專利名稱：紙張的描述的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及用計算機(jī)視覺或其他二維描述方法對紙張的質(zhì)量進(jìn)行描述和分類。
背景技術(shù)：
本申請所附的參考書目，通過方括號中的參考數(shù)字引用。前人的技術(shù)通過分別引用與當(dāng)前觀點(diǎn)相關(guān)的參考書目來提及。
本發(fā)明的目的是實現(xiàn)一種描述紙張質(zhì)量的方法，它將提供比現(xiàn)行方法更可靠的不受人為因素影響的分類。
基于計算機(jī)視覺的紙張等級體系——它代表了前人的技術(shù)——先前建立在監(jiān)督學(xué)習(xí)的方法以及從圖像計算得到的古老而無效的特征上。從共生矩陣，功率譜分析和特殊邊界特征獲得的測量值經(jīng)常被作為特征使用?；叶鹊钠骄蛨D像的變化也被假定代表了紙張克重的變化。這些特征形成了描述紙張質(zhì)量的數(shù)子量。之后以這些數(shù)子量為基礎(chǔ)，對紙張的結(jié)構(gòu)或其他特性進(jìn)行分類。[1，2，3，4，5]以前的質(zhì)地特征已經(jīng)無法提供有關(guān)紙張質(zhì)地的非常準(zhǔn)確的信息，并且它們對條件變化，比如光照，是敏感的。當(dāng)缺乏差別的特征與分類器的監(jiān)督訓(xùn)練結(jié)合在一起時，系統(tǒng)的描述能力進(jìn)一步減弱。這是因為傳統(tǒng)的監(jiān)督方法對人為誤差極其敏感。人們通常在選擇訓(xùn)練樣本和為它們命名時犯錯。此外，人們做出的選擇是主觀的，因此不同人的解釋互不相同。從質(zhì)量檢查的角度看，這是不合要求的?；诒O(jiān)督學(xué)習(xí)方法重新訓(xùn)練一個系統(tǒng)是困難的，如果需要知道條件變化的話。而通常出現(xiàn)的正是這種情況，因為不那么先進(jìn)的質(zhì)地特征對條件變化極其敏感。
用缺乏差別的質(zhì)地特征分析紙張是存在問題的。此外，人們試圖利用參數(shù)方法在一個已經(jīng)被分割且不是正態(tài)分布的特征空間中指定分類邊界。在訓(xùn)練分類器和尋找分類邊界時采用了監(jiān)督方法，其增加了錯誤數(shù)量。
描述紙張的目的在于把具有相同特性的紙張歸入同一類中。貫穿其生產(chǎn)過程，紙張可以被成像，它也可以在不同的生產(chǎn)階段中提供有關(guān)優(yōu)質(zhì)或劣質(zhì)紙張性質(zhì)的信息。沒有描述而僅以圖像為基礎(chǔ)，就不可能找到有關(guān)生產(chǎn)過程的有用信息。因為人類對圖像的評估和分類是主觀且非常困難的，另外，在沒有基于數(shù)值或符號的自動分類的情況下，處理大量數(shù)據(jù)是不可能的。通過描述，只要分別知道了哪些因素影響著紙張質(zhì)量以及在生產(chǎn)的每個階段紙張是什么樣子的，就可以根據(jù)生產(chǎn)過程中的哪些操作可以被跟蹤和哪些嘗試可以改進(jìn)紙張的特定性質(zhì)，把紙張的質(zhì)量分為若干類。描述自身不需要在紙張質(zhì)量上做出判斷，它需要滿足的是使類似的紙張被分入同一類中。這個過程可以控制，或者紙張可以被分入與分類相一致的質(zhì)量類別中。
計算機(jī)視覺方法的目的是計算許多特征，它們將盡可能準(zhǔn)確地描述紙張的性質(zhì)[1，2，3，4，5]。例如，典型的性質(zhì)有，紙張的適印性和抗張強(qiáng)度。計算出的特征是數(shù)字量，并形成了多維特征空間中被分割的簇。特征空間的維數(shù)可能非常大，而要在被分割的空間中找到描述不同紙張等級的特征顯然是困難的。圖1給出了一個特征空間的實例，出于簡單的緣故，表示在二維坐標(biāo)系中。圖中的叉表示特征的值，所畫的線代表了紙張適印特性的可能發(fā)生的變化。


對本發(fā)明的書面描述涉及到以下附圖圖1特征分割和特性分界。
圖2二維坐標(biāo)系中多維特征數(shù)據(jù)的分簇。
圖3本發(fā)明的分類原理圖。
圖43×3大小的LBP特征的計算。
圖5一個點(diǎn)在圓周上的鄰點(diǎn)，由它們計算出LBP特征。
圖6SOM作為分類器的使用。
圖7生產(chǎn)中的紙張描述的圖解。
具體實施例方式
傳統(tǒng)的參數(shù)方法無法準(zhǔn)確地找出不同紙張等級之間的分界，因為它們對數(shù)據(jù)的分布做出了假設(shè)。在本發(fā)明所述的方法中，數(shù)據(jù)首先表示在二維坐標(biāo)系中。按照該簇所代表的紙張類型，每個簇被分配一個標(biāo)志。換言之，可以根據(jù)樣本在二維坐標(biāo)系中的位置推斷出紙張質(zhì)量。圖2給出了在二維坐標(biāo)系中描述多維特征空間的實例，所采用的方法保持了數(shù)據(jù)的局部結(jié)構(gòu)和樣本間的相互距離[6，7，8，9，10]。標(biāo)志3a-3d代表了不同的紙張性質(zhì)；對于所討論的性質(zhì)，分入以相同標(biāo)志標(biāo)記的一個區(qū)域的紙張相似于同類的其他紙張。然后給出這些標(biāo)志，并且，例如抗張強(qiáng)度、光澤度或適印性通常被分入不同的區(qū)域，因而很明顯具有不同的標(biāo)志。
本方法自動地組織數(shù)據(jù)，采取的方式使樣本的相互位置在新坐標(biāo)系中與在原來的多維特征空間中相同?？筛鶕?jù)它們在新坐標(biāo)系中的位置而可靠地推斷出紙張等級。首先，對數(shù)據(jù)分布不做任何推斷，它可以是任意形式的。具有不同質(zhì)地的紙張仍可能具有相同的打印特性。標(biāo)記不同簇時，這一點(diǎn)將被予以考慮。運(yùn)用有效的質(zhì)地特征，例如LBP，可以非常有效地分析紙張的表面質(zhì)地。
在本發(fā)明中，通過減少特征空間的維數(shù)，非監(jiān)督學(xué)習(xí)方法、有效的灰度變化質(zhì)地特征和多維特征數(shù)據(jù)的示例性可視化被結(jié)合起來。本方法不需要對訓(xùn)練材料做出人為的假設(shè)和推斷，但訓(xùn)練數(shù)據(jù)將按照其特性被自動地組織。多維特征空間以一種示例的形式被描繪出來，特征空間中樣本的位置是可視的。
新的、復(fù)雜的質(zhì)地方法給出了關(guān)于質(zhì)地微觀結(jié)構(gòu)的準(zhǔn)確信息。這樣的灰度不變質(zhì)地特征有，例如LBP特征(它測量局部二進(jìn)制模式)及它的變型[11，12]。當(dāng)用這些特征檢查紙張表面時，可以發(fā)現(xiàn)紙張的重要性質(zhì)。通過把有效的質(zhì)地特征和非監(jiān)督學(xué)習(xí)方法結(jié)合起來，分級的準(zhǔn)確性可以顯著提高。
圖3給出了本方法的圖解。質(zhì)地特征首先在階段12從訓(xùn)練集合11中計算出來，它們將被用于訓(xùn)練分類器。減少多維特征空間的維數(shù)使其可以被示例性地可視化。使用新的特征空間14還完成了分類。留給人們的任務(wù)是命名和選擇已經(jīng)分類的區(qū)域，并在接下來的階段中把它們表示成更容易理解的形式，或以優(yōu)越性次序排列紙張等級，使得隨后的過程可以據(jù)此得到調(diào)整。人們還有一項任務(wù)，就是選擇訓(xùn)練集合使得不同紙張的代表性樣本被包括進(jìn)來。編號為15，16，17和18的參考書目中說明了這些任務(wù)。
在本方法中，首先用有效的質(zhì)地特征描述紙張?zhí)匦?，這顯著減少了對特征空間的分割。多維特征空間用低維坐標(biāo)系表示，并保持著數(shù)據(jù)的局部結(jié)構(gòu)。在低維坐標(biāo)系中，簇代表著不同的紙張等級。對不同簇的命名與其所代表的紙張等級相一致。之后，在新的坐標(biāo)系中，可以通過找出正接受檢查的紙張被歸入哪一簇來確定它被分入哪個紙張等級。分簇后的特征空間圖如圖2所示。
特征可以通過使用，例如，基于局部二進(jìn)制模式的質(zhì)地數(shù)量來提取。LBP(局部二進(jìn)制模式)特征描述了在一個局部的平面圖像鄰域中出現(xiàn)的模式[11，12]。例如，原始的LBP特征[11]是從3×3鄰域中計算得到的質(zhì)地特征，計算過程示于圖4。該圖所示的例子中，3×3的鄰域31以該鄰域中心點(diǎn)的灰度(CV)為閾值進(jìn)行分類(箭頭41)，得到兩個值32大于或等于閾值CV的象素被賦為1，低于閾值的被賦為0。按閾值分類之后，得到的數(shù)值32與一個LBP算子33相乘(箭頭42)，由此得到一個輸入矩陣34，把其中的元素加在一起(箭頭44)，就得到了LBP的值。另一種構(gòu)造LBP計算的方法是直接從閾值鄰域中構(gòu)造一個8比特的碼字。在本例中，碼字是100101012，在十進(jìn)制中是149。
關(guān)于LBP特征，已經(jīng)創(chuàng)造了多種多分辨率和旋轉(zhuǎn)不變的方法[12]。另外，不同的二進(jìn)制模式對LBP算子性能的影響已經(jīng)被檢測，由此在形成特征分布時忽略特定的模式已經(jīng)成為可能[12]。于是可以縮短LBP特征分布。
多分辨率LBP意味著某個點(diǎn)的鄰點(diǎn)可以從若干不同距離中選出。這個距離原則上可以是任意正數(shù)，而計算用到的點(diǎn)數(shù)也可以根據(jù)距離而變化。圖5給出了一個點(diǎn)的距離為4的鄰點(diǎn)(d＝4)。圍繞這個點(diǎn)作一個圓，其半徑等于選定的距離。從圓周選出的樣本點(diǎn)間的距離由角α指明，α滿足Nα＝2π，其中N是選擇的樣本點(diǎn)數(shù)。如果圓周上的一個樣本不能與象素準(zhǔn)確吻合，就對它進(jìn)行插值使該點(diǎn)坐標(biāo)對應(yīng)圓周上的坐標(biāo)。代表性的距離有1，2和3，相應(yīng)的樣本數(shù)是8，16和24。選擇的點(diǎn)越多，得到的LBP分布就越大。一個24維特征空間產(chǎn)生的LBP分布包含的極點(diǎn)數(shù)超過了一千六百萬。
在計算中運(yùn)用大規(guī)模的LBP分布是非常麻煩的。通過只考慮LBP編碼的特定的預(yù)先選好的部分，所述分布的規(guī)?？梢詼p小到計算更能接受的程度。選定的編碼是所謂的連續(xù)二進(jìn)制編碼，在這種編碼中，圓周上的數(shù)字最多包含兩個比特從0到1或相反的變化。因此，選出的碼字包含連續(xù)的由0和1組成的長序列。選擇編碼依據(jù)的是以下知識依靠這些特定的LBP模式，質(zhì)地中90％以上的模式都可以被表達(dá)。僅僅通過在計算中使用這些連續(xù)的二進(jìn)制序列，一個8樣本的LBP分布可以從256減少到58。另一方面，16樣本的LBP分布可以從大于65,000減小到242，而24樣本的分布可以從大于16,000,000減少到554[12]。
在旋轉(zhuǎn)不變量的LBP特征的計算過程中，包含了LBP模式的一個預(yù)先選定的子集[12]。選出的模式滿足當(dāng)質(zhì)地中發(fā)生旋轉(zhuǎn)時它們是不變的。在非恒定問題中，運(yùn)用旋轉(zhuǎn)不變量的LBP特征減少了特征容量。盡管如此，紙張描述并不是一個旋轉(zhuǎn)不變問題。
分類和分簇可以通過運(yùn)用，例如基于自組織示意圖[13]的技術(shù)來實現(xiàn)。自組織示意圖，SOM，是基于人工神經(jīng)網(wǎng)絡(luò)的非監(jiān)督學(xué)習(xí)方法。SOM使得多維數(shù)據(jù)可以在人類面前以更直觀的方式，通常是二維形式進(jìn)行表達(dá)。
在新的二維坐標(biāo)系中樣本間的距離盡可能準(zhǔn)確地與原始坐標(biāo)系中的真實樣本間的距離保持一致，SOM的目標(biāo)正是以這種方式表示數(shù)據(jù)。SOM的目標(biāo)并不是單獨(dú)地為各簇尋找其可能包含的數(shù)據(jù)或顯示它們，而是盡可能可靠地在保持?jǐn)?shù)據(jù)局部結(jié)構(gòu)的同時給出數(shù)據(jù)的概率密度估計。這意味著，如果二維示意圖顯示樣本形成密集的簇，那么這些樣本在現(xiàn)實的特征空間中的位置也相互靠近[13]。
為了使SOM可以用于對一定類型的數(shù)據(jù)進(jìn)行分組，它必須首先接受訓(xùn)練。SOM的訓(xùn)練依靠一種迭代的非監(jiān)督方法。SOM受訓(xùn)之后，示意圖上的每個結(jié)點(diǎn)在多維空間中都有一個相應(yīng)的點(diǎn)集。一種算法通過訓(xùn)練樣本對示意圖進(jìn)行調(diào)整。多維向量在二維坐標(biāo)系中形成非線性投影，于是可以實現(xiàn)各簇的清晰可視化[13]。
使用SOM作為分類器的依據(jù)是把相互靠近的類似樣本分為同一簇，這意味著它們可以在示意圖上被定義為它們自己的類別。距離遠(yuǎn)的結(jié)點(diǎn)代表的樣本相互不同，由此它們被區(qū)分而屬于不同的類別。圖6說明優(yōu)質(zhì)和劣質(zhì)紙張的簇位于示意圖上相對的角落。圖6展示的是SOM被作為分類器使用。圖中的樣本61，62被分入類別63，64。作為一個粗略的例子說明，優(yōu)質(zhì)紙張61的分類位于類別區(qū)域63，而劣質(zhì)紙張的分類位于區(qū)域64。需要注意的是，可能有若干既有優(yōu)質(zhì)又有劣質(zhì)的紙張的區(qū)域被分在例如二維空間的不同部分，但盡管如此，用這樣的方式，所有被分入?yún)^(qū)域64的紙張在同一個特征上都是劣質(zhì)的?？梢岳斫獾氖牵私饽男l件生產(chǎn)出所述性質(zhì)的紙張對紙張生產(chǎn)者是非常有用的，于是可以在生產(chǎn)中避免造成質(zhì)量低劣的那些條件。這些可以通過監(jiān)控產(chǎn)品參數(shù)和對紙張質(zhì)量進(jìn)行連續(xù)分類來實現(xiàn)，由此可以學(xué)習(xí)一些生產(chǎn)操作中的新過程。還可以把過程參數(shù)和紙張分類結(jié)果輸入另一個SOM分類器，于是得到了一個錯誤學(xué)習(xí)體系，它可以在過程控制中起輔助作用。給出一種分類作為最終結(jié)果，它描述了與紙張質(zhì)量有關(guān)的生產(chǎn)條件。于是該體系學(xué)習(xí)到，例如影響紙張質(zhì)量的上百個變量的作用。
上面所述的是按照本發(fā)明利用SOM分類器進(jìn)行的分類，不過在本發(fā)明所述的分類方法中，任何非監(jiān)督的分簇方法都是適用的，例如，不是真正的神經(jīng)網(wǎng)絡(luò)技術(shù)的LLE，ISOMAP和GTM技術(shù)。
本方法適用于在紙張生產(chǎn)過程中進(jìn)行的紙張質(zhì)量檢查，如圖7所示。一個快速照相機(jī)為剛從紙張制造機(jī)75生產(chǎn)出來的不停移動的紙74拍照。圖中有一個背景燈73；取決于是否需要，還可以有例如一個對角前燈。此后，可以推斷正被生產(chǎn)的紙張的質(zhì)量特性，然后可以進(jìn)行任何調(diào)整以改進(jìn)生產(chǎn)過程。這里提出的方法可以結(jié)合計算機(jī)71使用，如圖所示。對大量測量數(shù)據(jù)的快速圖像分析和一個示例性的用戶界面向紙張生產(chǎn)者提供了非常多的關(guān)于正被生產(chǎn)的紙張的附加信息。
在圖像分析的過程中，依靠前面提到的技術(shù)從拍到的照片中提取出特征，然后完成向不同質(zhì)量類別的分類。借助用戶界面，接下來可以改進(jìn)紙張質(zhì)量作為產(chǎn)品改進(jìn)。
依靠本方法，對紙張的分析幾乎可以貫穿其生產(chǎn)周期。不過如果要對已經(jīng)涂過層的紙張進(jìn)行拍照，背景燈的功率應(yīng)該增加。此外，在涂過層的紙張中，質(zhì)地特征的性能可能會受到削弱。
生產(chǎn)過程中，紙張質(zhì)量的準(zhǔn)確信息推動了紙張生產(chǎn)者進(jìn)行的研究。自動的生產(chǎn)裝置可以把本系統(tǒng)合并，作為整個生產(chǎn)及調(diào)整過程的一部分。
本發(fā)明的范圍如獨(dú)立的權(quán)利要求和描述其優(yōu)選實施例的相關(guān)權(quán)利要求所述。
參考文獻(xiàn)[1]Cresson T.M.，Tomimasu H.& Luner P.(1990)Characterization of PaperFormation，Part 1Sensing Paper Formation.Tappi JournalVol.73，No.7p.153-159. Cresson T.& Luner P.(1990)Characterization of Paper Formation，Part2The Texture Analysis of Paper Formation.Tappi JournalVol.73，No.12p.175-184. Cresson T.& Luner P.(1991)Characterization of Paper Formation，Part3The Use of Texture Maps to Describe Paper Formation.Tappi JournalVol.74，No.2p.167-175. Sudhakara R.P.，Stridhar R.，Gopal A.，Meenakshi K.，Revathy R.，ChitraK.& Palanlandi D.(2001)Optical Paper Formation Analyzer.CEERI Centre，India. Bernie J.P.& Douglas W.J.M.(1996)Local Grammage Distribution andFormation of Paper by Light Transmission Image Analysis.Tappi JournalVol.79，No.1p.193-202. Bouyndain M.，Colom J.F.，Navarro R.& Pladellorens J.(2001)Determination of Paper Formation by Fourier Analysis of Light TransmssionImages.Appita JournalVol.54，No.2p.103-105，115. Kohonen T.(1997)Self-organizing Maps.Springer-Verlag，Berlin，Saksa，426 p. Roweis S.T.& Saul L.K.(2000)Nonlinear Dimensionality Reduction byLocally Linear Embedding.Science Magazine，Vol 290，22 December 2000p.2323-2326. Rowels S.T.& Saul L.K.(2001)An Introduction to Locally LinearEmbedding.URLhttp//www.cs.toronto.edu/～roweis/lle/papers/lleintroa4.pdf(13.5.2002). Svensên J.F.M.(1998)GTMThe Generative Topographic Mapping.Doctoral thesis.Aston University，Englanti，108 p. Tenenbaum J.B.(1998)Mapping a Manifold of Perceptual Observations.Advances in Neural Information Processing Systems，Vol.10. Ojala T.，Pietikinen M.& Harwood D.(1996)A Comparative Study ofTexture Measures With Classification Based on Feature Distributions.PatternRecognition，Vol.29，No.1，p.51-59. Ojala T.，Pietikinen M.& Menp T.(2002)Multiresolution Gray-Scaleand Rotation Invariant Texture Classification with Local Binary Patterns.IEEETransactions on Pattern Analysis and Machine Intelligence，Vol.24，No.7. Kohonen T.(1997)Self-organizing Maps.Springer-Verlag，Berlin，Saksa，426 p.
權(quán)利要求
1.一種基于計算機(jī)視覺的描述紙張?zhí)卣鞯姆椒?，其特征在于從大量紙張樣本的照片中提取出描述紙張?zhí)卣鞯亩嗑S特征；把所述特征作為輸入送入到一個以非監(jiān)督方式進(jìn)行操作的學(xué)習(xí)分類器，該分類器對所述的每一個照片部分中的數(shù)據(jù)生成一個低維空間的投影，使得具有相近特性的紙張等級在低維空間中產(chǎn)生相接近的投影，并且投影在低維空間上的分類結(jié)果用于輔助分類。
2.如權(quán)利要求1所述的描述紙張的方法，其特征在于所述以非監(jiān)督方式進(jìn)行操作的學(xué)習(xí)系統(tǒng)是一種非監(jiān)督的分簇方法或其仿真，例如，一個SOM(自組織示意圖)。
3.如權(quán)利要求1或2所述的描述紙張的方法，其特征在于描述紙張樣本的所述特征是LBP或由其得出的比特模式特征。
4.如上述權(quán)利要求中任一條所述的描述紙張?zhí)卣鞯姆椒ǎ涮卣髟谟诎凑毡痉椒?，紙張在其生產(chǎn)過程的不同階段被另外成像和分類。
5.如權(quán)利要求4所述的描述紙張?zhí)卣鞯姆椒?，其特征在于利用所述非監(jiān)督學(xué)習(xí)分類器對在生產(chǎn)過程的不同階段被成像的樣本用這樣的方式進(jìn)行進(jìn)一步處理，使得所述分類方法也與改進(jìn)生產(chǎn)過程有關(guān)。
6.如權(quán)利要求5所述的系統(tǒng)，其特征在于除圖像信息之外，選定的過程參數(shù)和/或測量結(jié)果也被用作輸入。
7.一種運(yùn)用計算機(jī)視覺進(jìn)行紙張分類的系統(tǒng)，其特征在于該系統(tǒng)包括成像裝置，從紙張圖像中提取描述紙張質(zhì)量的特征的裝置，以及非監(jiān)督學(xué)習(xí)分類到一個與所述特征空間相比維數(shù)較低的空間的裝置。
全文摘要
描述紙張的一種方法和系統(tǒng)，從大量紙張樣本的圖像中提取出描述紙張?zhí)卣鞯亩嗑S特征；把所述特征作為輸入送入一個以非監(jiān)督方式進(jìn)行操作的學(xué)習(xí)分類器，該分類器對所述的每一個照片部分中的數(shù)據(jù)生成一個低維空間的投影，使得具有相近特性的紙張等級在低維空間中產(chǎn)生相近的投影，并且在低維空間中表示出的分類結(jié)果用于輔助分類。
文檔編號G01N33/34GK1689044SQ03823849
公開日2005年10月26日 申請日期2003年8月27日 優(yōu)先權(quán)日2002年9月3日
發(fā)明者馬克烏斯·特迪恩, 奧利·希爾萬, 馬蒂·皮蒂凱恩, 馬蒂·尼斯卡恩, 托皮·梅恩帕 申請人:霍尼維爾股份有限公司