JP2002366929A - Method and apparatus for extracting defective defects in printed matter - Google Patents
Method and apparatus for extracting defective defects in printed matterInfo
- Publication number
- JP2002366929A JP2002366929A JP2001174922A JP2001174922A JP2002366929A JP 2002366929 A JP2002366929 A JP 2002366929A JP 2001174922 A JP2001174922 A JP 2001174922A JP 2001174922 A JP2001174922 A JP 2001174922A JP 2002366929 A JP2002366929 A JP 2002366929A
- Authority
- JP
- Japan
- Prior art keywords
- image
- printed matter
- image data
- defective
- processing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
(57)【要約】
【課題】従来の画像処理技術では抽出及び画像処理生成
が困難である印刷物との濃度差がほとんどなく、肉眼で
は検出が困難な印刷物の不良欠点部分の画像を抽出す
る。
【解決手段】ツリー構造状画像変換の自動生成手段を使
用するとともに、これを印刷物の不良欠点抽出処理に特
化し、より抽出精度を高めるための階調画像の追加及び
それらを比較演算処理するための画像変換処理フィルタ
の導入により、未知のどのような印刷物の不良欠点であ
っても、容易かつ的確に抽出できるようにする。
(57) [Summary] An image of a defective defect portion of a printed matter that is hardly detected by the naked eye because there is almost no difference in density from a printed matter that is difficult to extract and generate by image processing with a conventional image processing technique. An automatic generation unit for converting a tree-structured image is used, and the automatic generation unit is used for extracting defective defects of a printed matter, and adding a gradation image for further improving the extraction accuracy and performing a comparison operation process on the gradation images. With the introduction of the image conversion processing filter described above, it is possible to easily and accurately extract any unknown defective defect of a printed matter.
Description
【０００１】[0001]
【発明の属する技術分野】本発明は、遺伝的プログラミ
ングを画像変換処理フィルタのツリー構造状組み合わせ
の最適化処理に適用したツリー構造状画像変換自動生成
法（ACTIT）を用いた印刷物の不良欠点抽出方法に関す
るものである。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a method for extracting defective defects in a printed matter using an automatic tree structure image conversion method (ACTIT) in which genetic programming is applied to an optimization process of a tree structure combination of image conversion processing filters. It is about the method.
【０００２】[0002]
【従来の技術】印刷物の品質向上のためには印刷物の検
査が必要不可欠である。従来の印刷物の検査方法では被
検査印刷物の検査画像と基準画像との差異を求め、その
差が一定の閾値以上であった場合に印刷不良と判断する
判定方法が多く用いられている。2. Description of the Related Art Inspection of printed matter is indispensable for improving the quality of the printed matter. In a conventional printed matter inspection method, a method of determining a difference between an inspection image of a printed matter to be inspected and a reference image and determining a printing failure when the difference is equal to or greater than a predetermined threshold is often used.
【０００３】被検査物が良紙であっても、取り込んだ検
査画像には印刷濃度のムラ、印刷時または検査時に発生
する用紙の傾き、ずれ、伸縮などの誤差が含まれてい
る。また、模様や文字の輪郭部分では濃度変化が大き
く、この誤差領域と不良との差異を判別することができ
ないため模様や文字の輪郭部分は閾値を高く設定する必
要がある。[0003] Even if the object to be inspected is good paper, the captured inspection image contains errors such as unevenness in print density and inclination, displacement, expansion and contraction of the paper that occur during printing or inspection. Further, the density change is large in the contour portion of the pattern or the character, and the difference between the error region and the defect cannot be determined. Therefore, it is necessary to set a high threshold value for the contour portion of the pattern or the character.
【０００４】２枚の異なる良紙画像の差分を計算する
と、同じ部分では画像は黒くなり、異なる部分では画像
は白くなる。つまり、同じ印刷物においても差分後の画
像は模様や文字の輪郭部分に差が見られることから、輪
郭部分から離れた位置に汚れがある場合には不良品の検
出は可能であるが、輪郭部分に近い位置に汚れがある場
合には十分な検出結果が得られない。When the difference between two different good paper images is calculated, the image becomes black at the same part and white at the different part. In other words, even in the same printed matter, the image after the difference has a difference in the outline portion of the pattern or character. Therefore, if there is a stain at a position distant from the outline portion, it is possible to detect a defective product. When there is dirt near the position, a sufficient detection result cannot be obtained.
【０００５】画像処理のカスタマイズあるいは画像処理
の自動化、省力化を目的とした画像処理方法としてエキ
スパートシステムがある（特開平8-96136号公報）。エ
キスパートシステムは、画像処理に関する知識をシステ
ムにあらかじめ組み込み、知識に基づいた推論やユーザ
との対話形式によるやりとりで、画像処理方法の選択や
処理に付随するパラメータの調整を行う技術である。There is an expert system as an image processing method for the purpose of customizing image processing, automating image processing, and saving labor (JP-A-8-96136). The expert system is a technology in which knowledge about image processing is incorporated in the system in advance, and selection of an image processing method and adjustment of parameters accompanying processing are performed by inference based on the knowledge and interactive exchange with a user.
【０００６】この方法では対象に依存しない広範囲な応
用を目的とした場合や、現在まで確立されていない新し
い分野への応用を考えた場合、蓄えられた知識では表現
しきれない処理手順が存在するため対処できないという
欠点がある。[0006] In this method, when a wide range of applications independent of the object is aimed at, or when applied to a new field which has not been established up to now, there are processing procedures which cannot be expressed by the accumulated knowledge. Therefore, there is a disadvantage that it cannot be dealt with.
【０００７】また、特定分野の画像処理をチューニング
するニューラルネットワークという方法がある（特開平
6-76069号公報）。ニューラルネットワークは脳の神経
回路をモデルとして、最適化や学習を行う手法であり、
神経細胞（ニューロン）をモデル化したユニットを多数
接続し、ネットワークを構成する。各ユニットには他の
複数のユニットからの出力信号の値に結合の重みを掛け
た値の和を入力し、ニューロンモデルで定義された関数
により出力値を決定する。関数の代表例としては閾値関
数やシグモイド関数と呼ばれる関数が使用される。There is also a method called a neural network for tuning image processing in a specific field (Japanese Patent Laid-Open No.
6-76069). A neural network is a method of performing optimization and learning using the neural network of the brain as a model.
A network is constructed by connecting a number of units that model nerve cells (neurons). Each unit receives a sum of values obtained by multiplying the values of output signals from other units by the weight of the connection, and determines an output value by a function defined by a neuron model. As a representative example of the function, a function called a threshold function or a sigmoid function is used.
【０００８】ニューラルネットワークの画像への応用と
して、原画像から何らかの方法で画像を処理して、濃度
の統計量等の特徴量を抽出し、これをニューラルネット
ワークに付与することで、画像処理を学習・最適化させ
る方法が用いられる。As an application of the neural network to an image, image processing is performed by processing an image from an original image by some method, extracting a feature amount such as a statistical amount of density, and adding the feature amount to the neural network to learn image processing. -An optimization method is used.
【０００９】しかし、未知の画像へのニューラルネット
ワークの適用には、入力するための特徴量の選定、最適
化の方法などにより、画像処理能力が左右されることか
ら、画像処理及びニューラルネットワークの専門的知識
・経験が必要とされる。したがって、好ましい画像処理
の結果が得られなければ、目的とする画像処理が行われ
るまで、特徴量の選定及び最適化の方法の検討を繰り返
す必要がある。However, the application of a neural network to an unknown image depends on the image processing capability, which depends on the selection of a feature amount to be input and the method of optimization. Knowledge and experience are required. Therefore, if the desired image processing result is not obtained, it is necessary to repeat the selection of the feature amount and the study of the optimization method until the target image processing is performed.
【００１０】すなわち、検査する画像に何らかの画像処
理を施すアルゴリズムは、膨大に存在し、検査手法、そ
のデータベースの活用、又はそのデータを学習させるた
めに、その中から適切なものを選択し、組み合わせ、更
には修正を行うなどの試行錯誤が必要となり、画像処理
の専門的な知識・経験及び組み合わせの最適化のために
多大な時間と労力を必要とする。That is, there are a large number of algorithms for performing some kind of image processing on an image to be inspected. In order to use an inspection method, its database, or learn its data, an appropriate one is selected and combined. Furthermore, trial and error such as making corrections are required, and a great deal of time and effort is required for optimizing the specialized knowledge and experience of image processing and the combination.
【００１１】以上の問題を鑑み、生物の進化の過程を模
倣した最適化手法の１つである遺伝的アルゴリズム（G
A：Genetic Algorithm）をもとに考案された遺伝的プロ
グラミング（GP：Genetic Programming）を画像処理に
適用したツリー構造状画像変換自動生成法（ACTIT：Aut
omatic Construction of Tree-structural Image Trans
formation;情報メディア学会誌53,6,pp888-894(1999)）
を印刷物の不良欠点抽出方法に用いることにする。In view of the above problems, a genetic algorithm (G
A: Automatic generation method of tree-structured image conversion (ACTIT: Aut) applying genetic programming (GP: Genetic Programming) devised based on Genetic Algorithm to image processing
omatic Construction of Tree-structural Image Trans
formation; Journal of the Japan Institute of Information Media53,6, pp888-894 (1999))
Will be used in the method of extracting defective defects in printed matter.
【００１２】この手法は、予め用意した複数の画像変換
処理フィルタを任意の形のツリー構造状に組み合わせる
ことによって、入力画像から出力画像への画像変換処理
を実現するものである（図３）。なお、該手法は、１つ
又は複数の入力手段と、１つの出力手段を持つ画像変換
処理フィルタFnを用いる。処理される画像はツリー構造
における全ての葉ノード１（終端）より入力され、フィ
ルタの組み合わせにより異なった処理を受ける。それら
は画像変換処理により順次合成され、最終的に一つの画
像となって出力される。フィルタの組み合わせにより、
領域や目的毎に異なった処理を施し、それらの結果を適
宜合成するような複雑な画像変換処理を構築することが
可能となる。This method realizes image conversion processing from an input image to an output image by combining a plurality of image conversion processing filters prepared in advance into an arbitrary tree structure (FIG. 3). This method uses an image conversion processing filter Fn having one or a plurality of input units and one output unit. The image to be processed is input from all leaf nodes 1 (end) in the tree structure and undergoes different processing depending on the combination of filters. These are sequentially combined by image conversion processing, and finally output as one image. By combining filters,
It is possible to construct a complicated image conversion process in which different processes are performed for each region and purpose, and the results are appropriately combined.
【００１３】ツリー構造は処理対象となる画像郡の中か
ら目標の特徴を捉えたいくつかの原画像とそれらに対す
る理想的な処理結果である目標画像を用意し、ツリー構
造が表す画像変換に原画像を入力したときの出力画像が
目標画像と同様になるように遺伝的プログラミング（G
P）の手法を用いて最適化を行う。こうして目的とする
画像変換が自動的に得られ、一度構築された画像変換
は、原画像と同じ特徴をもつ画像が入力されたときには
目標画像が与えられなくても目的とする処理を実行す
る。The tree structure prepares a number of original images that capture the characteristics of a target from among image groups to be processed and a target image that is an ideal processing result for the original images. Genetic programming (G
Perform optimization using the method of P). In this way, the target image conversion is automatically obtained, and the image conversion once constructed executes the target processing when an image having the same characteristics as the original image is input, even if the target image is not given.
【００１４】遺伝的アルゴリズム（GA）は、解こうとし
ている問題の解を染色体と呼ばれる記号列表現に変換
し、これらの染色体の集団に遺伝的操作と呼ばれる記号
列表現に変換し、これらの染色体の集団に遺伝的操作と
呼ばれる演算を繰り返し行うことにより、染色体の集団
を少しずつ変更して最適解あるいは最適解に匹敵する解
を求める確率的な演算手法である。GAでは生物の遺伝子
コードを最適化問題の解として１次元配列の文字列で表
現し、それぞれ異なる遺伝子コード（図４）を持つ個体
集団が適者生存に基づく淘汰・増殖を繰り返すことで、
与えられた問題に対する適応度は世代を重ねるごとに上
がってゆく。各個体は適応度関数を用いて計算された適
応度を持ち、一般的に問題の解に近いほど適応度が高く
なり、適応度が高い個体ほど次の世代に生き残る確率が
高くなる。GAを適用し個体集団を十分に進化させた後、
集団中で最も適応度の高い個体が持つ遺伝子コードをそ
の問題の最適解とする（図５）。The genetic algorithm (GA) converts the solution of the problem to be solved into a symbol string representation called a chromosome, converts these chromosomes into a symbol string representation called a genetic operation, This is a stochastic calculation method in which a group of chromosomes is changed little by little by repeatedly performing a calculation called a genetic operation to obtain an optimal solution or a solution comparable to the optimal solution. In GA, the genetic code of an organism is represented by a one-dimensional array of character strings as a solution to the optimization problem, and individual populations with different genetic codes (Fig. 4) repeat selection and proliferation based on the survival of the fittest.
Fitness for a given problem increases with each generation. Each individual has a fitness calculated using a fitness function. Generally, the closer to the solution of a problem, the higher the fitness, and the higher the fitness, the higher the probability of surviving the next generation. After applying GA and evolving the population sufficiently,
The genetic code of the individual with the highest fitness in the group is set as the optimal solution to the problem (FIG. 5).
【００１５】一方、遺伝的プログラミング（GP）は基本
的な動作部分はGAと同じであるが、GAにおいて1次元の
文字列で表される遺伝子コードをツリー構造状にするこ
とによって、プログラムなどの最適化をより効率的に行
えるように拡張した手法である。各個体の遺伝子コード
を表すツリーは、ユーザが設定した終端記号と非終端記
号から構成される。葉ノードとなるのが終端記号で、内
部ノードとなるのが非終端記号である。GA・GPの基本的
な処理の流れは以下のとおりである（図６）。初期の個
体集団をランダムに作成し、各個体の適応度を評価す
る。個体の複製のために親集合を選択する。親集合から
交叉、突然変異によって子集合を生成する。生成した子
集合の適応度を評価する。親集合と子集合より生存する
個体を選択し新しい集団とする。(2)〜(4)を繰り返す。On the other hand, genetic programming (GP) has the same basic operation part as GA. However, the genetic code represented by a one-dimensional character string in GA is formed into a tree structure, so that programs such as programs can be implemented. This is an extended method to perform optimization more efficiently. The tree representing the genetic code of each individual is composed of terminal symbols and non-terminal symbols set by the user. Leaf nodes are terminal symbols, and internal nodes are non-terminal symbols. The basic processing flow of GA / GP is as follows (Fig. 6). An initial population of individuals is randomly created and the fitness of each individual is evaluated. Select a parent set for individual replication. A child set is generated by crossover and mutation from the parent set. Evaluate the fitness of the generated child set. The surviving individuals are selected from the parent set and the child set to form a new group. (2) to (4) are repeated.
【００１６】初期個体の生成は次に示す規則に基づいて
行う。ツリーのルートノードには必ず非終端記号を生成
し、それ以降は各ノードが終端記号である確率をpt、非
終端記号である確率を数１として生成する。The generation of an initial individual is performed based on the following rules. A nonterminal symbol is always generated at the root node of the tree, and thereafter, the probability that each node is a terminal symbol is generated as p t , and the probability that each node is a nonterminal symbol is generated as Equation 1.
【数１】pf=1-pt 非終端記号が生成されたときに１入力フィルタである確
率をp1、２入力フィルタである確率を数２とし、１個体
あたりの非終端記号すなわちフィルタの総数の期待値を
nfとすると、1個体あたりのフィルタ総数の期待値ntは
数３となり、終端記号の生成確率ptは数４となる。The probability is 1 input filter when Equation 1] p f = 1-p t nonterminal is generated p 1, 2 input probability that filter the number 2, the total number of non-terminal symbol or filter per mouse The expected value of
Assuming that n f , the expected value n t of the total number of filters per individual is given by Expression 3, and the terminal symbol generation probability pt is given by Expression 4.
【数２】p2=1-p1 [Equation 2] p 2 = 1-p 1
【数３】nt=1+nfp2 [Equation 3] n t = 1 + n f p 2
【数４】pt=nt/(nf-1+nt) ただし、フィルタの数が上限数nmaxに達した場合は無条
件で終端記号を生成する。また、生成したツリー構造に
含まれるフィルタの数が初期個体の下限数nmin未満であ
った場合には、もう一度そのツリー構造を生成しなお
す。フィルタの上限数nmax、フィルタの数の期待値nf、
フィルタの下限数nmin、１入力フィルタ生成確率p1はAC
TIT実行時にパラメータとして与える。Equation 4] p t = n t / (n f -1 + n t) However, if the number of filter has reached the upper limit number n max to produce a terminal symbol unconditionally. If the number of filters included in the generated tree structure is less than the lower limit number n min of the initial individual, the tree structure is generated again. The maximum number of filters n max , the expected number of filters n f ,
Filter lower limit number n min , 1-input filter generation probability p 1 is AC
Give as a parameter when executing TIT.
【００１７】交叉、突然変異はGPでは各個体を表すツリ
ー構造に対して適用する。ツリー構造に対する交叉（図
７）は、親２個体それぞれの全ノードからランダムに選
択し、任意のノード以下の部分ツリーを交換することに
よって行う。いずれかの個体のフィルタ数が0になるかn
maxを超えた場合にはもう一度交叉をやり直す。交叉後
ｂに各個体を突然変異率Pmutの確率で突然変異させる
（図８）。突然変異は個体の全ノードからランダムに１
つを選択し、書き換えｄ、挿入ｅ、又は削除ｆという３
つの方法のうち１つを等確率で選択し実行する。ただし
選択されたノードが終端ノード1である場合には、削除
ｆ以外のどちらか一方を等確率で選択して実行する。新
しいノードを生成する場合は終端記号の生成確率ptを用
いる。突然変異の結果、個体のフィルタ数が0になるかn
maxを超えた場合には、もう一度突然変異をやり直す。
ここで示した突然変異率Pmutも他のパラメータ同様ACTI
T実行時に与える。In the GP, crossover and mutation are applied to a tree structure representing each individual. Crossover for the tree structure (FIG. 7) is performed by randomly selecting from all nodes of each of the two parent individuals and exchanging a partial tree below an arbitrary node. Whether the number of filters of any individual becomes 0 or n
If it exceeds max , repeat the crossover again. After the crossover b, each individual is mutated with a probability of a mutation rate P mut (FIG. 8). Mutation is randomly 1 from all nodes of the individual
Select one of the three, and rewrite d, insert e, or delete f.
One of the two methods is selected and executed with equal probability. However, when the selected node is the terminal node 1, one of the nodes other than the deletion f is selected and executed with equal probability. When generating a new node, the terminal symbol generation probability pt is used. Whether the number of filters of the individual becomes 0 as a result of the mutation or n
If it exceeds max , repeat the mutation again.
The mutation rate P mut shown here is the same as for the other parameters.
Give at the time of T execution.
【００１８】適応度評価のために数５の関数を用いる。The function of Equation 5 is used for fitness evaluation.
【数５】 適応度は出力画像と目標画像との重み付けした距離を正
規化し、画像の全セットでの平均をとることによって求
める。ここで，{ok(i,j)}は原画像にツリー構造状画像
変換を適用することで得られた出力画像、{tk(i,j)}は
目標画像、{wk(i,j)}は重み画像である。重み画像と
は、各目標画像の画素ごとの達成希望度をあらわすもの
であり、値が大きいほど出力が目標画像と一致すること
が望まれる。また、各画像はi，j方向の画素数をW、Hと
し、各画素は0からVmaxまでの整数値をとるものとす
る。原画像・目標画像・重み画像の組は複数用意するこ
とができ、そのセット数をKとする。適応度は0から1ま
での値をとり、出力画像が目標画像に類似しているほど
大きな値をとり、完全に一致すれば1となる。(Equation 5) The fitness is determined by normalizing the weighted distance between the output image and the target image, and averaging the entire set of images. Here, {o k (i, j )} is the output image obtained by applying the tree structure like the image conversion on the original image, {t k (i, j )} is the target image, {w k (i , j)} is a weighted image. The weighted image indicates the degree of desired achievement of each pixel of each target image, and it is desired that the output becomes more consistent with the target image as the value becomes larger. Further, each image i, the number of pixels j direction W, and H, each pixel is assumed to take an integer value from 0 to V max. A plurality of sets of an original image, a target image, and a weight image can be prepared, and the number of sets is K. The fitness value takes a value from 0 to 1, and takes a larger value as the output image is more similar to the target image, and becomes 1 when the output image completely matches.
【００１９】ACTITは複数の画像を入力して１つの画像
を出力する変換について、任意の画像変換を自動構築す
ることから、カラー画像を処理する際には個体の遺伝子
コードがとる終端記号の種類をカラー画像のHSV（Hue：
色相、Saturation：彩度、Value：明度）、RGB(Red：
赤、Green：緑、Blue：青)などの表色系へと変換した各
チャンネルとすることによって、カラー画像から階調画
像への画像変換の構築が可能となる。ACTIT automatically constructs an arbitrary image conversion for conversion of inputting a plurality of images and outputting one image. Therefore, when processing a color image, the type of terminal symbol that is taken by the genetic code of the individual is used. The color image of the HSV (Hue:
Hue, Saturation: Saturation, Value: Lightness, RGB (Red:
By using each channel converted into a color system such as red, green: green, and blue: blue, it is possible to construct an image conversion from a color image to a gradation image.
【００２０】[0020]
【発明が解決しようとする課題】ACTITで自動構築した
画像変換処理手順を用いることで、検査画像から印刷物
の不良欠点抽出処理を行うことにより、比較的はっきり
とした不良欠点部分のある検査画像については、かなり
の精度での不良欠点の抽出が可能となるが、人間の目で
はわかりにくく、判断のつきにくい淡い油汚れ等の不良
欠点については、該手法を単に印刷物の不良欠点抽出処
理に適用しただけでは、精度良く不良欠点を抽出できな
いという問題がある。SUMMARY OF THE INVENTION By using an image conversion procedure automatically constructed by ACTIT, a defect defect extraction process of a printed matter is performed from an inspection image, so that an inspection image having a relatively clear defect defect portion can be obtained. Can detect defective defects with considerable accuracy, but for defective defects such as pale oil stains that are difficult for human eyes to understand and difficult to judge, this method is simply applied to defective defect extraction processing of printed matter. There is a problem that it is not possible to accurately extract a defective defect only by doing so.
【００２１】本発明は、係る問題を解決するためになさ
れたもので、その目的とするところは、従来の画像処理
技術では抽出及び画像処理生成が困難である印刷物との
濃度差がほとんどなく、肉眼では検出が困難な印刷物の
不良欠点部分の画像抽出処理において、ACTITを使用す
るとともに、これを印刷物の不良欠点抽出処理に特化
し、より抽出精度を高めるための階調画像の追加及びそ
れらを比較演算処理するための画像変換処理フィルタの
導入により、未知のどのような印刷物の不良欠点であっ
ても、容易かつ的確に抽出できる方法及び装置を提供す
るものである。SUMMARY OF THE INVENTION The present invention has been made to solve the above-mentioned problem, and has an object to hardly cause a difference in density from a printed matter which is difficult to extract and generate by image processing with conventional image processing technology. ACTIT is used in the image extraction processing of defective defects on printed materials that are difficult to detect with the naked eye, and this is specialized in defective defect extraction processing of printed materials, and the addition of gradation images to enhance extraction accuracy and their It is an object of the present invention to provide a method and an apparatus that can easily and accurately extract any unknown defective defect of a printed matter by introducing an image conversion processing filter for performing a comparison operation process.
【００２２】[0022]
【課題を解決するための手段】本発明は、印刷物の画像
データを取り込むデータ入力手段と、該画像データから
印刷物の不良欠点を抽出するための画像変換処理フィル
タを指定し、画像変換処理フィルタを最適化するための
パラメータを設定するデータ操作・指定手段と、前記画
像データを階調画像に変換し、前記パラメータ設定値と
前記画像変換処理フィルタにより、印刷物の不良欠点を
抽出する画像変換処理手順を自動構築し、前記印刷物の
不良欠点を抽出処理して、前記印刷物の不良欠点の有無
で良紙・不良紙を判別するデータ処理手段と、前記パラ
メータ設定値、前記画像データ、及び前記画像変換処理
手順を記憶するデータ記憶手段と、前記画像変換処理手
順及び前記印刷物の不良欠点を抽出した画像を出力・表
示するデータ出力・表示手段とから構成されている。According to the present invention, there is provided a data input means for inputting image data of a printed material, and an image conversion processing filter for extracting a defective defect of the printed material from the image data. Data manipulation / designation means for setting parameters for optimization; and an image conversion processing procedure for converting the image data into a gradation image, and extracting defective defects of a printed matter by the parameter setting values and the image conversion processing filter. A data processing means for automatically constructing and extracting defective defects of the printed matter, and discriminating good or defective papers based on the presence or absence of defective defects in the printed matter, the parameter setting value, the image data, and the image conversion. A data storage unit for storing a processing procedure, and a data output for outputting and displaying the image obtained by extracting the image conversion processing procedure and the defective defect of the printed matter And a display means.
【００２３】また、本発明は、入力画像データが印刷物
の不良欠点を含む検査画像データ及び該検査画像データ
から印刷物の不良欠点のみを抽出した目標画像データで
構成され、前記データ処理手段の画像変換処理手順の自
動構築処理手段において、遺伝的アルゴリズムを画像処
理に適用した遺伝的プログラミングで画像変換処理フィ
ルタのツリー構造状組み合わせを最適化処理すること
で、前記画像変換処理手順を自動構築することを特徴と
する。According to the present invention, the input image data is composed of inspection image data including defective defects of the printed matter and target image data obtained by extracting only defective defects of the printed matter from the inspected image data. In the automatic construction processing means of the processing procedure, the image transformation processing procedure is automatically constructed by optimizing a tree structure-like combination of image transformation processing filters by genetic programming applying a genetic algorithm to image processing. Features.
【００２４】また、本発明は、データ処理手段の遺伝的
アルゴリズムを画像処理に適用した遺伝的プログラミン
グで画像変換処理フィルタのツリー構造状組み合わせを
最適化処理するツリー構造状画像変換の自動生成手段に
おいて、印刷物の不良欠点を含む検査画像データ及び該
検査画像データから印刷物の不良欠点のみを抽出した目
標画像データに、印刷物の不良欠点を一切含まない基準
画像データを加えることを特徴とする。The present invention also relates to an automatic tree structure image generation means for optimizing a tree structure combination of image conversion processing filters by genetic programming in which a genetic algorithm of data processing means is applied to image processing. The present invention is characterized in that reference image data that does not include any defective defects in printed matter is added to inspection image data including defective defects in printed matter and target image data in which only defective defects in printed matter are extracted from the inspection image data.
【００２５】また、本発明は、前記ツリー構造状画像変
換の自動生成手段において、印刷物の不良欠点を含む検
査画像データ、該検査画像データから前記印刷物の不良
欠点のみを抽出した目標画像データ、及び印刷物の不良
欠点を一切含まない基準画像データからなる標準画像セ
ットデータに、適応度評価の度合いを表現した重み画像
データを加えることを特徴とする。In the present invention, in the automatic generation means for tree-structured image conversion, inspection image data including defective defects of a printed matter, target image data obtained by extracting only defective defects of the printed matter from the inspection image data, It is characterized in that weighted image data expressing the degree of fitness evaluation is added to standard image set data composed of reference image data that does not include any defective defects of printed matter.
【００２６】また、本発明は、前記ツリー構造状画像変
換の自動生成手段において、印刷物の不良欠点を含む検
査画像データと印刷物の不良欠点を一切含まない基準画
像データ、又は／及び検査画像データと適応度評価の度
合いを表現した重み画像データ、又は／及び基準画像デ
ータと重み画像データとを比較演算処理を行うための画
像変換処理フィルタを導入することを特徴とする。According to the present invention, in the automatic generation means for tree-structured image conversion, the inspection image data containing defective defects of the printed matter and the reference image data and / or the inspection image data containing no defective defects of the printed matter at all. It is characterized by introducing an image conversion processing filter for performing comparison operation processing between weighted image data and / or reference image data and weighted image data expressing the degree of fitness evaluation.
【００２７】また、本発明は、パラメータ設定手段にお
いて、任意の画像変換処理フィルタの組み合わせである
ツリー構造を一個体として、その複数個体に遺伝的プロ
グラミングを用いることで個体数を定義する個体集団
数、一個体当たりの画像変換処理フィルタ数の最大値、
前記ツリー構造状画像変換の自動生成手段における遺伝
的プログラミング処理の交叉確率・突然変異率、及び世
代交代の上限数とからなることを特徴とする。Further, according to the present invention, in the parameter setting means, a tree structure which is a combination of arbitrary image conversion processing filters is defined as one individual, and the number of individuals is defined by using genetic programming for the plurality of individuals. , The maximum number of image conversion processing filters per individual,
It is characterized by comprising a crossover probability / mutation rate of the genetic programming process in the automatic generation means for tree-structured image conversion and an upper limit number of generation alternation.
【００２８】また、本発明は、印刷された印刷物の画像
データをデータ入力手段で入力し、該画像データを階調
画像変換処理手段で階調画像変換処理を施し、該階調画
像変換処理データを基に、不良欠点抽出処理手段で印刷
物の不良欠点を抽出し、抽出した印刷物の不良欠点抽出
画像データを画像データ記憶手段に記憶保存するととも
に、印刷物の不良欠点抽出画像データを出力・表示する
ことを特徴とする。Further, according to the present invention, image data of a printed material is inputted by data input means, and the image data is subjected to gradation image conversion processing by gradation image conversion processing means. Based on the above, defective defect extraction processing means extracts defective defects of the printed matter, stores the extracted defective defect extracted image data of the printed matter in the image data storage means, and outputs / displays the defective defect extracted image data of the printed matter. It is characterized by the following.
【００２９】また、本発明は、印刷物の不良欠点抽出処
理手段により、印刷物から印刷物の不良欠点抽出画像デ
ータを抽出した場合は、データ処理手段の良否判別処理
手段により不良紙と判断し、又は印刷物の不良欠点抽出
処理手段により、印刷物から印刷物の不良欠点抽出画像
データを抽出しなかった場合は、前記良否判別処理手段
により良紙と判断することを特徴とするFurther, according to the present invention, when defective defect extraction image data of a printed matter is extracted from the printed matter by the defective defect extraction processing means of the printed matter, the data is judged to be defective by the pass / fail judgment processing means of the data processing means, or If no defective defect extraction image data of the printed matter is extracted from the printed matter by the defective defect extraction processing means, the paper is judged to be good by the quality judgment processing means.
【００３０】なお、本発明の印刷物の不良欠点抽出手段
により抽出する印刷物は、有価証券類であることを特徴
とする。The printed matter extracted by the defective defect extracting means of the printed matter of the present invention is characterized by being securities.
【００３１】[0031]
【発明の実施の形態】本発明の詳細な流れについて図１
及び２を基に説明する。標準画像セットをデータ入力部
Aに入力S1し、データ処理部Dの階調画像変換処理部D1で
階調画像変換処理S2を施し、データ操作・指定部Bの画
像変換処理フィルタ指定部B2においてACTIT処理D2で使
用する画像変換処理フィルタを指定S3する。パラメータ
設定部Bでは、ACTITのパラメータを設定S4し、初期個体
集団をランダムに生成S5し、適応度の評価S6を行う。DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS FIG.
And 2 will be described. Data input section for standard image set
Input S1 to A, apply gradation image conversion processing S2 in gradation image conversion processing section D1 of data processing section D, and use image in ACTIT processing D2 in image conversion processing filter specification section B2 of data manipulation / designation section B Specify S3 the conversion processing filter. The parameter setting section B sets ACTIT parameters S4, randomly generates an initial population of individuals S5, and performs fitness evaluation S6.
【００３２】前記の適応度評価により親集団をランダム
に選択S7し、最適化処理部D21で交叉するものをランダ
ムに選択S8し、選択されたものは交叉S9を開始し、一個
体当たりの画像処理フィルタ数nが0（S10）になるとも
う一度交叉S9をやり直し、画像処理フィルタ数が0では
なく最大値nmax（S10）に達した場合も交叉S9をやり直
す。Based on the fitness evaluation described above, a parent group is randomly selected (S7), and the crossover is randomly selected (S8) by the optimization processing unit D21, and the selected one starts a crossover S9, and an image per individual is started. When the number n of processing filters becomes 0 (S10), the crossover S9 is performed again. When the number of image processing filters reaches the maximum value nmax (S10) instead of 0, the crossover S9 is performed again.
【００３３】一個体当たりの画像処理フィルタ数nが0＜
n＜nmaxの範囲内で処理されたもの、及び交叉の処理が
成されていないものは、突然変異率で確率的に選択S12
されて突然変異処理の書き換えS12a、挿入S12b、又は削
除S12cの処理を行い、画像変換処理手順、個体集団デー
タ及び処理後の各種パラメータを記憶保存S13する。な
お、突然変異処理が成されていないものについても、個
体集団データ及び処理後の各種パラメータを記憶保存S1
3する。The number n of image processing filters per individual is 0 <
Those processed within the range of n <nmax and those not subjected to crossover are selected stochastically at the mutation rate S12
Then, the process of rewriting S12a, insertion S12b, or deletion S12c of the mutation process is performed, and the image conversion process procedure, individual population data, and various parameters after the process are stored and stored S13. Note that, even for those that have not been subjected to mutation processing, individual population data and various parameters after processing are stored and saved.
3
【００３４】前記画像変換処理手順による画像変換処理
の適応度を適応度評価部D22で評価S14し、適応度が1に
なるか、若しくは適応度が１とはならなくても目標とす
る画像処理が達成された場合、画像変換処理手順は最適
化されているものと判断され、その手順を画像変換処理
手順記憶部C3に記憶保存S17する。また、適応度が1に等
しくなく、かつ、世代交代数が上限値S15に達した場合
も画像変換処理手順は最適化されているものと判断さ
れ、同様の手順で処理される。The fitness of the image conversion processing according to the above-mentioned image conversion processing procedure is evaluated S14 by the fitness evaluation unit D22, and the fitness of the fitness becomes 1 or even if the fitness does not become 1, the target image processing is performed. Is achieved, it is determined that the image conversion processing procedure has been optimized, and the procedure is stored and saved S17 in the image conversion processing procedure storage unit C3. Also, when the fitness is not equal to 1 and the number of generation alternations reaches the upper limit S15, it is determined that the image conversion processing procedure has been optimized, and the image conversion processing procedure is performed in the same procedure.
【００３５】適応度が1（S14）に等しくなく、かつ、世
代交代数も上限値S15に達しない場合は、親集団及び子
集団より次世代生存個体を適応度に応じて選択S16し、
親集団のランダム選択工程S7に戻り前記工程を繰り返
す。If the fitness is not equal to 1 (S14) and the number of generation alternations does not reach the upper limit S15, the next generation surviving individual is selected S16 from the parent group and the child group according to the fitness, and S16 is selected.
Returning to the parent population random selection step S7, the above steps are repeated.
【００３６】次に、印刷された一般的な検査対象物の一
般検査画像をデータ入力部Aに入力S18し、階調画像変換
処理部Dで階調画像変換処理S19を行い、前記処理で得ら
れた最適化画像変換処理により不良欠点画像抽出処理S2
0を行い、不良欠点の有無S21を良否判定処理部D4で行
い、不良欠点画像が抽出された場合は不良紙として判断
S22し、そうでない場合は良紙として判断S23する。Next, the printed general inspection image of the general inspection object is input to the data input unit A (S18), and the gradation image conversion processing unit D performs the gradation image conversion processing S19. Defective defect image extraction processing S2 by the optimized image conversion processing
0, and the presence / absence of a defective defect S21 is performed by the pass / fail judgment processing unit D4. If a defective defect image is extracted, it is determined as a defective paper.
If S22, otherwise, it is judged as good paper S23.
【００３７】次に実施例により印刷物の不良欠点抽出方
法について説明する（図９）。 （実施例）まず、基準画像２、検査画像４、目標画像
５、及び重み画像からなる画像郡を用意するが、基準画
像２は汚れがなく、色むらの少ないものを選定し、検査
画像４は油汚れの画像郡の中から汚れの特徴を良く表し
ていると思われる画像を標準画像として選択する。Next, a method for extracting defective defects in a printed matter will be described with reference to an embodiment (FIG. 9). (Embodiment) First, an image group including a reference image 2, an inspection image 4, a target image 5, and a weight image is prepared. The reference image 2 having no stain and having less color unevenness is selected. Selects, as a standard image, an image that seems to well represent the characteristics of the stain from among the image stain groups.
【００３８】目標画像５は選択した検査画像４から、期
待する画像変換処理の結果となる画像を作成する。必要
であれば適応度評価の重みを表現した重み画像を作成
し、基準画像２、検査画像４、目標画像５、及び重み画
像の標準画像セットを階調画像変換処理部D1で階調画像
に変換する。As the target image 5, from the selected inspection image 4, an image that is the result of the expected image conversion processing is created. If necessary, a weight image expressing the weight of the fitness evaluation is created, and the standard image set of the reference image 2, the inspection image 4, the target image 5, and the weight image is converted into a gradation image by the gradation image conversion processing unit D1. Convert.
【００３９】次に、ACTITの遺伝的プログラミング（G
P）の最適化処理で用いる各パラメータをパラメータ設
定部B1で設定し、標準画像セットをACTITで処理する。G
Pによるツリー構造状画像変換の最適化処理D21が行わ
れ、適応度が最大値の1となった時、又は設定した世代
数が全て終了した時点で処理は終わり、出力されるもの
として最大適応度を持つ最適化画像変換処理手順が得ら
れる。Next, the genetic programming of ACTIT (G
Each parameter used in the optimization processing of P) is set by the parameter setting unit B1, and the standard image set is processed by ACTIT. G
The optimization process D21 of the tree structure image conversion by P is performed, and when the fitness reaches the maximum value of 1 or when the set number of generations is completed, the process ends, and the maximum adaptation as output is performed An optimized image conversion processing procedure having a certain degree is obtained.
【００４０】続いて、上記で得られた最適化画像変換処
理手順を基にして、印刷機を稼動させて、印刷機上のCC
Dカメラ等で印刷された印面を検査して、本発明の方法
により油汚れ等の不良欠点のある印面から未知の不良欠
点７を抽出した場合、それを不良紙と判断して、印刷機
の正規の良紙排出部ではない不良紙排出部に排出され
て、自動的に良紙・不良紙の仕分けを行う。Subsequently, based on the optimized image conversion processing procedure obtained above, the printing press is operated and the CC on the printing press is operated.
When the stamped surface printed by a D camera or the like is inspected, and an unknown defective defect 7 is extracted from the stamped surface having a defective defect such as oil stain by the method of the present invention, it is determined to be a defective sheet, and The paper is discharged to a defective paper discharge part that is not a regular good paper discharge part, and the good paper and the defective paper are automatically sorted.
【００４１】[0041]
【発明の効果】本発明では、不良欠点を抽出する処理を
自動構築でき、基準画像、検査画像、及び目標画像を設
定する簡単な作業で済むので画像処理に関する経験・知
識をほとんど必要としない。According to the present invention, a process for extracting a defective defect can be automatically constructed, and a simple operation of setting a reference image, an inspection image, and a target image is sufficient, so that almost no experience and knowledge on image processing are required.
【００４２】また、従来は判別しにくい汚れに対しても
新たに特殊なフィルタを追加することにより処理を容易
に短時間に構築でき、人間では考え付くことができない
処理手順を探索することが出来る。In addition, by adding a new special filter to dirt that is difficult to discriminate conventionally, the processing can be easily constructed in a short time, and a processing procedure that cannot be considered by humans can be searched.
【００４３】また、事前に用意するフィルタの種類や適
用順序に関する制限を必要としないため、画像処理の知
識に基づく処理手順の制限、又はシステムとの対話によ
るユーザへの負担が解消される。Further, since there is no need to restrict the types of filters prepared in advance and the order of application, restrictions on the processing procedure based on knowledge of image processing or the burden on the user due to interaction with the system are eliminated.
【００４４】また、画像処理フィルタ列をあらわすツリ
ー構造の最適化を行うことにより目的の画像を得られる
ことから、特徴量の抽出やニューラルネットワークの最
適化のための試行錯誤を必要としないし、知識データベ
ースを必要としないので未知画像への対応も容易に可能
である。Further, since a target image can be obtained by optimizing a tree structure representing an image processing filter array, trial and error for extracting feature amounts and optimizing a neural network are not required. Since no knowledge database is required, it is possible to easily deal with unknown images.
【００４５】また、従来の画像処理技術では抽出及び画
像処理生成が困難である印刷物との濃度差がほとんどな
く、肉眼では検出が困難な印刷物の不良欠点部分の画像
抽出処理において、ACTITに基準画像並びに重み画像の
比較画像の追加及びそれらを比較演算処理するための画
像変換処理フィルタの導入により、印刷物の不良欠点抽
出処理に特化することで、未知のどのような印刷物の不
良欠点であっても、容易かつ的確に抽出することが可能
である。Further, in the image extraction processing of a defective portion of a printed matter which is hardly detected by the naked eye because there is almost no difference in density from a printed matter which is difficult to extract and generate image processing by the conventional image processing technology, the ACTIT is used as a reference image. By adding a comparison image of the weighted image and introducing an image conversion processing filter for performing a comparison operation on the weighted image, by specializing in the defective defect extraction processing of the printed matter, any unknown defective defect of the printed matter can be obtained. Can also be easily and accurately extracted.
【図１】本発明に係る印刷物の不良欠点抽出方法の構成
図である。FIG. 1 is a configuration diagram of a method for extracting a defective defect of a printed matter according to the present invention.
【図２】本発明に係る印刷物の不良欠点抽出方法におけ
る画像データの入力から不良欠点の有無を判断するまで
の流れ図である。FIG. 2 is a flowchart from the input of image data to the determination of the presence or absence of a defective defect in the method for extracting defective defects in printed matter according to the present invention.
【図３】本発明に係るツリー構造状に組み合わされた画
像処理フィルタを示す図である。FIG. 3 is a diagram showing an image processing filter combined in a tree structure according to the present invention.
【図４】本発明に係る遺伝的アルゴリズムの遺伝子コー
ドを示す図である。FIG. 4 is a diagram showing a genetic code of a genetic algorithm according to the present invention.
【図５】本発明に係る遺伝的プログラミングの最適化処
理における世代数と適応度の関係を示す図である。FIG. 5 is a diagram showing the relationship between the number of generations and the fitness in the optimization processing of genetic programming according to the present invention.
【図６】本発明に係る遺伝的プログラミングの基本的な
流れを示す図である。FIG. 6 is a diagram showing a basic flow of genetic programming according to the present invention.
【図７】本発明に係る遺伝的プログラミングの最適化処
理のうち、交叉を示す図である。FIG. 7 is a diagram showing crossover in the optimization processing of the genetic programming according to the present invention.
【図８】本発明に係る遺伝的プログラミングの最適化処
理のうち、突然変異を示す図である。FIG. 8 is a diagram showing a mutation in the optimization processing of the genetic programming according to the present invention.
【図９】本発明に係る入力画像である基準画像、検査画
像、目標画像、及び未知の不良欠点を抽出した画像を示
す図である。FIG. 9 is a diagram showing a reference image, an inspection image, a target image, and an image obtained by extracting an unknown defective defect, which are input images according to the present invention.
１ 葉ノード（終端） Fn 画像処理フィルタ（非終端） ａ 交叉前のツリー構造 ｂ 交叉後のツリー構造 ｃ 突然変異前のツリー構造 ｄ 書き換え後のツリー構造 ｅ 挿入後のツリー構造 ｆ 削除後のツリー構造 ２ 基本画像（有価証券） ３ 印刷物の不良欠点 ４ 検査画像 ５ 目標画像 ６ 未知の画像 ７ 未知の不良欠点抽出画像 1 Leaf node (terminal) Fn Image processing filter (non-terminal) a Tree structure before crossing b Tree structure after crossing c Tree structure before mutation d Tree structure after rewriting e Tree structure after insertion f Tree structure after deletion 2 Basic image (securities) 3 Defective defects of printed matter 4 Inspection image 5 Target image 6 Unknown image 7 Unknown defective defect extraction image
Claims (15)
力手段と、前記画像データから印刷物の不良欠点を抽出
するための画像変換処理フィルタを指定し、画像変換処
理フィルタを最適化するためのパラメータを設定するデ
ータ操作・指定手段と、前記画像データを階調画像に変
換し、前記パラメータ設定値と前記画像変換処理フィル
タにより、印刷物の不良欠点を抽出する画像変換処理手
順を自動構築し、前記印刷物の不良欠点を抽出処理し
て、前記印刷物の不良欠点の有無で良紙・不良紙を判別
するデータ処理手段と、前記パラメータ設定値、前記画
像データ、及び前記画像変換処理手順を記憶するデータ
記憶手段と、前記画像変換処理手順及び前記印刷物の不
良欠点を抽出した画像を出力・表示するデータ出力・表
示手段とからなる印刷物の不良欠点抽出処理装置におい
て、入力画像データが印刷物の不良欠点を含む検査画像
データ及び前記検査画像データから前記印刷物の不良欠
点のみを抽出した目標画像データで構成され、前記デー
タ処理手段の画像変換処理手順の自動構築処理手順は、
遺伝的アルゴリズムを画像処理に適用した遺伝的プログ
ラミングで画像変換処理フィルタのツリー構造状組み合
わせを最適化処理することで、最適化画像変換処理手順
を自動構築することを特徴とする印刷物の不良欠点抽出
装置。1. A data input unit for capturing image data of a printed matter, an image conversion processing filter for extracting a defective defect of the printed matter from the image data, and a parameter for optimizing the image conversion processing filter are set. A data operation / designating means for converting the image data into a gradation image, and automatically constructing an image conversion processing procedure for extracting a defective defect of a printed matter by the parameter setting value and the image conversion processing filter, Data processing means for extracting defective defects and discriminating between good paper and defective paper based on the presence or absence of defective defects in the printed matter, and data storage means for storing the parameter set values, the image data, and the image conversion processing procedure And a data output / display unit for outputting / displaying an image obtained by extracting the image defect processing procedure and the defective defect of the printed matter. In the defective defect extraction processing device for an object, the input image data is composed of inspection image data including the defective defect of the printed material and target image data obtained by extracting only the defective defect of the printed material from the inspection image data. The automatic construction processing procedure of the conversion processing procedure
Defective defect extraction of printed material characterized by automatically constructing an optimized image conversion processing procedure by optimizing the tree structure-like combination of image conversion processing filters by genetic programming that applies a genetic algorithm to image processing apparatus.
ムを画像処理に適用した遺伝的プログラミングで画像変
換処理フィルタのツリー構造状組み合わせを最適化処理
するツリー構造状画像変換の自動生成手段において、印
刷物の不良欠点を含む前記検査画像データ及び前記検査
画像データから印刷物の不良欠点のみを抽出した前記目
標画像データに、印刷物の不良欠点を一切含まない基準
画像データを加えることを特徴とする請求項１記載の印
刷物の不良欠点抽出装置。2. An automatic tree structure image generation means for optimizing a tree structure combination of image conversion filters by genetic programming in which the genetic algorithm of the data processing means is applied to image processing. 2. The inspection image data including a defective defect and reference image data including no defective defect of a printed material are added to the target image data obtained by extracting only a defective defect of the printed material from the inspection image data. Defective defect extraction device for printed matter.
ムを画像処理に適用した遺伝的プログラミングで画像変
換処理フィルタのツリー構造状組み合わせを最適化処理
する前記ツリー構造状画像変換の自動生成手段におい
て、印刷物の不良欠点を含む前記検査画像データ、前記
検査画像データから前記印刷物の不良欠点のみを抽出し
た前記目標画像データ、及び印刷物の不良欠点を一切含
まない前記基準画像データとからなる標準画像セットデ
ータに、適応度評価の度合いを表現した重み画像データ
を加えることを特徴とする請求項１及び２記載の印刷物
の不良欠点抽出処理装置。3. The tree-structured image conversion automatic generation means for optimizing a tree-structured combination of image conversion processing filters by genetic programming in which the genetic algorithm of the data processing means is applied to image processing. The inspection image data including the defective defect, the target image data extracted only the defective defect of the printed matter from the inspection image data, and the standard image set data including the reference image data including no defective defect of the printed material at all. 3. The apparatus according to claim 1, further comprising adding weighted image data expressing a degree of fitness evaluation.
ムを画像処理に適用した遺伝的プログラミングで画像変
換処理フィルタのツリー構造状組み合わせを最適化処理
する前記ツリー構造状画像変換の自動生成手段におい
て、印刷物の不良欠点を含む前記検査画像データと印刷
物の不良欠点を一切含まない前記基準画像データ、又は
／及び前記検査画像データと適応度評価の度合いを表現
した前記重み画像データ、又は／及び前記基準画像デー
タと前記重み画像データとを比較演算処理を行うための
画像変換処理フィルタを導入することを特徴とする請求
項１及至３記載の印刷物の不良欠点抽出処理装置。4. The tree-structured image conversion automatic generation unit for optimizing a tree-structured combination of image conversion processing filters by genetic programming in which the genetic algorithm of the data processing unit is applied to image processing, The inspection image data including the defective defect of the above and the reference image data containing no defective defect of the printed matter, and / or the inspection image data and the weighted image data expressing the degree of fitness evaluation, and / or the reference image 4. The defective defect extraction processing apparatus for printed matter according to claim 1, further comprising an image conversion processing filter for performing a comparison operation between data and the weighted image data.
の画像変換処理フィルタの組み合わせであるツリー構造
を一個体として、その複数個体に遺伝的アルゴリズムを
画像処理に適用した前記遺伝的プログラミングを用いる
ことで個体数を定義する個体集団数、一個体当たりの画
像変換処理フィルタ数の最大値、遺伝的アルゴリズムを
画像処理に適用した遺伝的プログラミングで画像変換処
理フィルタのツリー構造状組み合わせを最適化処理する
前記ツリー構造状画像変換の自動生成手段における交叉
確率・突然変異率、及び世代交代の上限数とからなるこ
とを特徴とする請求項１及至４記載の印刷物の不良欠点
抽出処理装置。5. The method according to claim 1, wherein the parameter setting means uses a tree structure, which is a combination of arbitrary image conversion processing filters, as one individual and uses the genetic programming in which a genetic algorithm is applied to image processing for a plurality of individuals. The number of individual groups defining the number, the maximum value of the number of image conversion processing filters per individual, the tree for optimizing the tree structure combination of image conversion processing filters by genetic programming applying a genetic algorithm to image processing The defective defect extraction processing apparatus for printed matter according to claim 1, wherein the defect detection processing apparatus comprises a crossover probability / mutation rate and an upper limit number of generational changes in an automatic generation unit for structural image conversion.
ータ入力手段で入力し、前記データ入力手段で入力され
た前記画像データを前記階調画像変換処理手段で階調画
像変換処理を施し、前記階調画像変換処理手段で階調画
像変換処理を施した階調画像変換処理データを基に、前
記不良欠点抽出処理手段で印刷物の不良欠点を抽出し、
前記不良欠点抽出処理手段で抽出した印刷物の不良欠点
抽出画像データを前記画像データ記憶手段に記憶保存す
ると共に、前記印刷物の不良欠点抽出画像データを出力
・表示することを特徴とする請求項１及至５記載の印刷
物の不良欠点抽出処理装置。6. An image data of a printed matter that has been printed is input by the data input unit, and the image data input by the data input unit is subjected to a gradation image conversion process by the gradation image conversion processing unit. Based on the gradation image conversion processing data that has been subjected to the gradation image conversion processing by the gradation image conversion processing means, the defective defect extraction processing means extracts defective defects of the printed matter,
2. A method according to claim 1, further comprising: storing the defective defect extracted image data of the printed matter extracted by the defective defect extraction processing means in the image data storage means; and outputting and displaying the defective defect extracted image data of the printed matter. 5. A defective defect extraction processing apparatus for printed matter according to 5.
り、前記印刷物から印刷物の不良欠点抽出画像データを
抽出した場合は、前記データ処理手段の良否判別処理手
段により不良紙と判断し、又は前記印刷物の不良欠点抽
出処理手段により、前記印刷物から印刷物の不良欠点抽
出画像データを抽出しなかった場合は、前記データ処理
手段の良否判別処理手段により良紙と判断することを特
徴とする請求項１及至６記載の印刷物の不良欠点抽出処
理装置。7. When a defective defect extraction image data of a printed matter is extracted from the printed matter by the defective defect extraction processing means of the printed matter, the defective or defective judgment processing means of the data processing means determines that the sheet is defective or the printed matter is defective. And a defect determining unit of the data processing unit determines that the sheet is good if the defective defect extraction processing unit does not extract defective defect extracted image data of the printed material from the printed material. 6. A defective defect extraction processing apparatus for printed matter according to 6.
及び前記検査画像データから前記印刷物の不良欠点のみ
を抽出した目標画像データを入力するステップと、前記
検査画像データ及び前記目標画像データを基に、階調画
像データに画像変換するステップと、前記階調画像変換
処理ステップで処理されて、前記画像データ記憶ステッ
プで記憶保存されている前記階調画像変換処理データを
基に、遺伝的アルゴリズムを画像処理に適用した遺伝的
プログラミングで画像変換処理フィルタのツリー構造状
組み合わせを最適化処理するツリー構造状画像変換の自
動生成ステップにおいて、前記印刷物の不良欠点を抽出
するために指定する画像変換処理フィルタ指定ステップ
と、前記ツリー構造状画像変換の自動生成するステップ
において、画像変換処理手順を最適化し、自動構築する
ためのパラメータを設定するステップと、前記ツリー構
造状画像変換を自動生成するステップにより最適化され
た前記画像変換処理手順を記憶保存するステップと、前
記最適化画像変換処理手順により前記印刷物の不良欠点
を抽出するステップと、前記画像データを記憶するステ
ップで記憶保存している前記不良欠点を抽出処理するス
テップで抽出した前記不良欠点抽出画像データを基に、
前記印刷物の不良欠点抽出画像データを出力・表示する
ステップ及び前記ツリー構造状画像変換の自動生成ステ
ップにより最適化された前記画像変換処理手順を出力・
表示するステップとからなる印刷物の不良欠点抽出処理
方法。8. A step of inputting inspection image data including defective defects of the printed matter and target image data obtained by extracting only the defective defects of the printed matter from the inspection image data, and based on the inspection image data and the target image data. Converting the image into gradation image data, and performing a genetic algorithm based on the gradation image conversion processing data that has been processed in the gradation image conversion processing step and stored and stored in the image data storage step. An image conversion processing filter designated to extract defective defects of the printed matter in an automatic generation step of tree structure image conversion for optimizing a tree structure combination of image conversion processing filters by genetic programming applied to image processing; In the specifying step and the step of automatically generating the tree-structured image conversion, the image conversion Optimizing a processing procedure, setting parameters for automatic construction, storing the image conversion processing procedure optimized by automatically generating the tree-structured image conversion, and storing the optimized image. Extracting the defective defect of the printed matter by a conversion processing procedure, and extracting the defective defect stored in the step of storing the image data.
Outputting and displaying the defective defect extraction image data of the printed matter; and outputting the image conversion processing procedure optimized by the automatic generation step of the tree structure image conversion.
Displaying a defective defect of a printed matter, the method comprising a step of displaying.
リズムを画像処理に適用した遺伝的プログラミングで画
像変換処理フィルタのツリー構造状組み合わせを最適化
処理するツリー構造状画像変換の自動生成ステップにお
いて、印刷物の不良欠点を含む前記検査画像データ及び
前記検査画像データから前記印刷物の不良欠点のみを抽
出した前記目標画像データに、印刷物の不良欠点を一切
含まない基準画像データを加えることを特徴とする請求
項８記載の印刷物の不良欠点抽出方法。9. An automatic tree structure image conversion step of optimizing a tree structure combination of image conversion filters by genetic programming in which the genetic algorithm of the data processing step is applied to image processing, 9. The inspection image data including a defective defect and reference image data including no defective defect of a printed material are added to the target image data obtained by extracting only the defective defect of the printed material from the inspection image data. Method for extracting defective defects in printed matter described in the above.
ゴリズムを画像処理に適用した遺伝的プログラミングで
画像変換処理フィルタのツリー構造状組み合わせを最適
化処理する前記ツリー構造状画像変換の自動生成ステッ
プにおいて、印刷物の不良欠点を含む前記検査画像デー
タ、前記検査画像データから前記印刷物の不良欠点のみ
を抽出した前記目標画像データ、及び印刷物の不良欠点
を一切含まない前記基準画像データからなる標準画像セ
ットデータに、適応度評価の度合いを表現した重み画像
データを加えることを特徴とする請求項８及び９記載の
印刷物の不良欠点抽出処理方法。10. In the automatic generation step of tree-structured image conversion for optimizing a tree-structured combination of image conversion processing filters by genetic programming in which the genetic algorithm of the data processing step is applied to image processing, The inspection image data including the defective defect, the target image data extracted only the defective defect of the printed matter from the inspection image data, and the standard image set data including the reference image data that does not include any defective defect of the printed material, 10. The defective defect extraction processing method for printed matter according to claim 8, wherein weighted image data expressing the degree of fitness evaluation is added.
ゴリズムを画像処理に適用した遺伝的プログラミングで
画像変換処理フィルタのツリー構造状組み合わせを最適
化処理する前記ツリー構造状画像変換の自動生成ステッ
プにおいて、印刷物の不良欠点を含む前記検査画像デー
タと印刷物の不良欠点を一切含まない前記基準画像デー
タ、又は／及び前記検査画像データと適応度評価の度合
いを表現した前記重み画像データ、又は／及び前記基準
画像データと前記重み画像データとを比較演算処理を行
うための画像変換処理フィルタを導入することを特徴と
する請求項８及至１０記載の印刷物の不良欠点抽出処理
方法。11. The tree structure image conversion automatic generation step of optimizing a tree structure combination of image conversion processing filters by genetic programming in which the genetic algorithm of the data processing step is applied to image processing. The inspection image data including the defective defect of the above and the reference image data containing no defective defect of the printed matter, and / or the inspection image data and the weighted image data expressing the degree of fitness evaluation, and / or the reference image 11. The defective defect extraction processing method for printed matter according to claim 8, further comprising an image conversion processing filter for performing a comparison operation between data and the weighted image data.
て、任意のフィルタの組み合わせであるツリー構造を一
個体として、その複数個体に遺伝的プログラミングを用
いることで個体数を定義する個体集団数、一個体当たり
の画像変換処理フィルタ数の最大値、遺伝的アルゴリズ
ムを画像処理に適用した遺伝的プログラミングで画像変
換処理フィルタのツリー構造状組み合わせを最適化処理
する前記ツリー構造状画像変換の自動生成ステップにお
ける遺伝的プログラミング処理の交叉確率・突然変異
率、及び世代交代の上限数とからなることを特徴とする
請求項８及至１１記載の印刷物の不良欠点抽出処理方
法。12. In the parameter setting step, a tree structure, which is a combination of arbitrary filters, is defined as one individual, and the number of individuals is defined by using genetic programming for a plurality of individuals, and the number of images per individual is defined. Genetic programming processing in the automatic generation step of the tree-structured image conversion for optimizing a tree-structured combination of image conversion processing filters by genetic programming in which a maximum value of the number of conversion processing filters and a genetic algorithm are applied to image processing 12. The defective defect extraction processing method for printed matter according to claim 8, further comprising a crossover probability / mutation rate and an upper limit number of generation alterations.
データ入力ステップで入力し、前記データ入力ステップ
で入力された前記画像データを前記階調画像変換処理ス
テップで階調画像変換処理を施し、前記階調画像変換処
理ステップで階調画像変換処理を施した階調画像変換処
理データを基に、前記不良欠点抽出処理ステップで印刷
物の不良欠点を抽出し、前記不良欠点抽出処理ステップ
で抽出した印刷物の不良欠点抽出画像データを前記画像
データ記憶ステップに記憶保存すると共に、前記印刷物
の不良欠点抽出画像データを出力・表示することを特徴
とする請求項８及至１２記載の印刷物の不良欠点抽出処
理方法。13. Inputting image data of a printed product in the data input step, and performing the gradation image conversion processing in the gradation image conversion processing step on the image data input in the data input step; Based on the gradation image conversion processing data subjected to the gradation image conversion processing in the gradation image conversion processing step, the defective defects in the printed matter are extracted in the defective defect extraction processing step, and the printed matter extracted in the defective defect extraction processing step 13. The defective defect extraction processing method for printed matter according to claim 8, wherein the defective defect extracted image data of the printed matter is stored and stored in the image data storing step, and the defective defect extracted image data of the printed matter is output and displayed. .
プにより、前記印刷物から前記印刷物の不良欠点抽出画
像データを抽出した場合は、前記データ処理ステップの
良否判別処理ステップにより不良紙と判断し、前記印刷
物の不良欠点抽出処理ステップにより、印刷物から前記
印刷物の不良欠点抽出画像データを抽出しなかった場合
は、前記データ処理ステップの良否判別処理ステップに
より良紙と判断することを特徴とする請求項８及至１３
記載の印刷物の不良欠点抽出処理方法。14. When the defective defect extraction image data of the printed matter is extracted from the printed matter in the defective defect extraction processing step of the printed matter, it is determined that the paper is defective by the pass / fail determination processing step of the data processing step, 9. If the defective defect extraction image data of the printed matter is not extracted from the printed matter in the defective defect extraction processing step, the paper is judged to be good in the quality judgment processing step of the data processing step. 13
The defective defect extraction processing method of the printed matter described above.
置により、印刷物の不良欠点を抽出する前記印刷物は、
有価証券類であることを特徴とする請求項１及至７記載
の印刷物の不良欠点抽出処理装置、又は請求項８及至１
４記載の印刷物の不良欠点抽出処理方法。15. The printed matter for extracting a defective defect of a printed matter by the method and apparatus for extracting a defective defect of the printed matter,
8. The apparatus for extracting defective defects in printed matter according to claim 1, wherein the apparatus is securities.
5. The method for extracting defective defects in printed matter according to item 4.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2001174922A JP2002366929A (en) | 2001-06-11 | 2001-06-11 | Method and apparatus for extracting defective defects in printed matter |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2001174922A JP2002366929A (en) | 2001-06-11 | 2001-06-11 | Method and apparatus for extracting defective defects in printed matter |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2002366929A true JP2002366929A (en) | 2002-12-20 |
Family
ID=19016137
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2001174922A Pending JP2002366929A (en) | 2001-06-11 | 2001-06-11 | Method and apparatus for extracting defective defects in printed matter |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2002366929A (en) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006220666A (en) * | 2006-05-08 | 2006-08-24 | Fujitsu Ltd | Imaging device |
| JP2006260410A (en) * | 2005-03-18 | 2006-09-28 | Sharp Corp | Image processing algorithm evaluation apparatus, generation apparatus, evaluation method, generation method, program for causing a computer to function as the evaluation apparatus, and program for causing a computer to function as the generation apparatus |
| JP2006284596A (en) * | 2006-05-08 | 2006-10-19 | Fujitsu Ltd | Imaging device |
| WO2007013425A1 (en) * | 2005-07-26 | 2007-02-01 | National University Corporation Hokkaido University | Image processing automatic constructing device |
| JP2007102458A (en) * | 2005-10-04 | 2007-04-19 | Yamaguchi Univ | Method for automatically drawing a portion of interest by image processing, apparatus therefor, and recording medium recording a program |
| JPWO2006001107A1 (en) * | 2004-06-24 | 2007-08-02 | 株式会社イシダ | X-ray inspection apparatus and method for generating image processing procedure of X-ray inspection apparatus |
| WO2008050686A1 (en) * | 2006-10-27 | 2008-05-02 | Bridgestone Corporation | Separation filter deciding device and tire inspecting device |
| JP2008112266A (en) * | 2006-10-30 | 2008-05-15 | Fujitsu Ltd | Image processing program and image processing apparatus |
| JP2011014047A (en) * | 2009-07-03 | 2011-01-20 | Nikon Corp | Image processing apparatus, image processing method, and image processing program |
| JP2011022797A (en) * | 2009-07-15 | 2011-02-03 | Nikon Corp | Image processing apparatus, method and program |
| JP2020107009A (en) * | 2018-12-27 | 2020-07-09 | 東洋製罐グループホールディングス株式会社 | Image processing system, and image processing program |
| US11182650B2 (en) | 2017-03-24 | 2021-11-23 | Fujitsu Limited | Information processing apparatus to generate a next generation image processing program in genetic programming, control method, and non-transitory computer-readable storage medium for storage program |
| JP2022031827A (en) * | 2017-01-30 | 2022-02-22 | オムロン株式会社 | Image processing system, information processing device, information processing method, and information processing program |
| US11461663B2 (en) | 2016-10-26 | 2022-10-04 | Fujitsu Limited | Information processing apparatus, information processing method for image processing, and storage medium |
| JP2023003258A (en) * | 2021-06-23 | 2023-01-11 | 日立造船株式会社 | Inspection apparatus, learning device, inspection method, generation method of generative model, inspection program, and learning program |
| CN120580237A (en) * | 2025-08-05 | 2025-09-02 | 中煤地西安地图制印有限公司 | A method and system for detecting map print quality |
-
2001
- 2001-06-11 JP JP2001174922A patent/JP2002366929A/en active Pending
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPWO2006001107A1 (en) * | 2004-06-24 | 2007-08-02 | 株式会社イシダ | X-ray inspection apparatus and method for generating image processing procedure of X-ray inspection apparatus |
| JP2006260410A (en) * | 2005-03-18 | 2006-09-28 | Sharp Corp | Image processing algorithm evaluation apparatus, generation apparatus, evaluation method, generation method, program for causing a computer to function as the evaluation apparatus, and program for causing a computer to function as the generation apparatus |
| WO2007013425A1 (en) * | 2005-07-26 | 2007-02-01 | National University Corporation Hokkaido University | Image processing automatic constructing device |
| JP2007102458A (en) * | 2005-10-04 | 2007-04-19 | Yamaguchi Univ | Method for automatically drawing a portion of interest by image processing, apparatus therefor, and recording medium recording a program |
| JP2006284596A (en) * | 2006-05-08 | 2006-10-19 | Fujitsu Ltd | Imaging device |
| JP2006220666A (en) * | 2006-05-08 | 2006-08-24 | Fujitsu Ltd | Imaging device |
| US8305436B2 (en) | 2006-10-27 | 2012-11-06 | Bridgestone Corporation | Separation filter selection device and tire inspection device |
| WO2008050686A1 (en) * | 2006-10-27 | 2008-05-02 | Bridgestone Corporation | Separation filter deciding device and tire inspecting device |
| JP2008111671A (en) * | 2006-10-27 | 2008-05-15 | Bridgestone Corp | Separation filter determining device and tire inspection device |
| JP2008112266A (en) * | 2006-10-30 | 2008-05-15 | Fujitsu Ltd | Image processing program and image processing apparatus |
| JP2011014047A (en) * | 2009-07-03 | 2011-01-20 | Nikon Corp | Image processing apparatus, image processing method, and image processing program |
| JP2011022797A (en) * | 2009-07-15 | 2011-02-03 | Nikon Corp | Image processing apparatus, method and program |
| US11461663B2 (en) | 2016-10-26 | 2022-10-04 | Fujitsu Limited | Information processing apparatus, information processing method for image processing, and storage medium |
| JP2022031827A (en) * | 2017-01-30 | 2022-02-22 | オムロン株式会社 | Image processing system, information processing device, information processing method, and information processing program |
| JP7207509B2 (en) | 2017-01-30 | 2023-01-18 | オムロン株式会社 | Image processing system, information processing device, information processing method, and information processing program |
| US11182650B2 (en) | 2017-03-24 | 2021-11-23 | Fujitsu Limited | Information processing apparatus to generate a next generation image processing program in genetic programming, control method, and non-transitory computer-readable storage medium for storage program |
| JP2020107009A (en) * | 2018-12-27 | 2020-07-09 | 東洋製罐グループホールディングス株式会社 | Image processing system, and image processing program |
| JP7247578B2 (en) | 2018-12-27 | 2023-03-29 | 東洋製罐グループホールディングス株式会社 | Image processing system and image processing program |
| JP2023003258A (en) * | 2021-06-23 | 2023-01-11 | 日立造船株式会社 | Inspection apparatus, learning device, inspection method, generation method of generative model, inspection program, and learning program |
| JP7633104B2 (en) | 2021-06-23 | 2025-02-19 | カナデビア株式会社 | Inspection device, learning device, inspection method, method for generating generative model, inspection program, and learning program |
| CN120580237A (en) * | 2025-08-05 | 2025-09-02 | 中煤地西安地图制印有限公司 | A method and system for detecting map print quality |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2002366929A (en) | Method and apparatus for extracting defective defects in printed matter | |
| CN111783505B (en) | Method, device and computer-readable storage medium for identifying forged human faces | |
| CN108805860A (en) | The generation method of method for analyzing image, device, program and deep learning algorithm | |
| JP2003503801A (en) | Image classification using evolution parameters | |
| CN108647641A (en) | Method and device for video behavior segmentation based on two-way model fusion | |
| JPH1153525A (en) | Face organ detection device and medium | |
| JP5375398B2 (en) | Paint degradation diagnosis method and apparatus | |
| KR20190021360A (en) | Facial image processing system, facial image processing method, and facial image processing program | |
| CN114972367A (en) | Method, device, equipment and computer readable storage medium for segmenting image | |
| JP4320438B2 (en) | Character string extraction processing device for printed matter | |
| KR20200091661A (en) | Apparatus and method for determining manipulated image | |
| CN113052230A (en) | Clothing image generation system and method based on disentanglement network | |
| WO2002065396A1 (en) | Image processing program, computer-readable recording medium recording image processing program, image processing method and image processing device | |
| CN109902751B (en) | Dial Digit Character Recognition Method Fusion Convolutional Neural Network and Half-word Template Matching | |
| CN112766419A (en) | Image quality evaluation method and device based on multitask learning | |
| Munteanu et al. | Color image enhancement using evolutionary principles and the retinex theory of color constancy | |
| US20220358411A1 (en) | Apparatus and method for developing object analysis model based on data augmentation | |
| CN108875639A (en) | A kind of optimization and recognition methods based on genetic algorithm recognition of face | |
| JP4660765B2 (en) | Evolutionary image automatic classification apparatus, filter structure generation method, and program | |
| KR101931769B1 (en) | Image correction method and apparatus for color vision deficiency | |
| US12347166B2 (en) | Image processing sequence generation method, image processing sequence generation device, and computer program | |
| JP7362924B2 (en) | Data augmentation-based spatial analysis model learning device and method | |
| JP2004199391A (en) | Method and device for deciding threshold in image analysis, binarizing device and image analyzing device and information processing method with learning function and image analyzing device with learning function and, recording medium for these methods | |
| CN111242895B (en) | Bamboo chip wormhole and mildew detection method based on convolution flexible neural forest | |
| JP7537242B2 (en) | Method, apparatus and computer program |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20060117 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20090310 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20090326 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20090521 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20090611 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20091016 |