基于概率神经网络算法的在线印刷品色彩质量评价方法与流程

本发明涉及一种在线印刷品色彩质量评价方法，尤其是涉及一种基于概率神经网络算法的在线印刷品色彩质量评价方法。

背景技术：

目前，在印刷生产过程中，印刷机台人员需要对彩色印刷品进行随机抽检，并按照相应质量评价指标对其质量进行评价，在利用多个具有相互影响关系的质量评价指标对印刷品色彩质量作出综合评价时，就需要机台人员根据自己的经验做出综合判断，这就导致综合判断结果的重复性比较差，为了解决此问题，出现了利用特定算法来模拟人眼综合评价印刷品色彩质量过程的评价方法，最终保证印刷品色彩质量能够一直达到最优标准，而人眼对印刷品色彩质量进行综合评价的实质是，首先获取各印刷品综合评价指标，然后结合各评价指标的评级标准通过人脑进行复杂的计算，最后输出印刷品色彩质量评价结果，这一过程属于模式识别的过程，而人工神经网络是进行模式识别的最佳方法，目前用于模拟人眼综合评价的算法有BP人工神经网络算法和模糊人工神经网络算法，但都具有收敛速度较慢，收敛结果并非最优的缺点。

技术实现要素：

针对背景技术中的不足，本发明的目的在于提供一种基于概率神经网络算法的在线印刷品色彩质量评价方法，该方法可实现在线准确评价印刷品色彩质量，基于概率神经网络收敛速度快的特性，极大地提高印刷品色彩质量评价效率，同时评价结果与人眼综合评价效果符合度非常高。

为了解决上述技术问题，本发明采用的技术方案是：

基于概率神经网络算法的在线印刷品色彩质量评价方法，该方法的步骤如下：

1)印刷品色彩质量评价指标的选取；

2)概率神经网络算法模型的建立，包括输入层神经元的确定、隐含层神经元的确定、求和层神经元的确定、输出层神经元的确定和平滑因子σ的确定；

3)利用配套在线检测设备获取待评价印刷品色彩质量评价指标并将获取的指标数据输入给概率神经网络算法模型；

4)概率神经网络算法模型经过运算输出印刷品色彩质量评价结果，即每个被测印刷品的评价等级。

所述印刷品色彩质量评价指标的选择，它是在众多印刷质量评价指标中选择与印刷品色彩质量最有关联的指标，即选择实地密度、网点增大、印刷反差、色差、色相差和灰度共6项国家规定的色彩质量检测指标。

所述输入层神经元的确定，它是确定输入层神经元的数量，概率神经网络建立时对采集到的6项色彩质量检测指标做统计学处理，形成一个18维特征向量，而输入层神经元的数量与输入特征向量的维数一致，因此，输入层神经元的数量为18个。

所述隐含层神经元的确定，它是确定隐含层神经元的数量，隐含层为径向基层，隐含层神经元的数量与训练样本的数目相同，训练样本即经专家评判出的包含不同色彩质量评价等级的标准样本，理论上训练样本越多，概率神经网络算法的输出结果越准确，实验表明15个训练样本即能达到满意的输出结果，因此，隐含层神经元的数目为15个。

所述求和层神经元的确定，它是确定求和层神经元的数量，在对印刷品色彩质量进行评价时，不同的印刷品色彩质量评价等级即为概率神经网络的不同分类模式，将分类模式确定为1、2、3、4共四种，分别对应印刷品色彩质量评价等级的差、中、良、优，求和层神经元的数目与所选择的分类模式种类数目相同，因此，求和层神经元的数量为4个。

所述输出层神经元的确定，它是确定输出层神经元的输出值，输出层神经元数目为1，它由竞争神经元构成，接收求和层的输出，通过对比求和层中拥有最大后验概率密度的神经元，其输出为1，其余输出为0，由此输出最佳的模式类别。

所述平滑因子σ的确定，它是确定平滑因子σ的取值，平滑因子σ是概率神经网络中最重要的一部分，对网络性能起着至关重要的影响，σ值太小就仅仅对单个样本起着分离效果，而σ值过高则不易区分较为接近的两种模式，对于细节区分效果不够精准，因此如何对σ取值是概率神经网络中最重要的一环；常用的方法是经验估计法，此时σ值直接通过经验得出，或取为在同组中特征向量之间距离平均值的一半。

所述概率神经网络算法模型的建立，是采用Matlab编程实现。

所述利用配套在线检测设备获取待评价印刷品色彩质量评价指标，它是利用配套在线检测设备分别测量待评价印刷品上测试色标中的100％的CMYK色块的反射密度值和LAB值、50％的CMYK色块的反射密度值、印刷品上非印刷部位的反射密度值和75％的CMYK色块的反射密度值，由50％的CMYK色块的反射密度值、100％的CMYK色块的反射密度值和印刷品上非印刷部位的反射密度值计算出50％的CMYK色块的网点增大值，由75％的CMYK色块的反射密度值和100％的CMYK色块的反射密度值计算出印刷品的印刷反差值，由100％的CMYK色块的LAB值和标准CMYK色块的LAB值计算出色差值和色相差值，由100％的CMYK色块的反射密度值计算出灰度值，即得到6项印刷品色彩质量评价指标。

本发明具有的有益效果是：

本发明的概率神经网络建模时间仅需0.041313秒，可以在印刷实际生产过程中实时获取新的训练样本，还可以根据需要修改质量评价指标，并快速构建算法模型；该方法的容错性高，隐含层采用了径向基的非线性映射函数，只要有足够的训练样本，判别界面便能渐进地逼近贝叶斯最优分类面，实验表明15个训练样本已能满足需要，因此，在印刷生产过程中实时获取更多训练样本并输入算法模型即可优化概率神经网络的识别效果，获得最佳的在线印刷品色彩质量评价结果，据此调整印刷过程各设置状态，可有效提高印刷品质量，提高企业经济效益；该方法可有效避免常规人工评价中的主观影响，评级稳定，评价结果与人眼综合评价效果符合度非常高。

附图说明

图1是概率神经网络模型。

图2是在线印刷品色彩质量检测流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

如图2所示，本发明方法的步骤如下：

1)印刷品色彩质量评价指标的选取；

2)概率神经网络算法模型的建立，包括输入层神经元的确定、隐含层神经元的确定、求和层神经元的确定、输出层神经元的确定和平滑因子σ的确定；

3)利用配套在线检测设备获取待评价印刷品色彩质量评价指标并将获取的指标数据输入给概率神经网络算法模型；

4)概率神经网络算法模型经过运算输出印刷品色彩质量评价结果，即每个被测印刷品的评价等级。

所述印刷品色彩质量评价指标的选择，它是在众多印刷质量评价指标中选择与印刷品色彩质量最有关联的指标，即选择实地密度、网点增大、印刷反差、色差、色相差和灰度共6项国家规定的色彩质量检测指标。所述概率神经网络算法是D.F.Specht博士在1989年提出的一种人工神经网络，可以视为一种径向基函数(Radial Basis Function，RBF)网络，但是又融合了密度函数估计和贝叶斯决策理论，由输入层、隐含层、求和层和输出层组成，其模型如图1所示

如图1所示，所述输入层神经元的确定，它是确定输入层神经元的数量，概率神经网络建立时对采集到的6项色彩质量检测指标做统计学处理，形成一个18维特征向量，而输入层神经元的数量与输入特征向量的维数一致，因此，输入层神经元的数量为18个。

所述隐含层神经元的确定，它是确定隐含层神经元的数量，隐含层为径向基层，隐含层神经元的数量与训练样本的数目相同，训练样本即经专家评判出的包含不同色彩质量评价等级的标准样本，理论上训练样本越多，概率神经网络算法的输出结果越准确，实验表明15个训练样本即能达到满意的输出结果，所以本方法最终选择的训练样本数目为15个，因此，隐含层神经元的数目为15个。

所述求和层神经元的确定，它是确定求和层神经元的数量，在对印刷品色彩质量进行评价时，不同的印刷品色彩质量评价等级即为概率神经网络的不同分类模式，本方法将分类模式确定为1、2、3、4共四种，分别对应印刷品色彩质量评价等级的差、中、良、优，求和层神经元的数目与所选择的分类模式种类数目相同，因此，求和层神经元的数量为4个。

所述输出层神经元的确定，它是确定输出层神经元的输出值，输出层神经元数目为1，它由竞争神经元构成，接收求和层的输出，通过对比求和层中拥有最大后验概率密度的神经元，其输出为1，其余输出为0，由此输出最佳的模式类别。

所述平滑因子σ的确定，它是确定平滑因子σ的取值，平滑因子σ是概率神经网络中最重要的一部分，对网络性能起着至关重要的影响，σ值太小就仅仅对单个样本起着分离效果，而σ值过高则不易区分较为接近的两种模式，对于细节区分效果不够精准，因此如何对σ取值是概率神经网络中最重要的一环；常用的方法是经验估计法，此时σ值直接通过经验得出，或取为在同组中特征向量之间距离平均值的一半。

所述概率神经网络算法模型的建立，是用Matlab编程实现。

所述利用配套在线检测设备获取待评价印刷品色彩质量评价指标，它是利用配套在线检测设备分别测量待评价印刷品上测试色标中的100％的CMYK色块的反射密度值和LAB值、50％的CMYK色块的反射密度值、印刷品上非印刷部位的反射密度值和75％的CMYK色块的反射密度值，

由50％的CMYK色块的反射密度值、100％的CMYK色块的反射密度值和印刷品上非印刷部位的反射密度值计算出50％的CMYK色块的网点增大值，由75％的CMYK色块的反射密度值和100％的CMYK色块的反射密度值计算出印刷品的印刷反差值，由100％的CMYK色块的LAB值和标准CMYK色块的LAB值计算出色差值和色相差值，由100％的CMYK色块的反射密度值计算出灰度值，即得到6项印刷品色彩质量评价指标。

实施例：

基于概率神经网络算法的在线印刷品色彩质量评价方法，包括印刷品色彩质量评价指标的选择；概率神经网络算法模型的建立；利用配套在线检测设备获取印刷品色彩质量评价指标并将获取的指标数据输入给概率神经网络算法模型；这样概率神经网络算法模型便可经过运算输出印刷品色彩质量评价结果。

用户准备实现在线印刷品质量检测与评价时，

第一，选择印刷品色彩质量评价指标，即实地密度、网点增大、印刷反差、色差、色相差和灰度共6项；

第二，建立概率神经网络算法模型，包括输入层神经元的确定、隐含层神经元的确定、求和层神经元的确定、输出层神经元的确定、平滑因子σ的确定。确定输入层神经元的数量，概率神经网络建立时对采集到的6项色彩质量评价指标做统计学处理，形成一个6维特征向量，而输入层神经元的数量与输入特征向量的维数一致，因此，输入层神经元的数量为6个。确定隐含层神经元的数量，隐含层为径向基层，该层神经元的数量与训练样本的数目相同，训练样本即经专家评判出的包含不同色彩质量评价等级的标准样本，理论上训练样本越多，PNN算法的输出结果越准确，实验表明15个训练样本即可达到满意的输出结果，所以本发明最终选择的训练样本数目为15个，训练样本的色彩评价指标数据见表1，因此，隐含层神经元的数目为15个。确定求和层神经元的数目，在对印刷品色彩质量进行评价时，不同的印刷品色彩质量评价等级即为概率神经网络的不同分类模式，本发明将分类模式确定为1、2、3、4共四种，分别对应印刷品色彩质量评价等级的差、中、良、优，求和层神经元的数目与所选择的分类模式种类数目相同，此，求和层神经元的数目为4。确定输出层神经元的输出值，输出层神经元数目为1，它由竞争神经元构成，接收求和层的输出，通过对比求和层中拥有最大后验概率密度的神经元，其输出为1，其余输出为0，由此可以输出最佳的模式类别。确定平滑因子σ的取值，平滑因子σ是概率神经网络中最重要的一部分，对网络性能起着至关重要的影响，σ值太小就仅仅对单个样本起着分离效果，而σ值过高则不易区分较为接近的两种模式，对于细节区分效果不够精准，因此如何对σ取值是概率神经网络中最重要的一环，常用的方法是经验估计法，此时σ值可直接通过经验得出，也可取为在同组中特征向量之间距离平均值的一半。至此完成了概率神经网络算法的建立，可用Matlab编程实现；

第三，所述利用配套在线检测设备获取待评价印刷品色彩质量评价指标，它是利用配套在线检测设备(本例子使用的测色设备是爱色丽528)分别测量待评价印刷品上测试色标中的100％的CMYK色块的反射密度值和LAB值、50％的CMYK色块的反射密度值、印刷品上非印刷部位的反射密度值和75％的CMYK色块的反射密度值，由50％的CMYK色块的反射密度值、100％的CMYK色块的反射密度值和印刷品上非印刷部位的反射密度值计算出50％的CMYK色块的网点增大值，由75％的CMYK色块的反射密度值和100％的CMYK色块的反射密度值计算出印刷品的印刷反差值，由100％的CMYK色块的LAB值和标准CMYK色块的LAB值计算出色差值和色相差值，由100％的CMYK色块的反射密度值计算出灰度值，即得到6项印刷品色彩质量评价指标，即待测样本的色彩评价指标数据，见表2，并将6项指标数据输入给概率神经网络算法模型，这样概率神经网络算法模型便可经过运算输出印刷品色彩质量评价结果，即每个被测印刷品的仿真评价等级，输出结果见表3，由表3可知在仿真出的结果中，有13个结果为优，样本编号分别B01、B02、B04、B05、B06、B08、B09、B10、B12、B13、B14、B15、B16，此类印刷品效果较好；结果为良的有5个，样本编号分别为B03、B11、B17、B18、B19；结果为差的有2个，样本编号分别为B07、B20，此类印刷品效果差。印品评价结果为优良以上的共18张，该类印品使用的为印刷合格产品，而评价结果为差的B07和B20的样张则采用的印刷机调墨时生产出的废品，其表现为颜色不正、阶调不清晰等缺点，由此可以看出，概率神经网络能够实现对印刷品质量的准确评价。

上述具体实施方式用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

表1概率神经网络网络训练样本色彩评价指标数据及其评价结果

表2概率神经网络待测样本的色彩评价指标数据

表3概率神经网络待测样本仿真评价结果