CN113411466B - 基于彩色印刷生产系统的多色彩色差智能校正方法及系统 - Google Patents

Abstract

本发明公开了基于彩色印刷生产系统的多色彩色差智能校正方法及系统，所述方法包括以下步骤：利用经验数据库中的数据选出最优系统参数，并进行印刷样品试生产；实时采集印刷样品的像素点数据，将客户需求、产品类型、最优系统参数及设计图像素点数据与印刷样品像素点数据对应储存；利用对经验数据库中的像素点数据进行降维处理和色差分析；利用神经网络模型对设计图进行智能色差校正及印刷色差预测；根据校正后的设计图设计样版进行印刷样品，同时实时采集的样品数据和印刷样品的分权色差，若满足生产条件，则进行正式的印刷生产。本发明不仅有效地减少了由重复制版和人为调整带来的人力、材料及时间成本，也提高了印刷系统的生产质量和效率。

Description

基于彩色印刷生产系统的多色彩色差智能校正方法及系统

技术领域

本发明涉及彩色印刷生产系统的色差校正领域，具体涉及一种基于彩色印刷生产系统的多色彩色差智能校正方法及系统。

背景技术

彩色印刷产品的质量主要取决于色彩的精度，然而受到印刷工艺、设备及材料等因素的限制，印刷产品的色彩常会出现误差。此外，印刷生产过程本身具有检测数据少、要求调整快速且传递函数难求的特点，这种非实时、大滞后的生产系统非常容易受到环境的影响从而出现色差。针对印刷系统中的色差校正，环保纸印刷色彩印前数码打样色彩校正方法及装置(CN201810497360.5)提供了一种环保纸印刷色彩印前数码打样色彩校正方法及装置，其步骤包括：根据原始图像打印出第一印刷样张，根据实际打印出的第一印刷样张与原始图像进行比对调校，生成与原始图像不同的第一输入图像，以使根据第一输入图像而生成的第二印刷样张相比原来的第一印刷样张更加接近原始图像。然而，该方法及装置所涉及的色彩校正方法通过差值匹配等线性方法实现，并未涉及神经网络模型等机器学习方法，其色彩校正精度难以保证。

此外，一种通过修改特性文件实现数字印刷颜色校正的方法(CN201710546392.5)中，公开了一种通过修改特性文件实现数字印刷颜色校正的方法，根据待打印数字文件的源特性文件，打印对应的特性化色标图像，测量每一色块的Lab值，并从打印色块中找出与该色块色差较小的部分色块的Lab值，再找出源特性文件中对应色块的Lab值，利用多项式最小二乘回归的方法建立映射关系，再以目标Lab值为自变量，计算得到源特性文件中对应色块的修正值，再利用修正后的特性文件替代初始源特性文件进行打印，以提高印刷颜色的精度。但该方法中需要对每一种色块都建立相应的映射关系，实施过程中也需要对各个色块逐一校正，过程繁琐，效率较低。

鉴于上述问题，本发明提出了一种基于彩色印刷生产系统的多色彩色差智能校正方法，利用经验数据库与BP神经网络相结合的技术来代替经验丰富的操作人员，尽可能地减少反复调整与制版的次数，大幅降低彩色印刷生产系统的生产成本。

发明内容

本发明的目的在于补偿现有彩色印刷生产过程中存在的色差，提供一种基于彩色印刷生产系统的多色彩色差智能校正方法，该技术通过经验数据库和神经网络自动给出设计图即可补偿固有的色差，其工作原理是：将经验数据库中的印刷样品与设计图的像素点数据分别作为神经网络的训练输入与输出量，使神经网络进行深度学习，记住印刷过程中的色差。当通过训练好的神经网络对设计图进行预测时，将设计图作为理想中的印刷样品，因此神经网络的预测结果就是可以抵消固有色差影响的新设计图，当印刷企业使用神经网络给出的新设计图进行制版印刷时，即便无法得到与原设计图完全一致的印刷样品，其色差也应小于直接使用原设计图进行印刷的色差。

本发明至少通过如下技术方案之一实现。

基于彩色印刷生产系统的多色彩色差智能校正方法，包括以下步骤：

①根据客户需求和产品类型，利用经验数据库中的数据选出最优系统参数，并进行印刷样品试生产；

②实时采集印刷样品的像素点数据，将客户需求、产品类型、最优系统参数及设计图像素点数据与印刷样品像素点数据对应储存；

③利用对经验数据库中的像素点数据进行降维处理和色差分析；

④利用神经网络模型对设计图进行智能色差校正及印刷色差预测；

⑤根据校正后的设计图设计样版进行印刷样品，同时实时采集的样品数据和印刷样品的分权色差，若满足生产条件，则进行正式的印刷生产。

优选的，在步骤①中，所述最优系统参数包括工艺参数、控制模型参数和设备参数；

所述工艺参数包括印刷面积、印刷厚度和印刷网格密度；

所述控制模型参数包括允许色差上下限、分权色差模型权重和神经网络模型参数；

所述设备参数包括印刷速度、印刷色盒类型和印刷油墨密度。

优选的，所述色差分析是利用分权色差模型对初次印刷样品产生的色差进行计算，与设定的色差最大值ΔE_max进行比较，当色差不小于色差最大值ΔE_max时，停机采集数据和印刷；否则，进入色差校正环节。

优选的，通过分权色差模型进行色差分析，分权色差模型为：

ΔE_total＝ω₁ΔE_color1+ω₂ΔE_color2+...+ω_nΔE_colorn (3)

式中ΔE表示两个像素点之间的距离即色差，ΔL、Δa、Δb分别表示两个像素点L、a、b分量之间的距离，ΔE_color表示某种色彩的总色差，m表示某种色彩的像素点总数，ΔE_i表示第i个像素点的色差，

表示该色彩的色差平均值，ΔE_total表示整幅图的总色差，ω_n表示某种色彩色差在色差模型中所占的权重，ΔE_colorn表示第n种色彩的总色差。

优选的，步骤③具体是根据经验数据库决策出最优的神经网络参数，对设计图和印刷样品的像素点数据进行降维及归一化处理后，输入设定好最优参数的神经网络中进行深度学习，并对设计图进行智能色差校正及印刷色差预测，当预测印刷色差不大于色差最小值ΔE_min时，输出校正后的设计图进行制版印刷生产；否则，循环执行步骤④。

优选的，归一化处理公式如下：

式中，x为归一化处理前的数据，y为归一化处理后的数据，x_max、y_max和x_min、y_min分别对应数据集合中的最大值和最小值；

优选的，在步骤④中，神经网络实现色差校正的具体步骤包括：

决策出神经网络的最优参数并设定好神经网络，将数据降维及归一化处理后的印刷样品的像素点经验数据作为神经网络的输入值，设计图像素点经验数据作为神经网络的输出值，使神经网络进行深度训练学习，当设计图输入到训练后的神经网络时，神经网络自动对设计图进行色彩补偿以抵消印刷生产过程中可能产生的固有误差，并输出新的设计图。

优选的，在步骤④中，神经网络实现色差预测功能的具体步骤包括：

决策出神经网络的最优参数并设定好神经网络，将数据处理后的设计图像素点经验数据作为神经网络的输入值，印刷样品的像素点经验数据作为神经网络的输出值，使神经网络进行深度训练学习，当经过色差校正后的设计图输入到训练后的神经网络时，神经网络会自动对设计图进行印刷预测，并通过分权色差模型预测出印刷色差，当预测印刷色差不大于ΔE_min时，将色差校正后的设计图输出并进行印刷；否则，将循环执行色差校正及色差预测循环。

优选的，所述生产条件是指将印刷样品的分权色差并与色差最小值ΔE_min进行比较，当分权色差不大于ΔE_min时则进行正式的印刷生产；否则，系统循环执行步骤③-步骤⑤。

实现所述的一种基于彩色印刷生产系统的多色彩色差智能校正方法的系统，包括数据采集模块、分析决策模块和印刷生产模块，其中：

所述数据采集模块包括数据采集设备与经验数据库，数据采集设备实时扫描印刷生产样品，并发送至工作站中的经验数据库，实现在线采集并存储印刷样品的像素点数据；

所述分析决策模块利用经验数据库中的数据决策出最优系统参数发送给工作站和印刷生产模块，同时工作站通过降维及归一化的数据处理、色差计算与分析及神经网络对设计图的实际印刷效果进行预测，并对印刷色差进行补偿；

所述印刷生产模块包括制版机和印刷机，根据分析决策模块给出的最优系统参数设定设备参数，并对色差补偿后的设计图制版印刷得到样品，同时实时监测印刷样品的像素点数据反馈至工作站。

需强调的是色差校正和色差预测的重点在于通过神经网络对经验生产数据的不断学习以记住印刷过程中产生的固有印刷色差。在实际加工中，受环境、设备等因素限制，固有的印刷色差往往会存在一定的波动，所以利用经验数据对神经网络进行训练时，可能无法一次就达到所需的色彩精度要求，但是当经验数据库足够大时，所需的色差校正及色差预测循环次数也会越来越少。此外，本发明在于可以减少重复制版和人工调整的时间和成本，以确保加工效率。

本发明与现有技术相比具有以下的有益效果：

1.对比于传统的印刷生产系统，本发明有效地降低了彩色印刷过程中产生的色差，减少了印刷企业在校正色差时反复制版与人为调整的次数，进而节约了大量的人力、物力及时间成本。

2.通过对印刷样品的实时监测，与理想印刷效果进行对比，设定色差阈值，可以实现对不合格印刷产品的筛选，提高出厂产品的质量。

3.通过经验数据库可以实现对过往印刷生产数据的调用与分析，方便企业管理与维护印刷设备。

附图说明

图1为彩色印刷生产系统的多色彩色差智能校正方法示意图；

图2为彩色印刷生产系统的多色彩色差智能校正方法流程图；

图3为经验数据库的数据结构图；

图4a为彩色印刷生产系统的多色彩色差智能校正方法实施实例设计图；

图4b为彩色印刷生产系统的多色彩色差智能校正方法实施例校正前的扫描图；

图4c为彩色印刷生产系统的多色彩色差智能校正方法实施例校正一次后的扫描图；

图4d为彩色印刷生产系统的多色彩色差智能校正方法实施例校正二次后的扫描图；

图5a为彩色印刷生产系统的多色彩色差智能校正方法印刷样品扫描图；

图5b为彩色印刷生产系统的多色彩色差智能校正方法多色块设计图效果图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

以图5a和图5b的多色块图色彩智能校正为例，详细说明本发明的基于彩色印刷生产系统的多色彩色差智能校正方法的工作原理，进而验证本发明的技术效果。

如图1所示，彩色印刷生产系统的多色彩色差智能校正方法的系统，包括数据采集模块、分析决策模块和印刷生产模块，具体如下：

所述数据采集模块包括经验数据库和数据采集设备，所述经验数据库中的原始数据是印刷生产系统的历史留存数据，后续可在系统的运行过程中实时更新，以达到更高的色差校正精度，数据采集设备(如CCD扫描仪)根据设置的仪器参数实时采集印刷样品的数据，并不断更新和优化经验数据库。

所述分析决策模块包括工作站和神经网络模型，所述工作站从经验数据库中提取出设计图和相应的样品数据进行色差计算，当判定需要进行色差校正时，可提取所需的原始数据输入到神经网络模型中进行深度学习，使神经网络记住印刷生产系统的固有误差，从而校正原设计图的色彩数据，减少最终的印刷色差，实现对印刷生产系统的智能化改造。

所述神经网络模型可以为BP神经网络、RBF神经网络、SAE神经网络及CNN神经网络等多种神经网络模型。

所述印刷生产模块包括制版机和印刷机，所述制版机通过与工作站通讯，获取神经网络模型智能校正后的新设计图，通过CorelDRAW、Photoshop等图像处理软件将原RGB格式的设计图转换为印刷专用的CMYK格式后输出印版到印刷机，根据分析决策模块给出的最优系统参数设定设备参数，印刷机按照事先设定好的油墨密度，印刷速度等参数进行生产印刷，对色差补偿后的设计图制版印刷得到样品，同时实时监测印刷样品的像素点数据反馈至工作站。

如图1、图2所示的一种基于彩色印刷生产系统的多色彩色差智能校正方法，包括以下步骤：

①系统参数选择：进行彩色印刷前，分析决策模块根据客户需求和经验数据库决策出最优的系统参数，并在制版印刷及数据采集模块中设置制版机、印刷机及数据采集设备等仪器的工艺及设备参数(印刷面积、印刷厚度和印刷网格密度、印刷速度、印刷色盒类型和印刷油墨密度等)，在分析决策模块中设置控制模型参数(允许色差上下限、神经网络各层的激活函数和神经元数、权值、阈值、最大迭代次数及学习效率等)；

不同的客户需求和产品类型会直接影响到印刷产品的目标精度，涉及到的印刷工艺和印刷设备也会有所不同，所需的工艺参数和设备参数也要随之改变，此外，由于工艺和设备不同，印刷生产过程中印刷固有误差也会变化，用来进行误差补偿的控制模型参数也会发生变化，因此分析决策模块需要根据不同的客户需求和产品类型从经验数据库中择优选出印刷生产系统参数。

②数据采集与存储：使用高精度的图像数据采集设备实时采集印刷样品的Lab数据，并将其与对应设计图的Lab数据拆分为L、a、b三个二维矩阵数据后存储在经验数据库中，需确保设计图与印刷样品的每一个像素点数据都一一对应；

③色差计算与分析：先将设计图与印刷样品的像素点数据根据基础色彩(红、黄、绿、蓝、紫、黑、白)进行分类，根据分权色差模型，分别计算不同颜色的色差，根据不同颜色对人眼的刺激程度设置不同的色差权值，计算出色差ΔE后，将其与事先设定好的色差阈值做对比，当ΔE≥ΔE_max时，系统运行出现异常，系统报警并停止运行；当ΔE_min＜ΔE＜ΔE_max时，总色差在可校正范围内，可进入分析决策模块进行智能色差校正；当ΔE≤ΔE_min时，总色差不影响人眼观看，无需进行色差校正，可直接进行制版印刷；ΔE_max、ΔE_min分别表示色差最大值和色差最小值，色差最小值ΔE_min由分析决策模块根据产品类型与客户需求决策出最优值，且ΔE_min至少应达到人眼无法轻易识别的程度。

色差定义为色域空间内两个像素点之间的距离，对于印刷产品而言，最重要的就是要满足客户的审美需求，由于不同颜色对人眼的刺激程度都会有所区别，为了使计算出的色差更接近于人眼直观感受到的色差，采用了分权色差模型，将每一种颜色分别计算出色差，并根据其对人眼的刺激程度赋予了不同的权重。因此不同色彩的色差在分权色差模型中所占权重不同，以Lab色域空间为例，分权色差模型如下所示：

ΔE_total＝ω₁ΔE_color1+ω₂ΔE_color2+...+ω_nΔE_colorn (3)

式中ΔE表示两个像素点之间的距离即色差，ΔL、Δa、Δb分别表示两个像素点L、a、b分量之间的距离，ΔE_color表示某种色彩的总色差，m表示某种色彩的像素点总数，ΔE_i表示第i个像素点的色差，

表示该色彩的色差平均值，ΔE_total表示整幅图的总色差，ω_n表示某种色彩色差在色差模型中所占的权重，例如：红色色差的权重为1，绿色色差的权重设为0.3，其余色彩的权重按类似的规则赋值；ΔE_colorn表示第n种色彩的总色差。

④智能色差校正：取用经验数据库内的数据进行降维与归一化处理后，将数据输入到已设定好参数的神经网络中进行深度学习，以达到智能校正原设计图的色彩，并预测新设计图印刷效果的功能，当预测印刷效果的色差ΔE≤ΔE_min时，可输出进行制版印刷并采集样品数据，重复步骤②-步骤④过程，当ΔE＞ΔE_min时，重复智能色差校正环节，直至预测印刷效果达到目标要求。

设计图与印刷样品的像素点数据都是三维矩阵数据，无法直接输入神经网络进行训练学习，需先经过降维处理展开为以L、a、b为列分量的二维矩阵，降维后进行归一化处理，归一化处理公式如下：

式中，x为归一化处理前的数据，y为归一化处理后的数据，x_max、y_max和x_min、y_min分别对应数据集合中的最大值和最小值；

需说明的是，训练数据集通过对标准色彩校正卡的多次印刷积累获取，BP神经网络模型的隐含层神经元点数根据经验公式得出：

其中，h为隐含层神经元点数，m为输入层神经元点数，n为输出层神经元点数，a为1～10内的调节常数，通过对已有经验数据库内的数据分析，设定神经网络模型的输入、输出层神经元为3，隐含层神经元为9，学习效率为0.1，误差精度为0.01，最大迭代次数为100。

需说明的是，当印刷产品的色彩构成改变时，分权色差模型的权重值和允许色差的上下限也可能发生变化，但总体结构形式不变。通过对色彩刺激程度的分析，将各色彩色差在计算模型中的权重设置为：红色：1.0、黄色：0.8、黑色：0.7、紫色：0.6、蓝色：0.5、绿色：0.3、白色：0.2等，此外，根据企业的实际需求将色差极限值ΔE_max设定为100，色差阈值ΔE_min设定为30。

⑤印刷生产模块根据分析决策模块智能校正后的设计图设计样版并印刷样品，数据采集模块实时采集样品数据并将数据反馈至分析决策模块，分析决策模块计算印刷样品的分权色差并与色差最小值ΔE_min进行比较，当分权色差不大于ΔE_min时，印刷生产模块可进行正式的印刷生产；否则，系统循环执行步骤③-步骤⑤。

本发明利用的神经网络模型、数据降维和归一化处理等，对印刷生产线的大量生产经验数据进行充分利用，实现印刷产品的智能色差校正及印刷效果预测等功能，改善了现有的印刷生产线在校正印刷色差时过于依赖人为操作的现象。

需强调的是，实现彩色印刷生产系统的多色彩色差智能校正的前提是解决设备-设备、设备-PC间的关联问题，这并不是单纯的将现有软硬件进行简单叠加，需跨越一定的技术壁垒(如不同类型设备间的兼容、设备-PC的数据交互等)才能将其集成起来。此外，分权色差模型及神经网络模型是通过分析印刷生产系统从设计到生产整个过程中产生的识别、色域转化和印刷等多种误差累积而成的固有误差建立的，而工艺、设备及控制模型参数的智能决策过程是基于客户需求和产品类型设计的，需建立相应的经验数据库并进行择优选择。

本实施例的经验数据库如图3所示。经验数据库中主要分为评价指标、目标值及过程参数三大类。其中，评价指标应包括：产品类型(M)、客户需求(N)、最优系统过程参数(a_op)、允许色差上下限(ΔE_max(min))、色差模型权重(ω)和BP神经网络模型参数(K)；目标值应根据产品类型(M)设定，包括：印刷质量等级(I)、印刷厚度(h)、印刷面积(s_c)；过程参数则应根据产品类型(M)和客户需求(N)共同设定，包括：工艺参数(A)、控制模型参数(P)、设备参数(a)。

下面通过进一步的实施例说明本发明中的基于彩色印刷生产系统的多色彩色差智能校正方法如何通过经验数据库和神经网络算法实现色彩的智能校正。

在工作站中构建经验数据库，并通过CCD扫描仪(MICROTEK Phantom 9900XL)-工作站，工作站-CTP制版机(全胜800)，CTP制版机-印刷机(日本小森六色平张印刷机LS640)等各设备之间的通讯，建立基于彩色印刷生产系统的多色彩色差智能校正方法的数据采集模块、分析决策模块和印刷生产模块。

做色彩的智能校正之前，根据经验数据库中的过往生产数据选择出最优的系统参数，并设置CCD扫描仪、制版机和印刷机等设备的主要工作参数，在分析决策模块中输入神经网络模型的相关参数，分析决策模块根据设定的系统参数，通过神经网络对原有的设计图进行色差校正与印刷效果预测；此外，根据不同色彩对人眼的刺激程度，设置不同色彩色差在分权色差模型中的权重，使用总色差模型预测校正后的设计图的印刷色差ΔE，当ΔE≤ΔE_min(色差阈值)时，可以输出设计图进行样品印刷，并将印刷样品送入CCD扫描仪扫描得到实际的印刷图像数据，再次使用总色差模型对实际色差进行计算，当ΔE≥ΔE_max时，印刷生产系统可能出现机械故障，系统自动报警；当ΔE_min＜ΔE＜ΔE_max时，印刷样品尚未达到设定色差阈值，需重复色差校正与印刷样品预测步骤；当ΔE≤ΔE_min时，印刷样品已满足生产条件，可进行正式生产印刷。

为验证彩色印刷生产系统的多色彩色差智能校正方法的色差校正效果，以原设计图(如图4a)为例，通过扫描未做校正处理前的印刷样品得到扫描图(如图4b)，并用色差计算模型计算得到初始色差ΔE为47.6989。

分析决策模块根据设定的系统参数使用神经网络与经验数据库对原设计图进行色差校正，通过色差计算模型预测出印刷色差ΔE，并与事先设定好的色差极限值ΔE_max和色差阈值ΔE_min比较分析。因初始色差ΔE＜ΔE_max，所以印刷生产系统未产生机械故障，但是ΔE＞ΔE_min，所以需要进行色差校正。

分析决策模块通过已设定好参数的神经网络与经验数据库对原设计图进行色差校正与印刷效果预测，一次色差校正后的印刷效果预测如图4c所示，色差计算值为40.0064，未满足退出分析决策模块的条件，二次色差校正后的印刷效果预测如图4d所示，色差计算值为25.1058，满足小于色差阈值的条件，可进行印刷样品生产，得到的原图与印刷样品扫描图分别如图4a和4b所示，通过色差模型计算可得实际色差为26.6255＜30，满足企业生产需求。

综上所述，通过经验数据库和神经网络的智能预测及校正功能即可使印刷品色差达到设定阈值，整个过程无需人为干预，进而有效避免由重复制版和人为调整带来的人力、材料及时间成本，也大大提高了印刷系统的生产质量和效率。

上述为本发明较佳的实施方式，但本发明的实施方式并不受上述内容的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (8)

1.基于彩色印刷生产系统的多色彩色差智能校正方法，其特征在于，包括以下步骤：

①根据客户需求和产品类型，利用经验数据库中的数据选出最优系统参数，并进行印刷样品试生产；

②实时采集印刷样品的像素点数据，将客户需求、产品类型、最优系统参数及设计图像素点数据与印刷样品像素点数据对应储存；

③利用经验数据库中的像素点数据进行降维处理和色差分析；

④利用神经网络模型对设计图进行智能色差校正及印刷色差预测；利用神经网络模型实现色差校正的具体步骤包括：

决策出神经网络模型的最优参数并设定好神经网络，将数据降维及归一化处理后的印刷样品的像素点经验数据作为神经网络的输入值，设计图像素点经验数据作为神经网络的输出值，使神经网络进行深度训练学习，当设计图输入到训练后的神经网络时，神经网络自动对设计图进行色彩补偿以抵消印刷生产过程中可能产生的固有误差，并输出新的设计图；

利用神经网络模型实现色差预测功能的具体步骤包括：

决策出神经网络的最优参数并设定好神经网络，将数据处理后的设计图像素点经验数据作为神经网络的输入值，印刷样品的像素点经验数据作为神经网络的输出值，使神经网络进行深度训练学习，当经过色差校正后的设计图输入到训练后的神经网络时，神经网络会自动对设计图进行印刷预测，并通过分权色差模型预测出印刷色差，当预测分权色差不大于ΔE_min时，将色差校正后的设计图输出并进行印刷；否则，将循环执行色差校正及色差预测循环；

⑤根据校正后的设计图设计样版进行印刷样品，同时实时采集样品数据、印刷样品的分权色差，若分权色差小于已设定的色差阈值时，则进行正式的印刷生产，否则，系统循环执行步骤③-步骤⑤。

2.根据权利要求1所述的基于彩色印刷生产系统的多色彩色差智能校正方法，其特征在于，在步骤①中，所述最优系统参数包括工艺参数、控制模型参数和设备参数；

所述工艺参数包括印刷面积、印刷厚度和印刷网格密度；

所述控制模型参数包括允许色差上下限、分权色差模型权重和神经网络模型参数；

所述设备参数包括印刷速度、印刷色盒类型和印刷油墨密度。

3.根据权利要求2所述的基于彩色印刷生产系统的多色彩色差智能校正方法，其特征在于，所述色差分析是利用分权色差模型对初次印刷样品产生的色差进行计算，与设定的色差最大值ΔE_max进行比较，当分权色差不小于色差最大值ΔE_max时，停机采集数据和印刷；否则，进入色差校正环节。

4.根据权利要求3所述的基于彩色印刷生产系统的多色彩色差智能校正方法，其特征在于，通过分权色差模型进行色差分析，分权色差模型为：

ΔE_total＝ω₁ΔE_color1+ω₂ΔE_color2+...+ω_nΔE_colorn (3)

式中ΔE表示两个像素点之间的距离即色差，ΔL、Δa、Δb分别表示两个像素点L、a、b分量之间的距离，ΔE_color表示某种色彩的总色差，m表示某种色彩的像素点总数，ΔE_i表示第i个像素点的色差，

表示该色彩的色差平均值，ΔE_total表示整幅图的总色差，ω_n表示某种色彩色差在色差模型中所占的权重，ΔE_colorn表示第n种色彩的总色差。

5.根据权利要求4所述的基于彩色印刷生产系统的多色彩色差智能校正方法，其特征在于，步骤③具体是根据经验数据库决策出最优的神经网络参数，对设计图和印刷样品的像素点数据进行降维及归一化处理后，输入设定好最优参数的神经网络中进行深度学习，并对设计图进行智能色差校正及印刷色差预测，当预测分权色差不大于分权色差最小值ΔE_min时，输出校正后的设计图进行制版印刷生产；否则，循环执行步骤④。

6.根据权利要求5所述的基于彩色印刷生产系统的多色彩色差智能校正方法，其特征在于，归一化处理公式如下：

式中，x为归一化处理前的数据，y为归一化处理后的数据，x_max、y_max和x_min、y_min分别对应数据集合中的最大值和最小值。

7.根据权利要求1～6任一项所述的基于彩色印刷生产系统的多色彩色差智能校正方法，其特征在于，所述若分权色差小于已设定的色差阈值时，则进行正式的印刷生产，包括：将印刷样品的分权色差与色差最小值ΔE_min进行比较，当分权色差小于色差最小值ΔE_min时则进行正式的印刷生产。

8.实现权利要求7所述的基于彩色印刷生产系统的多色彩色差智能校正方法的系统，其特征在于，包括数据采集模块、分析决策模块和印刷生产模块，其中：

所述数据采集模块包括数据采集设备与经验数据库，数据采集设备实时扫描印刷生产样品，并发送至工作站中的经验数据库，实现在线采集并存储印刷样品的像素点数据；

所述分析决策模块利用经验数据库中的数据决策出最优系统参数发送给工作站和印刷生产模块，同时工作站通过降维及归一化的数据处理、色差计算与分析及神经网络对设计图的实际印刷效果进行预测，并对印刷色差进行补偿；

所述印刷生产模块包括制版机和印刷机，根据分析决策模块给出的最优系统参数设定设备参数，并对色差补偿后的设计图制版印刷得到样品，同时实时监测印刷样品的像素点数据反馈至工作站。

Images