基于人工智能的包装印刷异常监测方法技术

本发明专利技术涉及数据识别和处理技术领域，具体涉及一种基于人工智能的包装印刷异常监测方法，该方法通过获取待监测的包装印刷产品和标准的包装印刷产品分别在n个不同设定光照角度下的表面RGBD图像，并将2n个预处理后的表面RGBD图像输入到包装印刷异常监测网络中，由该网络对这2n个预处理后的图像进行数据识别和处理，得到合并图像，进而最终确定待监测的包装印刷产品的表面异常点。本发明专利技术通过获取在不同设定光照角度下的表面RGBD图像，并对图像进行相应的数据识别和处理，最终可以准确识别包装印刷产品的表面异常点，有效解决了人工进行包装印刷产品的印刷质量检测导致检测结果不准确的问题。准确的问题。准确的问题。

【技术实现步骤摘要】
基于人工智能的包装印刷异常监测方法


[0001]本专利技术涉及数据识别和处理
，具体涉及一种基于人工智能的包装印刷异常监测方法。

技术介绍

[0002]随着人们审美需求的提升，越来越多的包装印刷产品不仅仅是要求平面设计具有美感，还要求具备凹凸起伏的纹理质感和光泽感，为了满足上述要求，包装印刷产品往往需要在印刷完成后进行烫金、起鼓、UV和模切等整饰工艺。由于高质量的包装印刷是提高商品附加值以及增强商品竞争力的重要途径和手段，因此需要对包装印刷产品的印刷质量进行监测。
[0003]为了实现对包装印刷产品的质量监测，现有通常采用人工肉眼检测的方式，但由于人工肉眼检测的方式存在主观性较强、易疲劳、易受光照干扰等问题，导致检测速度慢、检测结果不准确等问题。

技术实现思路

[0004]本专利技术的目的在于提供一种基于人工智能的包装印刷异常监测方法，用于解决人工进行包装印刷产品的印刷质量检测导致检测结果不准确的问题。
[0005]为解决上述技术问题，本专利技术提供了一种基于人工智能的包装印刷异常监测方法，包括以下步骤：获取待监测的包装印刷产品和标准的包装印刷产品分别在n个不同设定光照角度下的表面RGBD图像，进而得到2n个预处理后的表面RGBD图像；将2n个预处理后的表面RGBD图像输入到包装印刷异常监测网络中，所述包装印刷异常监测网络的嵌入层根据2n个预处理后的表面RGBD图像，进行数据识别，确定待监测的包装印刷产品和标准的包装印刷产品对应的合并图像，并将所述合并图像发送给所述包装印刷异常监测网络的注意力块层；所述包装印刷异常监测网络的注意力块层包括依次连接的各个注意力块，各个注意力块将嵌入层或其前一个注意力块发送过来的合并图像转发给所述包装印刷异常监测网络的分窗金字塔，分窗金字塔按照对应的注意力块对应的图像格式对合并图像进行分窗处理，得到各个窗口图像，并将各个窗口图像发送给对应的注意力块；各个注意力块对其接收到的各个窗口图像进行数据处理，得到数据处理后的合并图像，并将数据处理后的合并图像发送给其后一个注意力块，最后一个注意力块将其进行过数据处理后的合并图像发送给所述包装印刷异常监测网络的分类器；所述包装印刷异常监测网络的分类器接收最后一个注意力块发送过来的数据处理后的合并图像，并根据数据处理后的合并图像，确定待监测的包装印刷产品的异常像素二值图；根据待监测的包装印刷产品的异常像素二值图，确定待监测的包装印刷产品的表
面异常点。
[0006]进一步的，确定待监测的包装印刷产品和标准的包装印刷产品对应的合并图像的步骤包括：根据待监测的包装印刷产品对应的n个预处理后的表面RGBD图像，确定待监测的包装印刷产品对应的n个预处理后的表面RGBD图像中每个像素点的各个像素分量；分别将待监测的包装印刷产品对应的n个预处理后的表面RGBD图像中每个相同位置的n个像素点的各个像素分量进行拼接，对应得到每个相同位置的n个像素点对应的色变向量；根据标准的包装印刷产品对应的n个预处理后的表面RGBD图像，确定标准的包装印刷产品对应的n个预处理后的表面RGBD图像中每个像素点的各个像素分量；分别将标准的包装印刷产品对应的n个预处理后的表面RGBD图像中每个相同位置的n个像素点的像素分量进行拼接，对应得到每个相同位置的n个像素点对应的色变向量；将待监测的包装印刷产品对应的n个预处理后的表面RGBD图像中每个相同位置的n个像素点对应的色变向量、标准的包装印刷产品对应的n个预处理后的表面RGBD图像中每个相同位置的n个像素点对应的色变向量与该相同位置对应的初始化的分类向量进行拼接，对应得到2n个预处理后的表面RGBD图像中每个相同位置的像素点对应的像素向量；构造待监测的包装印刷产品和标准的包装印刷产品对应的合并图像，所述合并图像中每个像素点的像素值为2n个预处理后的表面RGBD图像中对应相同位置的像素点对应的像素向量。
[0007]进一步的，所述包装印刷异常监测网络的注意力块层包括依次连接的四个注意力块，四个注意力块对应的图像格式为：第一个注意力块对应的窗口数目为1，第二个注意力块对应的窗口数目为4，第三个注意力块对应的窗口数目为16，第四个注意力块对应的窗口数目为64，四个注意力块对应的每个窗口中的单元数目相同。
[0008]进一步的，四个注意力块对应的每个窗口中的单元数目对应的计算公式为：其中，N为四个注意力块对应的每个窗口中的单元数目，和为合并图像的分辨率。
[0009]进一步的，各个注意力块对其接收到的各个窗口图像进行数据处理，包括：根据各个窗口图像中每个像素点的像素值，确定各个窗口图像对应的光照敏感度；获取待监测的包装印刷产品对应的m个制版文件对应的二值图，确定各个窗口图像在m个制版文件对应的二值图中对应的二值子图像；根据各个窗口图像在m个制版文件对应的二值图中对应的二值子图像中的前景像素点的数目，确定各个窗口图像对应的工艺复杂性；获取标准的包装印刷产品对应的n个预处理后的表面RGBD图像中的目标表面RGBD图像，并结合各个窗口图像，确定各个窗口图像在目标表面RGBD图像中对应的目标表面RGBD子图像；根据各个窗口图像在目标表面RGBD图像中对应的目标表面RGBD子图像，确定各个
窗口图像对应的纹理复杂性；根据各个窗口图像对应的光照敏感度、工艺复杂性和纹理复杂性，确定各个窗口图像对应的多头头数；根据各个注意力块根据各个窗口图像对应的多头头数，对各个窗口图像进行数据处理。
[0010]进一步的，确定各个窗口图像对应的光照敏感度的步骤包括：根据各个窗口图像中每个像素点的像素值，计算每个窗口图像中随机选取的设定数目个像素点的像素值的平均值，从而对应得到各个窗口图像对应的像素值的平均值；根据各个窗口图像对应的像素值的平均值，确定像素值的平均值中最小的RGB值和最大的RGB值，从而对应得到各个窗口图像对应的最小的RGB值和最大的RGB值；根据各个窗口图像对应的最小的RGB值和最大的RGB值，计算每个窗口图像对应的最小的RGB值和最大的RGB值之间的欧式距离，从而对应得到各个窗口图像对应的光照敏感度。
[0011]进一步的，确定各个窗口图像对应的工艺复杂性的步骤包括：根据各个窗口图像在m个制版文件对应的二值图中对应的二值子图像中的前景像素点的数目，确定各个窗口图像在m个制版文件对应的二值图中对应的二值子图像中的前景像素点的数目与对应二值子图像中的所有像素点的比值；根据各个窗口图像在m个制版文件对应的二值图中对应的二值子图像中的前景像素点的数目与对应二值子图像中的所有像素点的比值，确定各个窗口图像对应的大于设定比值阈值的比值的数目，从而对应得到各个窗口图像对应的工艺复杂性。
[0012]进一步的，确定各个窗口图像对应的纹理复杂性的步骤包括：根据各个窗口图像在目标表面RGBD图像中对应的目标表面RGBD子图像，确定目标表面RGBD子图像对应的深度图和彩色图，进而确定彩色图对应的灰度图；根据各个窗口图像对应的深度图和灰度图，确定深度图对应的深度共生矩阵和灰度图对应的灰度共生矩阵，并计算深度共生矩阵的熵本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的包装印刷异常监测方法，其特征在于，包括以下步骤：获取待监测的包装印刷产品和标准的包装印刷产品分别在n个不同设定光照角度下的表面RGBD图像，进而得到2n个预处理后的表面RGBD图像；将2n个预处理后的表面RGBD图像输入到包装印刷异常监测网络中，所述包装印刷异常监测网络的嵌入层根据2n个预处理后的表面RGBD图像，进行数据识别，确定待监测的包装印刷产品和标准的包装印刷产品对应的合并图像，并将所述合并图像发送给所述包装印刷异常监测网络的注意力块层；所述包装印刷异常监测网络的注意力块层包括依次连接的各个注意力块，各个注意力块将嵌入层或其前一个注意力块发送过来的合并图像转发给所述包装印刷异常监测网络的分窗金字塔，分窗金字塔按照对应的注意力块对应的图像格式对合并图像进行分窗处理，得到各个窗口图像，并将各个窗口图像发送给对应的注意力块；各个注意力块对其接收到的各个窗口图像进行数据处理，得到数据处理后的合并图像，并将数据处理后的合并图像发送给其后一个注意力块，最后一个注意力块将其进行过数据处理后的合并图像发送给所述包装印刷异常监测网络的分类器；所述包装印刷异常监测网络的分类器接收最后一个注意力块发送过来的数据处理后的合并图像，并根据数据处理后的合并图像，确定待监测的包装印刷产品的异常像素二值图；根据待监测的包装印刷产品的异常像素二值图，确定待监测的包装印刷产品的表面异常点。2.根据权利要求1所述的基于人工智能的包装印刷异常监测方法，其特征在于，确定待监测的包装印刷产品和标准的包装印刷产品对应的合并图像的步骤包括：根据待监测的包装印刷产品对应的n个预处理后的表面RGBD图像，确定待监测的包装印刷产品对应的n个预处理后的表面RGBD图像中每个像素点的各个像素分量；分别将待监测的包装印刷产品对应的n个预处理后的表面RGBD图像中每个相同位置的n个像素点的各个像素分量进行拼接，对应得到每个相同位置的n个像素点对应的色变向量；根据标准的包装印刷产品对应的n个预处理后的表面RGBD图像，确定标准的包装印刷产品对应的n个预处理后的表面RGBD图像中每个像素点的各个像素分量；分别将标准的包装印刷产品对应的n个预处理后的表面RGBD图像中每个相同位置的n个像素点的像素分量进行拼接，对应得到每个相同位置的n个像素点对应的色变向量；将待监测的包装印刷产品对应的n个预处理后的表面RGBD图像中每个相同位置的n个像素点对应的色变向量、标准的包装印刷产品对应的n个预处理后的表面RGBD图像中每个相同位置的n个像素点对应的色变向量与该相同位置对应的初始化的分类向量进行拼接，对应得到2n个预处理后的表面RGBD图像中每个相同位置的像素点对应的像素向量；构造待监测的包装印刷产品和标准的包装印刷产品对应的合并图像，所述合并图像中每个像素点的像素值为2n个预处理后的表面RGBD图像中对应相同位置的像素点对应的像素向量。3.根据权利要求2所述的基于人工智能的包装印刷异常监测方法，其特征在于，所述包装印刷异常监测网络的注意力块层包括依次连接的四个注意力块，四个注意力块对应的图
像格式为：第一个注意力块对应的窗口数目为1，第二个注意力块对应的窗口数目为4，第三个注意力块对应的窗口数目为16，第四个注意力块对应的窗口数目为64，四个注意力块对应的每个窗口中的单元数目相同。4.根据权利要求3所述的基于人工智能的包装印刷异常监测方法，其特征在于，四个注意力块对应的每个窗口中的单元数目对应的计算公式为：其中，N为四个注意力块对应的每个窗口中的单元数目，和为合并图像的分辨率。5.根据权利要求3所述的基于人工智能的包...

【专利技术属性】
技术研发人员：王典震，
申请(专利权)人：山东嘉路包装科技有限公司，
类型：发明
国别省市：