CN110936743B - 一种基于图文信息的柔版印刷压力预测方法 - Google Patents
一种基于图文信息的柔版印刷压力预测方法 Download PDFInfo
- Publication number
- CN110936743B CN110936743B CN201911199348.7A CN201911199348A CN110936743B CN 110936743 B CN110936743 B CN 110936743B CN 201911199348 A CN201911199348 A CN 201911199348A CN 110936743 B CN110936743 B CN 110936743B
- Authority
- CN
- China
- Prior art keywords
- image
- gradient
- value
- matrix
- layer
- 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.)
- Expired - Fee Related
Links
- 238000007639 printing Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 48
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 27
- 238000000926 separation method Methods 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 238000011176 pooling Methods 0.000 claims description 29
- 230000004913 activation Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 3
- 238000007647 flexography Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
- B41M—PRINTING, DUPLICATING, MARKING, OR COPYING PROCESSES; COLOUR PRINTING
- B41M1/00—Inking and printing with a printer's forme
- B41M1/02—Letterpress printing, e.g. book printing
- B41M1/04—Flexographic printing
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
- B41P—INDEXING SCHEME RELATING TO PRINTING, LINING MACHINES, TYPEWRITERS, AND TO STAMPS
- B41P2200/00—Printing processes
- B41P2200/10—Relief printing
- B41P2200/12—Flexographic printing
-
- 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
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Facsimile Image Signal Circuits (AREA)
- Color Image Communication Systems (AREA)
Abstract
本发明公开了一种基于图文信息的柔版印刷压力预测方法,首先对分色原稿图像二值化,得到二值化图像;将二值化图像取反操作,得到反色二值化图像;对反色二值化图像网格化,计算每个网格区域内的图文面积,得到面积矩阵;然后对分色原稿图像进行梯度计算,得到梯度图像;对梯度图像网格化,计算每个网格内的最大梯度值,得到最大梯度值矩阵;将面积矩阵和最大梯度值矩阵横向并列,得到分色原稿图像的特征矩阵,最后压力预测模型建立;本发明基于图文信息的柔版印刷压力预测方法,通过提取图文面积和最大梯度值两种图文信息特征,建立以特征矩阵为输入数据和实际印刷压力值为输出数据的卷积神经网络预测模型,实现基于图文信息的柔版印刷压力预测。
Description
技术领域
本发明属于印刷技术领域,涉及一种基于图文信息的柔版印刷压力预测方法。
背景技术
近年来,随着材料技术、工艺技术和印前技术的持续改善,使得柔印步入高印刷品质行列,加上其自身更加高效、环保、安全和卫生的特性,市场认知度和接受度也在不断提高,柔印也迎来了绿色环保国策下最好发展条件的时代。
柔印属于轻压力印刷,与其他印刷方式相比,柔印的印刷压力较小,压力的细微变化都会对印品质量产生明显的影响,因此选择合适的印刷压力对保证印品质量有十分重要的意义。
关于最佳印刷压力的确定,主要有以下两种方式:一种是目前最常见的开机预印方式,其过程是先开机预印,然后通过检验印品质量检验调整印刷压力。这种方式虽然可以生产要求,但废品率极高,造成人力、物力浪费;一种是印刷压力预测***方式,它通过使用专用的版面信息测量设备采集版面信息,然后经过预测***处理,便可直接获得合适的印刷压力。这种方法新型的压力确定方式,省去了开机预印环节,减少了浪费,也是柔印机智能化的发展方向。但这种预测***的数据来源依赖于专用的版面信息测量设备,且为保持优良的采集精度,就使得这种版面信息测量设备的价格较高。
发明内容
本发明的目的在于提供一种图文信息的柔版印刷压力预测方法,能够在不使用专用版面信息测量设备的情况下,实现柔版印刷压力的预测。
本发明所采用的技术方案是,一种基于图文信息的柔版印刷压力预测方法,具体按以下步骤实施:
步骤1,对分色原稿图像进行二值化操作,得到二值化图像;
步骤2,将经步骤1得到的二值化图像进行取反操作,得到反色二值化图像;
步骤3,将经步骤2得到的反色二值化图像划分为若干规则的网格,计算每个网格区域内的图文面积,得到面积矩阵;
步骤4,对分色原稿图像进行梯度计算,得到梯度图像;
步骤5,将经步骤4得到的梯度图像划分为若干规则的网格,计算每个网格内的最大梯度值,得到最大梯度值矩阵;
步骤6,将经步骤3和5得到的面积矩阵和最大梯度值矩阵横向并列,得到分色原稿图像的特征矩阵;
步骤7,在FIL220机组式柔印机上采集与分色图像对应印版的的实际印刷压力值,同时,将步骤6得到分色原稿图像的特征矩阵作为卷积神经网络模型的输入数据;实际印刷压力值作为卷积神经网络模型的输出数据,建立压力预测的卷积神经网络模型,对模型参数进行优化,得到合适的压力预测模型。
本发明的特点还在于:
其中步骤3具体包括以下步骤:
步骤3.1,将经步骤2得到的反色二值化图像划分为28*28的规则网格;
步骤3.2,标记经步骤3.1划分的网格内连通区域的个数,然后,统计每个连通区域内的像素点个数,最后,将每个连通区域内的像素点数相加,得到网格内的图文面积;
步骤3.3,对步骤3.2中每个网格内的图文面积进行计算,得到28*28的面积矩阵;
其中步骤4具体包括以下步骤:
步骤4.1,使用Sobel横向梯度模板对分色原稿图像进行卷积计算,得到横向梯度图像;
步骤4.2,使用Sobel纵向梯度模板对分色原稿图像进行卷积计算,得到纵向梯度图像;
步骤4.3,计算经步骤4.1和步骤4.2的横向梯度图像和纵向梯度图像中的梯度的模,得到分色原稿图像的梯度图像,梯度的模计算为:
式中,Gx为横向梯度,Gy为纵向梯度,G为梯度的模,即梯度;
其中步骤5具体为将步骤4得到的梯度图像划分为28*28的规则网格,计算网格区域内的最大梯度值,得到28*28的最大梯度值矩阵;
其中步骤7具体包括以下步骤:
特征矩阵为输入数据和实际印刷压力值为输出数据的卷积神经网络预测模型,首先将输入数据和输出数据组成的数据集划分为训练集和测试集,然后将训练集的数据输入到CNN结构中,经归一化、交替的卷积层和池化、全连接层和输出层处理,建立特征矩阵和实际印刷压力值之间的非线性映射关系,最后将测试集的数据输入到训练好的CNN模型中,经过CNN模型计算便可以预测出最佳印刷压力值;
其中步骤7中归一化处理具体为:特征矩阵进行归一化处理,采用线性归一化的方法,将特征矩阵归一化至[0,1]区间,其表达式如下:
式中,X和X'分别表示为原始数据和归一化后数据,Xmin和Xmax分别表示原始数据的最小值和最大值;
其中预测模型的评价参数分别为均方根误差RMSE、线性回归相关系数R和累积预测精度函数CS(θ):
RMSE是预测值与实际值之差平方的期望值,反映了模型预测值相对于实际值的整体偏差程度,RMSE的值越小,预测模型描述实验数据精度越好;
回归系数R反映预测值与实际值的关联程度,R值越接近1,说明预测模型描述实验数据与实际值具有更好的相关性;
CS(θ)诗预测值与实际值的绝对值误差小于θ的样本数占总样本数的百分比,其函数表达式为:
式中,Ne≤θ为预测误差小于θ的数据数量,N为预测样本数量;
其中步骤7中CNN结构经过参数的优化,最终确定CNN的预测模型,该模型包含两组交替的卷积层和池化层,还包括一个全连接层;
卷积层C1卷积核的大小是5×5,包含6个特征图,激活函数为ReLU;
池化层S2采用平均池化的方法,池化幅值为2;
卷积层C3是第2个卷积层,卷积核的大小是5×5,包含12个特征图,激活函数为ReLU;
池化层S4是第2个池化层,采用平均池化的方法,池化幅值为2;
全连接层M5激活函数是sigmoid;用于输出回归预测值的输出层包含1个神经元。
本发明的有益效果是:
本发明基于图文信息的柔版印刷压力预测方法中提出了一种图文信息特征提取方法,通过提取图文面积和最大梯度值两种图文信息特征,得到了图文信息特征矩阵;提出了一种基于图文信息的卷积神经网络预测模型,实现了对最佳印刷压力的有效预测。
附图说明
图1是本发明的一种基于图文信息的柔版印刷压力预测方法的框架图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明提供了一种基于图文信息的柔版印刷压力预测方法,如图1所示具体按照以下步骤实施:
步骤1,对分色原稿图像进行二值化操作,得到二值化图像;
步骤2,对步骤1的二值化图像进行取反操作,得到反色二值化图像;
步骤3,将步骤2得到的反色二值化图像划分为一个个规则的网格,计算每个网格区域内的图文面积,得到面积矩阵;具体按照以下步骤实施:
步骤3.1,将步骤2得到的反色二值化图像划分为28*28的规则网格,用于网格区域内的图文面积计算,网格划分的数量对实验结果有重要影响,网格划分数量多,则预测模型的计算难度将大大提升,网格划分数量少,则预测模型的准确性将会大大降低,因此我们将网格划分28×28;
步骤3.2,经步骤3.1,首先,标记网格内连通区域的个数,然后,统计每个连通区域内的像素点个数,最后,将每个连通区域内的像素点数相加,得到网格内的图文面积;
步骤3.3,经步骤3.2,对每个网格内的图文面积进行计算,最终得到28*28的面积矩阵;
步骤4,对分色原稿图像进行梯度计算,得到梯度图像,具体按照以下方法实施:
步骤4.1,使用常用的Sobel横向梯度模板对分色原稿图像进行卷积计算,得到横向梯度图像;
步骤4.2,使用常用的Sobel纵向梯度模板对分色原稿图像进行卷积计算,得到纵向梯度图像;
步骤4.3,经步骤4.1和4.2,计算梯度的模,得到梯度图像,通常将梯度的模简称为梯度,因此梯度的计算为:
式中,Gx为横向梯度,Gy为纵向梯度,G为梯度的模,即梯度;
步骤5,将步骤4得到的梯度图像划分为一个个规则的网格,计算每个网格内的最大梯度值,得到最大梯度值矩阵,具体按照以下方法实施:
步骤5.1,将步骤4得到的梯度图像划分为28*28的规则网格,计算网格区域内的最大梯度值,得到28*28的最大梯度值矩阵;
步骤6,将步骤3和5得到的面积矩阵和最大梯度值矩阵横向并列,得到分色原稿图像的特征矩阵;
步骤7,在FIL220机组式柔印机上采集与分色图像对应印版的的实际印刷压力值,同时,将得到的特征矩阵作为卷积神经网络模型的输入数据;实际印刷压力值作为卷积神经网络模型的输出数据,建立压力预测的卷积神经网络模型,对模型参数进行优化,得到合适的压力预测模型,具体按照以下方法实施:
步骤7.1,以特征矩阵为输入数据和实际印刷压力值为输出数据的卷积神经网络预测模型,首先将输入数据和输出数据组成的数据集划分为训练集和测试集,然后将训练集的数据输入到CNN结构中,经归一化、交替的卷积层和池化、全连接层和输出层处理,建立特征矩阵和实际印刷压力值之间的非线性映射关系,最后将测试集的数据输入到训练好的CNN模型中,经过CNN模型计算便可以预测出最佳印刷压力值;
步骤7.2,对特征矩阵进行归一化处理,采用线性归一化的方法,将特征矩阵归一化至[0,1]区间,其表达式如下:
式中,X和X'分别表示为原始数据和归一化后数据,Xmin和Xmax分别表示原始数据的最小值和最大值;
步骤7.3、采用的模型评价参数为:均方根误差(RMSE)、线性回归相关系数(R)和累积预测精度函数(CS(θ));其中,RMSE是预测值与实际值之差平方的期望值,反映了模型预测值相对于实际值的整体偏差程度,RMSE的值越小,说明预测模型描述实验数据具有更好的精度;回归系数R反映预测值与实际值的关联程度,R值越接近1,说明预测模型描述实验数据与实际值具有更好的相关性;CS(θ)诗预测值与实际值的绝对值误差小于θ的样本数占总样本数的百分比,其函数表达式为:
式中,Ne≤θ为预测误差小于θ的数据数量,N为预测样本数量;
步骤7.4,经过参数的优化,最终确定CNN的预测模型,该模型包含两个个交替的卷积层和池化层、和一个全连接层。卷积层C1卷积核的大小是5×5,包含6个特征图,激活函数为ReLU;池化层S2采用平均池化的方法,池化幅值为2;卷积层C3是第2个卷积层,卷积核的大小是5×5,包含12个特征图,激活函数为ReLU;池化层S4是第2个池化层,采用平均池化的方法,池化幅值为2;全连接层M5激活函数是sigmoid;用于输出回归预测值的输出层包含1个神经元。
本发明基于图文信息的柔版印刷压力预测方法,从功能执行上讲,首先执行对分色原稿图像进行二值化操作,得到二值化图像;其次执行二值化图像进行取反操作,得到反色二值化图像;然后执行反色二值化图像的网格化,计算每个网格区域内的图文面积,得到面积矩阵;接下来执行对分色原稿图像进行梯度计算,得到梯度图像;然后执行梯度图像的网格化,计算每个网格内的最大梯度值,得到最大梯度值矩阵;然后执行面积矩阵和最大梯度值矩阵横向并列,得到分色原稿图像的特征矩阵,最后执行压力预测模型的建立。本发明基于图文信息的柔版印刷压力预测方法,通过提取图文面积和最大梯度值两种图文信息特征,建立了以特征矩阵为输入数据和实际印刷压力值为输出数据的卷积神经网络预测模型,实现了基于图文信息的柔版印刷压力预测。
Claims (8)
1.一种基于图文信息的柔版印刷压力预测方法,其特征在于,具体按以下步骤实施:
步骤1,对分色原稿图像进行二值化操作,得到二值化图像;
步骤2,将经步骤1得到的二值化图像进行取反操作,得到反色二值化图像;
步骤3,将经步骤2得到的反色二值化图像划分为若干规则的网格,计算每个网格区域内的图文面积,得到面积矩阵;
步骤4,对分色原稿图像进行梯度计算,得到梯度图像;
步骤5,将经步骤4得到的梯度图像划分为若干规则的网格,计算每个网格内的最大梯度值,得到最大梯度值矩阵;
步骤6,将经步骤3和5得到的面积矩阵和最大梯度值矩阵横向并列,得到分色原稿图像的特征矩阵;
步骤7,在FIL220机组式柔印机上采集与分色图像对应印版的实际印刷压力值,同时,将步骤6得到分色原稿图像的特征矩阵作为卷积神经网络模型的输入数据;实际印刷压力值作为卷积神经网络模型的输出数据,建立压力预测的卷积神经网络模型,对模型参数进行优化,得到合适的压力预测模型。
2.根据权利要求1所述的一种基于图文信息的柔版印刷压力预测方法,其特征在于,所述步骤3具体包括以下步骤:
步骤3.1,将经步骤2得到的反色二值化图像划分为28*28的规则网格;
步骤3.2,标记经步骤3.1划分的网格内连通区域的个数,然后,统计每个连通区域内的像素点个数,最后,将每个连通区域内的像素点数相加,得到网格内的图文面积;
步骤3.3,对步骤3.2中每个网格内的图文面积进行计算,得到28*28的面积矩阵。
4.根据权利要求1所述的一种基于图文信息的柔版印刷压力预测方法,其特征在于,所述步骤5具体为将步骤4得到的梯度图像划分为28*28的规则网格,计算网格区域内的最大梯度值,得到28*28的最大梯度值矩阵。
5.根据权利要求1所述的一种基于图文信息的柔版印刷压力预测方法,其特征在于,所述步骤7具体包括以下步骤:
特征矩阵为输入数据和实际印刷压力值为输出数据的卷积神经网络预测模型,首先将输入数据和输出数据组成的数据集划分为训练集和测试集,然后将训练集的数据输入到CNN结构中,经归一化、交替的卷积层和池化层、以及全连接层和输出层处理,建立特征矩阵和实际印刷压力值之间的非线性映射关系,最后将测试集的数据输入到训练好的CNN模型中,经过CNN模型计算便可以预测出最佳印刷压力值。
8.根据权利要求1或7所述的一种基于图文信息的柔版印刷压力预测方法,其特征在于,所述步骤7中CNN结构经过参数的优化,最终确定CNN的预测模型,该预测模型包含两组交替的卷积层和池化层,还包括一个全连接层,依次为卷积层C1、池化层S2、卷积层C3、池化层S4、全连接层M5;
所述卷积层C1卷积核的大小是5×5,包含6个特征图,激活函数为ReLU;
所述池化层S2采用平均池化的方法,池化幅值为2;
所述卷积层C3是第2个卷积层,卷积核的大小是5×5,包含12个特征图,激活函数为ReLU;
所述池化层S4是第2个池化层,采用平均池化的方法,池化幅值为2;
所述全连接层M5激活函数是sigmoid;
用于输出回归预测值的输出层包含1个神经元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911199348.7A CN110936743B (zh) | 2019-11-29 | 2019-11-29 | 一种基于图文信息的柔版印刷压力预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911199348.7A CN110936743B (zh) | 2019-11-29 | 2019-11-29 | 一种基于图文信息的柔版印刷压力预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110936743A CN110936743A (zh) | 2020-03-31 |
CN110936743B true CN110936743B (zh) | 2021-09-10 |
Family
ID=69909540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911199348.7A Expired - Fee Related CN110936743B (zh) | 2019-11-29 | 2019-11-29 | 一种基于图文信息的柔版印刷压力预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110936743B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113291055A (zh) * | 2021-04-14 | 2021-08-24 | 西安理工大学 | 一种人工智能的柔版印刷压力预测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1223936A (zh) * | 1998-01-23 | 1999-07-28 | 理想科学工业株式会社 | 用于预测模板印刷中印刷密度的方法及其装置 |
JP2008132662A (ja) * | 2006-11-28 | 2008-06-12 | Optrex Corp | フレキソ印刷装置 |
CN103547453A (zh) * | 2010-12-27 | 2014-01-29 | 优泰克加工股份公司 | 用于调节和监控具有中心压印滚筒的柔性版印刷机的印刷辊的压力的***及方法 |
CN108510485A (zh) * | 2018-03-27 | 2018-09-07 | 福州大学 | 一种基于卷积神经网络的无参照图像质量评估方法 |
CN108790444A (zh) * | 2018-06-08 | 2018-11-13 | 温州立可达印业股份有限公司 | 一种柔版印刷工艺 |
CN108920850A (zh) * | 2018-07-09 | 2018-11-30 | 西安理工大学 | 一种基于卷积神经网络的柔印压力预测方法 |
CN109774327A (zh) * | 2019-01-22 | 2019-05-21 | 山东天惠印刷有限公司 | 一种柔板印刷工艺 |
-
2019
- 2019-11-29 CN CN201911199348.7A patent/CN110936743B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1223936A (zh) * | 1998-01-23 | 1999-07-28 | 理想科学工业株式会社 | 用于预测模板印刷中印刷密度的方法及其装置 |
JP2008132662A (ja) * | 2006-11-28 | 2008-06-12 | Optrex Corp | フレキソ印刷装置 |
CN103547453A (zh) * | 2010-12-27 | 2014-01-29 | 优泰克加工股份公司 | 用于调节和监控具有中心压印滚筒的柔性版印刷机的印刷辊的压力的***及方法 |
CN108510485A (zh) * | 2018-03-27 | 2018-09-07 | 福州大学 | 一种基于卷积神经网络的无参照图像质量评估方法 |
CN108790444A (zh) * | 2018-06-08 | 2018-11-13 | 温州立可达印业股份有限公司 | 一种柔版印刷工艺 |
CN108920850A (zh) * | 2018-07-09 | 2018-11-30 | 西安理工大学 | 一种基于卷积神经网络的柔印压力预测方法 |
CN109774327A (zh) * | 2019-01-22 | 2019-05-21 | 山东天惠印刷有限公司 | 一种柔板印刷工艺 |
Also Published As
Publication number | Publication date |
---|---|
CN110936743A (zh) | 2020-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110570396B (zh) | 一种基于深度学习的工业产品缺陷检测方法 | |
CN102914545B (zh) | 一种基于计算机视觉的齿轮缺陷检测方法及*** | |
CN103424409B (zh) | 一种基于dsp的视觉检测*** | |
CN103439348B (zh) | 基于差影法的遥控器按键缺陷检测方法 | |
CN110120041A (zh) | 路面裂缝图像检测方法 | |
CN107154048A (zh) | 一种脉冲耦合神经网络模型的遥感图像分割方法及装置 | |
CN111008726B (zh) | 一种电力负荷预测中类图片转换方法 | |
CN106919910B (zh) | 一种基于hog-cth组合特征的交通标志识别方法 | |
CN110936743B (zh) | 一种基于图文信息的柔版印刷压力预测方法 | |
CN111105389A (zh) | 融合Gabor滤波器与卷积神经网络的路面裂缝的检测方法 | |
CN102565074B (zh) | 小张清分机疑似缺陷产品图像复检***及方法 | |
Han et al. | Vision-based crack detection of asphalt pavement using deep convolutional neural network | |
CN116189436B (zh) | 一种基于大数据的多源数据融合算法 | |
CN108920850A (zh) | 一种基于卷积神经网络的柔印压力预测方法 | |
CN102509299B (zh) | 基于视觉注意机制的图像显著区域检测方法 | |
Lu et al. | HFENet: A lightweight hand‐crafted feature enhanced CNN for ceramic tile surface defect detection | |
CN107577909A (zh) | 一种环境空气质量监测大数据统计的优化方法 | |
Chu et al. | Deep learning method to detect the road cracks and potholes for smart cities | |
Zhao et al. | MED-YOLOv8s: a new real-time road crack, pothole, and patch detection model | |
CN117727046A (zh) | 新型山洪前端仪器仪表读数自动识别方法及*** | |
CN112084941A (zh) | 一种基于遥感图像的目标检测与识别方法 | |
Zhao | The water potability prediction based on active support vector machine and artificial neural network | |
CN111414855A (zh) | 基于端到端回归模型的电线杆标牌目标检测及识别方法 | |
CN113291055A (zh) | 一种人工智能的柔版印刷压力预测方法 | |
Liu et al. | ANN-based prediction of ammonia nitrogen for wastewater discharge indicators under carbon neutral trend |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210910 |