ取值是概率神经网络中最重要的一环；常用的方法是经验估计法，此时σ值直接通过经验得出，或取为在同组中特征向量之间距离平均值的一半。
8.根据权利要求1所述的基于概率神经网络算法的在线色彩印刷品质量评价方法，其特征在于：所述概率神经网络算法模型的建立，是采用Matlab编程实现。
9.根据权利要求1所述的基于概率神经网络算法的在线色彩印刷品质量评价方法，其特征在于：所述利用配套在线检测设备获取待评价印刷品色彩质量评价指标，它是利用配套在线检测设备分别测量待评价印刷品上测试色标中的100%的CMYK色块的反射密度值和LAB值、50%的CMYK色块的反射密度值、印刷品上非印刷部位的反射密度值和75%的CMYK色块的反射密度值，由50%的CMYK色块的反射密度值、100%的CMYK色块的反射密度值和印刷品上非印刷部位的反射密度值计算出50%的CMYK色块的网点增大值，由75%的CMYK色块的反射密度值和100%的CMYK色块的反射密度值计算出印刷品的印刷反差值，由100%的CMYK色块的LAB值和标准CMYK色块的LAB值计算出色差值和色相差值，由100%的CMYK色块的反射密度值计算出灰度值，即得到6项印刷品色彩质量评价指标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610615069.4A CN106228562A (zh) | 2016-08-01 | 2016-08-01 | 基于概率神经网络算法的在线印刷品色彩质量评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610615069.4A CN106228562A (zh) | 2016-08-01 | 2016-08-01 | 基于概率神经网络算法的在线印刷品色彩质量评价方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106228562A true CN106228562A (zh) | 2016-12-14 |
Family
ID=57535768
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610615069.4A Pending CN106228562A (zh) | 2016-08-01 | 2016-08-01 | 基于概率神经网络算法的在线印刷品色彩质量评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106228562A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109255389A (zh) * | 2018-09-28 | 2019-01-22 | 中国科学院长春光学精密机械与物理研究所 | 一种装备评价方法、装置、设备及可读存储介质 |
| CN109992928A (zh) * | 2019-04-30 | 2019-07-09 | 南京林业大学 | 一种建立书画纸输出质量预测模型的方法 |
| CN110598973A (zh) * | 2019-07-30 | 2019-12-20 | 北京信息科技大学 | 一种基于iap的绿色家具产品认证过程风险评价方法 |
| CN112630375A (zh) * | 2020-07-31 | 2021-04-09 | 南通贝得彩色印刷有限公司 | 一种彩色印刷装置的环保检测方法和装置 |
| CN112767306A (zh) * | 2020-12-24 | 2021-05-07 | 凌云光技术股份有限公司 | 一种印刷品质量检测、收料方法和*** |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000070310A1 (fr) * | 1999-05-12 | 2000-11-23 | Kyushu Kyohan Co., Ltd. | Dispositif d'identification de signal faisant intervenir un algorithme genetique et systeme d'identification en ligne |
| CN103076334A (zh) * | 2013-01-25 | 2013-05-01 | 上海理工大学 | 一种定量评价数字印刷线条与文本感知质量的方法 |
| CN104408717A (zh) * | 2014-11-24 | 2015-03-11 | 北京航空航天大学 | 一种基于着色分离的病理图像颜色质量综合评价方法 |
-
2016
- 2016-08-01 CN CN201610615069.4A patent/CN106228562A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000070310A1 (fr) * | 1999-05-12 | 2000-11-23 | Kyushu Kyohan Co., Ltd. | Dispositif d'identification de signal faisant intervenir un algorithme genetique et systeme d'identification en ligne |
| CN103076334A (zh) * | 2013-01-25 | 2013-05-01 | 上海理工大学 | 一种定量评价数字印刷线条与文本感知质量的方法 |
| CN104408717A (zh) * | 2014-11-24 | 2015-03-11 | 北京航空航天大学 | 一种基于着色分离的病理图像颜色质量综合评价方法 |
Non-Patent Citations (2)
| Title |
|---|
| 初红艳等: "基于BP神经网络的印刷色彩质量综合评价", 《包装工程》 * |
| 陈雯柏等: "《人工神经网络原理与实践》", 31 January 2016 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109255389A (zh) * | 2018-09-28 | 2019-01-22 | 中国科学院长春光学精密机械与物理研究所 | 一种装备评价方法、装置、设备及可读存储介质 |
| CN109255389B (zh) * | 2018-09-28 | 2022-03-25 | 中国科学院长春光学精密机械与物理研究所 | 一种装备评价方法、装置、设备及可读存储介质 |
| CN109992928A (zh) * | 2019-04-30 | 2019-07-09 | 南京林业大学 | 一种建立书画纸输出质量预测模型的方法 |
| CN110598973A (zh) * | 2019-07-30 | 2019-12-20 | 北京信息科技大学 | 一种基于iap的绿色家具产品认证过程风险评价方法 |
| CN112630375A (zh) * | 2020-07-31 | 2021-04-09 | 南通贝得彩色印刷有限公司 | 一种彩色印刷装置的环保检测方法和装置 |
| CN112630375B (zh) * | 2020-07-31 | 2022-03-29 | 南通贝得彩色印刷有限公司 | 一种彩色印刷装置的环保检测方法和装置 |
| CN112767306A (zh) * | 2020-12-24 | 2021-05-07 | 凌云光技术股份有限公司 | 一种印刷品质量检测、收料方法和*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106228562A (zh) | 基于概率神经网络算法的在线印刷品色彩质量评价方法 | |
| Tian et al. | An integrated approach for failure mode and effects analysis based on fuzzy best-worst, relative entropy, and VIKOR methods | |
| Geirhos et al. | ImageNet-trained CNNs are biased towards texture; increasing shape bias improves accuracy and robustness | |
| CN111985608B (zh) | 训练生成对抗网络的方法及生成图像的方法 | |
| Ghazinoory et al. | Fuzzy SWOT analysis | |
| KR102166105B1 (ko) | 신경망 및 신경망 트레이닝의 방법 | |
| CN105117602B (zh) | 一种计量装置运行状态预警方法 | |
| CN110110887A (zh) | 对低压台区线损率的预测方法 | |
| CN109389171B (zh) | 基于多粒度卷积降噪自动编码器技术的医疗图像分类方法 | |
| Zhou et al. | Utilizing dictionary learning and machine learning for blind quality assessment of 3-D images | |
| CN103544499B (zh) | 一种基于机器视觉的表面瑕疵检测的纹理特征降维方法 | |
| CN107437243A (zh) | 基于x光图像的轮胎杂质检测方法及装置 | |
| CN107704925A (zh) | 深度神经网络训练过程的可视分析***及方法 | |
| CN109948522A (zh) | 一种基于深度神经网络的x光片手骨成熟度判读方法 | |
| CN105427309A (zh) | 面向对象高空间分辨率遥感信息提取的多尺度分层处理方法 | |
| Kervadec et al. | How transferable are reasoning patterns in vqa? | |
| CN110189305A (zh) | 一种多任务舌象自动分析方法 | |
| CN109934221A (zh) | 基于注意力机制的电力设备自动分析识别监控方法及*** | |
| CN109523514A (zh) | 对逆合成孔径雷达isar的批量成像质量评估方法 | |
| Moroz et al. | The current state and prospects of trade relations between Ukraine and the European Union: the Visegrad vector | |
| CN101539517A (zh) | 应用模糊逻辑模型对高光泽度涂层表面进行评价的方法 | |
| CN108647485A (zh) | 流化催化裂化中催化剂积碳测量方法、***、介质及设备 | |
| CN112329879A (zh) | 基于反事实多智能体学习的图像场景图的生成方法和*** | |
| Akay et al. | A neuro-fuzzy based approach to affective design | |
| Kuo et al. | Computerized color separation system for printed fabrics by using backward-propagation neural network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161214 |