(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210256462.4 (22)申请日 2022.03.16 (65)同一申请的已公布的文献号 申请公布号 CN 114332091 A (43)申请公布日 2022.04.12 (73)专利权人 武汉市金航 艺精装印务有限公司 地址 430000 湖北省武汉市黄陂区横 店街 临空南路6号6 栋2楼 (72)发明人 王应武　 (74)专利代理 机构 武汉世跃专利代理事务所 (普通合伙) 42273 专利代理师 万仲达 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/40(2017.01)G06V 10/762(2022.01) G06K 9/62(2022.01) (56)对比文件 楼豪杰.基 于Siamese- YOLOv4的印刷品缺陷 目标检测. 《计算机 应用》 .2021,(第1 1期), 宋丽梅.基于改进梯度幅值的包 装缺陷检测 算法研究及应用. 《应用光学》 .2019,(第04期), 审查员 朱江 (54)发明名称 一种基于人工智能的印刷品缺陷检测方法 (57)摘要 本发明涉及一种基于人工智能的印刷品缺 陷检测方法， 获取纸张印刷品图像和底版图像， 进行灰度处理得到灰度图， 去除灰度图中的透视 形变， 获取印刷品灰度图像和印刷品底版灰度图 像中相邻两行之间相互匹配的关键点， 根据关键 点得到每行 纹理的形变量， 利用印刷品灰度图像 中每一行纹理形变量的最大类别形变量均值和 形变量方程、 形变量参数权重构建形变规律函 数， 根据形变规律函数计算出每行纹理的形变误 差值， 利用每行纹理的形变量误差值对印刷品图 像中每行的纹理进行形变修正， 对修正后的印刷 品图像进行DNN缺陷检测， 方法智能精准， 提高了 印刷品缺陷检测的精度。 权利要求书2页 说明书7页 附图2页 CN 114332091 B 2022.06.03 CN 114332091 B 1.一种基于人工智能的印刷品缺陷检测方法， 其特 征在于， 包括： 分别获取纸张印刷品灰度图像和印刷品底版 灰度图像； 获取印刷品灰度图像和印刷品底版灰度图像中相邻 两行之间相互匹配的关键点， 利用 印刷品灰度图像中相邻两行之间关键点的向量和印刷品底版灰度图像中对应相邻两行之 间关键点的向量获得印刷品灰度图像中每一行纹 理形变量； 利用印刷品灰度图像中每一行纹 理形变量获取每行纹 理的形变量 误差值； 利用每行纹理 的形变量误差值对印刷品图像中每行的纹理进行形变修正， 对修正后的 印刷品图像进行缺陷检测。 2.根据权利要求1所述的一种基于人工智能的印刷品缺陷检测方法， 其特征在于， 所述 每一行纹 理形变量的获取 方法如下： 通过角点匹配获取印刷品灰度图像和底版 灰度图像中对应的关键点； 通过等间距 平行线将印刷品灰度图像和底版 灰度图像划分多个行； 分别在印刷品灰度图和底版灰度图中， 将每相邻两行中， 行一内的每个关键点和行二 中与其距离最近的关键点组成一个纹 理； 将每个纹理中位于行二内的关键点的坐标， 减去位于行一内的关键点的坐标， 得到该 纹理的向量； 将该纹理在印刷品灰度图中得到的向量和该纹理在底版图像中得到的向量相减， 得到 该纹理的形变量； 以每相邻两行作为 一个纹理行， 得到每一行纹 理形变量。 3.根据权利要求2所述的一种基于人工智能的印刷品缺陷检测方法， 其特征在于， 所述 每行纹理的形变量误差值是通过构建的纹理形变量规律函数获取， 所述纹理形变量规律函 数的表达式为： 式中， 为纹理形变量规律函数， k=1,2,3,...,M， M为行数， 为第k行纹理的形变量 方程， 表示第k行纹理的形变量的最大类别均值， 为第k行纹理的形变量参数权重， 为第k行纹理的形变量误差值， 该函数约束条件为 ， 其中， 为单位横向向 量； 初始随机设定印刷品灰度图中每行纹 理的形变量 误差值， 得到形变量 误差值序列； 根据形变量误差值序列拟合出每行纹理的形变量方程， 获得第k行纹理拟合的形变量， 即 函数值； 此时得到只含有未知量 的纹理形变量 规律函数； 利用梯度下降法更新形变量误差值序列， 重复上述步骤， 获得纹理形变量规律函数， 直 至纹理形变量 规律函数收敛时， 得到最优解， 计算出 。权　利　要　求　书 1/2 页 2 CN 114332091 B 24.根据权利要求3所述的一种基于人工智能的印刷品缺陷检测方法， 其特征在于， 所述 每行纹理的形变量的最大类别均值 的获取方法为： 对第k行纹理的形变量进行密度聚类， 然后筛选出最大类别的纹理形变量集合并求出 该集合的期望， 该期望值 为 。 5.根据权利要求3所述的一种基于人工智能的印刷品缺陷检测方法， 其特征在于， 所述 每行纹理的形变量 参数权重 的计算方法为： 式中， 为第k行纹理的形变量参数权重， k=1,2,3,...,M， M为灰度图中行数， 为第k 行纹理最大类别形变量的分布离散度， 为第t行纹理的形变量分布离散度， 计算方法与 一致。 6.根据权利要求5所述的一种基于人工智能的印刷品缺陷检测方法， 其特征在于， 所述 每行纹理最大类别形变量的分布离 散度的计算方法为： 式中， 为第k行纹理最大类别形变量的分布离散度， 为第k行纹理中第i个纹理的 形变量， 表示第k行所有纹理点进行密度聚类后最大类别的形变量的均值， 为第k行纹 理中纹理的数量。 7.根据权利要求3所述的一种基于人工智能的印刷品缺陷检测方法， 其特征在于， 所述 每行纹理的形变量方程的获取 方法为： 将形变量误差值序列中每行纹理的形变量误差值和每行纹理的形变量的最大类别均 值 相加， 得到每行纹 理的标准形变量； 获取每行纹理的标准形变量组成的标准形变量序列， 计算序列中每个向量元素的模 长， 得到模长序列； 以纹理行序列为自变量， 模长序列为因变量， 利用最小二乘法拟合出 形变量方程。 8.根据权利要求1所述的一种基于人工智能的印刷品缺陷检测方法， 其特征在于， 所述 对每行的纹 理进行形变修正的方法为： 将每行纹理中的每个纹理的形变量与每一行对应的纹理 的形变量误差值相加， 实现对 每个纹理的形变修 正。 9.根据权利要求1所述的一种基于人工智能的印刷品缺陷检测方法， 其特征在于， 所述 对修正后的印刷品图像进行缺陷检测的方法为： 利用DNN方式对修 正后的印刷品图像中存在的印刷缺陷进行定位。权　利　要　求　书 2/2 页 3 CN 114332091 B 3