CN110046635A - 用于匹配目标涂层的颜色和外观的系统和方法 - Google Patents

用于匹配目标涂层的颜色和外观的系统和方法 Download PDF

Info

Publication number
CN110046635A
CN110046635A CN201811487092.5A CN201811487092A CN110046635A CN 110046635 A CN110046635 A CN 110046635A CN 201811487092 A CN201811487092 A CN 201811487092A CN 110046635 A CN110046635 A CN 110046635A
Authority
CN
China
Prior art keywords
image
sample image
target
coating
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811487092.5A
Other languages
English (en)
Inventor
拉里·E·斯蒂恩胡克
阿莱西奥·塔姆布罗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Axalta Coating Systems GmbH
Original Assignee
Coating Foreign Intellectual Property Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Coating Foreign Intellectual Property Co Ltd filed Critical Coating Foreign Intellectual Property Co Ltd
Publication of CN110046635A publication Critical patent/CN110046635A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/46—Measurement of colour; Colour measuring devices, e.g. colorimeters
    • G01J3/463—Colour matching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/46—Measurement of colour; Colour measuring devices, e.g. colorimeters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G06F16/535—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/46—Colour picture communication systems
    • H04N1/56—Processing of colour picture signals
    • H04N1/60—Colour correction or control
    • H04N1/6002—Corrections within particular colour systems
    • H04N1/6008—Corrections within particular colour systems with primary colour signals, e.g. RGB or CMY(K)
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/46—Colour picture communication systems
    • H04N1/56—Processing of colour picture signals
    • H04N1/60—Colour correction or control
    • H04N1/603—Colour correction or control controlled by characteristics of the picture signal generator or the picture reproducer
    • H04N1/6033—Colour correction or control controlled by characteristics of the picture signal generator or the picture reproducer using test pattern analysis
    • H04N1/6047—Colour correction or control controlled by characteristics of the picture signal generator or the picture reproducer using test pattern analysis wherein the test pattern is part of an arbitrary user image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30156—Vehicle coating
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/46—Colour picture communication systems
    • H04N1/56—Processing of colour picture signals
    • H04N1/60—Colour correction or control
    • H04N1/603—Colour correction or control controlled by characteristics of the picture signal generator or the picture reproducer
    • H04N1/6052—Matching two or more picture signal generators or two or more picture reproducers

Abstract

本文提供了用于匹配目标涂层的颜色和外观的系统与方法。该系统包括被配置成接收目标涂层的目标图像数据的电子成像装置。目标图像数据包括目标涂层特征。该系统还包括从目标图像数据提取目标图像特征的一个或更多个特征提取算法。该系统还包括利用目标图像特征从多个样本图像中识别计算出的匹配样本图像的机器学习模型。机器学习模型包括用于从多个样本图像中识别计算出的匹配样本图像的、表示多个样本图像的预定匹配准则。计算出的匹配样本图像用于匹配目标涂层的颜色和外观。

Description

用于匹配目标涂层的颜色和外观的系统和方法
技术领域
技术领域涉及用于匹配目标涂层的颜色和外观的系统和方法，更具体地，涉及用于识别与目标涂层的视觉数据具有预定相似性的匹配样本图像的系统和方法。
背景技术
具有期望颜色和外观的涂料的视觉化和选择在许多应用中起重要作用。例如，涂料供应商必须提供数千种涂料，以覆盖用于所有当前和最新型号车辆的全球OEM制造商的涂料的范围。提供这种作为工厂包装产品的大量不同涂料增加涂料制造的复杂性并且增加库存成本。因此，涂料供应商提供通常包括50至100组分(例如，单一颜料色彩、粘合剂、溶剂、添加剂)的混合机系统，该混合机系统具有与车辆的涂料的范围匹配的组分的涂料配方。混合机可以驻留在修理厂(即，车体修理店)或涂料经销商处，并且允许用户通过以对应于涂料配方的量分配组分来获得具有所需颜色和外观的涂料。涂料配方通常保存在数据库中，并通过下载或直接连接至因特网数据库经由计算机软件分发给客户。涂料配方中的每种配方通常涉及一个或更多个替代涂料配方，以解决由于车辆生产的变化而导致的涂料变化。
识别与目标涂层最相似的涂料配方由于这种变化而变得复杂。例如，特定涂料可能出现在使用来自两个OEM涂料供应商的涂料在具有不同应用装备的两个装配厂中生产并且超过五年车型年份的寿命的三种车辆型号上。这些变化源导致具有该特定涂料的车辆群体的显著涂料变化。涂料供应商提供的替代涂料配方与颜色群体的子集匹配，使得对于需要修理的任何车辆而言紧密匹配是可用的。替代涂料配方中的每个可以由美联条形色彩卡中的色卡来表示，这使得用户能够通过与车辆的视觉比较来选择最佳匹配配方。
识别与用于修复的目标涂层最相似的涂料配方通常通过使用分光光度计或美联条形色彩卡(fandeck)来完成。分光光度计测量要修复的目标涂层的一个或更多个颜色和外观属性。然后将该颜色和外观数据与来自包含在数据库中的可能的候选配方的相应数据进行比较。然后选择其颜色和外观属性最佳匹配要修复的目标涂层的颜色和外观属性的候选配方作为与目标涂层最相似的涂料配方。然而，分光光度计昂贵且在经济市场中不容易获得。
可替选地，美联条形色彩卡包括在美联条形色彩卡内的页面或片上的多个样本涂料层。于是将美联条形色彩卡的样本涂料层与正在修复的目标涂层在视觉上进行比较。然后选择与要修复的目标涂层的颜色和外观属性最佳匹配的样本涂料层相关联的配方作为与目标涂层最相似的涂料配方。然而，由于需要大量的样本涂料层来解决当今道路上的车辆上的所有涂料，因此美联条形色彩卡使用起来麻烦并且难以维护。
因此，期望提供用于匹配目标涂层的颜色和外观的系统和方法。另外，根据结合附图和本背景的随后的发明内容和详细说明以及所附权利要求，其他期望的特征和特性将变得明显。
发明内容
本文中公开了用于匹配目标涂层的颜色和外观的系统的各种非限制性实施方式以及用于匹配目标涂层的颜色和外观的方法的各种非限制性实施方式。
在一个非限制性实施方式中，该系统包括但不限于用于存储用于执行目标涂层的颜色和外观的匹配的指令的存储装置。该系统还包括但不限于被配置成执行指令的一个或更多个数据处理器。一个或更多个数据处理器被配置成执行指令以由一个或更多个数据处理器接收目标涂层的目标图像数据。目标图像数据由电子成像装置生成并包括目标图像特征。一个或更多个数据处理器被配置成执行指令以由一个或更多个处理器检索从目标图像数据提取目标图像特征的一个或更多个特征提取算法。一个或更多个数据处理器被配置成执行指令以将目标图像数据应用于一个或更多个特征提取算法。一个或更多个数据处理器被配置成执行指令以利用一个或更多个特征提取算法从目标图像数据提取目标图像特征。一个或更多个数据处理器被配置成执行指令以由一个或更多个数据处理器检索机器学习模型，该机器学习模型利用目标图像特征从多个样本图像中识别计算出的匹配样本图像。机器学习模型包括用于从多个样本图像中识别计算出的匹配样本图像的、表示多个样本图像的预定匹配准则。一个或更多个数据处理器被配置成执行指令以将目标图像特征应用于机器学习模型。一个或更多个数据处理器被配置成执行指令以基于对预定匹配准则中的一个或更多个的基本上满足来识别计算出的匹配样本图像。计算出的匹配样本图像用于匹配目标涂层的颜色和外观。
在另一个非限制性实施方式中，该方法包括但不限于：由一个或更多个数据处理器接收目标涂层的目标图像数据。目标图像数据由电子成像装置生成并包括目标图像特征。该方法还包括但不限于：由一个或更多个处理器检索从目标图像数据提取目标图像特征的一个或更多个特征提取算法。该方法还包括但不限于：将目标图像数据应用于一个或更多个特征提取算法。该方法还包括但不限于：利用一个或更多个特征提取算法从目标图像数据提取目标图像特征。该方法还包括但不限于：由一个或更多个数据处理器检索机器学习模型，该机器学习模型利用目标图像特征从多个样本图像中识别计算出的匹配样本图像。机器学习模型包括用于从多个样本图像中识别计算出的匹配样本图像的、表示多个样本图像的预定匹配准则。该方法还包括但不限于：将目标图像特征应用于机器学习模型。该方法还包括但不限于：基于对预定匹配准则的一个或更多个的基本上满足来识别计算出的匹配样本图像。计算出的匹配样本图像用于匹配目标涂层的颜色和外观。
附图说明
所公开的主题的其他优点将容易理解，原因是所公开的主题的其他优点通过在结合附图来考虑的同时参考以下详细描述而变得更好理解，在附图中：
图1是示出了用于匹配目标涂层的颜色和外观的系统的非限制性实施方式的立体图；
图2是示出了图1的系统的非限制性实施方式的框图；
图3A是示出了图1的目标涂层的非限制性实施方式的图像；
图3B是示出了图3A的目标涂层的非限制性实施方式的RGB值的图形表示；
图4A是示出了图1的系统的第一样本图像的非限制性实施方式的图像；
图4B是示出了图4A的第一样本图像的非限制性实施方式的RGB值的图形表示；
图5A是示出了图1的系统的第二样本图像的非限制性实施方式的图像；
图5B是示出了图5A的第二样本图像的非限制性实施方式的RGB值的图形表示；
图6是示出了图1的系统的电子成像装置的非限制性实施方式的立体图；
图7是示出了图1的系统的电子成像装置的非限制性实施方式的另一个立体图；
图8是示出了图1的系统的非限制性实施方式的流程图；
图9是示出了图8的方法的非限制性实施方式的流程图；以及
图10是示出了图8的方法的另一个非限制性实施方式的流程图。
具体实施方式
以下详细描述本质上仅是示例性的，并不旨在限制本发明或本发明的应用和用途。此外，不旨在受前述背景或以下详细描述中呈现的任何理论约束。应当理解，遍及附图，相应的附图标记表示相似或相应的部件和特征。
通过阅读以下详细描述，本领域普通技术人员将更容易理解本公开内容中确定的特征和优点。应当理解，为了清楚起见，上面和下面在单独的实施方式的上下文中描述的某些特征也可以在单个实施方式中以组合的方式来提供。相反，为了简洁起见，在单个实施方式的上下文中描述的各种特征也可以单独来提供或以任何子组合的方式来提供。另外，除非上下文另有明确说明，否则对单数的提及还可以包括复数(例如，“一个(a)”和“一个(an)”可以指代一个或者一个或更多个)。
虽然所陈述范围内的最小值和最大值前面都有单词“约”，但是除非另有明确说明，否则在本公开内容中指定的各种范围中使用的数值被陈述为近似值。以这种方式，可以使用所陈述范围之上和之下的微小变化来获得与所述范围内的值基本上相同的结果。而且，这些范围的公开旨在作为包括最小值与最大值之间的每个值的连续范围。
可以在本文中根据功能和/或逻辑块组件以及参考各种计算部件或装置可以执行的操作、处理任务和功能的符号表示来描述技巧和技术。应当理解，图中所示的各种块组件可以通过被配置成执行指定功能的任意数量的硬件、软件和/或固件组件来实现。例如，系统或部件的实施方式可以采用可以在一个或更多个微处理器或其他控制器件的控制下执行各种功能的各种集成电路组件，例如，存储器元件、数字信号处理元件、逻辑元件、查找表等。
以下描述可以指代“耦接”在一起的元件或节点或特征。如本文所使用的，除非另有明确说明，否则“耦接”意味着：一个元件/节点/特征直接或间接地接合至(或者直接或间接地与通信)另一个元件/节点/特征，而不一定机械地接合至另一个元件/节点/特征。因此，尽管附图可以描绘元件的一个示例性布置，但是可以在所描绘的主题的实施方式中存在附加的插入元件、装置、特征或部件。另外，也可以仅出于引用的目的在以下说明中使用某些术语，因此不旨在进行限制。
可以在本文中根据功能和/或逻辑块组件并且参考可以由各种计算部件或装置执行的操作、处理任务和功能的符号表示来描述技巧和技术。这样的操作、任务和功能有时被称为计算机执行的、计算机化的、软件实现的或计算机实现的。实际上，一个或更多个处理器装置可以通过操纵表示系统存储器中的存储器位置处的数据位的电信号以及信号的其他处理来执行所描述的操作、任务和功能。保存数据位的存储器位置是具有与数据位对应的特定电、磁、光或有机的特性的物理位置。应当理解，图中所示的各种块组件可以通过被配置成执行指定功能的任意数量的硬件、软件和 /或固件组件来实现。例如，系统或部件的实施方式可以采用可以在一个或更多个微处理器或其他控制器件的控制下执行各种功能的各种集成电路组件，例如，存储器元件、数字信号处理元件、逻辑元件、查找表等。
为简洁起见，与图形和图像处理、触摸屏显示器以及某些系统和子系统(以及其各个操作部件)的其他功能方面有关的常规技术可能在本文中不详细描述。此外，本文中包含的各种图中所示的连接线旨在表示各种元件之间的示例性功能关系和/或物理耦接。应该注意，许多可替选或附加的功能关系或物理连接可以出现在本主题的实施方式中。
如本文中所使用的，术语“模块”是指单独地或以任何组合地任何硬件、软件、固件、电子控制部件、处理逻辑和/或处理器装置，包括但不限于：专用集成电路(ASIC)、电子电路、(共享的、专用的或组的)处理器以及执行一个或更多个软件或固件程序的存储器、组合的逻辑电路和 /或提供描述的功能的其他适当部件。
如本文中所使用的，术语“颜料”或“多种颜料”是指产生一种或多种颜色的一种或多种着色剂。颜料可以来自天然源或合成源，并且可以由有机成分或无机成分制成。颜料还可以包括具有特定或混合的形状和维度的金属颗粒或薄片。颜料通常不溶于涂料组合物中。
术语“效果颜料”或“多种效果颜料”是指在涂料中产生特殊效果的颜料。效果颜料的示例包括但不限于光散射颜料、光干涉颜料和光反射颜料。诸如铝薄片的金属薄片和诸如基于云母的颜料的珠光颜料是效果颜料的示例。
术语“外观”可以包括：(1)通过其来观察或识别涂料的视觉体验的方面；以及(2)将涂料的光谱和几何方面与其照明和观察环境结合的感知。通常，外观包括特别是当从变化的视角和/或在变化的照明条件下观察时的涂料的纹理、粗糙度、闪烁或其他视觉效果。外观特性或外观数据可以包括但不限于：关于纹理、金属效果、珠光效果、光泽、图像的差别、薄片外观和尺寸的描述或测量数据(如纹理、粗糙度、闪烁、闪耀和闪光) 以及由薄片给予的——特别是由诸如铝薄片的金属薄片产生的——涂料中的深度感知的增强。外观特性可以通过视觉检查或通过使用外观测量装置来获得。
术语涂料的“颜色数据”或“颜色特性”可以包括测量的颜色数据，该测量的颜色数据包括：光谱反射率值，X、Y、Z值，L、a、b值，L*、 a*、b*值，L、C、h值或其组合。颜色数据可以还包括车辆的颜色代码、颜色名称或描述或其组合。颜色数据甚至还可以包括涂料的颜色、色度、色调、亮度或暗度的视觉方面。颜色数据可以通过视觉检查或者通过使用诸如色度计、分光光度计或角度分光光度计的颜色测量装置来获得。特别地，分光光度计通过确定由涂料层反射的光的波长来获得颜色数据。颜色数据还可以包括：描述性数据，如颜色的名称、车辆的颜色代码；包含一种或更多种颜色的描述性数据的二进制、纹理或加密的数据文件；测量数据文件，如由颜色测量装置生成的测量数据文件；或者由计算装置或颜色测量装置生成的导出/导入数据文件。颜色数据也可以由外观测量装置或颜色外观双测量装置生成。
术语“涂料”或“涂料组合物”可以包括本领域技术人员已知的任何涂料组合物，并且可以包括：双组分涂料组合物，也称为“2K涂料组合物”；单组分或1K涂料组合物；具有可交联组分和交联组分的涂料组合物；可辐射固化的涂料组合物，如UV可固化涂料组合物或E-束可固化涂料组合物；单固化涂料组合物；双固化涂料组合物；漆涂料组合物；水性涂料(waterborne coating)组合物或水性涂料(aqueous coating)组合物；溶剂型涂料组合物；或本领域技术人员已知的任何其他涂料组合物。可以通过掺入期望的颜料或效果颜料将涂料组合物配制为底漆、底涂料或有色涂料组合物。涂料组合物也可以被配制为透明涂料组合物。
术语“车辆”、“汽车”、“机动车”或“机动车辆”可以包括：汽车，如小汽车、公共汽车、卡车、半卡车、皮卡、SUV(运动型多功能车)；拖拉机；摩托车；拖车；ATV(全地形车)；重型搬运车，如推土机、移动起重机和推土机；飞机；大船；小船以及其他运输方式。
用于涂料组合物的术语“配方”、“匹配配方”或“匹配方案”是指信息或说明的集合，基于此，可以制备涂料组合物。在一个示例中，匹配配方包括涂料组合物的颜料、效果颜料以及其他组分的名称和数量的列表。在另一个示例中，匹配配方包括关于如何混合涂料组合物的多种组分的说明。
在本文中参照图1提供了用于匹配目标涂层12的颜色和外观的处理器实现的系统10。目标涂层12可以在基板14上。基板14可以是车辆或车辆的一部分。基板14也可以是包括目标涂层12的任何涂覆制品。目标涂层12可以包括有色涂料层、透明涂料层或有色涂料层和透明涂料层的组合。有色涂料层可以由有色涂料组合物形成。透明涂料层可以由透明涂料组合物形成。目标涂层12可以由一种或更多种溶剂型涂料组合物、一种或更多种水性涂料组合物、一种或更多种双组分涂料组合物或者一种或更多种单组分涂料组合物形成。目标涂层12还可以由一种或更多种涂料组合物(每种具有可交联组分和交联组分)、一种或更多种可辐射固化的涂料组合物或者一种或更多种漆涂料组合物形成。
参照图2并继续参照图1，系统10包括被配置成生成目标涂层12的目标图像数据18的电子成像装置16。电子成像装置16可以是可以在包括可见波长或不可见波长的宽范围的电磁波长下捕获图像的装置。电子成像装置16还可以被定义为移动装置。移动装置的示例包括但不限于：移动电话(例如，智能电话)、移动计算机(例如，平板计算机或膝上型计算机)、可穿戴装置(例如，智能手表或耳机)或被配置成接收目标图像数据18的本领域中已知的任何其他类型的装置。在示例性实施方式中，移动装置是智能电话或平板计算机。
在实施方式中，电子成像装置16包括相机20(参见图7)。相机20 可以被配置成获取目标图像数据18。相机20可以被配置成捕获具有可见波长的图像。目标图像数据18可以源自于目标涂层12的图像58，如静止图像或视频。在某些实施方式中，目标图像数据18源自于静止图像。在图1所示的示例性实施方式中，电子成像装置16被示出为设置在目标涂层12附近并与目标涂层12间隔。然而，应当理解，示例性实施方式的电子成像装置16是便携式的，使得电子成像装置16可以被移动到另一涂层(未示出)。在其他实施方式(未示出)中，电子成像装置16可以固定在一个位置处。在另一些其他实施方式(未示出)中，电子成像装置16 可以附接至机器人臂以自动移动。在另外的实施方式(未示出)中，电子成像装置16可以被配置成同时测量多个表面的特性。
系统10还包括用于存储用于执行目标涂层12的颜色和外观的匹配的指令的存储装置22。存储装置22可以存储可以由一个或更多个数据处理器24执行的指令。存储在存储装置22中的指令可以包括一个或更多个单独的程序，每个程序包括用于实现逻辑功能的可执行指令的有序列表。当系统10工作时，一个或更多个数据处理器24被配置成：执行存储在存储装置22内的指令，以将数据传送至存储装置22以及从存储装置22传送数据，以及按照指令一般地控制系统10的操作。在某些实施方式中，存储装置22与如下相关联(或者可替选地包括在内)：电子成像装置16、与系统10相关联的服务器、与系统10相关联的云计算环境或其组合。
如上面介绍的，系统10还包括被配置成执行指令的一个或更多个数据处理器24。一个或更多个数据处理器24被配置成与电子成像装置16 通信地耦接。一个或更多个数据处理器24可以是与电子成像装置16相关联的若干处理器中的任何定制的或市售的处理器、中央处理单元(CPU)、辅助处理器、基于半导体的微处理器(以微芯片或芯片组的形式)或用于执行指令的一般任何装置。一个或更多个数据处理器24可以通过有线连接、无线连接和/或装置或其组合与系统10的任何部件通信地耦接。合适的有线连接的示例包括但不限于：硬件耦接、分离器、连接器、电缆或电线。适当的无线连接和装置的示例包括但不限于：Wi-Fi装置、蓝牙装置、广域网(WAN)无线装置、Wi-Max装置、局域网(LAN)装置、3G宽带装置、红外通信装置、光数据传输装置、无线电发送器及可选地接收器、无线电话、无线电话适配卡或者可以以包括射频、微波频率、可见波长或不可见波长的宽范围的电磁波长传输信号的任何其他装置。
参照图3A和图3B，一个或更多个数据处理器24被配置成执行指令以由一个或更多个数据处理器24接收目标涂层12的目标图像数据18。如上所述，目标图像数据18由电子成像装置16生成。目标图像数据18 可以限定表示目标涂层12的RGB值、L*a*b*值或其组合。在某些实施方式中，目标图像数据18限定表示目标涂层12的RGB值。一个或更多个数据处理器24还可以被配置成执行指令以将目标图像数据18的RGB 值转换为表示目标涂层12的L*a*b*值。
目标图像数据18包括目标图像特征26。目标图像特征26可以包括目标涂层12的颜色特性和外观特性、目标图像数据18的表示或其组合。在某些实施方式中，目标图像特征26可以包括基于图像熵的表示。
一个或更多个数据处理器24被配置成执行指令以由一个或更多个数据处理器24检索从目标图像数据18提取目标图像特征26的一个或更多个特征提取算法28’。在实施方式中，一个或更多个特征提取算法28’被配置成：识别基于图像熵的表示，用于从目标图像数据18提取目标图像特征26。为此，一个或更多个数据处理器24可以被配置成执行指令以识别用于从目标图像数据18提取目标图像特征26的基于图像熵的表示。
识别基于图像熵的表示可以包括：确定目标图像数据18的颜色图像熵曲线。可以基于a*b*平面中的每个的香农熵、L*a*平面中的每个的香农熵、L*b*平面中的每个的香农熵或其组合利用颜色熵曲线在三维 L*a*b*空间中表示目标图像数据18。颜色熵曲线的确定可以包括：将目标图像数据18的三维L*a*b*空间划分为多个立方子空间；对具有相似特性的立方空间进行制表，以得出每个特性的总立方空间计数；生成三维 L*a*b*空间的每个维度的空图像熵阵列；以及利用与每个维度对应的总立方空间计数来填充空图像熵阵列。
识别基于图像熵的表示还可以包括：确定目标图像数据18的色差图像熵曲线。可以利用关于替代的三维L*a*b*空间分析的三维L*a*b* 空间在三维L*a*b*空间中表示目标图像数据18。色差熵曲线的确定可以包括：计算三维L*a*b*空间与替代的三维L*a*b*空间之间的dL*图像熵、dC*图像熵和dh*图像熵。
识别基于图像熵的表示还可以包括：确定来自目标图像数据18的三维L*a*b*空间的L*平面的黑白强度图像熵。识别基于图像熵的表示还可以包括：确定目标图像数据18的平均L*a*b*值。识别基于图像熵的表示还可以包括：确定最密集的立方子空间的中心的L*a*b*值。
一个或更多个数据处理器24还被配置成执行上面描述的指令以将目标图像数据18应用于一个或更多个特征提取算法28’。一个或更多个数据处理器24还被配置成执行上面描述的指令以利用一个或更多个特征提取算法28’从目标图像数据18提取目标图像特征26。
在示例性实施方式中，系统10被配置成：通过识别目标图像特征26 的基于图像熵的表示从目标图像数据18提取目标图像特征26。识别基于图像熵的表示可以包括：确定目标图像数据18的颜色图像熵曲线，确定目标图像数据18的颜色图像熵曲线，确定来自目标图像数据18的三维L *a*b*空间的L*平面的黑白强度图像熵，确定目标图像数据18的平均L*a*b*值，确定最密集的立方子空间的中心的L*a*b*值或其组合。
参照图4A和图5A并继续参照图2，在实施方式中，系统10还包括图像数据库30。图像数据库30可以例如在基于服务器的环境或者云计算环境中与电子成像装置16相关联或者与电子成像器件16分离。应当理解，一个或更多个数据处理器24被配置成与图像数据库30通信地耦接。图像数据库30可以包括多个样本图像32，例如图4A所示的第一样本图像34和图5A所示的第二样本图像36。在实施方式中，多个样本图像32中的每个是包括样本涂层的面板的图像。可以对限定一组涂料配方的各种样本涂料进行成像，以生成多个样本图像32。可以利用一个或更多个不同的电子成像装置16对样本图像32进行成像，以将电子成像装置16中的每个的成像能力和性能的变化考虑在内。多个样本图像32可以为任何格式，如RAW、JPEG、TIFF、BMP、GIF、PNG等。
一个或更多个数据处理器24可以被配置成执行指令以由一个或更多个数据处理器24接收样本图像32的样本图像数据38。样本图像数据38 可以由电子成像装置16生成。样本图像数据38可以限定表示样本图像 32的RGB值、L*a*b*值或其组合。在某些实施方式中，样本图像数据38 限定例如第一样本图像34的图4B所示的和第二样本图像36的图5B所示的表示样本图像32的RGB值。一个或更多个数据处理器24还可以被配置成执行指令以将样本图像数据38的RGB值转换为表示样本图像32 的L*a*b*值。系统10可以被配置成：针对各种电子成像装置16，对多个样本图像32的样本图像数据38进行标准化，从而提高系统10的性能。
样本图像数据38可以包括样本图像特征40。样本图像特征40可以包括样本图像32的颜色特性和外观特性、样本图像数据38的表示或其组合。在某些实施方式中，样本图像特征40可以包括基于图像熵的表示。
一个或更多个数据处理器24被配置成执行指令以由一个或更多个数据处理器24检索从样本图像数据38提取样本图像特征40的一个或更多个特征提取算法28”。在实施方式中，一个或更多个特征提取算法28”被配置成：识别基于图像熵的表示，用于从样本图像数据38提取样本图像特征40。为此，一个或更多个数据处理器24可以被配置成执行指令以识别用于从样本图像数据38提取样本图像特征40的基于图像熵的表示。应当理解，用于提取样本图像特征40的一个或更多个特征提取算法28”可以与用于提取目标图像特征26的一个或更多个特征提取算法28’相同或不同。
在示例性实施方式中，系统10被配置成：通过识别样本图像特征40 的基于图像熵的表示来从样本图像数据38提取样本图像特征40。识别基于图像熵的表示可以包括：确定样本图像数据38的颜色图像熵曲线，确定样本图像数据38的颜色图像熵曲线，确定来自样本图像数据38的三维 L*a*b*空间的L*平面的黑白强度图像熵，确定样本图像数据38的平均 L*a*b*值，确定最密集的立方子空间的中心的L*a*b*值或其组合。
一个或更多个数据处理器24被配置成执行指令以由一个或更多个数据处理器检索机器学习模型42，机器学习模型42利用目标图像特征26 从多个样本图像32中识别计算出的匹配样本图像44。机器学习模型42 可以采用监督式训练、无监督式训练或其组合。在示例性实施方式中，机器学习模型42采用监督式训练。适当的机器学习模型的示例包括但不限于：线性回归、决策树、k-均值聚类、主成分分析(PCA)、随机决策森林、神经网络或本领域已知的任何其他类型的机器学习算法。在示例性实施方式中，机器学习模型基于随机决策森林算法。
机器学习模型42包括用于从多个样本图像32识别计算出的匹配样本图像44的表示多个样本图像32的预定匹配准则46。在实施方式中，预定匹配准则46被布置在一个或更多个决策树中。一个或更多个数据处理器24被配置成：将目标图像特征26应用于机器学习模型42。在示例性实施方式中，预定匹配准则46被包括在一个或更多个决策树中，决策树包括根节点、贯穿不同级的中间节点和终端节点。可以通过到终端节点中的一个或更多个的节点来处理目标图像特征26，终端节点中的每个表示多个样本图像32之一。
一个或更多个数据处理器24还被配置成：基于对预定匹配准则46中的一个或更多个的基本上满足来识别计算出的匹配样本图像44。在实施方式中，状态“基本上满足”意味着：通过具有用于匹配目标涂层12的最大概率从多个样本图像32识别计算出的匹配样本图像44。在示例性实施方式中，机器学习模型42基于包括多个决策树的随机决策森林算法，其中每个决策树的结果通过目标图像特征26的处理被用于确定每个样本图像32匹配目标涂层12的的概率。具有匹配目标涂层12的最大概率的样本图像32可以被限定为计算出的匹配样本图像44。
在实施方式中，一个或更多个数据处理器24被配置成执行指令以基于样本图像特征40生成机器学习模型42的预定匹配准则46。在某些实施方式中，基于从多个样本图像32提取的样本图像特征40来生成预定匹配准则46。一个或更多个数据处理器24可以被配置成执行指令以通过基于样本图像特征40生成预定匹配准则46来基于多个样本图像32训练机器学习模型42。可以基于包括在图像数据库30中的多个样本图像32以规则的时间间隔(例如，每月)来训练机器学习模型42。如上所述，可以通过识别基于图像熵的表示利用从包括L*a*b*值的样本图像数据38提取的样本图像特征40将限定表示样本图像32的RGB值的样本图像数据 38转换为L*a*b*值。
计算出的匹配样本图像44用于匹配目标涂层12的颜色和外观。计算出的匹配样本图像44可以对应于可能匹配目标涂层12的颜色和外观的涂料配方。系统10可以包括与计算出的匹配样本图像44相关的一个或更多个替代匹配样本图像48。一个或更多个替代匹配样本图像48可以基于涂料配方、观察的相似性、计算出的相似性或其组合而与计算出的匹配样本图像44相关。在某些实施方式中，一个或更多个替代匹配样本图像48基于涂料配方而与计算出的匹配样本图像44相关。在实施方式中，计算出的匹配样本图像44对应于主要涂料配方，一个或更多个替代匹配样本图像48对应于与主要涂料配方相关的替代涂料配方。系统10可以包括视觉匹配样本图像50，该视觉匹配样本图像50能够由用户基于该用户观察到的与目标涂层12的相似性从计算出的匹配样本图像44和一个或更多个替代匹配样本图像48中选择。
参照图6和图7，在实施方式中，电子成像装置16还包括被配置成显示计算出的匹配样本图像44的显示器52。在某些实施方式中，显示器 52还被配置成：显示接近计算出的匹配样本图像44的目标涂层12的图像58。在示例性实施方式中，显示器52还被配置成：显示与计算出的匹配样本图像44相关的一个或更多个替代匹配样本图像48。在包括相机20 的电子成像装置16的实施方式中，显示器52可以位于相机20的对面。
在实施方式中，系统10还包括用户输入模块54，该用户输入模块54 被配置成：由用户基于该用户观察到的与目标涂层12的相似性从计算出的匹配样本图像44和一个或更多个替代匹配样本图像48中选择视觉匹配样本图像50。在包括显示器52的电子成像装置16的实施方式中，用户可以通过在显示器52上的触摸输入来选择视觉匹配样本图像50。
在实施方式中，系统10还包括被配置成照亮目标涂层12的光源56。在包括相机20的电子成像装置16的实施方式中，电子成像装置16可以包括光源56和可能位于相机20附近的光源56。
在实施方式中，系统10还包括用于将要被成像的目标涂层12与外部光、阴影及反射隔离的暗箱(未示出)。暗箱可以被配置成：容纳电子成像装置16并允许目标涂层12暴露于相机20和光源56。暗箱可以包括光散射器(未示出)，该光散射器被配置成：与光源56协作，以充分地散射从光源56生成的光。
本文中还参照图8并继续参照图1至图7提供了用于匹配目标涂层 12的颜色和外观的方法1100。该方法1100包括步骤1102——由一个或更多个数据处理器接收目标涂层12的目标图像数据18。目标图像数据18 由电子成像装置16生成并包括目标图像特征26。方法1100还包括步骤 1104——由一个或更多个处理器检索从目标图像数据18提取目标图像特征26的一个或更多个特征提取算法28’。方法1100还包括步骤1106——将目标图像特征26应用于一个或更多个特征提取算法28’。方法1100还包括步骤1108——利用一个或更多个特征提取算法28’从目标图像数据18 提取目标图像特征26。
方法1100还包括步骤1110——由一个或更多个数据处理器检索机器学习模型42，机器学习模型42利用目标图像特征26从多个样本图像32 中识别计算出的匹配样本图像44。用于从多个样本图像32识别计算出的匹配样本图像44的机器学习模型42包括表示多个样本图像32的预先指定匹配准则46。方法1100还包括步骤1112——将目标图像特征26应用于机器学习模型42。方法1100还包括步骤1114——基于对预定匹配准则 46中的一个或更多个的基本上满足来识别计算出的匹配样本图像44。
在实施方式中，方法1100还包括步骤1116——在显示器52上显示计算出的匹配样本图像44、与计算出的匹配样本图像44相关的一个或更多个替代匹配样本图像48、以及接近计算出的匹配样本图像44和一个或更多个替代匹配样本图像48的目标涂层12的图像58。在实施方式中，方法1100还包括步骤1118——由用户基于观察到的与目标图像数据18的相似性从计算出的匹配样本图像44和一个或更多个替代匹配样本图像48中选择视觉匹配样本图像50。
参照图9并继续参照图1至图8，在实施方式中，方法1100还包括步骤1120——基于多个样本图像32来生成机器学习模型42。生成机器学习模型42的步骤1120可以包括步骤1122——从图像数据库30检索多个样本图像32。生成机器学习模型42的步骤1120还可以包括步骤1124——基于一个或更多个特征提取算法28’从多个样本图像32提取样本图像特征40。生成机器学习模型42的步骤1120还可以包括步骤1126——基于样本图像特征40来生成预定匹配准则46。
参照图10并继续参照图1图9，在实施方式中，方法1100还包括步骤1128——形成与计算出的匹配样本图像44对应的涂料组合物。方法 1100还可以包括步骤1130——将涂料组合物涂敷到基板14。
本文中公开的方法1100和系统10可以用于包括目标涂层12的任何涂覆制品或基板14。这种涂覆制品的一些示例可以包括但不限于：家用电器，如冰箱、洗衣机、洗碗机、微波炉、烹饪和烘烤炉；电子设备，如电视机、计算机、电子游戏机、音频和视频装备；娱乐装备，如自行车、滑雪装备、全地形车辆；家庭或办公室家具，如桌子、文件柜；水上船只或船舶，如小船、游艇或私人水运工具(PWC)；飞机；建筑物；结构，如桥梁；工业装备，如起重机、重型卡车或推土机；或者装饰性制品。
尽管在前面的详细描述中已经呈现了至少一个示例性实施方式，但是应该理解，存在大量的变化。还应该理解，一个或多个示例性实施方式仅是示例，并不旨在以任何方式限制范围、适用性或配置。相反，前面的详细描述将为本领域技术人员提供用于实现示例性实施方式的便利路线图，应当理解，在不脱离如所附权利要求及其法律等同物中阐述的范围的情况下，可以对示例性实施方式中描述的元件的功能和布置进行各种改变。

Claims (20)

1.一种用于匹配目标涂层的颜色和外观的处理器实现的系统，所述系统包括：
存储装置，用于存储用于执行所述目标涂层的颜色和外观的匹配的指令；和
一个或更多个数据处理器，被配置成执行所述指令以：
由一个或更多个数据处理器接收所述目标涂层的目标图像数据，所述目标图像数据由电子成像装置生成并且包括目标图像特征；
由一个或更多个处理器检索从所述目标图像数据提取所述目标图像特征的一个或更多个特征提取算法；
将所述目标图像数据应用于所述一个或更多个特征提取算法；
利用所述一个或更多个特征提取算法从所述目标图像数据中提取所述目标图像特征；
由一个或更多个数据处理器检索机器学习模型，所述机器学习模型利用所述目标图像特征从多个样本图像中识别计算出的匹配样本图像，其中，所述机器学习模型包括用于从所述多个样本图像中识别所述计算出的匹配样本图像的、表示所述多个样本图像的预定匹配准则；
将所述目标图像特征应用于所述机器学习模型；以及
基于对所述预定匹配准则中的一个或更多个的基本上满足来识别所述计算出的匹配样本图像；
其中，所述计算出的匹配样本图像用于匹配所述目标涂层的颜色和外观。
2.根据权利要求1所述的系统，其中，所述系统还包括图像数据库，所述图像数据库包括所述多个样本图像，所述一个或更多个数据处理器被配置成执行所述指令以利用所述一个或更多个特征提取算法从所述多个样本图像中提取样本图像特征。
3.根据权利要求2所述的系统，其中，所述一个或更多个数据处理器被配置成执行所述指令以基于所述样本图像特征来生成所述预定匹配准则。
4.根据权利要求3所述的系统，其中，所述一个或更多个数据处理器被配置成执行所述指令以通过基于所述样本图像特征生成所述预定匹配准则来基于所述多个样本图像训练所述机器学习模型。
5.根据权利要求1所述的系统，其中，所述目标图像数据限定表示所述目标涂层的RGB值，并且其中，所述一个或更多个数据处理器被配置成执行所述指令以将所述RGB值转换为表示所述目标涂层的L*a*b*值。
6.根据权利要求5所述的系统，其中，所述目标图像特征包括基于图像熵的表示，并且其中，所述一个或更多个特征提取算法被配置成：识别所述基于图像熵的表示，用于从所述目标图像数据的所述L*a*b*值中提取所述目标图像特征。
7.根据权利要求1所述的系统，其中，所述电子成像装置还被限定为移动装置。
8.根据权利要求1所述的系统，其中，所述电子成像装置包括被配置成获取所述目标图像数据的相机。
9.根据权利要求1所述的系统，其中，所述电子成像装置还包括被配置成显示所述计算出的匹配样本图像的显示器。
10.根据权利要求9所述的系统，其中，所述显示器还被配置成：显示接近所述计算出的匹配样本图像的所述目标涂层的图像。
11.根据权利要求10所述的系统，其中，所述显示器还被配置成：显示与所述计算出的匹配样本图像相关的一个或更多个替代匹配样本图像。
12.根据权利要求11所述的系统，其中，所述计算出的匹配样本图像对应于主要涂料配方，所述一个或更多个替代匹配样本图像对应于与所述主要涂料配方相关的替代涂料配方。
13.根据权利要求11所述的系统，还包括用户输入模块，所述用户输入模块被配置成：由用户基于所述用户观察到的与所述目标涂层的所述图像的相似性从所述计算出的匹配样本图像和所述一个或更多个替代匹配样本图像中选择视觉匹配样本图像。
14.根据权利要求1所述的系统，其中，所述机器学习模型包括随机决策森林算法，所述随机决策森林算法包括多个预定匹配准则。
15.一种用于匹配目标涂层的颜色和外观的方法，所述方法包括：
由一个或更多个数据处理器接收所述目标涂层的目标图像数据，所述目标图像数据是由电子成像装置生成的，所述目标图像数据包括目标图像特征；
由一个或更多个处理器检索从所述目标图像数据提取所述目标图像特征的一个或更多个特征提取算法；
将所述目标图像数据应用于所述一个或更多个特征提取算法；
利用所述一个或更多个特征提取算法从所述目标图像数据提取所述目标图像特征；
由一个或更多个数据处理器检索机器学习模型，所述机器学习模型利用所述目标图像特征从多个样本图像中识别计算出的匹配样本图像，其中，所述机器学习模型包括用于从所述多个样本图像中识别所述计算出的匹配样本图像的、表示所述多个样本图像的预定匹配准则；
将所述目标图像特征应用于所述机器学习模型；以及
基于对所述预定匹配准则中的一个或更多个的基本上满足来识别所述计算出的匹配样本图像；
其中，所述计算出的匹配样本图像用于匹配所述目标涂层的颜色和外观。
16.根据权利要求15所述的方法，还包括基于所述多个样本图像生成所述机器学习模型的步骤，生成所述机器学习模型的所述步骤包括：
从图像数据库检索所述多个样本图像；
利用所述一个或更多个特征提取算法从所述多个样本图像提取样本图像特征；以及
基于所述样本图像特征来生成所述预定匹配准则。
17.根据权利要求15所述的方法，其中，所述电子成像装置包括显示器，并且其中，所述方法还包括以下步骤：
在所述显示器上显示：
所述计算出的匹配样本图像，
与所述计算出的匹配样本图像相关的一个或更多个替代匹配样本图像，以及
接近所述计算出的匹配样本图像和所述一个或更多个替代匹配样本图像的所述目标涂层的图像；以及
由用户基于观察到的与所述目标图像数据的相似性从所述计算出的匹配样本图像和所述一个或多个替代匹配样本图像中选择视觉匹配样本图像。
18.根据权利要求17所述的方法，其中，所述计算出的匹配样本图像对应于主要涂料配方，所述一个或更多个替代匹配样本图像对应于与所述主要涂料配方相关的替代涂料配方。
19.根据权利要求15所述的方法，还包括形成与所述计算出的匹配样本图像对应的涂料组合物。
20.根据权利要求19所述的方法，还包括将所述涂料组合物涂覆到基板。
CN201811487092.5A 2017-12-06 2018-12-06 用于匹配目标涂层的颜色和外观的系统和方法 Pending CN110046635A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/833,597 2017-12-06
US15/833,597 US11062479B2 (en) 2017-12-06 2017-12-06 Systems and methods for matching color and appearance of target coatings

Publications (1)

Publication Number Publication Date
CN110046635A true CN110046635A (zh) 2019-07-23

Family

ID=66548456

Family Applications (3)

Application Number Title Priority Date Filing Date
CN201811487092.5A Pending CN110046635A (zh) 2017-12-06 2018-12-06 用于匹配目标涂层的颜色和外观的系统和方法
CN201880086064.4A Pending CN111989553A (zh) 2017-12-06 2018-12-12 颜色匹配样本数据库以及用于颜色匹配样本数据库的系统和方法
CN201880085891.1A Pending CN111954885A (zh) 2017-12-06 2018-12-12 用于匹配目标涂层的颜色和外观的系统和方法

Family Applications After (2)

Application Number Title Priority Date Filing Date
CN201880086064.4A Pending CN111989553A (zh) 2017-12-06 2018-12-12 颜色匹配样本数据库以及用于颜色匹配样本数据库的系统和方法
CN201880085891.1A Pending CN111954885A (zh) 2017-12-06 2018-12-12 用于匹配目标涂层的颜色和外观的系统和方法

Country Status (5)

Country Link
US (4) US11062479B2 (zh)
EP (2) EP3746933A4 (zh)
CN (3) CN110046635A (zh)
DE (1) DE102018131076A1 (zh)
WO (2) WO2019113605A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113259541A (zh) * 2020-02-07 2021-08-13 丰田自动车株式会社 判定方法、判定装置以及记录介质
CN115244149A (zh) * 2019-12-27 2022-10-25 关西涂料株式会社 涂料的制作方法、预测色彩数据的方法以及计算机调色系统

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6843780B2 (ja) * 2018-01-18 2021-03-17 ヤフー株式会社 情報処理装置、学習済みモデル、情報処理方法、およびプログラム
JP6954260B2 (ja) * 2018-12-18 2021-10-27 セイコーエプソン株式会社 学習装置、印刷制御装置及び学習済モデル
US11978233B2 (en) * 2019-12-31 2024-05-07 Axalta Coating Systems Ip Co., Llc Systems and methods for matching color and appearance of target coatings
US11574420B2 (en) 2019-12-31 2023-02-07 Axalta Coating Systems Ip Co., Llc Systems and methods for matching color and appearance of target coatings
US20210201513A1 (en) * 2019-12-31 2021-07-01 Axalta Coating Systems Ip Co., Llc Systems and methods for matching color and appearance of target coatings
US20230145070A1 (en) * 2020-02-26 2023-05-11 Basf Coatings Gmbh Method and device for deploying and using an image similarity metric with deep learning
US11195285B2 (en) * 2020-04-01 2021-12-07 Bae Systems Information And Electronic Systems Integration Inc. Moving object detection using a digital read-out integrated circuit and degree of polarization and angle of polarization at the pixel level
CN116324889A (zh) 2020-09-04 2023-06-23 太阳化学公司 全集成数字色彩管理系统
CN114858793A (zh) * 2021-02-04 2022-08-05 深圳迈瑞生物医疗电子股份有限公司 样本图像拍摄系统、方法以及计算机可读存储介质
CN114213895B (zh) * 2021-12-10 2023-04-25 惠州深赛尔化工有限公司 一种水性家电彩钢底漆涂料的工艺质量控制方法
CN114612695A (zh) * 2022-03-11 2022-06-10 江阴市浩盛电器线缆制造有限公司 嵌入式布线规则判断系统
US20240035969A1 (en) 2022-07-28 2024-02-01 Axalta Coating Systems Ip Co., Llc Method and system for matching color and/or appearance of a surface

Family Cites Families (59)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3065314A (en) 1959-10-08 1962-11-20 Gen Motors Corp Timed control mechanism
DE19636774C2 (de) 1996-09-10 1999-04-22 Herberts Gmbh Verfahren zur Anpassung einer Farbrezeptur
JP4039470B2 (ja) 1997-05-09 2008-01-30 日清紡績株式会社 メタリック・パール系塗料のコンピュータ調色における着色材と光輝材の配合比又は光輝材の配合量を求める方法
US6163622A (en) 1997-12-18 2000-12-19 U.S. Philips Corporation Image retrieval system
US6941287B1 (en) * 1999-04-30 2005-09-06 E. I. Du Pont De Nemours And Company Distributed hierarchical evolutionary modeling and visualization of empirical data
JP3626387B2 (ja) 2000-02-04 2005-03-09 関西ペイント株式会社 コンピュータ調色装置及びこの装置を用いた塗料の調色方法
JP2001265786A (ja) 2000-03-21 2001-09-28 Kansai Paint Co Ltd 塗料中の光輝材を同定する方法
US7743055B2 (en) 2000-03-28 2010-06-22 E.I. Du Pont De Nemours And Company Digital display of color and appearance and the use thereof
WO2002004567A1 (fr) * 2000-07-07 2002-01-17 Kansai Paint Co., Ltd. Procede d'appariement des couleurs de peinture brillante
ES2184656T1 (es) 2000-11-20 2003-04-16 Dow Global Technologies Inc Metodo para caracterizar el aspecto de un objeto particular, para predecir el aspecto de un objeto, y para fabricar un objeto que tiene un aspecto predeterminado, que opcionalmente ha sido determinado sobre la base de un objeto de referencia.
KR100788643B1 (ko) 2001-01-09 2007-12-26 삼성전자주식회사 색과 질감의 조합을 기반으로 하는 영상 검색 방법
US6804390B2 (en) 2001-02-07 2004-10-12 Basf Corporation Computer-implemented neural network color matching formulation applications
US6714924B1 (en) 2001-02-07 2004-03-30 Basf Corporation Computer-implemented neural network color matching formulation system
US7027660B2 (en) * 2001-07-11 2006-04-11 Ecole Polytechnique Federale De Lausanne (Epfl) Images incorporating microstructures
US6870614B2 (en) 2002-05-30 2005-03-22 General Electric Company Method, system and computer product for formulating a bi-directional color match
US20040218182A1 (en) * 2003-04-30 2004-11-04 Alman David H. Method for identifying effect pigments in a paint film for field color matching
US7953274B2 (en) * 2005-03-18 2011-05-31 Valspar Sourcing, Inc. Digital method for matching stains
US20070032965A1 (en) 2005-07-20 2007-02-08 Basf Corporation System and method for determining a paint formula with a portable device
US8176414B1 (en) 2005-09-30 2012-05-08 Google Inc. Document division method and system
US8065314B2 (en) * 2006-10-02 2011-11-22 E. I. Du Pont De Nemours And Company Method for matching color and appearance of a coating containing effect pigments
US7885482B2 (en) 2006-10-26 2011-02-08 Microsoft Corporation Coverage-based image relevance ranking
JP5039144B2 (ja) 2006-11-20 2012-10-03 イー・アイ・デュポン・ドウ・ヌムール・アンド・カンパニー 限られた測定データでゴニオ外観性材料の双方向反射分布関数を生成するための方法
MX2009008865A (es) 2007-02-21 2009-08-28 Du Pont Seleccion automatica de colorantes y hojuelas para igualar el color y la apariencia del revestimiento.
JP2010522883A (ja) * 2007-03-29 2010-07-08 イー・アイ・デュポン・ドウ・ヌムール・アンド・カンパニー カラーマッチングおよびデジタルカラー表示のためのシステム
US8392347B2 (en) 2007-06-20 2013-03-05 Kansai Paint Co., Ltd. Coating color database creating method, search method using the database, their system, program, and recording medium
DE502007001147D1 (de) 2007-12-07 2009-09-03 Basf Se Verfahren und Vorrichtung zur Modellierung und Simulation optischer Eigenschaften von Effektstofflacken und Bestimmung von Beleuchtungs- und Messgeometrien für Spektralphotometer
US8407014B2 (en) 2008-02-21 2013-03-26 E I Du Pont De Nemours And Company Automatic selection of colorants and flakes for matching coating color and appearance
US8049924B2 (en) * 2008-05-27 2011-11-01 Xerox Corporation Methods and apparatus for color control of coated images on a printed media
US8629882B2 (en) 2008-05-29 2014-01-14 Ppg Industries Ohio, Inc. Digital color chip
JP2010019732A (ja) 2008-07-11 2010-01-28 Honda Motor Co Ltd ガスセンサ
US8749658B2 (en) * 2009-04-06 2014-06-10 Nec Corporation Data processing device, image matching method, program, and image matching system
CN101630363B (zh) * 2009-07-13 2011-11-23 中国船舶重工集团公司第七〇九研究所 复杂背景下彩色图像人脸的快速检测方法
GB201000835D0 (en) 2010-01-19 2010-03-03 Akzo Nobel Coatings Int Bv Method and system for determining colour from an image
US9292744B2 (en) * 2010-06-25 2016-03-22 Axalta Coating Systems Ip Co., Llc Process for producing and delivering matching color coating and use thereof
US8913121B2 (en) * 2010-07-11 2014-12-16 Spynsite, LLC System for image rendering or spectral recognition
MX2013015083A (es) 2011-06-20 2014-05-14 Coatings Foreign Ip Co Llc Metodo para igualar la apariencia del brillo de revestimientos.
US8903132B2 (en) * 2011-09-12 2014-12-02 2343127 Ontario Inc. Efficient system and method for body part detection and tracking
US20140242271A1 (en) 2011-09-30 2014-08-28 Axalta Coating Systmes Ip Co., Llc Method for matching color and appearance of coatings containing effect pigments
WO2013092677A1 (en) 2011-12-21 2013-06-27 Akzo Nobel Coatings International B.V. Colour variant selection method using a mobile device
RU2489705C1 (ru) 2012-02-27 2013-08-10 федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Пермский национальный исследовательский политехнический университет" Способ определения степени гомогенизации гетерогенных смесей по оптолептической информации об их поверхности
US9098911B2 (en) * 2012-11-01 2015-08-04 Google Inc. Depth map generation from a monoscopic image based on combined depth cues
ES2467590B2 (es) 2012-11-12 2015-07-21 Universidad De Alicante Procedimiento para estimar el color de materiales gonioaparentes
DE112014000995T5 (de) * 2013-02-26 2015-11-05 Coatings Foreign Ip Co. Llc Verfahren zum In-Übereinstimmung-Bringen von Farbe und Aussehen von Beschichtungen
US9830429B2 (en) 2013-03-14 2017-11-28 Ppg Industries Ohio, Inc. Systems and methods for multi-flux color matching
US10586162B2 (en) 2013-03-15 2020-03-10 Ppg Industries Ohio, Inc. Systems and methods for determining a coating formulation
US10147043B2 (en) 2013-03-15 2018-12-04 Ppg Industries Ohio, Inc. Systems and methods for texture assessment of a coating formulation
US9256959B1 (en) * 2013-08-29 2016-02-09 Marvell International Ltd. Systems and methods for color lens shading correction
US9008391B1 (en) * 2013-10-22 2015-04-14 Eyenuk, Inc. Systems and methods for processing retinal images for screening of diseases or abnormalities
NZ631068A (en) 2013-11-08 2015-10-30 Ppg Ind Ohio Inc Texture analysis of a coated surface using electrostatics calculations
EP3103257B1 (en) * 2014-02-04 2019-06-19 Intel Corporation Techniques for frame repetition control in frame rate up-conversion
JP6384183B2 (ja) 2014-08-05 2018-09-05 株式会社リコー 試料測定装置および試料測定プログラム
US10113910B2 (en) * 2014-08-26 2018-10-30 Digimarc Corporation Sensor-synchronized spectrally-structured-light imaging
WO2016061586A1 (en) * 2014-10-17 2016-04-21 Cireca Theranostics, Llc Methods and systems for classifying biological samples, including optimization of analyses and use of correlation
US9607403B2 (en) * 2014-10-28 2017-03-28 Ppg Industries Ohio, Inc. Pigment identification of complex coating mixtures with sparkle color
CN104504716A (zh) 2014-12-31 2015-04-08 广州厚邦木业制造有限公司 基于bp神经网络的实木地板油漆自动配色方法
US9406024B1 (en) 2015-02-10 2016-08-02 International Business Machines Corporation System and method for color paint selection and acquisition
US9798949B1 (en) * 2015-03-19 2017-10-24 A9.Com, Inc. Region selection for image match
US9818205B2 (en) * 2016-02-19 2017-11-14 Ppg Industries Ohio, Inc. Simplified texture comparison engine
CN107330188B (zh) * 2017-06-30 2023-01-10 武汉大学深圳研究院 面向复制对象的多色半色调设备拆分式建模方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115244149A (zh) * 2019-12-27 2022-10-25 关西涂料株式会社 涂料的制作方法、预测色彩数据的方法以及计算机调色系统
CN115244149B (zh) * 2019-12-27 2023-09-15 关西涂料株式会社 涂料的制作方法、预测色彩数据的方法以及计算机调色系统
CN113259541A (zh) * 2020-02-07 2021-08-13 丰田自动车株式会社 判定方法、判定装置以及记录介质
CN113259541B (zh) * 2020-02-07 2023-07-04 丰田自动车株式会社 判定方法、判定装置以及记录介质

Also Published As

Publication number Publication date
US20190172228A1 (en) 2019-06-06
CN111954885A (zh) 2020-11-17
US11692878B2 (en) 2023-07-04
US11568570B2 (en) 2023-01-31
US20200387742A1 (en) 2020-12-10
WO2019113606A3 (en) 2019-07-18
US11062479B2 (en) 2021-07-13
EP3746933A4 (en) 2021-06-09
EP3721191A2 (en) 2020-10-14
WO2019113605A1 (en) 2019-06-13
EP3721191A4 (en) 2021-06-02
EP3746933A1 (en) 2020-12-09
CN111989553A (zh) 2020-11-24
US20210272322A1 (en) 2021-09-02
US20210239531A1 (en) 2021-08-05
WO2019113606A2 (en) 2019-06-13
DE102018131076A1 (de) 2019-06-06

Similar Documents

Publication Publication Date Title
CN110046635A (zh) 用于匹配目标涂层的颜色和外观的系统和方法
US11574420B2 (en) Systems and methods for matching color and appearance of target coatings
US11080552B2 (en) Systems and methods for paint match simulation
CN101646929B (zh) 配色和数字彩色显示系统
CN101730835B (zh) 涂料颜色数据库的创建方法、使用数据库的检索方法、及其系统、程序和记录介质
US20140242271A1 (en) Method for matching color and appearance of coatings containing effect pigments
US10068149B2 (en) Image processing utilizing reference images
US11978233B2 (en) Systems and methods for matching color and appearance of target coatings
CN105571718A (zh) 用于使用位置和取向传感器测量颜色的系统及方法
EP3846130A1 (en) Systems and methods for matching color and appearance of target coatings
WO2013049796A1 (en) System for matching color and appearance of coatings containing effect pigments
CN104137049B (zh) 用于显示和产生一个或多个色彩的方法和系统
US11747206B2 (en) Light-based protractor and use thereof for detection of color associated with physical coatings
EP2821762A1 (en) Process of measuring color properties of an object using a mobile device
CA3140449A1 (en) System and method for object recognition using 3d mapping and modeling of light

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20211202

Address after: 90 ufostras street, Basel, Switzerland

Applicant after: Aiseide Coating System Co.,Ltd.

Address before: Delaware

Applicant before: U.S. COATINGS IP CO.,LLC

TA01 Transfer of patent application right