基于機器視覺的印刷套準識別方法研究

簡川霞，高 健，李克天，敖銀輝

(廣東工業大學 機電工程學院，廣東 廣州 510006)

基于機器視覺的印刷套準識別方法研究

簡川霞，高 健，李克天，敖銀輝

(廣東工業大學 機電工程學院，廣東 廣州 510006)

針對印刷套準檢測存在的精度低、速度慢的問題，提取了印刷標志圖像的Tamura紋理特征，包括粗糙度、對比度和方向度，以描述其印刷標志套準或套不準特征。設計了支持向量機的分類器對印刷標志圖像進行套準識別，并采用高斯徑向基核函數用于非線性數據的分類。實驗結果證明，采用建議的印刷標志圖像特征提取和分類方法，識別準確率達到90%，識別時間為0.032 751 s，方法在識別準確率和識別速度上都優于人工檢測和文獻[8]的方法。

機器視覺；印刷套準；紋理特征；支持向量機

印刷采用黃、品紅、青、黑四色印版套印實現色彩和階調的復制。印刷四色相互套準是實現印刷復制的基礎。目前印刷套印檢測多采用人工進行，有許多缺點：1)精確性較差。人眼限于生理結構，對套準檢測的精度有限。即是借助于檢測工具，也難以達到機器的檢測精度。2)重復性較差。人眼易疲勞，會隨檢測時間增加，穩定性下降，導致檢測準確性降低。即使同樣的印刷樣張套準標志，人眼每次檢測結果都可能有細微差別。機器可以用相同的方法多次完成檢測工作而不會感到疲倦。3)速度慢。人工檢測印刷套準，需數秒左右，不能滿足實時生產需求，機器檢測速度可以達到毫秒級。且人工檢測采用抽檢方法，機器檢測可以實現全檢。4)客觀性差。人工檢測結果受主觀情緒的影響，客觀性較差。5)成本較高。隨著人工成本的增加，采用人工檢測的費用也逐漸增加。機器視覺檢測由于各種優勢完全可以取代人工檢測，成本也低許多。

與人工檢測相比，機器視覺檢測由于其速度快、精度高、客觀性好、成本低等優點可以完全取代人工檢測，且可以無間斷地連續工作。印刷套準檢測研究也逐漸引入機器視覺檢測，并取得了一些成果[1-4]。文獻[5]基于圖像處理提出了印刷對角線方向套準方法并設計了自動控制系統。文獻[6]提出了一種基于彩色圖像配準的膠印十字星校正方法，該方法首先利用圖像的顏色特征，從獲取的CCD圖像中提取青、品紅、黃、黑四種單色圖像，然后在圖像中分別檢測十字星位置，接著分別利用二值化分色圖像的垂直和水平投影距離，計算出各色十字星傾斜和平移校正參數，完成膠印機各色版的機械套準。文獻[7]比較了標準圖像與實際套準圖像，得出角度和位置的偏差值，并據此調節印刷機構。文獻[8]提取了印刷套準圖像的兩種特征，即顏色特征和紋理特征，并采用最小距離分類器對套準圖像的特征進行分類，取得了較好的效果。文獻[9]提出一種套準偏差自動檢測方法，基于視覺成像原理拍攝套準標記圖像，采用圖像分析理論建立套準偏差計算方法。文獻[10]針對由青、品紅、黃、黑印刷原色色點組成的套印圖標，建立了由不同色點圓心距離表征套印精度的方法。文獻[11]介紹了一種基于機器視覺的印刷套準標識檢測，對印版的測量標記進行圖像識別和分析，在HSI彩色空間的基礎上，通過色調、飽和度和灰度的三維特征空間映射對彩色圖像進行分割，得到與印刷產品圖像質量相關的參數。這些檢測方法都取得了一定的效果，但有些算法過于復雜，檢測的準確率不高。

本文重點研究了印刷套準檢測系統，搭建了印刷套準標志的圖像獲取平臺，并提取了標志圖像的Tamura紋理特征，設計了支持向量機的印刷套準標志分類器，以實現印刷套準與套不準兩類狀態的分類。

1 印刷套準機器視覺識別系統

印刷套準機器視覺識別流程如圖1所示。通過印刷標志圖像獲取系統(見圖2)獲取印刷標志圖像(套準圖像和套不準圖像)，經過圖像預處理操作后，提取印刷標志圖像的紋理特征，訓練分類器，得到分類器模型。在測試階段，用此分類器模型對未知標簽的套準標志圖像特征進行分類，得出套準與套不準兩種狀態，實現印刷套準檢測。

圖1 印刷套準機器視覺識別流程

圖2 印刷標志圖像獲取系統

為了獲取較好的圖像質量，采用具有較高分辨率的CCD攝像機(本系統中采用640×480像素)。經過A/D轉換器，將攝像機獲取的模擬信號轉換為數字信號，然后再將數字信號傳輸給圖像工作站進行下一步的圖像處理。

2 印刷套準標志的Tamura紋理特征提取

印刷套準標志的紋理特征反映了心理學角度上的紋理屬性，正好對應于Tamura紋理特征[12-15]的幾個分量。本文通過提取印刷套準標志的Tamura紋理特征的粗糙度、對比度和方向度分量來刻畫印刷套準標志的心理特點。

1)粗糙度

印刷套準標志圖像粗糙度計算如下。首先計算圖像中大小為2k×2k個像素的活動窗口中像素的平均灰度值Ak(x,y)，即有

(1)

式中：k=0,1,…,5，g(i,j)是位于像素(i,j)的灰度值。然后分別計算每個像素在水平和垂直兩個方向上互不重疊的窗口之間的平均灰度差

(2)

式中：Ek,h(x,y)和Ek,y(x,y)分別是水平方向和垂直方向互不重疊的窗口之間的平均灰度差。將取最大E值的k設置為最佳值Sbest(x,y)=2k。最后粗糙度Fcrs可以通過計算整幅圖像中Sbest的平均值來得到，公式為

(3)

式中：m和n為圖像矩陣的行數和列數。Sbest(i,j)是中心位于(i,j)的窗口最佳值。

2)對比度

圖像對比度是指圖像上明暗區域的灰度層級，層級多代表對比度大，可以通過對像素灰度分布情況的統計得到的。對比度Fcon計算公式如下

(4)

式中：α4=μ4/σ4，μ4是像素灰度均值的四階矩，σ2是方差。該值給出了整個圖像或區域中對比度的全局度量。

3)方向度

θ=arctan(ΔV/ΔH)+π/2

(5)

(6)

計算出所有像素的梯度向量后，構造直方圖HD。計算直方圖中峰值的尖銳程度(即波峰周圍值的變化總和)來獲得圖像總體方向性Fdir，表示如下

(7)

式中：p代表直方圖中的某個峰值，np為直方圖中所有的峰值，wp代表該峰值p所包含的量化值范圍，φp是wp中具有最大直方圖值的量化數值，HD(φ)為屬于wp的φ的直方圖。

3 支持向量機

支持向量機[16-17]是Cortes和Vapnik在1995年提出，建立在結構風險最小化基礎之上，有較好的泛化能力。與神經網絡相比，它在解決小樣本、非線性及高維模式識別中表現出許多特有的優勢，被廣泛用于數據分類和回歸。支持向量機數學模型為

s.t.yi[(w·xi)+b]≥1-ξi,ξi≥0

(8)

其相應的對偶問題為

(9)

4 實驗及分析

印刷分色得到黃(Y)、品紅(M)、青(C)和黑(K)，共有4個印刷色版，在印刷過程中，依次相互疊印實現4色套印，任何兩個色版套準是4色套準的基礎。本文研究的是兩個灰度圖像之間的套準，即獲取的C、M、Y和K圖像先進行去色操作，獲得灰度圖像，然后再進行圖像之間的套準識別。本文通過圖像獲取平臺獲得的印刷標志灰度圖像見圖3。圖3a是套準的圖像，圖3b是5個套不準的圖像。本實驗通過圖像獲取平臺分別獲取30個套準圖像和30個套不準圖像，對60個圖像進行預處理，然后提取Tamura紋理特征，部分印刷標志圖像的Tamura特征見表1。

圖3 印刷標志圖像

序號粗糙度對比度方向度標簽1352588498019930206561123528706989855302052471335580471003665001088111435635449851138022447015355353699912170117760163539107993883301192271736887608610287899×10-9-1836651238767456901×10-9-1936887608610287899×10-9-11036651138767456901×10-9-11136889008610287899×10-9-11236651428767456902×10-9-1……………6036651398767646900×10-9-1

在本實驗中支持向量機分類器采用臺灣林智仁教授開發的Libsvm工具箱。實驗中的算法采用MATLAB編程，在Intel Core i3-2100，3.10 GHz的計算上實施。訓練集由20個套準圖像和20個套不準圖像組成，其余已知標簽的圖像作為測試集。支持向量機采用高斯徑向基核函數，在訓練集上采用網格優化的方法獲取最優的懲罰參數C和γ(γ=1/2σ2，σ是核寬度)。文獻[8]中提出提取印刷標志圖像的灰度共生矩陣，然后采用最小距離法進行套準識別。本文建議的方法與文獻[8]提出的方法和人工檢測進行比較，獲得的識別準確率和識別耗時比較見表2。從表2中可以看出，采用文獻[8]和本文建議的方法都比人工檢測的識別準確率高，與文獻[8]相比，本文建議的方法識別準確率提高了5%。在識別速度上，文獻[8]和建議的方法耗時分別為0.043 452 s和 0.032 751 s， 遠低于人工檢測的時間(2 s)，且建議的方法也比文獻[8]的方法耗時少0.010 701 s。支持向量機對于小樣本的模式識別具有優勢，而且是基于結構風險最小化算法，因此在分類識別時，泛化能力強，識別準確率高。

表2 識別準確率比較

對比項人工方法文獻[8]本文建議的方法識別準確率/%808590識別時間/s200434520032751

5 小結

本文提出了印刷套準標志的識別方法，提取了套準標志的Tamura特征，包括粗糙度、對比度和方向度，并設計了支持向量機的分類識別方法，實驗證實取得了較好的印刷套準識別效果。如何獲得套準誤差及控制調節結構實現印刷套準是下一步研究重點。

[1] 孟璇. 單張紙膠印機自動套準的研究[D].西安：西安理工大學，2006.

[2] 李治江，董川，楊萍，等. 基于序貫相似性檢測算法的彩色印品套準精度檢測方法[J].中國印刷與包裝研究，2014，6(2)：30-35.

[3] 王梅，李克天，趙榮麗，等. 印刷自動套準偏差檢測軟件的主要技術問題分析[J].包裝工程，2008，29(12)：122-124.

[4] 謝志萍. 基于圖像模式識別與PLC控制的印刷套準自適應系統[J].計算機應用研究，2011，28(9)：3404-3406.

[5] 張海燕，趙博. 基于圖像處理的單張紙膠印機對角線套準及自動控制系統[J].包裝工程，2005，26(2)：50-51.

[6] 王枚，潘國華，初永玲，等. 基于彩色圖像配準的膠印十字星校正方法[J].中國印刷與包裝研究，2012，4(4)：86-90.

[7] 王梅，趙榮麗，李克天，等. 印刷自動套準標記識別方法的研究[J].包裝工程，2007，28(8)：60-62.

[8] 于麗杰，李德勝. 彩色印刷套準識別方法研究[J].計算機工程與應用，2011，47(5)：163-165.

[9] 王躍宗，劉京會，李德勝，等. 套準偏差自動檢測方法[J].機械工程學報，2009，45(12)：242-246.

[10] 趙明炎，徐艷芳，王瑜，等. 基于數字圖像處理的套印誤差檢測方法[J].北京印刷學院學報，2009，17(2)：1-4.

[11] 李德勝，于麗杰，黃云峰，等. 基于機器視覺的印刷套準標識檢測[C]//北京市紀念中國博士后制度實施二十周年——首都現代制造技術發展論壇論文集.北京：出版者不詳，2005：133-140.

[12] JING J，ZHANG H，WANG J，et al. Fabric defect detection using Gabor filters and defect classification based on LBP and Tamura method [J].Journal of the Textile Institute，2013，104(1)：18-27.

[13] MAJTNER T，SVOBODA D. Extension of Tamura texture features for 3D fluorescence microscopy[C]//Proc. Second Joint 3DIM/3DPVT Conference： 3D Imaging， Modeling， Processing， Visualization and Transmission. Piscataway，NJ，USA：[s.n.]，2012：301-307.

[14] LI Fugui，HUANG Tianqiang. Video copy-move forgery detection and localization based on Tamura texture features[C]//Proc. The 6th International Congress on Image and Signal Processing (CISP). Piscataway，NJ，USA：[s.n.]，2013：864-868.

[15] LI Xiaoqiang，SUN Qing，WANG Jingjing. Classification of tongue coating using Gabor and Tamura features on unbalanced data set[C]//Proc. IEEE International Conference on Bioinformatics and Biomedicine (BIBM). Piscataway，NJ，USA：[s.n.]，2013：108-109.

[16] ARNOSTI N A，KALITA J K. Cutting plane training for linear support vector machines[J].IEEE Trans. Knowledge and Data Engineering，2013，25(5)：1186-1190.

[17] BRAUN A C，WEIDNER U，HINZ S. Support vector machines，import vector machines and relevance vector machines for hyperspectral classification - A comparison[C]//Proc. the 3rd Workshop on Hyperspectral Image and Signal Processing：Evolution in Remote Sensing. Piscataway，NJ，USA：[s.n.]，2011：1-4.

Study on Printing Registration Recognition Based on Machine Vision

JIAN Chuanxia, GAO Jian, LI Ketian, AO Yinhui

(SchoolofElectromechanicalEngineering,GuangdongUniversityofTechnology,Guangzhou510006,China)

To solve the accuracy and speed of printing registration detection, Tamura textures of the printing mark images are extracted, including coarseness, contrast and directionality, which describe the registration features of printing marks. The classifier of Support Vector Machine (SVM) is proposed to identify the registration of printing mark images, and Gaussian radial basis function is used as kernel function in SVM for nonlinear classification. Experimental results show that recognition accuracy achieves 90%, and occupied time of image recognition is 0.032 751 s using the proposed method of feature extraction and classification. The proposed method is superior to manual detection and the method in the reference [8] in recognition accuracy and time.

machine vision; printing registration; texture; support vector machine

國家“973”計劃項目(2011CB013104)；國家自然科學聯合基金重點合作項目(U1134004；51275093)；高等教育學科建設重點項目(2012CXZD0020)；廣東省專項研發項目LED行業基金項目(2011A081301001；2012A08030300)

TP391.41

A

10.16280/j.videoe.2015.16.019

2015-01-07

【本文獻信息】簡川霞，高健，李克天，等.基于機器視覺的印刷套準識別方法研究[J].電視技術,2015，39(16).

簡川霞(1979— )，博士生，主研圖像處理、機器視覺和模式識別。

責任編輯：任健男