基于GA-SVM模型的印刷套準識別*

王世輝， 王儀明， 武淑琴， 焦琳青， 李林會

(北京印刷學院 數字化印刷裝備北京市重點實驗室，北京 102600)

0 引 言

套印精度檢測與控制系統是保證印品生產質量的必要環節[1]。其中，套準識別算法是系統的核心部分。如何高效、準確地判斷印品套準狀態成為當下印刷機故障診斷的熱點。于麗杰等人[2]通過提取印刷標志圖像的顏色、紋理特征，設計最小距離分類器，取得良好的分類效果，并得基于紋理特征參數的分類效果優于顏色特征分類。簡川霞等人[3]提取了印刷標志圖像的灰度共生矩陣，采用了Adaboost分類器進行套準識別，得到了較高的準確率，并分析對比了不同分類器的效果。

本文首先建立了基于支持向量機(support vector machine,SVM)的印刷套準識別模型，隨后在選取模型中懲罰參數與核函數參數時，應用遺傳算法(genetic algorithm,GA)進行全局尋優，獲取更高的分類準確率，最后采集某印刷廠四色膠印機生產的印刷品作為GA-SVM模型的訓練集和測試集樣本，在樣本數據有限的情況下，取得了良好的預測效果。同時將本文模型與SVM模型、交叉驗證意義下網格劃分[4]優化SVM模型(GS-SVM)、粒子群優化[5]SVM模型(particle swarm optimization,PSO-SVM)比對，驗證方法的可靠性和實時性。

1 GA-SVM印刷套準識別模型

1.1 印刷套準識別原理

通常將兩色套印誤差小于0.1 mm的印刷品視為套準印刷品，否則為非套準印刷品。傳統人工識別套準方法效率低下、浪費人力。隨著機器視覺技術的發展，通過圖像采集系統獲取印刷套印標識圖像，并交由計算機分析處理，可準確、高效地判斷套準狀態，已逐漸成為印刷套準識別的主要技術手段。

1.2 印刷標識圖像特征提取

1.2.1 印刷標識圖像采集

采用電荷耦合器件(charge couple device,CCD)工業相機拍攝印刷標識圖像，得到套準圖像和非套準圖像如圖1。

圖1 拍攝的印刷標識圖像

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]的經典方法，能夠精確反映紋理的粗糙程度和重復方向。設(x,y) 為一幅M×N的印刷標識灰度圖像，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(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，一般可取1,2,3,4等值；θ為生成方向，即兩個點間的角度。

本文采用了4個重要的特征：慣性矩Ine、能量Ene、相關性Cor和熵Ent[7～10]

(2)

式中Ng為矩陣的行數與列數,L為圖像灰度級數,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優化SVM參數的具體步驟如下[11]:1)染色體編碼及參數初始化；2)確定適應度函數；3)染色體選擇、交叉和變異；4)解碼，確定最優解。

經GA優化后，可得到SVM最佳懲罰參數c與核函數參數g，隨后利用最佳參數對SVM進行訓練和分類預測，得出分類準確率，完成印刷套準識別。GA-SVM模型如圖2。

圖2 GA-SVM模型

3 實驗及分析

實驗材料為某印刷廠生產的四色印刷品，通過圖像采集裝置獲取100個印刷標識圖像樣本，其中，套準圖像50張，非套準圖像50張。將彩色圖像轉換為灰度圖像，壓縮灰度級至16級，以減少圖像處理運算量。生成步長d取1，計算GLCM的慣性矩、能量、相關性和熵在0°,45°,90°和135°方向上的均值和標準差，可得8維紋理特征數據，并采用歸一化預處理，將原始數據規整到[0,1]范圍內，以獲取訓練集和測試集歸一化映射如下

(4)

選取套準樣本和非套準樣本各30個作為SVM的訓練集，其余樣本作為測試集。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100組特征向量進行訓練和預測，參數選擇結果、分類準確率Ca和測試集分類結果如圖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=200,種群數量pop=20,c=7.950 8,g=9.687 4,Ca=98.333 3 %)

4 結束語

由測試結果可知GA-SVM模型的識別率達97.5 %，僅出現一例樣本識別錯誤，識別能力優于其他模型，識別速度快，滿足工業需求。由于遺傳算法的選擇、交叉和變異操作復雜，需多次迭代才能獲得比較好的分類模型，尋優速度較慢，下一步，可通過改進算法進一步優化模型。