论文部分内容阅读
印刷品的品质把控在工业生产以及商业交易中都非常重要,影响印刷品品质的一个重要因素就是颜色,因此获取印刷品的颜色尤为重要。传统的获取产品颜色的方法主要靠人工去操作,存在着耗时耗力漏检率高等诸多问题,而机器视觉技术的蓬勃发展给解决这些问题提供了新思路。基于机器视觉的颜色测量系统通过数字相机拍摄得到待检测目标图像,也即得到待测目标的RGB值,但RGB值与设备相关,不能反映物体的真实颜色从而去衡量印刷品的品质,因此在整个基于机器视觉的颜色测量系统中,还需要建立颜色测量模型去得到待检测目标与设备无关的真实颜色。本文基于卷积神经网络得到设备无关的CIE-XYZ颜色空间响应值,实现.了颜色测量,提升了颜色测量模型的精确度,同时提出了基于设备无关的CIE-xyY颜色空间设计建立颜色测量模型所需要的色卡,从而实现了提升颜色测量模型的准确度。提出了基于深度卷积神经网络建立从设备相关的RGB颜色空间到设备无关的CIE-XYZ颜色空间的转换模型从而提升颜色测量性能。本文针对数字相机得到的多通道RGB值作为输入数据特征比较少的问题,设计了基于Inception结构的网络模型,从而增加了网络的宽度与深度,同时根据训练样本多通道RGB值的物理意义,设计了针对性的卷积核。通过颜色测量模型得到CIE-XYZ后即可使用标准转换公式得到CIEL*a*b*值,与测色计测得CIEL*a*b*值进行比较,计算色差去评价颜色测量模型的性能。针对数据集比较小,颜色测量模型的重复性低的问题采取了扩充训练数据集的方法进一步提高模型性能。在真实烟盒样品上的实验结果表明,基于深度卷积神经网络建立RGB-XYZ的转换模型能够实现颜色测量模型在重复性上的提升以及最大误差上的下降,在扩充数据集后,模型的精确度得到进一步提升。本文提出了分割设备无关的CIE-xyY颜色空间设计色卡样本。该颜色空间是由CIE-XYZ空间衍生,将亮度与色度分离,符合人眼视觉对颜色的感知。因此在人眼视觉范围内均匀分割色度,在CIE-xyY颜色空间均匀分割亮度,得到CIE-xyY值。通过基于多项式回归建立颜色测量模型的方法验证了本文设计的训练色卡样本对颜色测量模型准确度的提升,同时本文通过多项式回归模拟多通道相机滤光片下的RGB响应值扩充了训练色卡的信息,进一步提升了颜色测量模型的准确度。为了验证样训练本的有效性,在随机生成的一些测试样本上的实验结果表明,分割CIE-xyY颜色空间设计色卡样本,提高了颜色测量模型的准确度。