印刷套準識別方法AbstraCtAfterthemuLti-varietyPartsComeoutofthefinishingmeChanism,theyneedtobevisuaLLyinsPeCtedandCLassified.

ThemainworkofthistoPiCistouseMitsubishiPLCProgrammingsoftwareGXdeveLoPertowritePLCLadderdiagramProgram,andwritetheProgramtoMitsubishiFX3G-40MPLC,toreaLizethereaL-timeCommuniCationbetweenPCandPLC.

ACCordingtothevisuaLinsPeCtionresuLtsofPC,theCorresPondingLightsourCeisLitbyPLC,thestrokeswitChsignaLisProCessed,thebasLerdigitaLCameraistriggeredintheaPProPriatePosition,andthefurtherCLassifiCationofPartsisreaLizedbyPC.ACCordingtothesmaLLCLasstestresuLtsofthePC,

DriveeaChmaniPuLatortoComPLetethePiCkingofsmaLLParts.

ThistoPiCisCLoseLyreLatedtotheProduCtionPraCtiCe,andtheworkComPLetedhasimPortantoPinionsonthedeveLoPmentofPLCProgramforthesortingsystemofmuLti-varietyParts.Keywords：PLC,CLassifiCation,CommuniCation,VisuaLinsPeCtion

目錄本科畢業(yè)設(shè)計（論文） 緒論題目背景及目的現(xiàn)代圖像印刷大多是采用多色套印方法來實現(xiàn)色彩的復(fù)制和轉(zhuǎn)移，圖像印刷品的質(zhì)量很大程度上取決于黃、品紅、青、黑四色印版的套準程度。在印刷的過程中，如果四色印版的套印出現(xiàn)了偏差，印刷品上就會呈現(xiàn)各種重影現(xiàn)象，不能實現(xiàn)色彩的準確復(fù)制，難以表達出原稿的色彩和階調(diào)，因此，印刷套準識別檢測是整個印刷過程中不可忽略的重要環(huán)節(jié)。目前，印刷套準識別檢測多采用人工檢測的方式進行，與機器檢測相比，人工檢測存在著許多的缺陷：1）精確度較差。人工檢測大多使用眼睛去觀察，但由于人體生理結(jié)構(gòu)的缺陷，對細微的結(jié)構(gòu)很難做到百分百的準確判斷，即使借助工具進行檢測，也達不到機器檢測的精度；2）重復(fù)性較差。長時間盯著某樣?xùn)|西，人的眼睛容易疲勞，即隨著檢測時間的增加，套準識別穩(wěn)定性也逐步下降，導(dǎo)致了檢測準確性的降低；3）速度較慢。人工檢測的過程，需要好幾秒左右才能判斷是否套印準確，不能滿足實時生產(chǎn)的需求；4）客觀性較差。人工檢測，受到檢測人員主觀情緒的影響較大，不能客觀的反應(yīng)出套印是否套準；5）成本較高。雇傭員工進行檢測，所花費的人工成本比較高，并且隨著人工成本的逐年遞增，采用人工檢測的費用也會逐年增加。而采用機器視覺檢測卻沒有以上這5種缺點，與人工檢測相比，機器視覺檢測的優(yōu)點很明顯：1）識別精度高；2）不受重復(fù)性影響；3）識別速度快；4）客觀性好；5）檢測成本低；6）不會疲勞。即使一天24小時不間斷的工作，也不會影響機器的性能，非常適合實時生產(chǎn)的需要，因此，機器視覺檢測完全可以取代人工檢測。印刷套準識別的研究也逐漸引入了視覺檢，并取得了一些成果。本文也是在機器視覺檢測上進行套準識別的檢測。國內(nèi)外研究現(xiàn)狀針對機器視覺印刷套準識別檢測，有許多學(xué)者進行了實驗和研究。印刷套準狀態(tài)特征的融合與降維流程印刷套準狀態(tài)特征的融合印刷套準狀態(tài)特征融合與降維過程如圖1。首先獲取印刷標志的圖像，經(jīng)過預(yù)處理后，分別對標志的灰度共生矩陣、Tamura紋理特征、灰度差分統(tǒng)計、灰度梯度共生矩陣特征的提取，提取出套準標志和套不準標志的紋理特征，然后將提取出來的特征進行融合，組成訓(xùn)練集合，使用支持向量機分類器模型進行訓(xùn)練，得到模型參數(shù)。然后將未知套準標簽（+1代表套準，-1代表未套準）的圖像紋理特征數(shù)據(jù)輸入分類器模型中進行分類識別，將特征標簽分為+1和-1，判斷印刷標志套準與否。印刷套準狀態(tài)特征的融合灰度共生矩陣特征的提取在圖像空間中，一定距離之間的兩像素之間存在一定的灰度關(guān)系，即圖像中的灰度空間相關(guān)特性，因此，可以根據(jù)灰度共生矩陣來描述印刷標志圖像的紋理特征。印刷標志圖像的水平方向有NC個像素，垂直方向上有Nr個像素，將像素灰度量化為Ng層，G=1，2，···，Ng?；叶裙采仃嚤硎緩幕叶燃塱的點x1×y1P（1）式中：#xASM能量能量是圖像灰度共生矩陣元素值的平方和，反映了圖像灰度分布均勻程度和紋理粗細度，見式（2）。當(dāng)共生矩陣中元素集中分布時，ASM值較大。ASM（2）熵熵是圖像所具有的紋理信息量的度量，是圖像信息的一個隨機量，反映圖像中紋理的非均勻程度或復(fù)雜程度，見式（3）。當(dāng)圖像共生矩陣中所有元素有最大的隨機性、值幾乎相等、分散分布時，熵較大。H（3）慣性矩慣性矩即對比度，反映了圖像的清晰度和紋理溝紋深淺的程度，見式（4）?；叶炔罴磳Ρ榷却蟮南袼貙υ蕉?，I越大。I（4）相關(guān)度相關(guān)度即度量空間灰度共生矩陣元素在行或列上的相似程度，反映了圖像中局部灰度的相關(guān)性，見式（5）。當(dāng)矩陣元素值均勻相等時，COR值就大。COR（5）式中：μi和μj為均值；σiTamura紋理特征的提取Tamura紋理特征是Tamura等人基于人類對紋理的視覺感知的心理學(xué)的研究的表達，一定程度上反映了圖像的紋理屬性，于是可以通過提取Tamura紋理特征的幾個分量來描述印刷標志圖像的紋理特征。粗糙度印刷標志圖像粗糙度計算分幾個步驟進行，見式（6），式（7），式（8）。首先，計算圖像中大小為2k×2A（6）式中：k=0，1，···，5E（7）式中：Ek，?x，y和Ek，yx，y分別是水平方向和垂直方向互不重疊的窗口之間的平均灰度差。取最佳值F（8）對比度圖像對比度是指圖像上明暗區(qū)域的灰度層級，反映了整個圖像或區(qū)域中對比度的全局度量，見式（9）。層級多代表對比度大，可以通過對像素灰度分布情況的統(tǒng)計得到的。F（9）方向度圖像的方向性體現(xiàn)在垂直和水平方向，兩個方向都可以用每個像素處的梯度向量來表達。即計算該向量的模?G和方向角，見式（10）?G（10）式中：?H和?V分別是圖像與下列2個3×3算子做卷積所得的水平和垂直方向上的變化量。?H?H=計算出所有像素的梯度向量后，構(gòu)造直方圖HD，見式（11），最后計算直方圖中峰值的尖銳程度（即波峰周圍值的變化總和）來獲得圖像總體方向性Fdir，見式（1H（11）F（12）線性度線性度的計算見式（13）。F（13）灰度差分統(tǒng)計特征的提取在一定領(lǐng)域范圍內(nèi)，灰度差分統(tǒng)計像素灰度差值出現(xiàn)的概率，能反映出不同像素之間在領(lǐng)域內(nèi)的關(guān)聯(lián)程度，通過提取印刷套準標志的灰度差分統(tǒng)計特征，建立的灰度差分直方圖為二維函數(shù)關(guān)系，能夠描述出印刷標志圖像的紋理特征狀態(tài)。設(shè)x，y為圖像中的一點，與點x+?x，y+?y的灰度差值g?xg（14）式中：g?x，y為灰度差分，設(shè)灰度差分的所有可能取值為m級，令點x，y在給全圖像內(nèi)移動，累計g?當(dāng)采用較小i值的概率P?對比度對比度反映了圖像的清晰度和紋理溝紋深淺的程度，見式（15）。紋理的溝紋深，其對比度大，效果清晰;反之，對比度小，則溝紋淺，效果模糊。灰度差即對比度大的像素對越多，值越大。CON（15）角度方向二階矩角度方向二階矩是灰度差分頻數(shù)的平方和，反映了圖像灰度分布的均勻程度，見式（16）。如果相近的像素灰度值差異較大，則ASM值越大，說明紋理越粗糙。ASM（16）熵熵是圖像所具有的信息量的度量，反映了圖像中紋理的非均勻程度或復(fù)雜程度，見式（17）。紋理信息也屬于圖像的信息，是一個隨機性的度量，當(dāng)灰度差分直方圖分散分布時，熵較，。ENT（17）平均值平均值反映了圖像的總體灰度值概況，見式（18）。若圖像的亮度區(qū)域越多，則平均值越高。MEAN（18）灰度梯度共生矩陣特征的提取灰度梯度共生矩陣模型集中反映了圖像中兩種最基本的要素，即圖像像素點的灰度和梯度之間的相互關(guān)系。各像素點的灰度是構(gòu)成一副圖像的基礎(chǔ)，而梯度是構(gòu)成圖像邊緣輪廓的要素，通過對圖像灰度和梯度綜合信息的提取，可以分析描述出圖像的紋理特征。若一幅圖像fi，j；i，j=0，1，2H（19）Hx，y定義為集合i，j灰度分布的不均勻性T（20）梯度分布的不均勻性T（21）灰度平均T（22）灰度均方差T（23）梯度平均T（24）梯度均方差T（25）相關(guān)T（26）慣性T支持向量機分類模型支持向量機是由Vapnik創(chuàng)建的統(tǒng)計學(xué)理論，采用結(jié)構(gòu)風(fēng)險最小化準則，旨在最小化樣本誤差的同時，最小化結(jié)構(gòu)風(fēng)險，提高模型的泛化能力，不受數(shù)據(jù)維數(shù)的限制，廣泛應(yīng)用于數(shù)據(jù)的分類處理和回歸。接下來介紹SVM分類模型的具體內(nèi)容，它的數(shù)學(xué)模型為minΦs.t.式中：C是懲罰函數(shù)，ξ是松弛變量，xi是第i個樣本數(shù)據(jù)，yi為i個樣本數(shù)據(jù)對應(yīng)的分類標簽yi=1或ξ其相應(yīng)的對偶問題為mins.t.可以求得α?=α1?，···，αl?T；其中，bf式中，K·，·實驗過程及分析彩色印刷圖像的呈現(xiàn)原理為黃、品紅、青、黑四色按照需求依次套印在一起，在套印的過程中，套印難免會出現(xiàn)偏差，把兩色套印誤差小于0.1mm的圖像視為套準圖像，誤差大于0.1mm視為套不準圖像。本次實驗使用灰度圖像判斷印刷是否套準，在進行實驗之前，先對印刷套印標志圖像進行預(yù)處理操作，即去色，轉(zhuǎn)換成灰度圖像，再濾除圖像噪聲。文中獲得的灰度印刷標志圖像見圖2，其中，圖2a是套準的印刷標志圖像，圖2b是套不準的圖像，本次實驗共獲取100個套準灰度圖像和100個套不準灰度圖像。a套準的標志圖像b套不準的標志圖像圖2印刷標志圖像Fig.2Printingmarksimages將印刷標志圖像分別進行灰度共生矩陣，Tamura紋理特征，灰度差分統(tǒng)計，灰度梯度共生矩陣特征的提取，同時把印刷套印標志圖像賦上標簽，套準為1，套不準為-1。提取的印刷標志圖像的灰度共生矩陣特征見表1，Tamura紋理特特征見表2，灰度差分統(tǒng)計特征見表3，灰度梯度共生矩陣特征見表4，因篇幅關(guān)系，這里僅展示部分紋理特征數(shù)據(jù)。然后將四種紋理狀態(tài)特征進行融合，組成更多的紋理特征，見表5，因篇幅關(guān)系，這里僅展示部分紋理狀態(tài)特征。表1印刷標志圖像的灰度共生矩陣紋理特征Tab.1GLCMtextureofprintingmarksimages序號T（1）T（2）T（3）T（4）T（5）T（6）T（7）T（8）標簽10.5834650.0058140.9260260.0288703.4956301.1913240.0236200.000397120.5854390.0058250.8803120.0263783.8212751.2359770.0230810.000395130.5834650.0058140.9260260.0288703.4956301.1913240.0236200.000397140.5854390.0058250.8803120.0263783.8212751.2359770.0230810.000395150.5834650.0058140.9260260.0288703.4956301.1913240.0236200.0003971······························1010.5160320.0081211.1211810.0402105.2545881.8197450.0207440.000465-11020.5096180.0083231.1423280.0407245.3714971.8444130.0205610.000464-11030.5020200.0082441.1636900.0408425.4672751.8596310.0203200.000457-11040.5126770.0082861.1325300.0403165.3218521.8354570.0206470.000465-11050.5042500.0083581.1584510.0410725.4436731.8566870.0203980.000459-1······························表2印刷標志圖像的Tamura紋理特征Tab.2Tamuratextureofprintingmarksimages序號粗糙度對比度方向度線性度規(guī)則度標簽117.32302586.10286730.2041260.8655270.8898371217.26654187.67456529.3840280.8536980.8908431317.32302586.10286730.2041260.8655270.8898371417.26654187.67456529.3840280.8536980.8908431517.32302586.10286730.2041260.8655270.8898371·····················10117.47047398.01993325.1896420.8074660.908357-110217.59542598.98553325.6308350.8276410.908384-110317.782684100.36645326.9123060.8367420.911534-110416.98741098.51138035.1135700.8168100.903928-110517.03606899.91217436.0380280.8416070.901555-1·····················表3印刷標志圖像的灰度差分統(tǒng)計紋理特征Tab.3Graydifferencestatisticstextureofprintingmarksimages序號對比度角度方向二階矩熵標簽11.2898000.0009000.000700121.3834000.0009000.000700131.2898000.0009000.000700141.3834000.0009000.000700151.2898000.0009000.0007001···············1012.0636000.0008000.001000-11022.0797000.0008000.001000-11032.0768000.0008000.001000-11041.8448000.0008000.001000-11051.9271000.0008000.001000-1···············表4印刷標志圖像的灰度梯度共生矩陣紋理特征Tab.4GLGCMtextureofprintingmarksimages序號灰度分布的不均勻性梯度分布的不均勻性灰度平均灰度均方差梯度均方差相關(guān)慣性標簽11.0892001.6753000.0019000.0011000.000100-0.0014000.483400121.0902001.6773000.0019000.0011000.000100-0.0014000.481500131.0892001.6753000.0019000.0011000.000100-0.0014000.483400141.0902001.6773000.0019000.0011000.000100-0.0014000.481500151.0892001.6753000.0019000.0011000.000100-0.0014000.4834001···························1010.9820001.6238000.0018000.0011000.000100-0.0018000.448500-11020.9721001.6164000.0018000.0011000.000100-0.0019000.445200-11030.9595001.6087000.0018000.0012000.000100-0.0019000.440600-11040.9768001.6070000.0018000.0011000.000100-0.0019000.446600-11050.9635001.6026000.0018000.0011000.000100-0.0019000.441900-1···························表5融合后的紋理特征Tab.5Texturefeaturesafterfusion序號T（1）T（2）T（3）T（4）T（5）···T（23）標簽10.5834650.0058140.9260260.0288703.495630···0.483400120.5854390.0058250.8803120.0263783.821275···0.481500130.5834650.0058140.9260260.0288703.495630···0.483400140.5854390.0058250.8803120.0263783.821275···0.481500150.5834650.0058140.9260260.0288703.495630···0.483400160.5854390.0058250.8803120.0263783.821275···0.481500170.5834650.0058140.9260260.0288703.495630···0.483400180.5854390.0058250.8803120.0263783.821275···0.4815001···························1010.5160320.0081211.1211810.0402105.254588···0.448500-11020.5096180.0083231.1423280.0407245.371497···0.445200-11030.5020200.0082441.1636900.0408425.467275···0.440600-11040.5126770.0082861.1325300.0403165.321852···0