在彩色印刷行业中，一般采用套色印刷技术。在套色印刷系统中，如果套色不准，所印刷的彩色图案将会田于各种颜色在印刷中错位而发生模糊，因此需要设置套色错位在线检测系统。但在印刷过程中，印刷品以1.2～1.5m／s的速度快速运行，传统的测量方法难以达到套色错位测量精度小于0.1mm的行业要求。目前在印刷行业中，大量的场合采用目视检测的方法，该方法不能做到实时监测，需要停机后与标准条形码进行比较，验证印刷品是否合格。这种方法难以达到印刷精度要求，且容易造成漏判，以及产品原料的浪费。针对传统方法的不足，本文提出了一种图像测量的方法进行改进，即采用线阵CCD将运动的条形码通过数据采集转化为一维数组，通过数据处理获得条形码间距，针对测量系统中存在的非线性误差，用
神经网络进行消除，使输出结果具有很高的测量精度，并使得该测量系统具有在线检测的切能。

　　一、实验装置及工作原理

　　整个测量系统如图1所示。套色条形码作匀速平动，并通过光学镜头成像在线阵CCD的光敏元阵列面上。由于条形码的反射率相对于背景色的反射率有着明显不同，因此条形码部分形成一条暗带，暗带之间的距离就代表了条形码之间的距离，如图2所示。

图1 测量系统原理方框图



图2 条形码及其光强分布图

　　计算机系统按照指令从采集接口中读取数据，经过运算，分出条形码信号，计算出条形码间距的测量值，再将计算
值与标准值比较得到偏差值并显示偏差值。这时，如果偏差值超出了阈值，就发出报警信号，并把报警时间保存起来。另外，可以根据条形码的运动速度和测量精度等调节采集信号的间隔时间、阈值。

　　在本实验中，为了模拟印刷机工作时条形码的运动状态，我们设计了一套实验工作台如图3所示。将条形码贴在传动带表面。为了使传动带与带轮之间无相对滑动，传动比准确，有较高的传动精度，传动带选用齿形带。主动轮及从动轮都采用齿形带轮。主动轮由可变频调速电机带动，电机由变频器控制速度。线阵CCD固定在三角架上，拍摄条形码图像。



图3 实验工作台简图


　　二、测量误差分析

　　1．系统误差

　　系统误差主要包括被测的各条条形码到CCD的距离不一样造成的测量误差、光学镜头放置位置带来的误差，光学镜头畸变引起的测量误差、处理电路带来的误差、CCD像元的几何位置误差，CCD像元灵敏度不均匀误差，光电响应造成的不均匀性和非线性引起的误差。

　　2．偶然误差

　　这项误差主要包括电机转动引起的工作台震动、CCD噪声影响、空气扰动影响以及电源、光强等随机误差的影响。

　　因此，为了提高测量精度，必须对测量结果进行修正。而通过对条形码实际间距与实际测量结果的分析表明，对设定标准间距的条形码的实际测量误差呈明显的非线性。而神经网络具有非常强的非线性批合能力，根据神经网络的这个特点，可以利用BP神经网络的非线性拟合能力对这些误差进行修正。

　　三、神经网络的基本原理以及在误差修正中的应用

　　神经网络是一个大规模的并行的分布式处理器，它具有贮存并利用经验知识解决问题的能力，其知识的分布存储
在连接权中的。实际运用中，BP神经网络是一种比较常用的网络类型。一个具有任意压缩型国数的（如sigmoid函数）的单隐层BP网络，只要有充分多的隐层单元，就可以任意逼近一个有限维的函数，这说明BP神经网络具有很强的非线性拟合能力，可以作为通用的线性逼近器。三层BP神经网络的结构如图4所示。



图4 三层BP网络结构图


　　神经网络的应用包括学习过程和仿真计算两部分内容。在学习过程中，神经网络通过学习算法不断调整其连接权值，以达到误差要求。在仿真过程中，神经网络进行前向计算得到仿真输出。

　　四、实验方式及数据处理

　　在一定条件下，用线阵CCD测量运动的系形码，得到条形码的光强分布如图2所示。6条条形码1～6分别代表套色印刷中的6种不同颜色的条形码。每条条形码的位置Pos1～Pos6用条形码所在位置的像元数目表示。标准的6条条形码的总长应为10cm，相邻条码的间距为2cm。

　　应用BP神经网络对条形码间距测量误差修正的计算过程如下。

　　（1）求出条形码所在位置

　　本实验测量n组条形码。其中第k 组条形码总长为［10＋0.01×（k－n／2）］cm，其第一条和第二条系形码的间距 为［2＋0.01×（k－n／2）］cm，其余相邻条形码间距为2cm的条形码。（实验时取n为偶数）

　　分别运用3次样条拟合得到条形码 所在位置的像素数Pos_i（k）（i表示第i 条条形码，k表示第k组条形码的测量）。

　　（2）求每个像元的平均距离

　　其中第k组条形码的每个像元的平均距离为



　　n组条形码的每个像元的平均距
离为



　　（3）每个像元的平均距离的标准偏差为



　　在本实验中，标准偏差不仅能衡量每个像元的平均距离的精度及重复精度，且表示了测量结果的稳定性，因此标准偏差值越小越好。

　　（4）求第k组条形码上的第i条条形码与第一条条形码之间的测量距离

　　求出第k组条形码上第i条条形码与第一条条形码之间的像元个数

N_i(k)=Pos_i(k)-Pos₁(k) (4)

　　求出第k组条形码上的第i条条形码与第一条条形码之间的测量距离

D_i(K)=d×N_i(k) (5)

　　（5）求BP神经网络的权值，阈值

　　这部分计算相当于BP 神经网络的学习过程。在应用BP神经网络对条形码的测量间距误差进行修正时，首先应确定网络的规模。包括选取网络的层数，确定各层结点数：输入层节点数IN，隐层节点数HN，输出层节点数ON。以及各层神经元的激活函数。规定网络的误差的期望误差E_lim。文中的输
入层节点数IN=5n，输出层节点数 ON＝5n。

　　其次应确定网络的训练数据，即确定输入向量与标准输出向量。本文中的输入量为D_i（K），标准输出为相应的条形码的实际间距I_i（K）＝[0.01×（k－n／2）＋2×i］cm。（其中i＝2，3，4，5，6）

　　经过BP神经网络的学习过程，可以得到BP神经网络的权值、阈值。

　　（6）应用BP神经网络对条形码间距测量结果进行误差修正的实现

　　这部分计算相当于BP神经网络的仿真过程。利用CCD采集和量化得到条形码的光强量化值，将程序运算求出的各条形码之间的间距测量值送入仿真程序，可以得到各条形码与第一条条形码间距经过修正后的测量值。

　　五、实验结果

　　当条形码的速层为0.5m／s，光学镜头焦距35cm时，取n＝10，测得：

　　每个像元的平均距离为d＝0.00766880131224cm

　　每个像元的平均距离的标准偏差d ＝5.197809771674241e－006

　　10次测量的测量值如表1所示（其中，Di（k）第k组条形码上的第i条条形码与第一条条形码之间的测量距离。）

　　相应的条形码的实际间距I_i（k）＝
［0.01×（k－n／2）＋2×i]cm。（其中，n＝10，I_i（k）表示第K组条形码上的第i条条形码与第一条条形码之间的实际距离。）

　　这里选取3层BP网络，各层结点数为：输入层节点数IN＝50，隐层节点数HN＝80，输出层节点数ON＝50。隐层的激活函数采用压缩型的sigmoid型函数，输出层函数采用线性函数。规定网络的误差平方和为0.005。输入向量为D_i（k），标准输出向量为相应的条形码的实际间距I_i（k）＝[0.01×（k－n/2）＋2×i]cm。将输入向量和标准输出向量代入神经网络训练程序，求出BP神经网络的权值、阈值。

表1 10次测量结果（单位：cm）

k	D1（k）	D2（k）	D3（k）	D4（k）	D5（k）	D6（k）
1	0	1.9736	3.9796	5.9672	7.95627	9.9515
2	0	1.9885	3.8857	5.9793	7.9701	9.9668
3	0	1.9962	3.9977	5.9839	7.9808	9.9747
4	0	2.0030	4.0068	5.9977	7.9994	9.8662
5	0	2.0090	4.0143	6.0059	8.0011	10.0006
6	0	2.0292	4.0231	6.0125	8.0113	10.0049
7	0	2.0368	4.0346	6.0272	8.0215	10.0154
8	0	2.0499	4.0401	6.0379	8.0381	10.0269
9	0	2.0585	4.0527	6.0442	8.0422	10.0542
10	0	2.0704	4.0667	6.0583	8.0579	10.0461

　　利用已经训练好的神经网络，再去测量一个条形码。其实际值与未修正的测量值以及用神经网络修正后的测量值
如表2所示。

表2 实际值与测量值的对照表（单位：cm）

	D2（k）	D3（k）	D4 （k）	D5（k）	D6（k）
实际值	2.0250	3.9740	6.0000	8.0350	10.0100
未修正的测量值	2.0395	3.9921	6.0073	8.0406	10.0062
修正后的测量值	2.0284	3.9785	5.9978	8.0307	10.0116

　　从表2可知：通过神经网络的修正后的测量值的误差小于0.1mm，能够满足印刷行业的需求。

　　六、结束语

　　本文在分析了条形码测量系统的误差源的基础上，将BP神经网络应用于套色条形码在线检测系统的非线性误差修正。实测结果表明，通过神经网络仿真过程处理后的测量结果更接近实际值。因此BP神经网络能大大消除测量系统的非线性误差，显著提高测量系统的测量精度，对彩色印刷行业有一定的参考价值。

[时间：2002-04-22  作者：李善熙 徐朗峰 朱忠  来源：中国印刷]