CN108345965A - 一种基于大数据学习的涂料配色方法及系统 - Google Patents

Abstract

本发明公开了一种基于大数据学习的涂料配色方法及系统，本发明涂料配色方法的步骤包括通过分光光度计检测获取目标色块的反射率R、计算目标色块的K/S值(K/S)以及目标色块的三刺激值[X,Y,Z]，最终将目标色块的三刺激值[X,Y,Z]输入预先基于大数据学习完成训练的机器学习模型，所述机器学习模型完成训练后包含色块的三刺激值[X,Y,Z]及其对应的配方之间的映射，最终得到目标色块所对应的配方并输出。本发明能够有效解决涂料配色行业中存在的耗时长、成本高和效果差的问题，通过引入机器学习的方法，使得系统在不断进化学习中获得满意的配色结果，具有高智能、高可扩展性和高精度的优点。

Description

一种基于大数据学习的涂料配色方法及系统

技术领域

本发明涉及涂料行业中的涂料配色技术，具体涉及一种基于大数据学习的涂料配色方法及系统。

背景技术

计算机配色通过利用颜色学理论精确地描述色料的颜色属性，能够为具体生产实践提供指导，简化配色过程。计算机配色可以广泛应用于涂料、纺织、成衣和汽车等涉及颜色的行业领域。计算机配色技术始于20世纪30年代，CIE(国际照明委员)创立了三刺激值色度学系统，Hardy成功设计出自动记录式反射率多角度分光光度计；1931年Kubelka-Munk提出光线在不透明介质中被吸收和散射的理论，也就是现时期大多数计算机配色系统的理论基础——Kubelka-Munk理论，简称K-M理论，K-M理论联系了物体的反射率R与吸收系数K和散射系数S的关系，为实现计算机配色奠定了基础。20世纪40年代是计算机配色技术发展时期，由美国氨氰公司的Park和联合王国涂料研究所的Duncann设计完成了最早的配色系统。尽管该系统的配色效率很低，但它的出现标志着实现计算机配色新时代的到来。20世纪50年代是计算机测色配色发展史上一个重要时期。1958年美国安装了由Davidson和Hemnmendinger开发的第一台模拟专用配色计算机，标志着计算机测配色系统的正式建立。20世纪60年代是计算机测色配色的兴起时期。这个时期，E.I.Du Pont de Nemours和帝国化工(ICI)相继宣布为客户提供计算机配色服务，使计算机配色蓬勃兴起。目前，在工业发达国家，与着色有关的行业如纺织印染、染料颜料制造业、涂料、塑料着色加工及油墨等行业普遍采用计算机配色系统作为产品开发、生产、质量控制、销售的有力工具，普及率很高。许多研究单位和生产厂商正在从事自动测色与配色系统的研制，相应的产品也不断投放市场，如美国的Datacolor、Macbeth、Shelyn、Hunterlab等，德国的Zeiss、Optronic，意大利的Oriential，日本的Minotao等。这些产品给使用者带来了生产科学化、高效率和经济效益。

在我国，计算机配色的理论研究和系统软件的开发都相对落后，计算机配色技术尚处于起步阶段。直至20世纪80年代初，上海纺织科学院从德国OPTON公司引进了第一台自动测色配色仪器。我国80年代开始进行国产电子配色系统的开发研究。沈阳化工研究院从1984年开始研究配色系统，推出了思维士配色中文软件，为国内最早的中文软件。该系统已在染料、印染、毛纺及塑料、油漆、油墨等有关的行业得到应用。2001年国防科学技术大学和世名科技公司联合研制了用于涂料配色的仿真系统，该系统能够较好地实现涂料浅色配色，并在涂料行业大量应用。但国内至今还有许多生产单位的颜色质量控制和配方预测过程仍然主要依靠工人的经验和目视判断，因此严重制约了我国颜色相关工业的发展。

涂料行业的配色主要是预测各个色料浓度与目标色样的光学数据之间的关系。目前主要有两种方式，一种是通过上文介绍的K-M理论以及之后出现的多通道理论，这些理论都建立了色料浓度与目标色样间的数学模型，通过这些数学模型可以对颜色进行预测，目前也是被广泛采用的方法，但是缺点也很明显，模型存在误差同时模型中的基本参数不容易确定。另外一种是考虑到配色问题实际上是一个解决两个空间非线性映射问题，故出现了很多把人工神经网络的方法用于计算机配色的研究。人工神经网络进行配色预测相对传统的数学建模方法不需要固定建立单个涂料的样本库，可以直接采用现存的数据库进行学习，同时随着用户的使用可以不断的学习，使得系统更加精确。但目前简单应用的人工神经网络以及一些增强的神经网络效果还不理想，很难达到工业应用对色差的需求，容易出现局部最小值和拟合过度等问题。

大数据指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。涂料行业由于每天产生大量的配方，而这些配方数据往往都没有得到有效的利用。在需要对某个颜色进行配色时，人工也会产生较多的小样数据，这些数据往往都被人为舍弃。机器学习方法的出现成为利用这些海量数据作配方预测提供了一种解决方案，目前应用广泛的支持向量机从较小的数据样本开始学习，随着数据的大量增加不断的优化学习从而获取更高的精度。支持向量机SVM(Support Vector Machine)是Vapnik等人在多年研究统计学习理论基础上对线性分类器提出了另一种设计最佳准则。其原理也从线性可分说起，然后扩展到线性不可分的情况，甚至扩展到使用非线性函数中去。SVM方法是通过一个非线性映射p，把样本空间映射到一个高维乃至无穷维的特征空间中(Hilbert空间)，使得在原来的样本空间中非线性可分的问题转化为在特征空间中的线性可分的问题。简单地说，就是升维和线性化。升维，就是把样本向高维空间做映射，一般情况下这会增加计算的复杂性，甚至会引起“维数灾难”，因而人们很少问津。但是作为分类、回归等问题来说，很可能在低维样本空间无法线性处理的样本集，在高维特征空间中却可以通过一个线性超平面实现线性划分(或回归).一般的升维都会带来计算的复杂化，SVM方法巧妙地解决了这个难题：应用核函数的展开定理，就不需要知道非线性映射的显式表达式。由于是在高维特征空间中建立线性学习机，所以与线性模型相比，不但几乎不增加计算的复杂性，而且在某种程度上避免了“维数灾难”，这一切要归功于核函数的展开和计算理论。SVM自提出后，广泛应用在算法研究、设计和实现上。

粒子群优化算法(PSO)是一种进化计算技术(evolutionary computation)，1995年由Eberhart博士和kennedy博士提出，源于对鸟群捕食的行为研究。该算法最初是受到飞鸟集群活动的规律性启发，进而利用群体智能建立的一个简化模型。粒子群算法在对动物集群活动行为观察基础上，利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程，从而获得最优解。PSO同遗传算法类似，是一种基于迭代的优化算法。系统初始化为一组随机解，通过迭代搜寻最优值。但是它没有遗传算法用的交叉(crossover)以及变异(mutation)，而是粒子在解空间追随最优的粒子进行搜索。同遗传算法比较，PSO的优势在于简单容易实现并且没有许多参数需要调整。目前已广泛应用于函数优化，神经网络训练，模糊系统控制以及其他遗传算法的应用领域。

发明内容

本发明要解决的技术问题：针对当前涂料配色行业中在现有的依靠数学模型和简单人工神经网络无法解决的色差过大等问题，提供一种基于大数据学习的涂料配色方法及系统，以实现涂料配色系统的高精准配色，通过引入可精密测量色彩数据的分光光度计，并针对涂料行业提出了基于粒子群算法和基于大数据机器学习相结合的方法来准确预测配方，以实现涂料行业高精度的计算机配色。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于大数据学习的涂料配色方法，实施步骤包括：

1)通过分光光度计检测获取目标色块的反射率R；

2)根据目标色块的反射率R计算目标色块的K/S值(K/S)，其中K/S值是指吸收系数与散射系数的比值，K为吸收系数，S为散射系数；

3)根据目标色块的K/S值(K/S)计算目标色块的三刺激值[X,Y,Z]；

4)将目标色块的三刺激值[X,Y,Z]输入预先基于大数据学习完成训练的机器学习模型，所述机器学习模型完成训练后包含色块的三刺激值[X,Y,Z]及其对应的配方之间的映射，最终得到目标色块所对应的配方并输出。

优选地，步骤2)中计算目标色块的K/S值的函数表达式如式(1)所示；

式(1)中，K/S表示目标色块的K/S值，R表示目标色块的反射率。

优选地，步骤3)中计算目标色块的三刺激值[X,Y,Z]的函数表达式如式(2)所示；

式(2)中，X,Y,Z表示目标色块的三刺激值，E表示CIE-1931中广谱能量分布常量，表示CIE-XYZ系统中标准色度观察者光谱刺激值X且为一个常量数据，表示CIE-XYZ系统中标准色度观察者光谱刺激值Y且为一个常量数据，表示CIE-XYZ系统中标准色度观察者光谱刺激值Z且为一个常量数据，R表示色块目标的反射率，(K/S)表示目标色块的K/S值，Δλ表示可见光波长范围内的采样的间隔。

优选地，步骤3)中的机器学习模型为支持向量机SVM，且其训练步骤包括：

S1)针对100％浓度的色漆获取其覆盖率I并进行分类；

S2)初始化不同浓度的n种配方，且每一种配方中不同覆盖率分类的色漆具有不同梯度的浓度取值范围；

S3)遍历选择一个配方作为当前配方i；

S4)根据当前配方i制作黑白底卡样卡i，通过分光光度计检测获取黑白底卡样卡i的反射率R₀,R₁，其中R₀表示黑底卡上的反射率，R₁表示白底卡上的反射率；根据黑白底卡样卡i的反射率R₀,R₁计算黑白底卡样卡i的反射率R_i，根据黑白底卡样卡i的反射率R _i计算样卡i的K/S值(K/S)_i；根据黑白底卡样卡i的K/S值(K/S)_i计算器对应的三刺激值[X,Y,Z]；

S5)将所有配方i的浓度[C₀，C₁，C₂]及其对应的三刺激值[X,Y,Z]建立一一对应关系，并将这些数据分为训练集和验证集；

S6)将粒子群算法模块进行初始化，将支持向量机SVM的可调参数(C,σ)作为粒子群算法的目标，且将可调参数(C,σ)作为支持向量机SVM的初始化参数，利用训练集对支持向量机SVM进行训练，并根据验证集对支持向量机SVM进行评估，如误差满足要求则跳转执行下一步；否则，跳转重新执行步骤S6)；

S7)判断n种配方是否遍历完毕，如果尚未遍历完毕，则遍历选择下一个配方作为当前配方i，跳转执行步骤S4)；否则，结束并退出。

优选地，步骤S1)的详细步骤包括：

S1.1)将100％浓度的色漆制作100％纯样黑白底卡；

S1.2)通过分光光度计分别检测获取100％纯样黑白底卡上的反射率R₀,R₁，其中R₀表示黑底卡上的反射率，R₁表示白底卡上的反射率；

S1.3)根据反射率R₀,R₁计算100％浓度的色漆的覆盖率I，并根据覆盖率I将所有的100％浓度的色漆进行分类。

优选地，步骤S1.3)中根据反射率R₀,R₁计算100％浓度的色漆的覆盖率I的函数表达式如式(3)所示；

式(3)中，I表示100％浓度的色漆的覆盖率，N表示100％纯样黑白底卡上的检测采样点，表示在第i个可见光波段黑底卡上的反射率，表示在第i个可见光波段白底卡上的反射率。

优选地，根据覆盖率I将所有的100％浓度的色漆进行分类的结果包括低、中、高三类，步骤S2)初始化不同浓度的n种配方时，针对覆盖率分类为高的色漆浓度取值范围为[0.1 0.2 0.5 1 2]，针对覆盖率分类为中的色漆浓度取值范围为[0.2 0.5 1 2 6]，针对覆盖率分类为低的色漆浓度取值范围为[0.5 1 2 6 14]，从而得到5^b种配方，其中b为配方中包含不同色漆的数量。

优选地，步骤S4)中计算黑白底卡样卡i的反射率R_i的函数表达式如式(4)所示；

式(4)中，R_i表示黑白底卡样卡i的反射率，a,b为中间变量，R₀表示黑白底卡样卡i的黑底卡上的反射率，R₁表示黑白底卡样卡i的白底卡上的反射率，为白底板反射率，为黑底板反射率。

优选地，步骤S6)中将粒子群算法模块进行初始化时，初始化粒子群算法中加速因子C1和C2均取值为2，惯性权值w取值为0.85；步骤S6)中将可调参数(C,σ)作为支持向量机SVM的初始化参数时，支持向量机SVM的选取的核函数为径向基核函数RBF。

本发明还提供一种基于大数据学习的涂料配色系统，包括计算机设备，所述计算机设备被编程以执行本发明基于大数据学习的涂料配色方法的步骤。

本发明具有下述优点：本发明自适应的智能涂料配色系统利用颜色学理论精确地描述涂料的颜色属性，先建立涂料的基础数据库，学习后存储在数据库中，需要进行计算机配色预测时，读取目标颜色数据，调取数据库中相关颜色的数据，进行准确的预测计算，得到精确的配方从而实现自动化配色。本发明能够有效解决涂料行业中存在的人工配色耗时长、成本高和效果差的问题，通过引入可精密测量色彩数据的分光光度计，以实现高精度的配色预测功能，并且随着使用用户不断的增加，大量的验证数据增加，使得系统的学习能力更加强大，不断进化，甚至能达到减少人工误差的配色精度要求。

附图说明

图1为本发明实施例方法的基本流程示意图。

图2为本发明实施例方法的系统结构示意图。

图3为本发明实施例中支持向量机SVM的训练流程示意图。

图4为本发明实施例中配方计算的流程示意图。

图5为本发明实施例中反馈学习的流程示意图。

具体实施方式

涂料漆一般分为三类：白漆、清漆和色漆。白漆是基础色漆，主要是二氧化钛，价格相对便宜；清漆主要树脂等添加剂，对颜色的反射率影响非常弱；色漆指各种颜色的涂料，如黄、红、蓝、绿、紫、黑等，负责调整色相。下文将以白漆作为配色的基础漆，对本发明一种基于大数据学习的涂料配色方法做进一步的详细说明。

如图1所示，本实施例基于大数据学习的涂料配色方法的实施步骤包括：

1)通过分光光度计检测获取目标色块的反射率R；

2)根据目标色块的反射率R计算目标色块的K/S值(K/S)，其中K/S值是指吸收系数与散射系数的比值，K为吸收系数，S为散射系数；

3)根据目标色块的K/S值(K/S)计算目标色块的三刺激值[X,Y,Z]；

4)将目标色块的三刺激值[X,Y,Z]输入预先基于大数据学习完成训练的机器学习模型，所述机器学习模型完成训练后包含色块的三刺激值[X,Y,Z]及其对应的配方之间的映射，最终得到目标色块所对应的配方并输出。

本实施例中，步骤2)中计算目标色块的K/S值的函数表达式如式(1)所示；

式(1)中，K/S表示目标色块的K/S值，R表示目标色块的反射率。

本实施例中，步骤3)中计算目标色块的三刺激值[X,Y,Z]的函数表达式如式(2)所示；

式(2)中，X,Y,Z表示目标色块的三刺激值，E表示CIE-1931中广谱能量分布常量，表示CIE-XYZ系统中标准色度观察者光谱刺激值X且为一个常量数据，表示CIE-XYZ系统中标准色度观察者光谱刺激值Y且为一个常量数据，表示CIE-XYZ系统中标准色度观察者光谱刺激值Z且为一个常量数据，R表示色块目标的反射率，(K/S)表示目标色块的K/S值，Δλ表示可见光波长范围内的采样的间隔。

本实施例中，步骤3)中的机器学习模型为支持向量机SVM。此外，也可以根据需要采用其他机器学习模型，同样也可以实现大数据学习来进行分类。

如图3所示，支持向量机SVM的训练步骤包括：

S1)针对100％浓度的色漆获取其覆盖率I并进行分类；

S2)初始化不同浓度的n种配方，且每一种配方中不同覆盖率分类的色漆具有不同梯度的浓度取值范围；

S3)遍历选择一个配方作为当前配方i；

S4)根据当前配方i制作黑白底卡样卡i，通过分光光度计检测获取黑白底卡样卡i的反射率R₀,R₁，其中R₀表示黑底卡上的反射率，R₁表示白底卡上的反射率；根据黑白底卡样卡i的反射率R₀,R₁计算黑白底卡样卡i的反射率R_i，根据黑白底卡样卡i的反射率R_i计算样卡i的K/S值(K/S)_i；根据黑白底卡样卡i的K/S值(K/S)_i计算器对应的三刺激值[X,Y,Z]；

S5)将所有配方i的浓度[C₀，C₁，C₂]及其对应的三刺激值[X,Y,Z]建立一一对应关系，并将这些数据分为训练集和验证集；本实施例中，根据配方(D2、D5、D8)组合的小样的浓度[C0，C1，C2]和三刺激值[X，Y，Z]数据可以建立一一对应关系，然后将这些数据随机分为两块，一块占比80％数据作为训练集，另外20％比例数据作为验证集合。

S6)将粒子群算法模块进行初始化，将支持向量机SVM的可调参数(C,σ)作为粒子群算法的目标，且将可调参数(C,σ)作为支持向量机SVM的初始化参数，利用训练集对支持向量机SVM进行训练，并根据验证集对支持向量机SVM进行评估，如误差满足要求则跳转执行下一步；否则，跳转重新执行步骤S6)；

S7)判断n种配方是否遍历完毕，如果尚未遍历完毕，则遍历选择下一个配方作为当前配方i，跳转执行步骤S4)；否则，结束并退出。

本实施例中，步骤S1)的详细步骤包括：

S1.1)将100％浓度的色漆制作100％纯样黑白底卡；本实施例中以白漆作为配色的基础漆，制作100％纯样黑白底卡的步骤包括：将库中色漆与清漆以4：1的比例勾兑成混合物，以方便成膜，再将混合物充分混合置于黑白底卡上，黑底卡反射率低于5％，白底卡反射率高于80％，然后利用250微米涂膜器均匀刮在黑白底卡上；

S1.2)通过分光光度计分别检测获取100％纯样黑白底卡上的反射率R₀,R₁，其中R₀表示黑底卡上的反射率，R₁表示白底卡上的反射率；

S1.3)根据反射率R₀,R₁计算100％浓度的色漆的覆盖率I，并根据覆盖率I将所有的100％浓度的色漆进行分类。本实施例中，根据覆盖率I>＝0.95标记为遮盖高的涂料，0.9<＝I<0.95的标记为遮盖中等的涂料，I<0.9的标记为遮盖差的涂料，此外也可以根据需要采用其他临界阈值进行分类，其原理与本实施例相同，在此不再赘述。

本实施例中，步骤S1.3)中根据反射率R₀,R₁计算100％浓度的色漆的覆盖率I的函数表达式如式(3)所示；

式(3)中，I表示100％浓度的色漆的覆盖率，N表示100％纯样黑白底卡上的检测采样点，表示在第i个可见光波段黑底卡上的反射率，表示在第i个可见光波段白底卡上的反射率。本实施例中，通过分光光度计分别检测获取100％纯样黑白底卡上的反射率R₀,R₁时，可见光波段400至700纳米，每隔10纳米采集一个样点，共31个采样点,即N＝31。

本实施例中，根据覆盖率I将所有的100％浓度的色漆进行分类的结果包括低、中、高三类，步骤S2)初始化不同浓度的n种配方时，针对覆盖率分类为高的色漆浓度取值范围为[0.1 0.2 0.5 1 2]，针对覆盖率分类为中的色漆浓度取值范围为[0.2 0.5 1 2 6]，针对覆盖率分类为低的色漆浓度取值范围为[0.5 1 2 6 14]，从而得到5^b种配方，其中b为配方中包含不同色漆的数量。根据人工经验对涂料编号所组成的配方形式按照其出现的频率进行划分，如P1＝{5,9,11}为常用配方组成等。一般大量使用的配方组合数不超过30，每个配方中的涂料不超过三个，按照使用频率的高低分为编号为[P0,P1,P2…Pn]；本实施例中，配方中包含不同色漆的数量为3，即b＝3，因此根据组合数可以做出基础学习库5*5*5＝125种配方作为基础学习库。

如图4所示，本实施例中针对125种配方进行处理构建基础学习库的详细步骤如下：

A1)在需要建库的涂料配方库中选取一个配方i；

A2)针对配方P_i，假设由色漆(D₂，D₅，D₈)组成，D₂假设为遮盖高的色漆，D₅假设为遮盖中的色漆，D₈为遮盖低的色漆；

A3)用100克白漆与0.1克D₂、0.2克D₅和0.5克D₈色漆混合制作成样板，用分光光度计读取其黑白底卡上反射率数据R₀,R₁，然后计算得到真正的反射率R_i以及混合后配方的K/S值(K/S)₁。

A4)用100克白漆与0.1克D₂、0.2克D₅和1.0克D₈色漆混合制作成样板，用分光光度计读取其黑白底卡上反射率数据R₁、R₀，然后根据公式(3)计算得到真正的反射率R_t，根据公式(4)进一步计算得到混合后配方的K/S值(K/S)₂；

……

A126)用100克白漆与2.0克D₂、6.0克D₅和14.0克D₈色漆混合制作成样板，用分光光度计读取其黑白底卡上反射率数据R₁、R₀，然后根据公式(3)计算得到真正的反射率R_t，根据公式(4)进一步计算得到混合后配方的K/S值(K/S)₁₂₅。

本实施例中，步骤S4)中计算黑白底卡样卡i的反射率R_i的函数表达式如式(4)所示；

式(4)中，R_i表示黑白底卡样卡i的反射率，a,b为中间变量，R₀表示黑白底卡样卡i的黑底卡上的反射率，R₁表示黑白底卡样卡i的白底卡上的反射率，为白底板反射率，为黑底板反射率。

本实施例中，步骤S6)中将粒子群算法模块进行初始化时，初始化粒子群算法中加速因子C1和C2均取值为2，惯性权值w取值为0.85；步骤S6)中将可调参数(C,σ)作为支持向量机SVM的初始化参数时，支持向量机SVM的选取的核函数为径向基核函数RBF。

本实施例中，步骤4)得到目标色块所对应的配方并输出时，还包括将目标色块所对应的配方存入配方缓存数据库中，当配方缓存数据库达到预设阈值后会触发系统的反馈学习过程，重复支持向量机SVM的训练步骤的S6)，以产生新的学习参数并存储在数据库中。如图5所示，反馈学习的步骤包括：(1)设置最低缓存配方数目为20个；(2)系统开始配色，缓存进入一个配方；(3)判断是否达到最低缓存数量要求，如果达到要求，则将缓存中的20个数据连同库中原有的数据进行合并得到新的数据，根据新的数据重新进行学习和训练，得到新的学习参数；否则如果不能达到要求，则结束并退出。

综上所述，本实施例公开了一种针对涂料行业的基于大数据学习的配色方法，该方法利用颜色学理论、大数据分析和机器学习成果相结合，首先通过基础样本学习训练建立起基础颜色的光学数据和浓度之间的非线性映射关系，随着系统数据量的不断增加，产生大量的数据不断对学习模型进行优化，从而使得预测精度更加精确。在需要进行智能化配色预测时，首先读取目标的颜色数据，然后调取大数据库中相关数据，进行配方的预测计算，若预测出的配方经过小样验证满足用户要求则输出配方并将其存入缓存配方库中，若不符合要求则通过人工调整直到满足用户需求，然后同样存入缓存配方库中。当缓存数据库中样本积累到一定量后会触发系统自动进行迭代学习，将新的配方加入到学习样本集中，使得其有更好的预测能力。本发明能够有效解决涂料配色行业中存在的耗时长、成本高和效果差的问题，通过引入机器学习的方法，使得系统在不断进化学习中获得满意的配色结果，具有高智能、高可扩展性和高精度的优点。

本实施例还提供一种基于大数据学习的涂料配色系统，包括计算机设备，计算机设备被编程以执行本实施例前述基于大数据学习的涂料配色方法的步骤，且该计算机设备上连接有分光光度计，用于检测色漆的反射率。如图2所示，本发明实施例方法的系统包括硬件模块和软件模块，其中硬件模块为分光光度计和计算机设备，分光光度计通过读取数据COM端口与计算机设备相连，计算机设备中运行软件模块，软件模块包括核心算法模块和基础数据库模块，核心算法模块分别包括建库算法、学习算法和配色算法，建库算法用于建立支持向量机SVM，学习算法用于训练支持向量机SVM，配色算法用于应用支持向量机SVM，基础数据库模块则用于存储训练支持向量机SVM及其相关的训练集以及验证集，软件模块被编程以执行本实施例前述基于大数据学习的涂料配色方法的步骤。

以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种基于大数据学习的涂料配色方法，其特征在于实施步骤包括：

1)通过分光光度计检测获取目标色块的反射率R；

2)根据目标色块的反射率R计算目标色块的K/S值(K/S)，其中K/S值是指吸收系数与散射系数的比值，K为吸收系数，S为散射系数；

3)根据目标色块的K/S值(K/S)计算目标色块的三刺激值[X,Y,Z]；

4)将目标色块的三刺激值[X,Y,Z]输入预先基于大数据学习完成训练的机器学习模型，所述机器学习模型完成训练后包含色块的三刺激值[X,Y,Z]及其对应的配方之间的映射，最终得到目标色块所对应的配方并输出。

2.根据权利要求1所述的基于大数据学习的涂料配色方法，其特征在于，步骤2)中计算目标色块的K/S值的函数表达式如式(1)所示；

式(1)中，K/S表示目标色块的K/S值，R表示目标色块的反射率。

3.根据权利要求1所述的基于大数据学习的涂料配色方法，其特征在于，步骤3)中计算目标色块的三刺激值[X,Y,Z]的函数表达式如式(2)所示；

式(2)中，X,Y,Z表示目标色块的三刺激值，E表示CIE-1931中广谱能量分布常量，表示CIE-XYZ系统中标准色度观察者光谱刺激值X且为一个常量数据，表示CIE-XYZ系统中标准色度观察者光谱刺激值Y且为一个常量数据，表示CIE-XYZ系统中标准色度观察者光谱刺激值Z且为一个常量数据，R表示色块目标的反射率，(K/S)表示目标色块的K/S值，Δλ表示可见光波长范围内的采样的间隔。

4.根据权利要求1或2或3所述的基于大数据学习的涂料配色方法，其特征在于，步骤3)中的机器学习模型为支持向量机SVM，且其训练步骤包括：

S1)针对100％浓度的色漆获取其覆盖率I并进行分类；

S2)初始化不同浓度的n种配方，且每一种配方中不同覆盖率分类的色漆具有不同梯度的浓度取值范围；

S3)遍历选择一个配方作为当前配方i；

S4)根据当前配方i制作黑白底卡样卡i，通过分光光度计检测获取黑白底卡样卡i的反射率R₀,R₁，其中R₀表示黑底卡上的反射率，R₁表示白底卡上的反射率；根据黑白底卡样卡i的反射率R₀,R₁计算黑白底卡样卡i的反射率R_i，根据黑白底卡样卡i的反射率R _i计算样卡i的K/S值(K/S)_i；根据黑白底卡样卡i的K/S值(K/S)_i计算器对应的三刺激值[X,Y,Z]；

S5)将所有配方i的浓度[C₀，C₁，C₂]及其对应的三刺激值[X,Y,Z]建立一一对应关系，并将这些数据分为训练集和验证集；

S6)将粒子群算法模块进行初始化，将支持向量机SVM的可调参数(C,σ)作为粒子群算法的目标，且将可调参数(C,σ)作为支持向量机SVM的初始化参数，利用训练集对支持向量机SVM进行训练，并根据验证集对支持向量机SVM进行评估，如误差满足要求则跳转执行下一步；否则，跳转重新执行步骤S6)；

S7)判断n种配方是否遍历完毕，如果尚未遍历完毕，则遍历选择下一个配方作为当前配方i，跳转执行步骤S4)；否则，结束并退出。

5.根据权利要求4所述的基于大数据学习的涂料配色方法，其特征在于，步骤S1)的详细步骤包括：

S1.1)将100％浓度的色漆制作100％纯样黑白底卡；

S1.2)通过分光光度计分别检测获取100％纯样黑白底卡上的反射率R₀,R₁，其中R₀表示黑底卡上的反射率，R₁表示白底卡上的反射率；

S1.3)根据反射率R₀,R₁计算100％浓度的色漆的覆盖率I，并根据覆盖率I将所有的100％浓度的色漆进行分类。

6.根据权利要求5所述的基于大数据学习的涂料配色方法，其特征在于，步骤S1.3)中根据反射率R₀,R₁计算100％浓度的色漆的覆盖率I的函数表达式如式(3)所示；

式(3)中，I表示100％浓度的色漆的覆盖率，N表示100％纯样黑白底卡上的检测采样点，表示在第i个可见光波段黑底卡上的反射率，表示在第i个可见光波段白底卡上的反射率。

7.根据权利要求4所述的基于大数据学习的涂料配色方法，其特征在于，根据覆盖率I将所有的100％浓度的色漆进行分类的结果包括低、中、高三类，步骤S2)初始化不同浓度的n种配方时，针对覆盖率分类为高的色漆浓度取值范围为[0.1 0.2 0.5 1 2]，针对覆盖率分类为中的色漆浓度取值范围为[0.2 0.5 1 2 6]，针对覆盖率分类为低的色漆浓度取值范围为[0.5 1 2 6 14]，从而得到5^b种配方，其中b为配方中包含不同色漆的数量。

8.根据权利要求4所述的基于大数据学习的涂料配色方法，其特征在于，步骤S4)中计算黑白底卡样卡i的反射率R_i的函数表达式如式(4)所示；

式(4)中，R_i表示黑白底卡样卡i的反射率，a,b为中间变量，R₀表示黑白底卡样卡i的黑底卡上的反射率，R₁表示黑白底卡样卡i的白底卡上的反射率，为白底板反射率，为黑底板反射率。

9.一种基于大数据学习的涂料配色系统，包括计算机设备，其特征在于：所述计算机设备被编程以执行权利要求1～8中任意一项所述基于大数据学习的涂料配色方法的步骤。