近红外光谱在印刷品颜色检测中的应用
管力明1, 2，胡更生2，卢红伟2，林 剑2
(1. 西安电子科技大学 机电工程学院，陕西 西安，710071;
2. 杭州电子科技大学 新闻出版学院，浙江 杭州，310018)
摘 要：为了对印刷品颜色进行快速、准确检测，应用近红外光谱技术(NIR)并结合偏最小二乘法(PLS)建立印刷品颜色检测模型。对近红外光谱获取的144个样本光谱曲线，应用主成分分析方法进行降维，维数为5。选取的主成分作为光谱优化特征子集以替代原来复杂的光谱数据。随后，将144个样本数据随机分为定标集和预测集，利用偏最小二乘法在103个定标集样本数据基础上建立印刷品颜色预测模型，应用此模型对41个预测集样本颜色进行预测。研究结果表明：利用PLS模型得到样本的实测值和预测值之间的预测决定系数(R2)为99.74%，预测平均相对误差为0.636%，表明利用近红外光谱技术检测印刷品颜色是可行的。
关键词：印刷品；近红外光谱；颜色检测
中图分类号：O6571.3 文献标志码：A 文章编号：1672-7207(2009)06-1655-05
Application of color detection by near infrared spectroscopy in color detection of printing
GUAN Li-ming1, 2, HU Geng-sheng2, LU Hong-wei2, LIN Jian2
(1. School of Electromechanical Engineering, Xidian University, Xi’an 710071, China;
2. School of Printing Engineering, Hangzhou Dianzi University, Hangzhou 310018, China)
Abstract: In order to detect printing color fast and exactly, near infrared (NIR) spectroscopy technique combined with partial least square (PLS) was used to build the prediction model of color. NIR spectroscopy technique is a nondestructive, fast and accurate technique for the measurement of chemical components based on overtone and combination bands of specific functional groups. The pivotal step for spectroscopy technique is extracting quantitative data from mass spectral data and eliminating spectral interferences. PLS is used for the spectroscopic analysis. Firstly, the near infrared spectra of 144 samples are obtained, and then PLS is applied to reduce the dimension of the original spectra. The 144 samples are randomly separated into calibration set and validation set. PLS is used to build prediction model of chroma based on the calibration set, then this model is employed for the prediction of the validation set. Correlation coefficient (R2) of prediction and root mean square error prediction (RMSEP) are used as the evaluation standards. The results show that R2 and RMSEP for the prediction of chroma are 99.74% and 0.636%, respectively. Hence, PLS model with high prediction precision can be applied to the determination of chroma.
Key words: printing; near infrared spectroscopy; color detection
在彩色印刷复制过程中，由于受印刷材料、分色技术以及印刷设备等因素的影响，部分颜色信息会丢失。现代印刷速度约达1万张/h，为获得高质量的彩色印刷品，同时，为了降低成本损耗，减少废品率和减轻劳动强度，需要对印刷品的颜色进行在线准确检测[1]。而目前印刷生产中主要采用颜色计、分光光度计等颜色检测仪对印刷品离线颜色进行检测，即使海德堡、罗兰、小森等国际印刷设备公司目前推出的颜色自动检测技术也仍然是基于分光光度计的脱机扫描检测方式[2]。因此，必须研究印刷品颜色在线检测 技术。
近红外光谱技术是近几年迅速发展起来的绿色分析技术[3]，其定性定量分析技术建立在可靠的校正模型基础上[4]，可直接对样品进行无损在线检测，具有速度快、效率高、成本低、测试重现性好和测量方便等特点[5]，广泛应用于石油化工[6-7]、烟草[8]、食品[9-11]、生物化学[12-13]、医药临床[14]和纺织品[15]等领域。根据颜色科学原理，物体的颜色现象是物体的化学结构所固有的光学特征，而近红外光谱技术对该光谱区内 O—H，N—H，C—H和S—H等含氢基团振动光谱的倍频及合频吸收分析具有很高的准度。印刷中使用的油墨在近红外光谱区域具有显著的吸收特征，因此，本文作者提出采用近红外光谱技术测量印刷品颜色，并建立偏最小二乘的数据分析模型(PLS)对印刷品颜色进行预测。
1 检测原理
1.1 印刷品呈色
根据颜色科学原理[16]，物体颜色取决于该物体对入射光的选择性吸收。吸收光谱不同，则物体颜色不同。而物体对光的吸收特征又取决于物体自身的化学结构，不同的物质结构对不同波长的光吸收能力不同。物体的颜色现象是物体的化学结构所固有的光学特征。在光的照射下，光粒子与物质的微粒作用，这些物质吸收某些波长的光粒子，而不吸收另外一些波长的光粒子，使得不同物质具有不同的颜色。
印刷品的呈色是通过加网的方式，即图像经过光学或电子方式和半调技术处理得到缀有网点的各分色版，把连续调图像转变成网目调图像，并利用黄(Y)、品红(M)、青(C)、黑(K)四色印刷版上直径不同的网点经过套印实现四色油墨量的控制，从而产生各种不同色相和不同明度的变化来实现阶调和颜色再现。图1所示为彩色图像印刷品局部放大的四色油墨网点分布情况。从图1可以看出，对于同种油墨，印刷品呈色效果取决于2个因素：网点直径和网点内部油墨密度，即取决于单位面积内油墨附着量[17]。
(a) 四色印刷品；(b) 图(a)中选取区域的局部放大图
图1 彩色图像印刷品及其局部放在的四色油墨网点分布
Fig.1 Four-color printing product and its local enlargement of selected area
1.2 印刷品颜色的近红外光谱检测
印刷品呈色主要取决于油墨的化学结构以及单位面积内油墨附着量。近红外光谱分析是利用物质对近红外线具有特征吸收的原理，将近红外光谱所反映的样品基团、组成或物态信息与用标准或认可的参比方法测得的组成或油墨的成分构成数据，采用化学计量学技术建立校正模型，然后，通过测定的未知样品光谱和建立的校正模型来快速预测其组成或性质的一种分析方法。
与常规分析技术不同，近红外光谱是一种间接分析技术，必须通过建立校正模型(标定模型)来实现对未知样品的定性或定量分析。具体的分析过程主要包括以下几步：一是选择有代表性的样品并测量其近红外光谱；二是采用标准或认可的参考方法测定所关心的组分或数据；三是将测量的光谱和基础数据，用适当的化学计量方法建立校正模型；四是未知样品组分或性质的测定。
采用近红外光谱分析技术对印刷品颜色进行检测，就是对预设印刷色块近红外光谱进行测量，其光谱数据反映的是印刷品检测点的油墨化学信息，同时，利用分光光度计等标准颜色检测仪器测量相应的颜色参数L*，a*和b*(其中：L*为照度，相当于亮度；a*为从红色至绿色的范围；b*为从黄色至蓝色的范围)。在此基础上，通过多元线性回归、主成分回归、偏最小二乘等方法建立校正模型，即建立印刷品检测点的油墨化学信息和印刷品颜色参数L*，a*和b*之间的关系模型，从而实现对印刷品颜色的检测。
由于近红外光在光纤中具有良好的传输特性，通过光纤可以使仪器远离采样现场，将测量的光谱信号实时地传输给仪器，调用建立的校正模型计算后可直接得到生产线中的印刷品颜色参数，避免了分光光度等方法中需要在生产线建立严格复杂光路的难题，易于实现在线检测。
2 实验仪器与材料
2.1 实验仪器
实验使用Bruker公司生产的MPA型傅里叶变换近红外光谱仪，配备内径为10 cm的镀金漫反射积分球，采样窗口直径为2 cm，在51 mm外置镀金背景，以避免光信号散失；配有固体光纤探头，便于样品快速检测，并配有OPUS 软件和定量分析软件包。光谱扫描范围为12 500~4 000 cm-1，光谱分辨率为4 cm-1，扫描次数为32次，得到吸光度光谱。
采用X-rite 530分光光度仪对印刷样品校正建模的标准颜色进行测量。测量条件如下：光源为D65，视场为2?，测量参数为L*，a*和b*色度空间下的颜色参数。
2.2 实验材料
实验样本采用如下印刷条件下印制的样品：GATF TestForm 4.1测试控制标版，BlackMagic数码打样机，炬光热敏CTP版，天津天狮油墨，海德堡单张纸印刷机CD102-4，UPM优光铜版纸2 kg。印刷样品共计144个色块。将全部样本随机分成建模集和预测集，建模集有103个样本，预测集有41个样本。
2.3 光谱数据的预处理
为了去除来自高频随机噪声、基线漂移、样本不均匀、光散射等影响，需要进行光谱预处理以消除噪声。采用Savitzky-Golay平滑法，平滑点数为21，然后，采用多元散射校正(MSC) 对光谱数据进行处理。所有的预处理过程在OPUS 软件中进行。为了得到高信噪比，去除部分噪声信息，选择波数为8 426~6 098 cm-1和5 450~4 248 cm-1范围内的数据进行分析处理。
3 结果与分析
3.1 印刷品色块的近红外漫反射光谱
印刷品色块的原始近红外光谱曲线如图2所示。可见，光谱在波长1 000~2 500 nm(对应波数4 000~ 10 000 cm-1)具有较高的信噪比，但是，光谱基线发生漂移。王加华等[18]在采用近红外光谱研究苹果糖度时也发现相似现象，并采用TQ6.2软件(Thermo Nicolet)对原始光谱进行预处理。
图2 印刷品色块近红外原始光谱曲线
Fig.2 Near infrared spectrum original spectra of printed matter
为了消除高频随机噪声及样本不均导致的基线漂移的影响，采用OPUS 软件对原始光谱进行预处理。首先，采用卷积分平滑法(Savity-golay smoothing)，选用平滑窗口为7，滤除高频噪音；再对光谱进行多元散射校正(MSC)处理，消除光程及色块差异引起的基线漂移[19]。图3所示为处理后的近红外光谱曲线，可以看出，由于色块不均产生的在垂直方向的基线漂移基本被消除。
图3 近红外光谱预处理后曲线
Fig.3 Near infrared spectrum after S-G smoothing and MSC
3.2 建模及预测
偏最小二乘法本质上是一种基于特征变量的回归方法，在多元校正中得到广泛应用[20]。偏最小二乘法在对量测参数进行分解的同时, 对响应参数也进行正交分解, 并在这2个参数间建立定量关系，这就对多个量测响应的预测成为可能。这里，量测参数为光谱参数，响应参数为L*，a*和b*。用偏最小二乘法对L*，a*和b*分别进行回归分析。采用偏最小二乘法对103个建模色块的光谱图及其对应的颜色L*建立的回归分析模型，使用近红外定量分析软件进行模型优化及验证，其结果如图4所示。可见：近红外信息与采用分光光度计法测定的L*具有很好的相关性，校正决定系数(R2)达到99.53%，校正均方差为0.812%，主因子维数为5。王莉等[21]应用近红外技术，采用最小二乘法对果醋糖度进行建模，得到R2为98.66%，校正均方差为0.538%。
图4 L*的回归分析模型
Fig.4 L* of chroma in testing set
利用上述近红外建立的颜色模型，对上述所提出的41个未知样品色块进行预测，结果见表1。图5所示为近红外预测值与分光光度计测定的L*拟合模型，预测决定系数(R2)为99.74%，预测平均相对误差为0.636%，主因子维数为5。因此，可以利用近红外方法快速预测印刷品的颜色参数L*。
表1 测试色块预测值和真值比较
Table 1 Comparison of predicted results by near-infrared and spectrophotometer
图5 近红外预测值与颜色计测定的L*拟合模型
Fig.5 Fitting model of L* detected by near-infrared and spectrophotometer
4 结 论
a. 印刷品的颜色主要由颜料决定，同时，与油墨的墨层厚度有关。应用近红外光谱分析技术可间接表征印刷品颜色。
b. 利用偏最小二乘法(PLS)对训练集样本进行训练，建立了印刷品的颜色模型，并得出交叉检验的最佳主因子维数为5。将5个主因子作为输入，进一步建立了偏最小二乘法(PLS)模型，对验证集样本进行预测，得出印刷品颜色的近红外预测值与实测值之间的预测决定系数R2为99.74%，预测平均相对误差为0.636%，具有良好的线性关系，表明这种基于近红外光谱技术的印刷品检测方法是可行的。
c. 采用近红外光谱分析技术和PLS建模方法可以准确地测量印刷品的颜色参数L*，a*和b*，为印刷生产过程中印刷品颜色的近红外光谱在线测量与优化控制创造了条件。
参考文献：
[1] D?browa T, Gajadhur M. Colour gamut of a press print and dependence of the basic attributes of overprint colours on the process ink film thickness[J].Surface Coatings International Part B: Coatings Transactions, 2007, 89(4): 305-314.
[2] Katherine F R, Sáncheza M T, Dolores P M. Quantitative assessment of intact green asparagus quality by near infrared spectroscopy[J]. Postharvest Biology and Technology, 2009, 52(3): 300-306.
[3] Meclure W F. Review: 204 years of near infrared technology: 1800-2003[J]. Journal of Near Infrared Spectroscopy, 2003, 11(6): 487-518.
[4] 腾乐生, 王 迪, 宋 佳. 近红外光谱法同时检测五种抗结核药物的主成分含量[J]. 光谱学与光谱分析, 2008, 28(8): 1814-1818.
TENG Le-sheng, WANG Di, SONG Jia. Application of near infrared spectroscopy in rapid and simultaneous determination of essential components in five varieties of anti-tuberculosis tablets[J]. Spectroscopy and Spectral Analysis, 2008, 28(8): 1814-1818.
[5] LIU Fei, HE Yong. Application of successive projections algorithm for variable selection to determine organic acids of plum vinegar[J]. Food Chemistry, 2009, 115: 1430-1436.
[6] Iwamoto R. Near-infrared spectroscopy as a useful tool for analysis in solution in common organic solvents[J]. Applied Spectroscopy, 2009, 63(3): 354-362.
[7] Beatriz G A, Olga M C. Quality control of industrial processes by combining a hyper spectral sensor and Fisher’s linear discriminant analysis[J]. Sensors and Actuators B, 2008, 129: 977-984.
[8] Jackman P, Sun D W, Du C J P. Prediction of beef eating qualities from colour, marbling and wavelet surface texture features using homogenous carcass treatment[J]. Pattern Recognition, 2009, 42(5): 751-763.
[9] 陈 建, 陈 晓, 李 伟, 等. 基于近红外光谱技术和人工神经网络的玉米品种鉴别方法研究[J]. 光谱学与光谱分析, 2008, 28(8): 1806-1809.
CHEN Jian, CHEN Xiao, LI Wei, et al. Study on discrimination of corn seed based on near-infrared spectra and artificial neural network model[J]. Spectroscopy and Spectral Analysis, 2008, 28(8): 1806-1809.
[10] Lee J H, Choung M G.. Determination of protein content in pea by near infrared spectroscopy[J]. Food Science And Biotechnology, 2009, 18(1): 60-65.
[11] Alemea H G, Letícia M. Determination of ethanol and specific gravity in gasoline by distillation curves and multivariate analysis[J]. Talanta, 2009, 78(4/5): 1422-1428.
[12] Heigl N, Petter C H, Lieb M, et al. Near-infrared reflection spectroscopy and partial least squares regression for determining the total carbon coverage of silica packings for liquid chromatography[J]. Vibrational Pectroscopy, 2009, 49(2): 155-161.
[13] Rao Y L, Xiang B G, Zhou X H. Quantitative and qualitative determination of acid value of peanut oil using near-infrared spectrometry[J]. Journal of Food Engineering, 2009, 93(2): 249-252.
[14] Richter M M, Zierhut K C, Dresler T. Changes in cortical blood oxygenation during arithmetical tasks measured by near-infrared spectroscopy[J]. Journal Of Neural Transmission, 2009, 116(3): 267-273.
[15] Salvador M A, Almeida P, Reis L V. Near-infrared absorbing delocalized cationic azo dyes[J]. Dyes and Pigments, 2009, 82(2): 118-123.
[16] 程杰铭, 陈夏洁, 顾 凯. 色彩学[M]. 北京: 科学出版社, 2006.
CHENG Jie-ming, CHEN Xia-jie, GU Kai. Chromatology[M]. Beijing: Science Press, 2006.
[17] 钱军浩. 印刷油墨应用技术[M]. 北京: 化学工业出版社, 2004.
QIAN Jun-hao. The application of printing ink technology[M]. Beijing: Chemical Industry Press, 2004.
[18] 王加华, 韩东海. 基于遗传算法的苹果糖度近红外光谱分析[J]. 光谱学与光谱分析, 2008, 28(10): 2308-2311.
WANG Jia-hua, HAN Dong-hai. Analysis of near infrared spectra of apple ssc by genetic algorithm optimization[J]. Spectroscopy and Spectral Analysis, 2008, 28(10): 2308-2311.
[19] Chen J Y, Iyo C, Teradab F J. Effect of multiplicative scatter correction on wavelength selection for near infrared calibration to determine fat content in raw milk[J]. Journal of Near Infrared Spectroscopy, 2002, 10(4): 301-307.
[20] Sohn JH, Atzeni M, Zeller L, et al. Characterisation of humidity dependence of a metal oxide semiconductor sensor array using partial least squares[J]. Sensors and Actuators B: Chemical, 2008, B131(1): 230-235.
[21] 王 莉, 李增芳, 何 勇, 等. 应用近红外光谱技术快速检测果醋糖度[J]. 光谱学与光谱分析, 2008, 28(8): 1810-1813.
WANG Li, LI Zeng-fang, HE Yong, et al. Fast detection of sugar content in fruit vinegar using near spectroscopy[J]. Spectroscopy and Spectral Analysis, 2008, 28(8): 1810-1813.
收稿日期：2009-05-17；修回日期：2009-07-29
基金项目：国家自然科学基金资助项目(60672063)；浙江省科技计划项目(021105778)
通信作者：管力明(1968-)，男，北京人，博士研究生，副教授，从事胶印质量检测、智能仪器的研究；电话：0571-86878503；E-mail: glm@hdu.edu.cn
