[发明专利]一种基于深度置信网络的柔版印刷压力预测方法

说明书

本发明公开了一种基于深度置信网络的柔版印刷压力预测方法，对分色原稿图像进行二值化操作，得到二值化图像，对二值化图像进行取反操作，对反色二值化图像划分网格，计算网格区域内的图文面积，得到面积矩阵；对分色原稿图像进行梯度计算，得到梯度图像，对梯度图像划分网格，计算每个网格内的最大梯度值，得到最大梯度值矩阵，对分色原稿图像进行灰度共生矩阵计算，得到灰度共生矩阵；然后将面积矩阵、最大梯度值矩阵、灰度共生矩阵横向并列，得到分色原稿图像的特征矩阵，最后建立了以特征矩阵作为网络预测模型的输入数据、实际印刷压力值作为网络预测模型的输出数据，搭建深度置信网络压力预测模型，实现了对柔版印刷压力的有效预测。

技术领域

本发明属于柔版印刷技术领域，具体涉及一种基于深度置信网络的柔版印刷压力预测方法。

背景技术

第四次工业革命浪潮正在来袭，新一代信息技术将给传统制造业带来深刻的影响。生产智能化将会带动生产模式的改变，即从之前单一化、大规模，追求规模效益的传统产品制造，转化为多品种、符合消费者个性化需求的产品，从而打造科技赋能的柔性、智能生产模式，将人工智能、机器学习等技术与传统生产相融合，企业可以大量减少人工投入，大幅度提高生产效率。

借助人工智能、机器学习的方法来预测柔版印刷的最佳印刷压力值，可以代替传统的柔印压力预测方式，节省人力物力、大幅度提高企业的生产效率。

发明内容

本发明的目的在于提供一种基于深度置信网络的柔版印刷压力预测方法，能够在不借助专用柔版印版压力测量设备的情况下，通过深度学习的方法对柔版印刷最佳印刷压力进行预测。

为了实现上述目的，本发明所采用的技术方案是：

一种基于深度置信网络的柔版印刷压力预测方法，具体按照以下步骤实施：

步骤1：对柔版印刷所需要的分色原稿图像进行二值化处理，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处理，得到取反后的反色二值化图像；

步骤3：将经步骤2得到的反色二值化图像划分为28×28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：对柔版印刷所需要的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28×28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：对柔版印刷所需要的分色原稿图像进行灰度共生矩阵计算，利用MATLAB自带的graycomatrix函数进行计算得到灰度共生矩阵；

步骤7：将经步骤3、步骤5和步骤6得到的面积矩阵、最大梯度值矩阵、灰度共生矩阵三组向量横向并列，得到分色原稿图像的特征矩阵；

步骤8：在柔版印刷机上采集与分色原稿图像对应的印版的实际最佳印刷压力值，同时，将步骤7得到分色原稿图像的特征矩阵作为深度置信网络模型的输入数据；实际最佳印刷压力值作为深度置信网络模型的输出数据，建立深度置信网络压力预测模型，对模型参数进行优化，得到最优的深度置信网络压力预测模型，经过最优的深度置信网络压力预测模型可预测出最佳印刷压力值。

进一步地，所述步骤3具体按照以下方法实施：

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，经过优化最终将网格划分28×28；

步骤3.2：经过步骤3.1处理后，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：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。