System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及印刷生产系统,更具体地说,涉及基于yolov8算法的首印对版监测系统。
技术介绍
1、首印对版是指在印刷过程中,将印刷原稿与已完成的部分产品进行对比,以确保印刷品的准确位置和色彩一致。高精度首印对版使用了精确的定位设备和高分辨率的图像处理技术,能够轻松检测出任何微小偏差或错误,并及时纠正。
2、现有的ai识别为了保证识别准确性,导致识别时间较长,例如采用ssd算法,ssd使用基础的卷积模型(如vgg、resnet等)来提取特征,并通过多个卷积层和特征层来进行多尺度的目标检测,这些网络的深度和复杂性可能会导致比较大的计算量,所以ssd相对于yolov8在检测速度可能稍慢一些,这样导致了其并不适用于印刷生产线的高速生产过程中目标检测识别的任务。
技术实现思路
1、针对现有技术中存在的问题,本专利技术的目的在于提供一种基于yolov8算法的首印对版监测系统,包括:安装于印刷线上的视觉检测模块,所述视觉检测模块用于获取印刷线上印刷物体的图像数据;
2、印刷原始稿扫描模块,用于获取原始印刷稿件图像数据,作为首印对版对比数据;
3、印刷特征提取模块,用于识别提取印刷线上印刷物体图像数据特征点参数以及原始印刷稿件图像数据的特征点参数,所述特征点参数为形状参数,其包含中心坐标、长、宽与倾斜角度;
4、yolov8目标识别模型,用于对印刷线上的视觉检测模块采集印刷线上印刷物体的图像数据的特征点与印刷原始稿扫描模块原始印刷稿件图像数据的特征
5、自适应识别优化模块,用于对yolov8目标识别模型中基于anchor的旋转框检测步骤进行优化;
6、模型深度学习训练数据库,所述模型深度学习训练数据库用于存储印刷线上印刷物体的图像数据与原始印刷稿件图像数据;
7、所述自适应识别优化模块的优化方式是通过学习一个边界盒,物体的有方向的边界盒替代yolov8目标识别模型中使用的anchor的旋转框,具体步骤如下:
8、将模型深度学习训练数据库中存储的原始印刷稿件图像数据作为训练集,自适应识别优化模块采用该训练集对yolov8目标识别模型进行训练,对训练集中图像数据的特征点参数信息提取,即获取中心坐标、长、宽与倾斜角度用以作为真实框参数;
9、将获取的中心坐标、长、宽与倾斜角度参数导入yolov8目标识别模型中原yolov8的anchor得到预测框参数,然后预测框参数与真实框参数对比,计算出损失函数数值,根据损失函数数值对yolov8目标识别模型原yolov8进行指导学习,直至损失函数数值与预设阈值相同时停止学习,将原始印刷稿件图像数据中所有特征点的预测框的组合作为边界盒,得到优化后的yolov8;
10、数据交互模块,用于对所检测出的缺陷目标进行输出,通过印刷设备对印刷内容进行调整。
11、作为上述技术方案的进一步描述:
12、所述yolov8目标识别模型通过改进的yolov8输入印刷线上印刷物体的图像数据进行识别检测,采用边界盒替代多个anchor的旋转框组合直接对印刷线上印刷物体的图像数据进行特征识别,通过边界盒对印刷线上印刷物体的图像数据识别时分为以下两种识别情况:
13、边界盒完全覆盖识别目标,则能够直接完成对印刷物体的图像数据识别,误差处于预设阈值内,予以通过;
14、边界盒无法完全覆盖识别目标,则表示该印刷物体的图像数据不符合识别要求,误差超过预设阈值,存在缺陷。
15、作为上述技术方案的进一步描述:
16、所述自适应识别优化模块的优化方式是通过学习一个边界盒,物体的有方向的边界盒替代yolov8目标识别模型中使用的anchor的旋转框,具体步骤如下:
17、将模型深度学习训练数据库中存储的原始印刷稿件图像数据作为训练集,自适应识别优化模块5采用该训练集对yolov8目标识别模型4进行训练,对训练集中图像数据的特征点参数信息提取,即获取中心坐标、长、宽与倾斜角度用以作为真实框参数;
18、将获取的中心坐标、长、宽与倾斜角度参数导入yolov8目标识别模型中原yolov8的anchor得到预测框参数,然后预测框参数与真实框参数对比,计算出损失函数数值,根据损失函数数值对yolov8目标识别模型原yolov8进行指导学习,直至损失函数数值与预设阈值相同时停止学习,将原始印刷稿件图像数据中所有特征点的预测框的组合作为边界盒,得到优化后的yolov8。
19、作为上述技术方案的进一步描述:
20、所述yolov8目标识别模型的原yolov8的指导学习方式如下:
21、原yolov8模型执行反向传播算法,计算损失函数关于模型中每个参数的梯度,从损失函数开始,沿着原yolov8网络的每一层反向传播梯度;
22、得到梯度后模型使用梯度下降算法来更新参数,对于每个参数,更新规则如下:
23、参数新=参数旧-学习率×梯度;
24、其中,学习率是一个预先设定的超参数,它决定了参数更新的步长,梯度是损失函数关于该参数的导数,其指明了损失函数在该参数值附近的最陡下降方向;
25、然后将参数新替换原yolov8中的参数旧,再次将获取的中心坐标、长、宽与倾斜角度参数导入yolov8目标识别模型中原yolov8的anchor得到预测框参数,然后预测框参数与真实框参数对比,计算出损失函数数值;
26、重复上述步骤,直至损失函数数值与预设阈值相同时停止学习。
27、作为上述技术方案的进一步描述:
28、所述视觉检测模块采用cca芯片线阵相机,并采用同样架设在印刷线的补光光源。
29、相比于现有技术,本专利技术的优点在于:
30、本方案,针对印刷生产线的高生产量与高速印刷的特性,对视觉异常感知ai模型进行改进,符合印刷误差范围的边界盒替代原本anchor的旋转框直接识别,提高对印刷物体的识别效率,并在高速印刷的情况下尽可能提高识别精度,以满足印刷生产的高效对版需求,应用印刷生产线的首印对版与后续印刷检测工作。
本文档来自技高网...【技术保护点】
1.基于YOLOv8算法的首印对版监测系统,其特征在于,包括:安装于印刷线上的视觉检测模块(1),所述视觉检测模块(1)用于获取印刷线上印刷物体的图像数据;
2.根据权利要求1所述的基于YOLOv8算法的首印对版监测系统,其特征在于:所述YOLOv8目标识别模型(4)通过改进的YOLOv8输入印刷线上印刷物体的图像数据进行识别检测,采用边界盒替代多个anchor的旋转框组合直接对印刷线上印刷物体的图像数据进行特征识别,通过边界盒对印刷线上印刷物体的图像数据识别时分为以下两种识别情况:
3.根据权利要求1所述的基于YOLOv8算法的首印对版监测系统,其特征在于:所述根据损失函数数值对YOLOv8目标识别模型(4)的原YOLOv8进行指导学习方式如下:
4.根据权利要求1所述的基于YOLOv8算法的首印对版监测系统,其特征在于:所述视觉检测模块(1)采用CCA芯片线阵相机,并采用同样架设在印刷线的补光光源。
【技术特征摘要】
1.基于yolov8算法的首印对版监测系统,其特征在于,包括:安装于印刷线上的视觉检测模块(1),所述视觉检测模块(1)用于获取印刷线上印刷物体的图像数据;
2.根据权利要求1所述的基于yolov8算法的首印对版监测系统,其特征在于:所述yolov8目标识别模型(4)通过改进的yolov8输入印刷线上印刷物体的图像数据进行识别检测,采用边界盒替代多个anchor的旋转框组合直接对印刷线上印刷物体的图像数据进行特...
【专利技术属性】
技术研发人员:甘胜丰,韩磊,黄开端,赵彬凯,李一华,闵高,雷维新,金子皓,余怡欣,郭海强,邵冲,
申请(专利权)人:南昌工学院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。