[发明专利]基于3D打印的珂罗版数字化制版方法

权利要求书

1.基于3D打印的珂罗版数字化制版方法，其特征在于，用传统专色珂罗版以及珂罗版印刷技术成功复制的字画原稿所对应的各传统专色底片，进行高精度扫描数据获取，通过编译的人工神经网络算法、三维高度数据误差分析算法、以及新的传统专色底片密度数据集，调节3D打印的预测珂罗版复制稿高保真再现能力；

具体包括以下步骤：

1）、按字画内容的复杂度，挑选出采用传统珂罗版印刷工艺成功复制的字画原稿及其印刷材料，进行组合，并将该组合进行分类，分成复杂度相同但内容不同的训练组与预测组；

2）、首先，在训练组中，针对珂罗版成功复制各字画原稿的传统专色底片及其对应的传统专色珂罗版，按复杂度与专色特点进行编号与标记，得到一系列训练专色序号；

然后，在预测组中，针对珂罗版成功复制各字画原稿的传统专色底片及其对应的传统专色珂罗版，按复杂度与专色特点进行编号与标记，得到一系列预测专色序号；

3）、训练组与预测组中，分别按所述专色序号由小到大的顺序，进行扫描：

首先，依次采用高精度胶片扫描仪，获取所有传统专色底片的带新标记的透射密度数据集P，所述带新标记的透射密度数据集P与所述各字画原稿相对应；所述带新标记的透射密度数据集P分为训练与预测两类数据集；

再采用高精度3D扫描仪，获取传统专色珂罗版表面起伏的高度数据集Q，所述高度数据集Q与各字画原稿相对应；所述高度数据集Q分为训练高度数据集Qx与预测高度数据集Qy两类数据集；

4）、将训练组中，针对由各字画原稿所获取的各传统专色底片的透射密度数据集P，以及其对应的传统专色珂罗版表面起伏的高度数据集Q，同时输入编译的人工神经网络训练算法，进行参数化关联训练，构建底片密度值与珂罗版表面起伏高度值的关联转换模型；

所述编译的人工神经网络训练算法是指，采用MATLAB工具包编译的、每层神经元数可拓展的训练算法；

5）、将预测组中，将由各字画原稿所获取的各传统专色底片的透射密度数据集P，输入到步骤4）获得的关联转换模型后，输出各密度数据集P对应的各专色预测珂罗版表面起伏的高度数据集K，再将数据集K转换成3D打印可识别的STL格式文件，在版基上，使用光固化树脂3D打印出各专色预测珂罗版；

6）、将各专色预测珂罗版装入珂罗版印刷机，进行专色叠印，得到字画预测稿；

将所述字画预测稿与字画原稿进行细节与色彩比对，同时，采用编译的三维高度数据集误差分析算法，对步骤5）得到的各专色预测珂罗版高度数据与传统珂罗版的表面起伏高度，进行量化比较，得到表面起伏的高度差；

所述编译的三维高度数据集误差分析算法，基于逐点比较策略下，采用MATLAB GUI界面进行设计与编码；

将表面起伏的高度差前向反馈给编译的人工神经网络训练算法，调节设置的新权重，直至通过该权重进行3D打印的预测珂罗版成功高保真再现字画原稿。

2.根据权利要求1所述的基于3D打印的珂罗版数字化制版方法，其特征在于，所述字画内容的复杂度判定依据为：采用珂罗版技术成功复制字画原稿所需要的传统专色底片数量。

3.根据权利要求2所述的基于3D打印的珂罗版数字化制版方法，其特征在于，所述传统专色底片的数量为1~20，则所述字画内容复杂度定为初级；

所述传统专色底片的数量为21~50，则所述字画内容复杂度定为中级；

所述传统专色底片的数量为51~80，则所述字画内容复杂度定为高级；

所述传统专色底片的数量为81以上，则所述字画内容复杂度定为特级。

4.根据权利要求3所述的基于3D打印的珂罗版数字化制版方法，其特征在于，步骤2）所述编号采取拼接式的“组类别-复杂度等级-字画名称-专色序号”结构进行编排；

所述标记为对所述编号各结构属性用其首字母表示；

所述“组类别”属性，采用X-训练组或Y-预测组标记；

所述“复杂度等级”属性，采用C-初级、Z-中级、G-高级或T-特级任意一个标记；

所述“字画名称”属性，选择字画原稿具体名称首字母标记；

所述“专色序号”属性，采取001~150中任意数值标记。