基于3D打印的珂罗版数字化制版方法与流程

本发明基于3D打印的珂罗版数字化制版方法，属于3D打印技术领域。

背景技术：

珂罗版印刷与木刻水印等无网点印刷技术被公认为是复制与保护珍贵壁画、字画、油画等古老画艺术最逼真的再现技术，但其在国内外的传承都面临极大挑战。在中国精通珂罗版逼真印刷技艺的传承者不多于30位，且都处于年老体衰的年龄状态，多采用师带徒形式进行传承。由于珂罗版各工序操作极具复杂而且又非常辛苦枯燥，大致年轻人都放弃这项宝贵的技艺，为此面临几乎濒临失传的境地。由于世界级非遗珂罗版技术传承人在中国以及文化创意产业发展专项资助，使得珂罗版印刷技术又有新的发展机遇。

珂罗版印刷技术主要包括照相分色、显影底片、感光制版、专色印刷、钤印，其中制版工序最为复杂且成功率极低，特别考验制版师傅技艺功底，这也是传承的最大问题。由于珂罗版制作过程中是通过显影底片与玻璃版基上感光胶一起曝光冲洗固化而成，玻璃版基限制了其耐印量不能超过500份，甚至大幅面的版基不能超过50份，极大制约了珂罗版印刷效率。同时玻璃版基的幅面尺寸也限制了珂罗版成型尺寸，使得大尺寸字画复制必须采取拼接与修版，无形中又增加了专色底片以及专色珂罗版制作数量，不仅耗时又增加了成本。

3D打印技术近年来在打印速度、打印精度以及打印材质方面获得极大突破，在文创领域产业化程度越来越深，能满足高精度彩色实体对象的打印与逼真复制。由此光固化树脂3D打印技术可以用来制作珂罗版固化胶层，但由于珂罗版复制时采用多种专色油墨才能实现逼真再现，故当前还实现不了直接精确3D打印字画原稿。此外，当前也发现采用树脂光固化3D打印技术制作柔性版的专利以及相关研究论文，但其主要是打印出带网点的柔性版表面，还一直面临高光区域网点精确打印难以及对色定位精度难。同时其柔性版版面数据直接来自于3D软件设计的凹凸数字模型，但3D打印的珂罗版表面数据来自于传统珂罗版专色底片转换模型或对应传统珂罗版版面扫描。

技术实现要素：

为克服现有技术的不足，本发明提供了基于3D打印的珂罗版数字化制版方法，该方法既能够解决传统专色珂罗版制作技艺复杂、低效率与高成本的生产问题，又能解决3D打印专色珂罗版印制尺寸拓展与多专色叠印、高精度再现等难题。

本发明通过以下技术方案实现：

基于3D打印的珂罗版数字化制版方法，用传统专色珂罗版以及珂罗版印刷技术成功复制的字画原稿所对应的各传统专色底片，进行高精度扫描数据获取，通过编译的人工神经网络算法、三维高度数据误差分析算法、以及新的传统专色底片密度数据集，调节3D打印的预测珂罗版复制稿高保真再现能力；

具体包括以下步骤：

1）、按字画内容的复杂度，挑选出采用传统珂罗版印刷工艺成功复制的字画原稿及其印刷材料，进行组合，并将该组合进行分类，分成复杂度相同但内容不同的训练组与预测组；

2）、首先，在训练组中，针对珂罗版成功复制各字画原稿的传统专色底片及其对应的传统专色珂罗版，按复杂度与专色特点进行编号与标记，得到一系列训练专色序号；

然后，在预测组中，针对珂罗版成功复制各字画原稿的传统专色底片及其对应的传统专色珂罗版，按复杂度与专色特点进行编号与标记，得到一系列预测专色序号；

3）、训练组与预测组中，分别按所述专色序号由小到大的顺序，进行扫描：

首先，依次采用高精度胶片扫描仪，获取所有传统专色底片的带新标记的透射密度数据集P，所述带新标记的透射密度数据集P与所述各字画原稿相对应；所述带新标记的透射密度数据集P分为训练与预测两类数据集。

再采用高精度3D扫描仪，获取传统专色珂罗版表面起伏的高度数据集Q，所述高度数据集Q与各字画原稿相对应；所述高度数据集Q分为训练高度数据集Qx与预测高度数据集Qy两类数据集。

4）、将训练组中，针对由各字画原稿所获取的各传统专色底片的透射密度数据集P，以及其对应的传统专色珂罗版表面起伏的高度数据集Q，同时输入编译的人工神经网络训练算法，进行参数化关联训练，构建底片密度值与珂罗版表面起伏高度值的关联转换模型；

所述编译的人工神经网络训练算法是指，采用MATLAB工具包编译的、每层神经元数可拓展的训练算法；

5）、将预测组中，将由各字画原稿所获取的各传统专色底片的透射密度数据集P，输入到步骤4）获得的关联转换模型后，输出各密度数据集P对应的各专色预测珂罗版表面起伏的高度数据集K，再将数据集K转换成3D打印可识别的STL格式文件，在版基上，使用光固化树脂3D打印出各专色预测珂罗版；

6）、将各专色预测珂罗版装入珂罗版印刷机，进行专色叠印，得到字画预测稿；

将所述字画预测稿与字画原稿进行细节与色彩比对，同时，采用编译的三维高度数据集误差分析算法，对步骤5）得到的各专色预测珂罗版高度数据（来自于预测高度数据集Qy）与传统珂罗版的表面起伏高度，进行量化比较，得到表面起伏的高度差；

所述编译的三维高度数据集误差分析算法，基于逐点比较策略下，采用MATLAB GUI界面进行设计与编码；

将表面起伏的高度差前向反馈给编译的人工神经网络训练算法，调节设置的新权重，直至通过该权重进行3D打印的预测珂罗版成功高保真再现字画原稿。

优选的，所述字画内容的复杂度判定依据为：将字画原稿采用珂罗版技术成功复制所需要的传统专色底片数量。

优选的，所述传统专色底片的数量为1~20，则所述字画内容复杂度定为初级；

所述传统专色底片的数量为21~50，则所述字画内容复杂度定为中级；

所述传统专色底片的数量为51~80，则所述字画内容复杂度定为高级；

所述传统专色底片的数量为80以上，则所述字画内容复杂度定为特级。

优选的，所述编号采取拼接式的“组类别-复杂度等级-字画名称-专色序号”结构进行编排；

所述标记为对所述编号各结构属性用其首字母表示；

所述“组类别”属性，采用X（训练组）或Y（预测组）标记，

所述“复杂度等级”属性，采用C（初级）、Z（中级）、G（高级）或T（特级）任意一个标记，

所述“字画名称”属性，选择字画原稿具体名称首字母标记，

所述“专色序号”属性，采取001~150中任意数值标记。

优选的，步骤3）所述新标记是指，在所述编号的拼接式结构后再加一层结构属性，并采取D（密度值）或H（高度值）进行标记。

优选的，所述密度数据集P指以[αm, βn, Dmn]数组单元构成的Cell数组；所述高度数据集Q指以[αm, βn, Hmn] 数组单元构成的Cell数组；所述m值与n值分别为，字画原稿珂罗版复制时，扫描区域的长度取样像素值与宽度取样像素值。

优选的，所述编译的人工神经网络训练算法是指，采用MATLAB工具包编译的、每层神经元数可拓展的训练算法。

优选的，步骤4）所述训练算法的激活函数为Sigmoid函数、Tanh函数、ReLU函数与ELU函数的任意一种。所述训练算法的激活函数，根据所输入的透射密度数据集P的编号中，识别的复杂度等级进行相应选择。

优选的，步骤6）中所述GUI界面包括专色印版表面起伏高度数据集K的3D显示窗口、传统专色珂罗版表面起伏高度数据集Q的3D显示窗口与两类数据集重叠差异增强的3D显示窗口。

优选的，步骤5）所述光固化树脂3D打印出各专色预测珂罗版的过程，指采用传统珂罗版制版感光液改性调配打印材质，直至调配出打印精度在10-25um范围的打印材质，在该打印材质上进行预测珂罗版3D打印。

与现有技术相比，本发明具有如下有益效果：

（1）本发明提出的字画原稿珂罗版复制用数据集的编号与标记方法，采取拼接式多层结构编排以及对应首字母标记，既能够便于大量数据集的预处理与快速识别，又可以降低训练运算中数据存储空间消耗，并提升MATLAB GUI在三维高度数据集误差表征的编码效率。

（2）本发明提出的专色底片密度值与珂罗版表面起伏高度值的关联方法，此方法相对于现有技术的具体有益效果：通过底片密度值直接计算出珂罗版表面起伏高度值，进而可以快速生成3D打印所需的3D模型数据，极大简化了传统珂罗版制版操作以及降低了精确制版的技艺传承门槛；同时密度值与高度值关联时利用一维数据对应匹配降低了人工神经网络训练算法的训练难度并减少了输入数据集的获取难度。

（3）本发明提出的光固化树脂3D打印珂罗版的复制质量优化方法，基于预测珂罗版与对应传统珂罗版的表面起伏高度差前向反馈调节人工神经网络训练算法，有利于新训练出来的预测珂罗版表面起伏的高度数据集更逼近传统工艺成功制作的珂罗版表面特征；同时打印版面胶层所用光固化树脂保留了传统珂罗版感光胶特性，进而保证3D打印珂罗版适应传统珂罗版印刷设备与专色油墨来降低复制质量优化难度与成本。

（4）所述珂罗版数字化制版方法能够以高效且低成本方法实现高精度珂罗版制作的数字化以及其复制质量的快速评价，并为传统艺术复制技艺提供永久保存的可行方法。本发明的基于3D打印的珂罗版数字化制版方法既能够用于当前所有字画的传统珂罗版制版工艺数字化进程，又采用年轻人所熟知的3D打印技术提供了操作简单的新传承途径。

附图说明

图1为本发明基于3D打印的珂罗版数字化制版方法的流程图。

具体实施方式

下面结合具体实施例对本发明做进一步的详细说明，但是本发明的保护范围并不限于这些实施例，凡是不背离本发明构思的改变或等同替代均包括在本发明的保护范围之内。

基于3D打印的珂罗版数字化制版方法，用传统专色珂罗版以及珂罗版印刷技术成功复制的字画原稿所对应的各传统专色底片，进行高精度扫描数据获取，通过编译的人工神经网络算法、三维高度数据误差分析算法、以及新的传统专色底片密度数据集，调节3D打印的预测珂罗版复制稿高保真再现能力；

具体包括以下步骤：

1）、按字画内容的复杂度，挑选出采用传统珂罗版印刷工艺成功复制的字画原稿及其印刷材料进行组合，并将该组合进行分类，分成复杂度相同但内容不同的训练组与预测组；

所述字画内容的复杂度判定依据为：将字画原稿采用珂罗版技术成功复制所需要的传统专色底片数量。

所述传统专色底片的数量为1~20时，则所述字画内容复杂度定为初级；

所述传统专色底片的数量为21~50时，则所述字画内容复杂度定为中级；

所述传统专色底片的数量为51~80时，则所述字画内容复杂度定为高级；

所述传统专色底片的数量为80以上时，则所述字画内容复杂度定为特级。

2）、首先，在训练组中，针对珂罗版成功复制各字画原稿的传统专色底片及其对应的传统专色珂罗版，按复杂度与专色特点进行编号与标记，得到一系列训练专色序号；

然后，在预测组中，针对珂罗版成功复制各字画原稿的传统专色底片及其对应的传统专色珂罗版，按复杂度与专色特点进行编号与标记，得到一系列预测专色序号；

所述编号采取拼接式的“组类别-复杂度等级-字画名称-专色序号”结构进行编排；

所述标记为对所述编号各结构属性用其首字母表示；

所述“组类别”属性，采用X（训练组）或Y（预测组）标记，

所述“复杂度等级”属性，采用C（初级）、Z（中级）、G（高级）或T（特级）任意一个标记，

所述“字画名称”属性，选择字画原稿具体名称首字母标记，

所述“专色序号”属性，采取001~150中任意数值标记。

3）、训练组与预测组中，分别按所述专色序号由小到大的顺序，进行扫描：

首先，依次采用高精度胶片扫描仪，获取所有传统专色底片的带新标记的透射密度数据集P，所述带新标记的透射密度数据集P与所述各字画原稿相对应；所述带新标记的透射密度数据集P分为训练与预测两类数据集。

再采用高精度3D扫描仪，获取传统专色珂罗版表面起伏的高度数据集Q，所述高度数据集Q与各字画原稿相对应；所述高度数据集Q分为训练高度数据集Qx与预测高度数据集Qy两类数据集。

所述新标记是指，在所述编号的拼接式结构后再加一层结构属性，并采取D（密度值）或H（高度值）进行标记。

所述密度数据集P指以[αm, βn, Dmn]数组单元构成的Cell数组；所述高度数据集Q指以[αm, βn, Hmn] 数组单元构成的Cell数组；所述m值与n值分别为：字画原稿珂罗版复制时，扫描区域的长度取样像素值与宽度取样像素值。

4）、将训练组中，针对由各字画原稿所获取的各传统专色底片的透射密度数据集P以及其对应的传统专色珂罗版表面起伏的高度数据集Q，同时输入编译的人工神经网络训练算法，进行参数化关联训练，构建底片密度值与珂罗版表面起伏高度值的关联转换模型；

所述编译的人工神经网络训练算法是指，采用MATLAB工具包编译的、每层神经元数可拓展的训练算法。优选的，所述训练算法的激活函数为Sigmoid函数、Tanh函数、ReLU函数与ELU函数的任意一种。所述训练算法的激活函数，根据所输入的透射密度数据集P的编号中，识别的复杂度等级进行相应选择。

5）、将预测组中，将由各字画原稿所获取的各传统专色底片的透射密度数据集P，输入到步骤4）获得的关联转换模型后，输出各密度数据集P对应的各专色预测珂罗版表面起伏的高度数据集K，再将数据集K转换成3D打印可识别的STL格式文件，在版基上，使用光固化树脂3D打印出各专色预测珂罗版；

所述光固化树脂3D打印出各专色预测珂罗版的过程，指采用传统珂罗版制版感光液改性调配打印材质，直至调配出打印精度在10~25um范围的打印材质，在该打印材质上进行预测珂罗版3D打印。

6）、将各专色预测珂罗版装入珂罗版印刷机，进行专色叠印，得到字画预测稿；

将所述字画预测稿与字画原稿进行细节与色彩比对，同时，采用编译的三维高度数据集误差分析算法，对步骤5）得到的各专色预测珂罗版数据（来自于预测高度数据集Qy）与传统珂罗版的表面起伏高度，进行量化比较，得到表面起伏的高度差；

将表面起伏的高度差前向反馈给编译的人工神经网络训练算法，调节设置的新权重，直至通过该权重进行3D打印的预测珂罗版成功高保真再现字画原稿。

所述编译的三维高度数据集误差分析算法，基于逐点比较策略下，采用MATLAB GUI界面进行设计与编码，用于3D显示及表征三维高度数据差异。

所述GUI界面包括专色印版表面起伏高度数据集K的3D显示窗口、传统专色珂罗版表面起伏高度数据集Q的3D显示窗口与两类数据集重叠差异增强的3D显示窗口。

实施案例一

所述最大m值优选500，且最大n值为500；

若输入数据集编号中识别的复杂度等级标记为C时，则所述人工神经网络训练算法的激活函数优选Sigmoid函数；

若输入数据集编号中识别的复杂度等级标记为Z时，则所述人工神经网络训练算法的激活函数优选Tanh函数；

若输入数据集编号中识别的复杂度等级标记为G时，则所述人工神经网络训练算法的激活函数优选ReLU函数；

若输入数据集编号中识别的复杂度等级标记为T时，则所述人工神经网络训练算法的激活函数优选ELU函数；

所述树脂光固化3D打印预测珂罗版表面胶层，优选打印精度为25um的改性感光树脂。

实施案例二

所述最大m值优选100，且最大n值为100；

若输入数据集编号中识别的复杂度等级标记为C时，则所述人工神经网络训练算法的激活函数优选Tanh函数；

若输入数据集编号中识别的复杂度等级标记为Z时，则所述人工神经网络训练算法的激活函数优选Tanh函数；

若输入数据集编号中识别的复杂度等级标记为G时，则所述人工神经网络训练算法的激活函数优选ELU函数；

若输入数据集编号中识别的复杂度等级标记为T时，则所述人工神经网络训练算法的激活函数优选Sigmoid函数；

所述树脂光固化3D打印预测珂罗版表面胶层，优选打印精度为20um的改性感光树脂。

实施案例三

所述最大m值优选5000，且最大n值为5000；

若输入数据集编号中识别的复杂度等级标记为C时，则所述人工神经网络训练算法的激活函数优选ReLU函数；

若输入数据集编号中识别的复杂度等级标记为Z时，则所述人工神经网络训练算法的激活函数优选ReLU函数；

若输入数据集编号中识别的复杂度等级标记为G时，则所述人工神经网络训练算法的激活函数优选ELU函数；

若输入数据集编号中识别的复杂度等级标记为T时，则所述人工神经网络训练算法的激活函数优选ELU函数；

所述树脂光固化3D打印预测珂罗版表面胶层，优选打印精度为10um的改性感光树脂。

以明朝唐寅的《秋风纨扇图》国画珂罗版复制为例，在获得由底片技师修好的18块专色底片后，传统珂罗版制作需要采用10mm厚磨砂玻璃清洁晾干后，放入专用烘箱涂布底液为硅酸钠的水溶液。硅酸钠分子式: Na2SiO3; 底液配方: 硅酸钠1份，清水8份，啤酒8份。在底液干燥后均匀涂布感光液。感光液配方: 水400mL，实验用明胶 30.4g，重铬酸钾4.8g，重铬酸铵4.8g，硝酸铅 1.12g，安息香6.4mL。烘箱控温40～60℃，烘干时间40min，使胶膜干透形成均匀的微细皱褶。把阴图底片放入晒版箱，玻璃板有胶膜的一面敷在底片上曝光，如果底片比玻璃板小，底片四周空白部分用黑纸遮挡再晒版。通常晴天曝光时间 4min (在实际工作中，不同季节的晴天在正午阳光下曝光时间为10s至5min不等) ，再于阴凉处适当反晒1h。成像玻璃版经流动水冲洗定影后吹干就可以用于印刷，需要耗费5min。

再由技师重复上述步骤18次至所有传统珂罗版制作完毕。制版技师应随季节来调整配方，还应根据底片的层次，色调，调整曝光时间和回光时间，使印版软硬适中，层次丰富，色调准确。

而采用基于3D打印的珂罗版数字化制版方法，可以由普通人对采用传统珂罗版成功印制的现有字画所对应的传统专色底片与传统珂罗版进行扫描，不需要专业学徒或技师也能保证数据获取精度，且整个工序控制变得更加简单。

在专色底片密度值与珂罗版表面高低起伏值的关联转换模型构建后，可以轻松扫描获取新国画的专色底片密度数据集，并输入到编译的MATLAB程序中，几分钟就输出预测珂罗版表面起伏高低数据集，进一步再花几分钟时间，转换成光固化树脂3D打印机所识别的打印文件，制作流程所需要的各个步骤都不需要珂罗版印刷技师的稀有人才亲自操作。

在关联转换模型构建时，专业底片与珂罗版一一对应，也就是说平面上的像素点的坐标都是一一匹配的，只剩下一维数据（底片的透射密度值、珂罗版表面起伏高度值）在训练匹配，这就降低了人工神经网络算法的运算难度，并提升预测速度。

在MATLAB GUI呈现的高度差数据呈现也非常清晰明了，反馈新权重的设置也只要在训练算法运行界面的框架修改一个数字就可以重新输入底片密度数据集进行新的预测，简单快捷。

由于珂罗版高低起伏层的厚度在30um内，光固化3D打印时间从预测珂罗版表面高低起伏的打印数据输入、上料与打印只要需要几分钟就能完，同时只要任何地方的光固化3D打印与打印材料都可以对该数据集进行预测珂罗版打印。

本发明不会限制于本文所示的实施例，而是要符合与本文所公开的原理和新颖性特点相一致的最宽范围。