借助神经网络进行印刷品质分析制造技术

本发明专利技术涉及一种用于借助计算机(6)补偿印刷机(7)中印刷过程的局部对版错误和/或重影错误的方法，其中，至少一个图像传感器(5)检测、数字化特定的印刷图案(8)并将这些数字图像数据(9)传递至所述计算机(6)，所述计算机(6)检查所述数字图像数据(9)的可能的局部对版错误和/或重影错误并引入可能有必要的措施用于补偿这些错误，该方法的特征在于，所述计算机(6)将所述数字图像数据(9)供应给神经网络(12)，该神经网络(12)借助训练数据(10,10a,10b)这样地被学入，使得它从被供应的数字图像数据(9)求得相应的对版值和/或重影值。

Printing quality analysis with neural network

【技术实现步骤摘要】
借助神经网络进行印刷品质分析
本专利技术涉及一种用于通过采用神经网络(neuronalenNetz)补偿印刷过程的局部对版和重影错误的方法。本专利技术所属的
是印刷品质分析。
技术介绍
在胶版印刷机中采用不同的印刷控制元素。这些印刷控制元素中有些仅是按需印刷，其它的则是印刷在每个页张上。这些所谓的对版元素或SID元素在机器进行印样(Abdrucken)时被使用。它们用于分析且排除印刷机的对版错误和重影现象。在此，对版(Passer)是指：印刷机的工艺色的单个分色以目标准确的方式进行叠印。可由这些元素所鉴别的错误类别譬如是：较短较长印刷、较窄较宽印刷、节奏错误(譬如重影)等。这些元素以分布在页张上的方式布置并这样地设计，使得在每个印刷机构中印刷一个对版子元素。基于这些子元素彼此的相对位置，可量化出所提及的错误类别。这些元素的读入是手动进行，这需要使专门的高分辨率的摄像机从元素到元素地运动。这些数字图像数据随后通过合适的软件借助于图像识别方法进一步处理。此外，印刷机部分在执行用于品质分析的图像监测的图像检测系统的范畴内具有内联(inline)摄像机系统，但是，当前这种图像监测仅适用于求得套准错位。对于对版错误的特性值，类似的布置在数字(或喷墨)印刷中也是可想到的，并且部分也已经被用于试验目的。现有技术的弊端在于，对这些元素的检测及其进一步处理是离线进行。在最终安装印刷机时，手动测量的耗费占据了巨大的成本份额。出于这个原因，通常仅读入三十个页张，由此在测量准确性和频率范围内数据分辨率方面必定有所折扣，这使得该手动测量的进程没那么具有说服力。因此，在进行的生产过程中，只有当存在关于印刷品质方面的问题时，才会采用上述分析方法。并不进行持续地控制或监控。因此，针对该问题的一种解决方案是，只有在印刷机进行印样时出现问题的情况下才读入且分析处理最多一百个页张。尽管这只在存在问题的情况下才发生，但这也伴随着巨大的额外耗费。因此，现有技术中为此在国际专利申请WO04017034中公开了一种用于监测印刷产品的方法，其中，首先在学习模式中通过检测、数字化且分析一个或多个良好图像并然后将其存放在参考数据存储器中的方式来生成参考数据，并且然后在第二步骤中在监测模式中将待监测图像与参考数据存储器中的参考数据值进行像素对比。在此，这种对比是借助于分类器(譬如人工神经网络)进行。虽然该方法采用了神经网络，但是它是专门用于检查所生成的印刷图像的光谱含量，因此不适合用于求取对版值和重影错误。此外，神经网络在这里仅被用于监测图像与参考图像之间的对比。实际上的困难(也就是参考图像的学入)是以典型的方式方法在未采用神经网络的情况下发生。因此，在此现有技术中神经网络的使用所带来的优势是有限的。
技术实现思路
由此，本专利技术的任务在于，提出一种比迄今为止的现有技术所公开的方法更有效且更好用于探测印刷过程中局部对版错误和重影错误的方法。该任务通过一种用于借助计算机补偿印刷机中的印刷过程的局部对版错误和/或重影错误的方法解决，其中，至少一个图像传感器检测、数字化确定的印刷图案，并将这些数字图像数据传递至计算机，所述计算机检查这些数字图像数据的可能的局部对版错误和/或重影错误，并引入可能有必要的措施用于补偿这些错误，本方法的特征在于，计算机将这些数字图像数据供应给神经网络，该神经网络借助于训练数据这样地学入(eingelernt)，使得该神经网络基于所供应的数字图像数据求取出相应的对版值和/或重影值。采用神经网络是必需的，因为图像传感器的分辨率明显低于高分辨率的手持摄像机的印刷分辨率。这意味着：所印刷的子元素在通过图像传感器进行数字化(或检测)之后以相比于借助手持摄像机测量时明显更低的分辨率存在。在借助图像检测系统和常规图像处理算法进行简单分析时，由于这种较低的分辨率，因而关于所印刷的子元素的信息会有所丢失，而这些信息对于评估对版来说实际上是必要的。为了即使这样还是能够通过监测系统进行分析处理进而为了替代手动对版检验，因此在根据本专利技术的方法中取而代之地将由图像检测系统所数字化的图像数据供应给呈自学算法形式的神经网络，于是这种神经网络对这些图像数据关于印刷喷嘴的待求取的特性值方面进行评估。为了使这种自学算法能够实现目标，除了掌握基础数字图像处理工具之外，该自学算法必须事前借助以数字形式存在的训练数据进行学入。采用未经学入的神经网络是没有意义的。因此，该神经网络必须依据具有特定的专门已知的特征的数字训练数据(譬如对版子元素)进行学入。由此，这可通过将以数字形式存在的子元素供应给神经网络的方式得以实现，这些以数字形式存在的子元素包含完全确定的值(大多数情况下是关于错误对版方面的确定的错误图像)。然后，神经网络以这些训练数据这样长时间地学入，直到该神经网络能够求得正确的特性值。只有这样以后该神经网络才被用于评估实际所检测的且数据化的子元素，以及被用于后续求取对版。本方法有利的和因此优选的改进方案由从属权利要求以及具有附图的说明书得出。在此，根据本专利技术的方法的优选的改进方案是，针对这些确定的印刷图案，使用合适的对版标记。当然，采用形式为对版标记的对版子元素作为印刷图案是最有意义的。在此，根据本专利技术的方法的另一优选的改进方案是，这些数字图像数据由计算机清除干扰效应(譬如所述至少一个图像传感器的静态透镜错误和物镜失真)。为了使神经网络也能正确地评估当前的数字图像数据，必须将上述干扰效应从数字图像数据去除。否则可能出现神经网络发现伪错误或无法正确求得被这些干扰效应所重叠的实际错误的情况。然而，这样一来，正确求得对版特性值就更加困难了。当然，也可行的是，这样地训练神经网络使得它学会忽略这些干扰效应。但是，这使得实际的学入过程变长且变复杂，因此优选通过计算机从数字图像数据去除干扰效应。在此，根据本专利技术的方法的另一优选的改进方案是，用于神经网络的学入的那些训练数据是由计算机人工生成，其方式是，生成呈具有已知对版错误和/或重影错误的数字化印刷图案的形式的测试数据组，并将其用作神经网络的输入参量。这呈现了使用神经网络的特别优势。替换于如现有技术那样费力地借助各种不同的数字图像处理操作来编程计算机以及编程由该计算机所驱控的图像监测系统，用以发现这些子元素中的错误并相应关于对版方面进行评估，本专利技术的方法则将人工生成的、以数字形式存在的、具有人工引入的错误的对版子元素的神经网络进行训练用于对版评估。因为这整个过程是由计算机自动化地执行，因而能够的是：在相对较短的时间内给神经网络供应大量由计算机所生成的人工训练数据，进而神经网络在短时间内实现学入。譬如，这些训练数据可由计算机这样地人工生成，使得这些训练数据包含具有特定图像元素的子元素，这些特定图像元素在印刷图像中代表特定的对版错误。在此，计算机可这样地编程，使得人工生成的训练数据中所包含的这些错误能够以几乎任意组合进行改变。通过这种方式可在最短的时间内生成大量不同的训练数据组并用于神经网络的学入。在此，根据本专利技术的方法的另一优选的改进方案是，为了神经网络的学入，那些本文档来自技高网...

【技术保护点】
1.一种用于借助于计算机(6)补偿印刷机(7)中的印刷过程的局部对版错误和/或重影错误的方法，/n其中，至少一个图像传感器(5)对确定的印刷图案(8)进行检测、数字化，并且将数字图像数据(9)传递至计算机(6)，所述计算机对所述数字图像数据(9)关于可能的局部对版错误和/或重影错误方面进行检查，并引入可能必要的措施用于补偿所述错误，/n其特征在于，/n计算机(6)将所述数字图像数据(9)供应至神经网络(12)，所述神经网络已借助于训练数据(10,10a,10b)学入，使得该神经网络基于所供应的数字图像数据(9)求得相应的对版值和/或重影值。/n

【技术特征摘要】
20180703 DE 102018210891.91.一种用于借助于计算机(6)补偿印刷机(7)中的印刷过程的局部对版错误和/或重影错误的方法，
其中，至少一个图像传感器(5)对确定的印刷图案(8)进行检测、数字化，并且将数字图像数据(9)传递至计算机(6)，所述计算机对所述数字图像数据(9)关于可能的局部对版错误和/或重影错误方面进行检查，并引入可能必要的措施用于补偿所述错误，
其特征在于，
计算机(6)将所述数字图像数据(9)供应至神经网络(12)，所述神经网络已借助于训练数据(10,10a,10b)学入，使得该神经网络基于所供应的数字图像数据(9)求得相应的对版值和/或重影值。


2.根据权利要求1所述的方法，
其特征在于，
针对所述确定的印刷图案(8)，采用合适的对版标记(8)。


3.根据前述权利要求任一项所述的方法，
其特征在于，
所述数字图像数据(9)由计算机(6)清除干扰效应，所述干扰效应譬如是所述至少一个图像传感器(5)的静态透镜错误和物镜失真。


4...

【专利技术属性】
技术研发人员：S·内布，N·R·诺瑞克，N·马丁，
申请(专利权)人：海德堡印刷机械股份公司，
类型：发明
国别省市：德国;DE