基于GA-SVM模型的印刷套准识别*

王世辉， 王仪明， 武淑琴， 焦琳青， 李林会

(北京印刷学院 数字化印刷装备北京市重点实验室，北京 102600)

0 引 言

套印精度检测与控制系统是保证印品生产质量的必要环节[1]。其中，套准识别算法是系统的核心部分。如何高效、准确地判断印品套准状态成为当下印刷机故障诊断的热点。于丽杰等人[2]通过提取印刷标志图像的颜色、纹理特征，设计最小距离分类器，取得良好的分类效果，并得基于纹理特征参数的分类效果优于颜色特征分类。简川霞等人[3]提取了印刷标志图像的灰度共生矩阵，采用了Adaboost分类器进行套准识别，得到了较高的准确率，并分析对比了不同分类器的效果。

本文首先建立了基于支持向量机(support vector machine,SVM)的印刷套准识别模型，随后在选取模型中惩罚参数与核函数参数时，应用遗传算法(genetic algorithm,GA)进行全局寻优，获取更高的分类准确率，最后采集某印刷厂四色胶印机生产的印刷品作为GA-SVM模型的训练集和测试集样本，在样本数据有限的情况下，取得了良好的预测效果。同时将本文模型与SVM模型、交叉验证意义下网格划分[4]优化SVM模型(GS-SVM)、粒子群优化[5]SVM模型(particle swarm optimization,PSO-SVM)比对，验证方法的可靠性和实时性。

1 GA-SVM印刷套准识别模型

1.1 印刷套准识别原理

通常将两色套印误差小于0.1 mm的印刷品视为套准印刷品，否则为非套准印刷品。传统人工识别套准方法效率低下、浪费人力。随着机器视觉技术的发展，通过图像采集系统获取印刷套印标识图像，并交由计算机分析处理，可准确、高效地判断套准状态，已逐渐成为印刷套准识别的主要技术手段。

1.2 印刷标识图像特征提取

1.2.1 印刷标识图像采集

采用电荷耦合器件(charge couple device,CCD)工业相机拍摄印刷标识图像，得到套准图像和非套准图像如图1。

图1 拍摄的印刷标识图像

1.2.2 基于灰度共生矩阵的特征提取

灰度共生矩阵(gray-level co-occurrence matrix,GLCM)是描述图像纹理特征[6]的经典方法，能够精确反映纹理的粗糙程度和重复方向。设(x,y) 为一幅M×N的印刷标识灰度图像，其GLCM可表示为

p(i,j|d,θ)={(x,y)|f(x,y)=i,f(x+dx,y+dy)=j}

(1)

式中i，j分别为图像在像素点(x,y)处的灰度值；dx，dy为偏移矢量，且dx=dcosθ，dy=dsinθ；d为生成步长，一般可取1,2,3,4等值；θ为生成方向，即两个点间的角度。

本文采用了4个重要的特征：惯性矩Ine、能量Ene、相关性Cor和熵Ent[7～10]

(2)

式中Ng为矩阵的行数与列数,L为图像灰度级数,μ为GLCM所有元素的均值,σ2为GLCM所有元素的方差

(3)

2 GA-SVM模型

GA优化SVM参数的具体步骤如下[11]:1)染色体编码及参数初始化；2)确定适应度函数；3)染色体选择、交叉和变异；4)解码，确定最优解。

经GA优化后，可得到SVM最佳惩罚参数c与核函数参数g，随后利用最佳参数对SVM进行训练和分类预测，得出分类准确率，完成印刷套准识别。GA-SVM模型如图2。

图2 GA-SVM模型

3 实验及分析

实验材料为某印刷厂生产的四色印刷品，通过图像采集装置获取100个印刷标识图像样本，其中，套准图像50张，非套准图像50张。将彩色图像转换为灰度图像，压缩灰度级至16级，以减少图像处理运算量。生成步长d取1，计算GLCM的惯性矩、能量、相关性和熵在0°,45°,90°和135°方向上的均值和标准差，可得8维纹理特征数据，并采用归一化预处理，将原始数据规整到[0,1]范围内，以获取训练集和测试集归一化映射如下

(4)

选取套准样本和非套准样本各30个作为SVM的训练集，其余样本作为测试集。分别采用SVM模型、格式搜索(grid-search,GS)-SVM模型、PSO-SVM模型、GA-SVM模型对100组特征向量进行训练和预测，参数选择结果、分类准确率Ca和测试集分类结果如图3～图6和表1。

图3 SVM模型

图4 GS-SVM模型(c=0.25，g=11.313 7，Ca=98.333 3 %)

图5 GA-SVM模型(c=6.671，g=9.366 2，Ca=98.333 3 %)

图6 PSO-SVM模型(c1=0.25，c2=1.7，终止代数=200,种群数量pop=20,c=7.950 8,g=9.687 4,Ca=98.333 3 %)

4 结束语

由测试结果可知GA-SVM模型的识别率达97.5 %，仅出现一例样本识别错误，识别能力优于其他模型，识别速度快，满足工业需求。由于遗传算法的选择、交叉和变异操作复杂，需多次迭代才能获得比较好的分类模型，寻优速度较慢，下一步，可通过改进算法进一步优化模型。