摘 要：傳統印刷圖像質量檢測方法采用測控條檢測，其結果的可重復性和穩定性都不能得到保證。本文應用機器視覺技術，結合印刷質量檢測原理與數字圖像處理技術，建立了全畫面印刷圖像質量檢測系統，提出了系統的理論設計與模型。系統使用彩色面陣CCD，采集印刷品圖像，視頻信號經圖像采集卡，通過計算機PCI總線傳輸到內存中，在系統的軟件中對圖像進行處理和分析。實驗主要完成了數字圖像的數據轉換和印刷品的墨量顯示。 關鍵詞：機器視覺;印刷質量檢測;圖像處理;數據轉換;墨量顯示 1 引言 　　在現代自動化生產過程中，機器視覺系統被廣泛用于工況監視、成品檢驗和質量控制等領域。機器視覺檢測系統通常采用CCD（Charge Coupled Device電荷耦合器件）照相機攝取檢測圖像，將其轉化為數字信號，再采用先進的計算機硬件與軟件技術對圖像數字信號進行處理，從而得到所需要的各種目標圖像特征值，并在此基礎上實現模式識別，坐標計算，灰度分布圖等多種功能。[1] 　　在印刷品質量檢測中，以測試條為基礎的密度檢測和色度檢測方式雖然被證明是一種有效的質量控制手段，但這種質量控制方式主要依賴操作者長期的經驗積累和主觀判斷，檢測結果的可重復性和穩定性不能得到保證。 [2]隨著印刷機械自動化程度的提高，印刷品質量檢測與控制的快速化靈敏化也是質量檢測與控制的必然趨勢，這就要求在印刷過程中對印刷品質量的檢測既能適應高速印刷，同時又能準確地檢測出微小的故障，并能將檢測信息迅速反饋給印刷機。 　　本文應用機器視覺原理，建立了全畫面印刷質量檢測系統，通過CCD攝像機，對印刷品進行連續拍照，將拍攝到的每一幀圖像傳輸給現場計算機，通過圖像處理軟件，對圖像信息進行分析處理，找出有質量問題的圖像，給出該圖像所對應的印刷品的質量問題，然后通過傳輸線路將信息反饋給操作人員或直接反饋給印刷機進行調整。這樣不僅可以減輕工人勞動強度，而且將減少次品和提高生產效率。 2 全畫面印刷質量檢測系統設計 　　2.1 系統理論設計及模型 　　本文中建立的全畫面檢測系統主要由圖像采集、圖像處理、數據轉換、結果輸出四大部分組成。圖像采集由CCD、鏡頭、光源、視頻圖像采集卡和計算機組成;圖像處理主要通過軟件編程完成圖像的噪聲去除、幾何變換和定位;數據轉換是把采集到的數字圖像的RGB數據轉換為印刷特征值，即CMYK油墨的網點面積率。結果輸出主要是將數據轉換部分計算得到的數據輸出，并進行印刷特征量的顯示，如墨量顯示。 系統主要是指圖像采集設備。結構框圖可以用圖1表示。 [align=center] 圖1 系統結構框圖[/align] 　　CCD、鏡頭、光源和圖像采集卡共同完成對圖像的采集與數字化。高質量的圖像信息是系統正確判斷和決策的原始依據，是整個系統成功與否的關鍵所在。CCD 器件可以分為線陣式和面陣式兩大類。[3]線陣CCD一次只能獲得圖像的一行信息，被拍攝的物體必須以直線形式從攝像機前移過，才能獲得完整的圖像，因此非常適合對以一定速度勻速運動的物體的圖像檢測。而面陣CCD則可以一次獲得整幅圖像的信息。在全畫面檢測系統中，采用了索尼公司的Bayer轉化的面陣 CCD。 　　經過實驗，對小幅面的印刷品（200mm×200mm），印刷品與鏡頭的物距為15mm時，光源的照度最均勻，成像質量好。因此選用鏡頭焦距3.5-8mm，成像尺寸為1/3英寸，光圈為F1.4。光源采取前向垂直照明的方式。 　　圖像處理是全畫面檢測系統的核心，它相當于人的大腦。隨著計算機技術、微電子技術和大規模集成電路技術的快速發展，為了提高系統的實時性，對圖像處理的很多工作都可以借助硬件完成，如DSP（Digital Signal Processing數字信號處理器）、專用圖像采集卡等，[4]軟件則主要完成算法中非常復雜、不太成熟、尚需不斷探索和改變的部分。 　　圖像數字化是由嘉恒中自公司的圖像采集卡OK_MC10A實現的，是基于PCI總線的采集卡，當被攝的光學圖像成像在CCD的光敏面上時，圖像數據被實時存儲到計算機內存中，并在CRT （cathode ray tube陰極射線管）顯示器上顯示。使用單幀采集，調整光學圖像達到最佳狀態，以便于后期處理。 　　圖像采集的數據為紅、綠、藍（RGB），因為不同的設備空間得到的RGB數據不同，而印刷品一般用青、品、黃、黑（CMYK）四色油墨（CMYK）來表示。直接使用每一個像素點的RGB值進行比較是數字圖像分析的一種方法，但是這種方法的精確度不高。在印刷領域中，墨量的控制在印刷質量控制中是關鍵的環節，墨量與實地密度、網點擴大、印刷反差等印刷特征值密切相關。通過控制印刷品上黃品青黑四色印刷油墨的墨量來控制印刷品的質量，進一步控制印刷機的墨量。因此根據RGB數據不能直接判定印刷品的質量，把數據轉換為印刷中常用的特征量是必要的。本系統中主要是轉換為青、品、黃、黑四色油墨的網點面積率。 　　平版印刷機的供墨裝置一般分為若干個墨區，為方便以后控制印刷機，所以對四色油墨的墨量要進行分區域顯示，每個區域的墨量采用網點面積率的統計平均值計算得出。 　　2.2 軟件設計 　　進入全畫面印刷質量檢測系統軟件啟動界面，打開圖像采集設備，實時顯示印刷品圖像，單幀采集進行抓拍，然后進行圖像處理，在屏幕上顯示輸出處理后的圖像結果。存儲單幀圖像，把RGB數據轉換為CMYK數據，分區域顯示墨量。軟件可以分為以下幾個模塊：圖像采集及屏幕顯示、圖像處理的常用處理算法、圖像數據轉換和墨量顯示。 　　圖像采集模塊的任務主要是完成采集圖像到屏幕實時顯示的控制，采集方式分為單幀采集和實時采集并顯示。在全畫面印刷質量檢測系統中，我們著重要對采集的圖像進行預處理后，對圖像數據進行分析，屬于較復雜的過程，所以采用了把單幀采集的圖像存儲到指定位置后，再使用圖像的指針調用圖像進行處理。 　　圖像處理的常用算法包括中值濾波、幾何變換和定位，以菜單功能的方式對采集的圖像進行處理并顯示處理結果。實驗證明，采用中值濾波，選用3×3模板，得到了清晰的圖像，有效去除了噪音，為下一步的數據轉換做好準備。 　　圖像數據轉換完成RGB到CMYK的轉換。采集到的圖像以位圖格式存儲，數據格式為RGB24。本文主要采用三層的BP神經網絡（Back-Propagation Network）的圖像識別方法，把RGB值轉換為CMYK值。在BP神經網絡中，圖像像素點的顏色值用RGB表示，因此輸入節點為3個，分別輸入RGB值。輸出為該點的色元信息值，即C、M、Y、K，所以輸出節點選4個，分別輸出C、M、Y、K值。隱層神經元數的選取是BP網絡的關鍵，本算法實驗表明8個隱層單元數時，效果較好。[5]BP神經網絡的收斂條件要求初始輸入的變量必須在[ 0，1 ]區間內取值，而本系統中作為輸入值的R、G、B的取值范圍是0～255。為此需將所有的R、G、B值進行歸一化處理。 　　墨量顯示的任務是以CMYK的墨量值為印刷的特征量，在屏幕上分區域顯示墨量。全畫面檢測系統對墨量實現分區域顯示，可以與印刷機上的墨區對應，實現下一步對墨量的控制。 3 實驗 　　實驗的主要目的是訓練三層的BP神經網絡和實現墨量顯示。 　　樣本要選擇能夠代表所表示事物一般規律的樣本，這樣有利于神經網絡對樣本中所包含規律的歸納和總結。所選用的訓練樣本數目的最小值，應使每個輸出神經元在這些樣本的輸出值中至少出現一次。實驗中選擇了IT8.7/3（CMYK）的24個色塊作為訓練樣本，并按照一定順序標號。因為在實際印刷中，一般為四色印刷，一定要考慮黑墨，黑墨量對印刷品的層次再現和最大反差有很大的影響。這24個色塊包括了四色印刷品中的各種顯色方式，單色、雙色、三色及四色，主要為四色。這樣選擇訓練樣本，與只選擇四色疊印樣本比較，也有利于提高BP神經網絡的精確性。使用EPSON7600模擬印刷機，在定量為90g/m2膠版紙上印刷色塊。每個色塊的大小為70mm×70mm。通過訓練，確定BP神經網絡的權值和閾值。 　　通過BP神經網絡計算出的C1M1Y1K1與標準CMYK進行比較，可以檢驗算法的可行性和精度。如圖2所示，可以看出，黃色油墨和黑色油墨的誤差較大。其原因是由于CMYK標準數據是電子版的數據，沒有考慮網點擴大、油墨紙張的特性等原因，與色塊的實際CMYK值有一定誤差。 [align=center] 圖2 C1M1Y1K1與標準CMYK進行比較[/align] 　　在印刷方向的垂直方向，把印刷品分為8個墨區，進行CMYK各色墨量的顯示。墨量的顯示采用上一步數據轉換得到的網點面積率。計算每個區域的網點面積率的統計平均值，作為這個區域的墨量。墨量的最大值為100%，即1，表示油墨在這一區域上為實地。編程采用ActiveX控件實現。[6]在實驗中先對單個色塊進行墨量的顯示，也就是使用數據轉換時的單個訓練樣本進行顯示。然后再把他們組合起來，進行墨量的顯示。標準圖像的墨量可以保存建立標準模板。圖3為四個組合色塊的墨量顯示。 [align=center] 圖3 墨量顯示[/align] 4 結論 　　實驗表明，由于三層的BP神經網絡的算法訓練樣本由IT8.7-3CMYK中的24個色塊組成，四色疊印色塊占較大比例，并加入了單色、雙色和三色樣本，所以BP神經網絡算法的精確度提高了。構成色塊的CMYK的網點面積率的分布主要集中在20%至70%，在印刷中常用，可以體現產品印刷的質量。墨量顯示得出不同區域的墨量分布。 　　此外，實驗中采用膠版紙印刷，如果改用銅版紙，由于紙張的特性不同，光源必須進行調整，可以通過實驗來選擇采用何種照明方式。全畫面質量檢測系統可以實現印刷品質量的脫機檢測和在線檢測，本文主要是實現印刷品的脫機檢測，并對印刷特征值的墨量進行顯示。在印刷生產線上的不同位置安裝圖像采集設備，可以實現印刷品質量的在線檢測。 　　本文作者創新點：采用了ITIT8.7-3CMYK中的24個色塊作為三層BP神經網絡的訓練樣本，提高了數據轉換的精確度;實現了樣本的墨量顯示。 參考文獻 　　【1】 梁吉，蔣式勤，沈立緯.視覺檢測系統及其應用[J].微計算機信息，2003，（12）. 　　【2】 龔修瑞，劉昕.印刷品質量實時檢測技術[J].包裝工程，2003，24（6）：45-49. 　　【3】 王慶有. CCD應用技術[M].天津：天津大學出版社，2002. 　　【4】 （美）William K.Pratt 著.鄧魯華，張延恒，等譯.Digital Image Processing[M].機械工業出版社，2005，179-183[William K.Pratt.Digital Image Processing[M].China Machine Press.2005.179-183（in Chinese）]. 　　【5】 HORNIK K，STINCHCOMBE M，et al.Multilayer feed-forward networks are universal approximators[J].Neural Networks，1989，（2）：359-366. 　　【6】 付興旺，劉旺開，沈為群.通用曲線控件的設計[J].兵工自動化，2006，25（2）：91-92.