CN112292700A - 用于涂料成分快速测定的方法和系统 - Google Patents

用于涂料成分快速测定的方法和系统 Download PDF

Info

Publication number
CN112292700A
CN112292700A CN201980042332.7A CN201980042332A CN112292700A CN 112292700 A CN112292700 A CN 112292700A CN 201980042332 A CN201980042332 A CN 201980042332A CN 112292700 A CN112292700 A CN 112292700A
Authority
CN
China
Prior art keywords
colorant
independent
paint
probability
decision point
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.)
Granted
Application number
CN201980042332.7A
Other languages
English (en)
Other versions
CN112292700B (zh
Inventor
A·M·诺里斯
P·贝莫尔
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.)
PPG Industries Ohio Inc
Original Assignee
PPG Industries Ohio Inc
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 PPG Industries Ohio Inc filed Critical PPG Industries Ohio Inc
Publication of CN112292700A publication Critical patent/CN112292700A/zh
Application granted granted Critical
Publication of CN112292700B publication Critical patent/CN112292700B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
    • 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
    • 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
    • G01J3/50—Measurement of colour; Colour measuring devices, e.g. colorimeters using electric radiation detectors
    • G01J3/504—Goniometric colour measurements, for example measurements of metallic or flake based paints
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/255—Details, e.g. use of specially adapted sources, lighting or optical systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/60—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating electrostatic variables, e.g. electrographic flaw testing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Spectrometry And Color Measurement (AREA)
  • Paints Or Removers (AREA)

Abstract

现代涂料为工业和社会提供了若干重要功能。涂料可以保护涂覆材料不受腐蚀，诸如，生锈。涂料还可以通过为物体提供特定颜色和/或纹理实现美感功能。例如，大部分汽车都涂覆有油漆以及其他各种涂层以保护汽车的金属车身不受元素的侵害，而且还提供了美的视觉效果。考虑到不同涂料的广泛用途，识别目标涂料成分通常是很有必要的。比如，识别出了事故的汽车上的目标涂料或许很有必要。如果没有正确识别目标涂料，对汽车涂料的任何修复都无法与原涂料相匹配。如本文所用，目标涂料包含应用到任何物体上的任何感兴趣的涂料。新方法和系统有很多机会改进涂料的识别性。

Description

用于涂料成分快速测定的方法和系统
背景技术
现代涂料为工业和社会提供了若干重要功能。涂料可以保护涂覆材料不受腐蚀，诸如，生锈。涂料还可以通过为物体提供特定颜色和/或纹理实现美感功能。例如，大部分汽车都涂覆有油漆以及其他各种涂料以保护汽车的金属车身不受元素的侵害，而且还提供了美的视觉效果。
考虑到不同涂料的广泛用途，识别目标涂料成分通常是很有必要的。比如，识别出事故的汽车上的目标涂料或许很有必要。如果没有正确识别目标涂料，对汽车涂料的任何修复都无法与原涂料相匹配。如本文所用，目标涂料包含应用到任何物体上的任何感兴趣的涂料。
新方法和系统有很多机会改进涂料的识别性。
发明内容
本发明包含当识别涂料纹理效果时并行处理光谱数据的系统、方法和计算机程序产品。例如，本发明的计算机系统可包含一个或多个处理器以及一个或多个计算机存储介质，可执行指令存储在该一个或多个计算机存储介质上，当一个或多个处理器执行该指令时，该指令配置计算机系统执行各种操作。
计算机系统可接收来自目标涂料的光谱数据。计算机系统还启动第一组色料决策点。第一组色料决策点包含第一色料决策点，该第一色料决策点用于识别目标涂料内存在第一效果颜料类型的概率。第一色料决策点包含光谱数据的第一组独立计算，每一独立计算提供关于目标涂料内存在第一效果颜料类型的独立评估。第一组色料决策点还包含第二色料决策点，该第二色料决策点用于识别目标涂料内存在第二效果颜料类型的概率。第二色料决策点包含光谱数据的第二组独立计算，每一独立计算提供关于目标涂料内存在第二效果颜料类型的独立评估。第一组独立计算可不同于第二组独立计算。
计算机系统并行计算第一组色料决策点内的每一色料决策点。每一色料决策点提供目标涂料内存在不同效果颜料类型的概率。然后，计算机系统计算一组最终色料概率。该组最终色料概率内的每一最终色料概率是通过合并第一组色料决策点计算出的概率的唯一子集而计算出的。此外，每一最终色料概率表示目标涂料内存在关联色料的概率。
本发明还包含一种当识别涂料纹理效果时并行处理光谱数据的方法。方法包含接收来自目标涂料的光谱数据。方法还包含启动第一组色料决策点。第一组色料决策点包含第一色料决策点，该第一色料决策点用于识别目标涂料内存在第一效果颜料类型的概率。第一色料决策点包含光谱数据的第一组独立计算，每一独立计算提供关于目标涂料内存在第一效果颜料类型的独立评估。第一组色料决策点还包含第二色料决策点，该第二色料决策点用于识别目标涂料内存在第二效果颜料类型的概率。第二色料决策点包含光谱数据的第二组独立计算，每一独立计算提供关于目标涂料内存在第二效果颜料类型的独立评估。第一组独立计算可不同于第二组独立计算。
此外，方法包含并行计算第一组色料决策点内的每一色料决策点。每一色料决策点提供目标涂料内存在不同效果颜料类型的概率。方法进一步包含计算一组最终色料概率。该组最终色料概率内的每一最终色料概率是通过合并第一组色料决策点计算出的概率的唯一子集而计算出的。此外，每一最终色料概率表示目标涂料内存在关联色料的概率。
此外，本发明可包含计算机程序产品，该计算机程序产品包含一个或多个计算机存储介质，计算机可执行指令存储在该一个或多个计算机存储介质上，当在处理器执行该指令时，该指令使计算机系统执行当识别涂料纹理效果时并行处理光谱数据的方法。方法包含接收来自目标涂料的光谱数据。方法还包含启动第一组色料决策点。第一组色料决策点包含第一色料决策点，该第一色料决策点用于识别目标涂料内存在第一效果颜料类型的概率。第一色料决策点包含光谱数据的第一组独立计算，每一独立计算提供关于目标涂料内存在第一效果颜料类型的独立评估。第一组色料决策点还包含第二色料决策点，该第二色料决策点用于识别目标涂料内存在第二效果颜料类型的概率。第二色料决策点包含光谱数据的第二组独立计算，每一独立计算提供关于目标涂料内存在第二效果颜料类型的独立评估。第一组独立计算可不同于第二组独立计算。此外，方法包含并行计算第一组色料决策点内的每一色料决策点。每一色料决策点提供目标涂料内存在不同效果颜料类型的概率。方法进一步包含计算一组最终色料概率。该组最终色料概率内的每一最终色料概率可以是通过合并第一组色料决策点计算出的概率的唯一子集而计算出的。此外，每一最终色料概率表示目标涂料内存在关联色料的概率。
本发明的示例性实施方式的其他特征和优势在下文描述中会阐明，并且部分特征和优势会从描述中很明显看出来，或者通过此类示例性实施方式的实践来获得。此类实施方式的特征和优势可通过所附权利要求特别指出的工具和组合来实现和获得。这些特征和其他特征在下文描述和所附权利要求中会变得更加明显，或者可通过下文提及的此类示例性实施方式的实践来获得。
附图说明
为了描述获得本发明上面列举的优势和特征以及其他优势和特征的方式，参考附图对上文简述的本发明进行了更具体描述，前面所述都在附图中进行了说明。要明白这些图仅描绘了本发明的典型实施例，而不应因此被认定为限制了本发明的范围，本发明将利用附图以额外特异性和细节来进行描述和解释，其中：
图1描绘了传统神经网络的示意图。
图2描绘了通过特殊途径提供结果的传统神经网络的示意图。
图3描绘了通过替代途径提供结果的传统神经网络的示意图。
图4图示了包含当识别涂料纹理效果时并行处理光谱数据的计算机系统的计算机化系统的示意图。
图5图示了概率色料分析系统的示意图。
图6图示了使用中的概率色料分析系统的示意图。
图7图示了概率色料分析系统内的色料决策点的示意图。
图8图示了包含光谱数据的表。
图9图示了包含一组最终色料和关联最终色料概率的表。
图10描绘了当识别涂料纹理效果时并行处理光谱数据的方法的步骤流程图。
具体实施方式
本发明包括，例如，当识别涂料纹理效果时并行处理光谱数据的计算机化系统、方法和计算机程序产品。光谱数据可以包含光谱光度数据、光谱色度数据、经由图像处理获得的数据和/或任何其他相似数据。例如，本发明可包含计算机系统，该计算机系统启动相互并行处理的多个决策点。每一处理的决策点提供目标涂料内存在不同效果颜料类型的概率。根据单个决策点的结果，计算机系统识别描述一组个别色料的一组最终色料概率和目标涂料内存在各个色料的概率。如本文所用，“潜在色料”(也称作“最终色料”)为概率色料分析识别的可能存在于目标涂料内的色料。如本文所用，色料包括颜料，诸如效果颜料、染料、油墨、染色剂以及任何其他相关的涂料或涂料成分。色料可以按照计算出的目标涂料内存在最终色料的概率递减的顺序输入到配方引擎中直到识别到可接受的配方匹配。利用这种方法，本发明在几秒钟或更少时间就可以生成准确而又有复验性的结果。
本领域的技术人员要领会到需要准确识别和匹配涂料。例如，汽车涂料提供了一套特别具有挑战性的涂料参数来匹配。除了复杂的色料之外，诸如，颜料、染料以及油墨，传统的汽车涂料可包含为涂料提供纹理的效果颜料。例如，汽车涂料可包含特定颜色的铝薄片。铝薄片可提供看起来发光的纹理。正确识别此类涂料成分要求正确识别铝薄片的存在以及正确识别铝薄片的颜色。
为了正确匹配目标涂料，确定目标涂料内的成分或色料是十分可取的。对于目标涂料的配方而言，如果利用目标涂料中相同色料或恰当偏移，配方或搜索过程可达成明显最优的解决方案。另一方面，从可用性方面来看，排除那些色料会有意或无意地导致不太理想的配色。
现有的几种配方引擎和方法都试图经由各种算法涵盖色料选择和配制。这些算法是基于光谱数据或与目标涂料属性相关的特征数据。例如，光谱数据可包括光谱光度数据、光谱色度数据、经由图像处理获得的数据和/或相关的度量指标。许多传统的色料识别包和配方引擎采用“蛮力”方法或者猜测和检验方法为他们的用户提供配方和色料信息。该猜测和检验方法或蛮力方法为常用方法，其中考虑到最终匹配中需要的最终数量的色料，几乎所有可用的色料或所有可用色料的子集都组合在所有可用的组合中。
传统的涂料识别的“蛮力”方法效率很低。例如，传统的蛮力方法耗费大量的处理时间以及大量存储空间来存储所有可用的色料。此外，在一些情况中，此类方法可能是容易出错的，因为它们倾向于在“足够好”的基础上实施。例如，这些方法不注重识别目标涂料的真实成分。不如说，蛮力方法通常迭代所有可用的色料直到具体输出是视觉匹配目标涂料足够好的，而在很多情况下具体输出可包含的色料与目标涂料中的那些色料非常不同。
最近，制造商对用于识别目标涂料成分的神经网络产生了兴趣。不幸的是，神经网络性能缓慢，不灵活，误差传播以及需要巨大开支来精心管理偶尔大型学习的数据库和结构。不灵活性或操作严格迫使神经网络通常用于反馈设计来优化导致的和网络隐藏层内的节点权重。为了“学习”，神经网络需要对从期望输出获得的误差进行这种类型的反向传播。考虑到通过重复重新输入和基于先前迭代误差的权重调整得到的期望输出，神经网络的真正学习或训练基于减少计算误差。
图1描绘了传统神经网络100的实例的示意图。传统神经网络100通常需要近乎理想的定义输入以及如果需要更改误差或需要考虑一条新信息，则需要大量精力更新和/或变更各种层(节点)。尽管相较于现有技术的一些模型来说，用户能明显发现需要较少步骤，但神经网络100往往相当慢而且是单向的，这是由于神经网路本质上试图在一个大步骤中涵盖配方或颜色搜索的解决方案。神经网络100创建为资源密集型的并且使用时很慢。例如，在某些情况下，使用神经网络处理关于涂料的数据可需要耗费几分钟到数小时来估算涂料的成分。
图2描绘了通过特定途径200提供结果的传统神经网络100的实例的示意图。特定途径包含决策点的子集，神经网络100遵循该决策点的子集得出结果。在描绘的实例中，神经网络100从一组输入210(a-c)向决策点220、决策点222以及输出230传播。对于实例来说，图2中的每一决策点都用准确率来描绘。例如，决策点220的准确率为.85，是特定层中准确率最高的。然而，要明白，使用准确率仅仅是为了简便，而实际中选择特定决策点可基于更复杂的考量。
因为决策点220在其组中具有最高的准确率，所以神经网络100选择从该特定决策点220向前传播。这样，神经网络100是单向的，因为系统通过反馈回路将误差反馈给神经网络100而且数据在神经网络100向前传播。
图3描绘了通过与图2不同的途径300提供结果的相同传统神经网络100的示意图。尤其是，图3中，神经网络100接收输入210(a-c)，然后传播到决策点310。应该注意到，因为决策点220的准确率高于决策点310，传统神经网络会传播到决策点220。然而，在该实例中，为了图示神经网络100中的进一步缺陷，描绘了向决策点310的传播。尤其是，神经网络100传播到决策点310后，然后能传播到决策点312。决策点312的准确率为.9，大大高于神经网络从决策点220向前传播时获得的最终准确率。
正如图2和图3描绘的，神经网络的单向本质会导致不正确输出。例如，神经网络可在初始决策点层做出导致不太理想的最终结果的决策。例如，如果神经网络100在第一隐藏层内已经选择了技术上不正确的决策点310，则它就会到达准确率远高于决策点222的决策点312，而该决策点是正确选择决策点220才到达的决策点。这样，神经网络就会具有包括速度、准确度和不灵活性的巨大缺陷。
本发明的涂料识别方法和系统为涂料识别提供了高度灵活的平台。例如，涂料识别方法和系统可并行处理整组决策点，因为决策点每个都是独立的并且不需要传播结果。为涂料识别方法和系统提供所有决策点结果的整个数据集使得涂料识别方法和系统具有很大灵活性，以便按需操纵和处理数据。
此外，公开的涂料识别方法和系统比传统方法和系统也可更准确。例如，当识别到最终色料概率时，公开的涂料识别方法和系统能利用决策点结果的整个数据集。与此相反，诸如神经网络之类的单向的方法和系统只提供基于神经网络遍历的特定决策点的结果。通过访问决策点结果的整个数据集，公开的涂料识别方法和系统不受不正确计算途径的影响。相反，公开的涂料识别方法和系统处理整个数据集来识别最终色料概率。
具体地，相较于神经网络系统，涂料识别计算机系统还能显著提高速度。例如，在使用测试样本进行实验室试验中，传统神经网络需要64秒来生成涂料识别结果。相反，公开的涂料识别系统的实施例仅需要20秒就能给出涂料识别结果，相较于传统系统，速度提高到三倍。涂料识别计算机系统特别适合并行处理，相较于传统系统，速度明显提高。
这样，涂料识别计算机系统以及相关方法包含提供若干技术效益的独特且创新的技术结构、过程和应用程序。例如，此类涂料识别计算机系统可包含容易允许并行处理的逻辑结构。此外，涂料识别计算机系统可以计算决策点的整个数据集。通过提供决策点结果的整个数据集，涂料识别系统能得到高度准确的结果，该结果不依赖于先前正确选择的逻辑途径。尽管为了举例已明确指出若干技术效益，但要明白根据本发明可以提供另外的技术效益。
现在转到附图，图4图示了包含本发明的计算机系统400的计算机化系统的示意图，该计算机系统用于在识别涂料色料的涂料分析中并行处理光谱数据。参考图4，计算机系统400是在识别诸如铝、有机云母或人造云母之类的纹理效果的示例性上下文中描述的；然而，要明白，计算机系统400可另外或替代性使用来识别任何类型的色料。如本文所用，计算机系统包含一个或多个处理器410(a-c)和计算机可读存储介质420的任意组合。例如，处理器(例如，处理器410a)可包含集成电路、现场可编程门阵列(FPGA)、微控制器、模拟电路或者能处理输入信号的任何其他电子电路。计算机可读存储介质420的实例包括RAM、ROM、EEPROM、固态硬盘(“SSD”)、闪速存储器、相变存储器(“PCM”)、光盘存储器、磁盘存储器或其他磁存储设备、或任何其他硬件存储设备。
计算机系统400可包含一个或多个计算机可读存储介质420，可执行指令存储在该计算机可读存储介质上，当一个或多个处理器410(a-c)执行该指令时，该指令配置计算机系统400执行概率色料分析软件应用程序402。如本文所用，“概率色料分析”包含产生一种或多种潜在色料的目标涂料140的分析以及与目标涂料440内存在每种潜在色料的可能性相关的概率的分析。
例如，概率色料分析软件应用程序402可使计算机系统400接收来自目标涂料440的光谱数据432。光谱数据432可包含光谱光度数据，该光谱光度数据由分光光度计430或能够扫描目标涂料440和提供与目标涂料440的属性相关的特征数据的任何其他设备收集。同样地，光谱数据可包含光谱光度数据、光谱色度数据和/或任何其他相似数据。
然后，决策点管理器450可启动一组色料决策点。如本文所用，决策点管理器450包含软件和/或硬件组件，该软件和/或硬件组件管理概率色料分析软件应用程序402内色料决策点的启动和处理。此外，如本文所用，色料决策点包含光谱数据432的一组独立计算，每一独立计算提供关于目标涂料440内存在特定效果颜料类型的独立评估，该独立计算通过色料决策点单独加权以提供目标涂料440内存在特定效果颜料类型的概率。如本文所用，独立计算包含关于目标涂料440内存在特定效果颜料类型的独立评估，该评估不需要将各个色料决策点内的任何其他独立计算的输出作为输入。启动色料决策点可包含从计算机可读存储介质加载色料决策点。
当启动该组色料决策点后，决策点管理器450可启动多个不同决策点。例如，决策点管理器450可启动用于识别目标涂料400内存在第二效果颜料类型的概率的第二色料决策点。第二色料决策点可包含光谱数据432的第二组独立计算，每一独立计算提供关于目标涂料440内存在第二效果颜料类型的独立评估。与第一色料决策点关联的第一组独立计算可不同于与第二色料决策点关联的第二组独立计算。例如，第一色料决策点可专门用于识别铝纹理效果颜料的存在，而第二色料决策点可专门用于识别诸如云母效果颜料之类的半透明或透明纹理效果颜料的存在。类似地，与第二色料决策点关联的第二组独立计算可以是与第一色料决策点关联的第一组独立计算的子集。例如，第一色料决策点可专门用于识别铝纹理效果颜料的存在，而第二色料决策点可专门用于识别晶状体形状的铝纹理效果颜料的存在。
一旦系统100启动该组色料决策点，决策点管理器450就管理色料决策点的并行处理。决策点管理器450可通过启动计算与第一色料决策点关联的第一组独立计算和与第二色料决策点关联的第二组独立计算在并行线程内并行计算色料决策点。例如，决策点管理器450向第一处理器410a、第二处理器410b、第三处理器410c等等提供不同色料决策点。本领域的技术人员要明白现代处理单元有各种不同并行处理功能和能力。例如，许多现代处理单元包含单个硅片上的多个核心。进一步地，一些现代处理单元还提供允许在单个核心上同时处理多个线程的多个虚拟核心。
决策点管理器450表示色料决策点的多线程本质的抽象概念。至少部分色料决策点能在并行处理系统内作为独立线程处理。每一色料决策点的每一独立计算均能在并行处理系统内作为独立线程处理。决策点管理器450管理每一色料决策点的并行处理并且还追踪从每一独立计算和每一色料决策点接收到的计算结果。
一旦决策点管理器450完成并行计算，每一色料决策点(例如，图7中的710a-g)提供目标涂料440内存在特定效果颜料类型的概率。每一概率都是基于该组独立计算中每一独立计算的结果的权重组合来计算的。“权重组合”的权重详情在下文中更全面地进行描述。可对独立计算提供的权重概率进行求和，或以其他方式合并并进行归一化，以为关联的特定效果颜料类型提供色料决策点概率。利用色料决策点提供的各种概率，决策点管理器450能计算出一组最终色料概率。决策点管理器450通过将第一组色料决策点计算出的概率的唯一子集合并能计算出该组最终色料概率。每一最终色料概率表示目标涂料内存在关联色料的概率。
一旦决策点管理器450计算出最终色料概率，概率色料分析软件应用程序402就可通过输入/输出(I/O)接口460向终端用户提供至少部分最终色料概率。I/O接口可包含计算机显示器，该计算机显示器列有按照最高概率的顺序排列的特定数量的最终色料概率。然后，终端用户可以与接口460交互以相互浏览列表以及识别感兴趣的色料，或消除终端用户认为无关的色料。
此外，概率色料分析软件应用程序402能将该组最终色料内的至少部分色料添加到配方引擎(例如470)。如本文所用，“最终色料”指的是概率色料分析软件应用程序402识别的可能存在于目标涂料440内的色料，和/或用户已经接受的提交到配方引擎的色料。每一最终色料与表示最终色料存在于目标涂料的可能性的概率(本文也称为“最终色料概率)相关联。此外，每一最终色料可与计算出的超过阈概率的概率相关联。例如，概率色料分析软件应用程序402可将该组最终色料限定为与超过阈值水平的概率相关联的色料。系统400可进一步允许终端用户接受和/或放弃显示器中示出的色料。不论发生何种情况，系统400最终仅仅基于概率分析，和/或基于概率分析和人工输入的组合提供色料的缩小子集(最终色料)。
配方引擎470可包含能基于潜在色料生成涂料成分的任何配方工艺。潜在色料送入配方引擎。例如，配方引擎可利用库贝卡-芒克(Kubelka-Munk)配方工艺。配方引擎470可配置为向I/O接口460发送任何结果配方。然后，I/O接口向终端用户展示结果配方和/或与计算机系统联系向涂料混合机器传达配方用于生产对应涂料配方。
为了进一步解释和说明色料决策点的功能，图5图示了包含一组色料决策点500的概率色料分析系统的示意图。描绘的色料决策点500分为输入组510、隐藏层520和输出530。色料决策点500可另外分为不同组。进一步地，输出530可包含配方引擎。
系统400可在隐藏层520内并行处理色料决策点500。将不同色料决策点500彼此连接的线并不表示处理的流程或顺序。相反，这些线表示下文将进一步描述的概率关系。另外，输入组510可包含与光谱数据相关的输入到决策点的诸如角度数据之类的一组度量指标，和/或还可包含第二组色料决策点500，该第二组色料决策点必须在隐藏层520内计算第一组色料决策点500之前计算出来。例如，在隐藏层内处理第一组色料决策点500之前，系统可启动输入组510内的第二组色料决策点500。输入组510内的第二组色料决策点500与隐藏层520内的第一组色料决策点500不同。
输入组510内的色料决策点500可包含与目标涂料是否包含固体色料、效果颜料和其他类似色料粗分类相关的色料粗分类决策点。输入组510还可包含与目标涂料是否是染色剂、珐琅、乳胶或一些其他类涂料相关的色料决策点。此外，概率色料分析软件应用程序402能在输入组510内并行处理色料决策点500。
在计算隐藏层520内的色料决策点500之前，计算输入组510内的色料决策点500。例如，概率色料分析软件应用程序402可包含隐藏层内的多个不同组的色料决策点500。一特定组的色料决策点500可专门用于识别染色剂的成分，而另一组色料决策点500可专门用于识别乳胶涂料。同样地，输入组510内的色料决策点500的解决方案可确定使用隐藏层内的哪组色料决策点500。使用输入组510识别待计算的一特定组的色料决策点500可提高系统内的效率，例如，当下面的目标涂料是乳胶涂料时，通过阻止基于染色剂的色料决策点500的不必要计算。相反，然而，在一些情况下，隐藏层内每一可用的色料决策点500可以不用考虑输入组510内色料决策点500的结果而进行计算。
计算机系统400内的一个或多个处理器410(a-c)可处理色料决策点500的结果，得出一组最终色料概率。例如，图6图示了使用中的概率色料分析系统的示意图。类似于图5的色料决策点500，图6包含分为输入组510、隐藏层520和输出530的色料决策点500。
图6中，色料决策点500已被处理，并且根据每个色料决策点500给出了结果。一旦已计算出色料决策点500，决策点管理器450就计算一组最终色料概率。该组最终色料概率包含概率色料分析软件应用程序402识别出的可能存在于目标涂料440内的一列潜在色料。此外，该组最终色料概率还可包含与存在于目标涂料440内的每一色料关联的概率。
可以使用不同的方法和工艺计算该组最终色料概率。例如，概率色料分析软件应用程序402使用贝叶斯分析计算该组最终色料概率内每一最终色料的概率。贝叶斯分析是基于贝叶斯定理的概率推理，该贝叶斯定理是从条件概率定义派生出来的。下面重述贝叶斯定理以供参考。
Figure BDA0002853747470000101
其中：P(B)≠0
应用贝叶斯分析时，概率色料分析软件应用程序402可收集每一色料决策点500计算的概率并且使用贝叶斯定理处理这些概率。具体地，依据存储在计算机可读介质420(图4所示)内的色料的一般属性的知识(例如，终端用户提供的知识)，概率色料分析软件应用程序402可考虑表示特定色料的色料决策点500的唯一子集之间的关系。例如，计算机可读介质420可存储色料决策点500与特定色料的唯一子集之间的关系数据库。同样地，概率色料分析软件应用程序402可识别具有高结合概率的色料决策点500的不同子集，然后将这些子集同存储在计算机可读介质420内的数据相比较。图6中色料决策点500之间延伸的示例性线表示这些关系。
例如，图6中，概率色料分析软件应用程序402可识别与特定潜在色料有关的色料决策点600(a-e)的唯一子集。概率色料分析软件应用程序402计算表示特定潜在色料在目标涂料440内的概率的最终纹理概率。概率色料分析软件应用程序402通过将色料决策点600(a-e)的每个结果进行贝叶斯分析能计算出最终纹理概率。
另外，概率色料分析软件应用程序402能应用不同权重到该概率的唯一子集的每一概率，该概率的唯一子集是通过第一组色料决策点500计算出的。例如，对于特定潜在色料，概率色料分析软件应用程序402可通过贝叶斯分析要对小于决策点600d的结果的决策点600a的结果进行加权。各种权重可存储在计算机可读介质420内，以便概率色料分析软件应用程序402为每一不同潜在色料应用不同权重。不同权重可基于色料特征的先前分析和了解。另外，概率色料分析软件应用程序402可基于反馈积极更新权重，例如终端用户提供的表明系统是否恰当选择潜在色料的反馈。
图7图示了概率色料分析系统内特定色料决策点700的示意图。描绘的特定色料决策点700包含应用程序402内的一个或多个计算机可执行指令，并且依据输入执行若干计算，诸如例如，从分光光度计接收到的光谱数据的输入。例如，色料决策点400可配置为提供目标涂料440含有铝效果颜料类型的概率。系统400执行的色料决策点还可专门用于提供目标涂料(例如440)含有效果颜料类型(诸如有机/天然云母、特定颜色云母、人造云母、有色铝、特定颜色铝、特定尺寸效果颗粒以及各种其他效果颜料类型)的概率。
图7示出了描绘的特定色料决策点700可包含一组独立计算710(a-g)，该独立计算可包括基于涂料的七种不同评估。例如，独立计算710d包含关于变色的计算，独立计算710f包含使用开普勒运动定律的计算，计算710g包含基于目标涂料440的静电特征的计算。尽管该组独立计算710(a-g)包含七种特定计算，但是特定色料决策点700可包含更少、更多或不同独立计算。例如，系统可配置为对一种涂料主要依靠计算710(a-e)而对另一种涂料依靠计算710(b-g)，诸如此类。
每一色料决策点700可专门用于识别特定效果颜料类型，并且该组独立计算710(a-g)内的每一计算生成表明存在特定效果颜料类型的结果。色料决策点700收集并处理每一独立计算710(a-g)的结果，以得到目标涂料440内存在特定效果颜料类型的概率。例如，基于接收到的光谱数据的静电分析710g、变色分析710d以及开普勒分析710f的目标涂料440的每一测量值以及对测量/计算的值与其他包含铝薄片的涂料的这些值的进一步比较，色料决策点700可确定铝薄片形式的效果颜料以80％的概率存在。
处理独立计算的结果时，色料决策点400可计算目标涂料440内存在特定效果颜料类型的贝叶斯概率。例如，色料决策点700使用贝叶斯分析处理独立计算的结果(通常是同时处理)，以生成色料决策点的概率。此外，该组独立计算710(a-g)内的每一独立计算都与权重因数相关联。因为不同独立计算可或多或少都是准确的，色料决策点700以此对每一独立计算的结果进行加权。进一步地，系统400可使每一独立计算的结果归一化，以便反映出目标涂料440内存在特定效果颜料类型的概率。
这样，第一色料决策点700可专门用于识别目标涂料440内的铝效果颜料。与第一色料决策点700关联的第一组独立计算710(a-g)可包含光谱数据的计算，该计算专门用于提供关于目标涂料440内存在铝效果颜料的独立评估。
第二色料决策点(未示出)可包含应用程序402内使用的或与应用程序连接的计算机可执行指令，并且可专门用于识别目标涂料440内的云母效果颜料。为了识别云母效果颜料，第二组独立计算(未示出)可与第二色料决策点(未示出)相关联。第二组独立计算可包含：光谱数据的计算，该计算专门用于提供关于目标涂料440内存在云母效果颜料的独立评估。至少部分相同的独立计算可在第一色料决策点700和第二色料决策点两者中使用。然而，系统可将第一组独立计算的每一独立计算与第二组独立计算的该独立计算的不同权重相关联。
基于多个不同色料决策点(例如，图5中示出的色料决策点500)的结果，概率色料分析软件应用程序402能够计算出一组最终色料概率。该组最终色料概率可以是目标涂料440内检测到的所有潜在效果颜料列表。或者，该组最终色料可只包含最高关联概率内的潜在色料的具体一部分。
图8图示了包含光谱数据432(也在图4所示)的表，该光谱数据为从分光光度计430(图4所示)接收的特定目标涂料(例如，440)的数据。具体地，描绘的光谱数据432包含对应于目标涂料的反射率数据，该反射率数据为根据所列的波长和角度接收到的数据。每一色料决策点500可接收整组光谱数据432。进一步地，色料决策点500的至少部分可从其他设备接收输入数据。例如，色料决策点可从磁传感器、硬度传感器、质谱仪、用户输入或任何其他数据源接收输入数据。I/O接口460(图4所示)将接收的数据反馈给合适的色料决策点。由于每一色料决策点500是独立可执行的，因此决策点管理器450能够将色料决策点500并行处理，而不考虑每个决策点接收的输入数据。
图9图示了包含一组最终色料和关联最终色料概率900的表。描绘的表中，用字母表中的字母表示最终色料。然而，实际上，要明白系统不仅仅是列出用字母表中的字母，还可列出或展示实际潜在的色料。除了列出不同的色料外，表还可列出与每一色料关联的概率。
如上文描绘，至少一部分色料在目标涂料440内的存在概率为0。相反，有些色料在目标涂料440内的存在概率为100％。要明白，描绘的概率仅仅是示例性的，实际上，概率根据色料决策点的不同子集的结果而有所变动。此外，举例来说，至少一部分色料与基于色料关联概率的优先排序相关联。同样地，概率色料分析软件应用程序402提供了表明不同色料的一组最终色料概率以及目标涂料440内存在不同色料的各自的概率。
要明白，本公开的发明可以从计算机化方法角度描述，该计算机化方法包含完成特定结果的一个或多个行为。例如，图10以及相应文本图示了在识别涂料纹理效果时并行处理光谱数据的方法中行为的顺序流程图。图10的行为参考图1至9的组件和模块在下文中进行描述。
例如，图10图示了在识别涂料纹理效果时并行处理光谱数据的方法1000，该方法包含接收光谱数据432的行为1010。行为1010包含通过计算机系统(可以是上文定义的任何计算机系统)接收与目标涂料440相关的光谱数据432。例如，如参考图4和图8描绘的，分光光度计430扫描目标涂料440。然后，基于扫描，分光光度计430以反射率值的方式向概率色料分析软件应用程序402发送光谱数据432。
图10还图示了方法1000包含通过计算机系统的一个或多个处理器启动第一组色料决策点的行为1020。行为1020包括启动第一组色料决策点。第一组色料决策点包含用于识别目标涂料内存在第一效果颜料类型的概率的第一色料决策点和用于识别目标涂料440内存在第二效果颜料类型的概率的第二色料决策点。第一色料决策点包含光谱数据432的第一组独立计算，每一独立计算提供关于目标涂料内存在第一效果颜料类型的独立评估。类似地，第二色料决策点包含光谱数据的第二组独立计算，每一独立计算提供关于目标涂料440内存在第二效果颜料类型的独立评估。另外，第一组独立计算可不同于第二组独立计算。
参考图4、图5、图6和图7，描绘和描述了启动第一组色料决策点的行为1020。例如，概率色料分析软件应用程序402内的决策点管理器450访问存储在计算机可读介质420内的一个或多个色料决策点。决策点管理器450通过将色料决策点加载到存储器和/或准备色料决策点进行处理来启动第一组色料决策点。每一色料决策点(例如，图7中的色料决策点700)包含一组独立计算710(a-g)，每一独立计算提供关于目标涂料440内存在特定效果颜料类型的独立评估。
另外，图10图示了方法1000包含通过计算机系统的一个或多个处理器并行计算每一色料决策点的行为1030。行为1030包括并行计算第一组色料决策点内的每一色料决策点。每一色料决策点提供了目标涂料内存在不同关联效果颜料类型的概率。例如，如参考图4描绘和描述的，决策点管理器450在一个或多个处理器410(a-c)之间划分色料决策点进行处理。一个或多个处理器410(a-c)可表示通过网络连接可访问的不同处理器、计算机系统400内的不同处理器、硅片上的不同核心、不同虚拟处理器或者能进行多线程处理的任何其他处理器组。
进一步地，图10图示了方法1000包含通过计算机系统的一个或多个处理器计算一组最终色料概率的行为1040。行为1040包括计算一组最终色料概率。该组最终色料概率内的每一最终色料概率是通过合并第一组色料决策点计算出的概率的唯一子集而计算出的。此外，每一最终色料概率表示目标涂料内存在关联色料的概率。参考图4、图6和图9，描绘和描述了计算一组最终色料概率的行为1040。例如，概率色料分析软件应用程序402计算一组最终色料概率900。特定效果颜料的至少一最终色料概率是通过处理色料决策点600(a-e)的唯一子集计算出的。
这样，图1至图10以及相应文本图示或以其他方式描述了在识别涂料纹理效果时光谱数据的并行处理用的多个组件、示意图以及机制。要明白，根据本发明实施方式的这些组件和模块在目标涂料440内快速、灵活而又准确识别纹理效果。例如，终端用户可用分光光度计430扫描目标涂料440。作为回应，概率色料分析软件应用程序402可并行处理色料决策点500并且生成一组最终色料概率，该最终色料概率表示目标涂料440内存在特定色料的概率。
尽管主题已通过结构特征和/或方法行为的特定语言进行了描述，要明白，附加权利要求定义的主题没有必要局限于上文所述的特征或行为，或者上文所述的行为的顺序。不如说，作为实施权利要求的实例形式公开描述的特征和行为。
本发明可包含或利用专用或通用的计算机系统，该计算机系统包括计算机硬件，诸如例如，一个或多个处理器以及系统内存，下文将更详细地进行讨论。本发明还可包括物理或其他计算机可读介质，该计算机可读介质用于传输或存储有计算机可执行指令和/或数据结构。此类计算机可读介质可以是允许通用或专用计算机系统访问的任何可用介质。存储计算机可执行指令和/或数据结构的计算机可读介质为计算机存储介质。传输计算机可执行指令和/或数据结构的计算机可读介质为传输介质。因此，通过举例，而非限制，本发明可包含至少两种明显不同的计算机可读介质：计算机存储介质和传输介质。
计算机存储介质为存储计算机可执行指令和/或数据结构的物理存储介质。物理存储介质包括计算机硬件，诸如，RAM、ROM、EEPROM、固态硬盘(“SSD”)、闪速存储器、相变存储器(“PCM”)、光盘存储器、磁盘存储器或其他磁存储设备，或能够以计算机可执行指令或数据结构的形式存储程序代码的任何其他硬件存储设备，该物理存储介质能允许通用或专用计算机系统访问来实施公开的本发明的功能。
传输介质可包括网络和/或数据链路，该网络和/或数据链路能以计算机可读指令或数据结构的形式传输程序代码，并且允许通用或专用计算机系统访问。“网络”定义为能使电子数据在计算机系统和/或模块和/或其他电子设备之间传输的一个或多个数据链路。信息通过网络或其他通讯连接(硬连接、无线或硬连接和无线的组合)传输或提供给计算机系统时，计算机系统可将该连接看作传输介质。上述组合也应该包括在计算机可读介质范畴内。
进一步地，一旦接收到各种计算机系统组件，以计算机可执行指令或数据结构形式的程序代码就能自动从传输介质传输到计算机存储介质(反之亦然)。例如，通过网络或数据链路接收到的计算机可执行指令或数据结构可在网络接口模块(例如，“NIC”)RAM中缓冲，然后最终传输到计算机系统RAM和/或计算机系统的难易失计算机存储介质。因此，应明白，计算机存储介质可包括在也(甚至主要)使用传输介质的计算机系统组件内。
计算机可执行指令包含，例如指令和数据，该指令和数据在一个或多个处理器执行时，使通用计算机系统、专用计算机系统或专用处理设备执行特定功能或一组功能。计算机可读指令可以是，例如，二进制、诸如组合语言之类的中间格式指令，或甚至是源代码。
本领域的技术人员要明白，本发明可在具有多种类型计算机系统配置的网络计算环境中实施，该多种类型计算机系统配置包括个人电脑、台式电脑、笔记本电脑、信息处理器、手持设备、多处理器系统、基于微处理器或可编程的消费者电子设备、网络计算机、微型计算机、大型计算机、移动电话、PDA、平板电脑、寻呼机、路由器、交换器等等。本发明还可在分布式系统环境中实施，通过网络连接(通过硬连接数据链路、无线数据链路或硬连接数据链路和无线数据链路的组合)的本地和远程计算机系统在分布式系统环境中均能执行任务。这样，计算机系统在分布式系统环境中可包括多个组成计算机系统。在分布式系统环境中，程序模块可位于本地和远程存储器存储设备。
本领域的技术人员还要明白本发明可在云计算环境下实施。尽管不是很必要，云计算环境可以是分布式的。当云计算环境为分布式时，云计算环境可在组织内国际间分布和/或其组件由多个组织拥有。在该描述以及下面的权利要求中，“云计算”定义为一模型，该模型启动按需网络访问可配置计算资源(例如，网络、服务器、存储器、应用程序以及服务)的共享池。“云计算”的定义并不局限于正确部署后从此类模型获得的其他众多优势中的任一优势。
云计算模型由各种特征组成，诸如，按需自助服务、广泛的网络访问、资源池化、快速弹性、测量服务等等。云计算模型也可以各种服务模型形式出现，诸如例如，软件即服务(“SaaS”)、平台即服务(“PaaS”)以及基础设施即服务(“IaaS”)。云计算模型还可使用不同部署模型来部署，诸如，私有云、社区云、公共云、混合云等等。
云计算环境可包含包括一个或多个主机的系统，每个主机能运行一台或多台虚拟机。操作时，虚拟机模拟操作计算系统，支持操作系统，或许也支持一个或多个其他应用程序。每一主机可包括管理程序，该管理程序使用从虚拟机抽象出来的物理资源模拟虚拟机用的虚拟资源。管理程序还在虚拟机之间提供了合适隔离。因此，从任何给定的虚拟机的角度来看，尽管虚拟机仅仅与物理资源的外观(例如，虚拟资源)连接，但是管理程序提供了虚拟机与物理资源连接的错觉。物理资源的实例包括处理能力、内存、磁盘空间、网络带宽、介质驱动等等。
鉴于前面所述，本发明涉及(例如，但不限制于)下面几个方面：
1.一种在涂料分析中利用计算机系统并行处理光谱数据的计算机化方法，该计算机系统包含一个或多个处理器以及一个或多个计算机可读介质，该计算机可读介质上存储有可执行指令，当一个或多个处理器执行该可执行指令时，该可执行指令配置计算机系统根据本方法进行操作，该方法包含：
通过计算机系统接收关于目标涂料的光谱数据；
通过一个或多个处理器启动第一组色料决策点，其中第一组色料决策点包含：
第一色料决策点，该第一色料决策点用于识别目标涂料内存在第一效果颜料类型的概率，第一色料决策点包含光谱数据的第一组独立计算，每一独立计算提供关于目标涂料内存在第一效果颜料类型的独立评估，以及
第二色料决策点，该第二色料决策点用于识别目标涂料内存在第二效果颜料类型的概率，第二色料决策点包含光谱数据的第二组独立计算，每一独立计算提供关于目标涂料内存在第二效果颜料类型的独立评估，
其中第一组独立计算不同于第二组独立计算；
通过一个或多个处理器并行计算第一组色料决策点内的每一色料决策点，其中每一色料决策点提供目标涂料内存在关联效果颜料类型的概率；以及
通过一个或多个处理器计算一组最终色料概率，其中该组最终色料概率内的每一最终色料概率是通过合并由第一组色料决策点计算出的概率的唯一子集而计算出的，
其中每一最终色料概率表示目标涂料内存在关联色料的概率。
2.根据前述方面1所述的方法，其中：
第一效果颜料类型包含铝效果颜料；并且
光谱数据的第一组独立计算专门用于提供关于目标涂料内存在铝效果颜料的独立评估。
3.根据前述方面1或2的任一项所述的方法，其中
第二效果颜料类型包含云母效果颜料；并且
光谱数据的第二组独立计算专门用于提供关于目标涂料内存在云母效果颜料的独立评估。
4.根据前述方面1至3的任一项所述的方法，其中并行计算第一组色料决策点内的每一色料决策点包含通过一个或多个处理器在并行线程内启动第一组独立计算和第二组独立计算的计算。
5.根据前述方面1至4的任一项所述的方法，进一步包含：
通过一个或多个处理器启动第二组色料决策点，其中第二组色料决策点不同于第一组色料决策点；以及
在计算第一组色料决策点之前，通过一个或多个处理器计算第二组色料决策点。
6.根据前述方面1至5的任一项所述的方法，其中第一组独立计算包含：
关于变色的计算；以及
基于目标涂料的静电分析的计算。
7.根据前述方面1至6的任一项所述的方法，其中在计算目标涂料内存在特定效果颜料类型的第一决策点概率时，第一组独立计算内的每一计算都关联有不同权重。
8.根据前述方面1至7的任一项所述的方法，其中计算该组最终色料概率包含：
将不同权重应用到由第一组色料决策点计算出的概率的唯一子集内的每一概率。
9.根据前述方面1至8的任一项所述的方法，其中该组最终色料概率内的每一最终色料概率都是通过贝叶斯分析计算出的。
10.根据前述方面1至9的任一项所述的方法，其中从与计算机系统联系的分光光度计接收与目标涂料相关的光谱数据。
11.根据前述方面1至10的任一项所述的方法，进一步包含
通过一个或多个处理器将一种或多种色料添加到配方引擎，其中将色料按照计算出的最终色料概率递减的顺序添加到配方引擎；以及
通过一个或多个处理器，借助配方引擎生成涂料配方，该涂料配方在预定定性或定量阈值内计算出来，以匹配目标涂料。
12.根据方面11所述的方法，进一步包含将生成的涂料配方传送到计算机系统联系的油漆混合系统，并且通过油漆混合系统生成对应涂料配方。
13.一种计算机化系统，例如，用于实施根据前述方面1至12的任一项所述的方法，该系统包含：
计算机系统，该计算机系统包含一个或多个处理器以及一个或多个计算机存储介质，可执行指令存储在该一个或多个计算机存储介质上，当该一个或多个处理器执行该指令时，该指令配置计算机系统执行至少以下操作：
接收关于目标涂料的光谱数据；
启动第一组色料决策点，其中该第一组色料决策点包含：
第一色料决策点，该第一色料决策点用于识别目标涂料内存在第一效果颜料类型的概率，第一色料决策点包含光谱数据的第一组独立计算，每一独立计算提供关于目标涂料内存在第一效果颜料类型的独立评估，以及
第二色料决策点，该第二色料决策点用于识别目标涂料内存在第二效果颜料类型的概率，第二色料决策点包含光谱数据的第二组独立计算，每一独立计算提供关于目标涂料内存在第二效果颜料类型的独立评估，
其中第一组独立计算不同于第二组独立计算；
并行计算第一组色料决策点内的每一色料决策点，其中每一色料决策点提供目标涂料内存在关联效果颜料类型的概率；以及
计算一组最终色料概率，其中该组最终色料概率内的每一最终色料概率是通过合并由第一组色料决策点计算出的概率的唯一子集而计算出的，
其中每一最终色料概率表示目标涂料内存在关联色料的概率。
14.根据前述方面13所述的计算机化系统，其中
第一效果颜料类型包含铝效果颜料；并且
光谱数据的第一组独立计算专门用于提供关于目标涂料内存在铝效果颜料的独立评估。
15.根据前述方面13或2的任一项所述的计算机化系统，其中
第二效果颜料类型包含云母效果颜料；并且
光谱数据的第二组独立计算专门用于提供关于目标涂料内存在云母效果颜料的独立评估。
16.根据前述方面13至15的任一项所述的计算机化系统，其中并行计算第一组色料决策点内的每一色料决策点包含在并行线程内启动第一组独立计算和第二组独立计算的计算。
17.根据前述方面13至16的任一项所述的计算机化系统，其中可执行指令进一步包括指令，该指令可执行来配置计算机系统以
启动第二组色料决策点，其中第二组色料决策点不同于第一组色料决策点；以及
在计算第一组色料决策点之前计算第二组色料决策点。
18.根据前述方面13至17的任一项所述的计算机化系统，其中第一组独立计算包含：
关于变色的计算；以及
基于目标涂料的静电分析的计算。
19.根据前述方面13至18的任一项所述的计算机化系统，其中在计算目标涂料内存在特定效果颜料类型的第一决策点概率时，第一组独立计算内的每一计算都关联有不同权重。
20.根据前述方面13至19的任一项所述的计算机化系统，其中计算一组最终色料概率包含：
将不同权重应用到由第一组色料决策点计算出的概率的唯一子集内的每一概率。
21.根据前述方面13至20的任一项所述的计算机化系统，其中该组最终色料概率内的每一最终色料概率是通过贝叶斯分析计算出的。
22.根据前述方面13至21的任一项所述的计算机化系统，其中并行计算第一组色料决策点内的每一色料决策点包含计算每一色料决策点的贝叶斯概率。
23.根据前述方面13至22的任一项所述的计算机化系统，进一步包含与计算机系统联系的用于测量目标涂料的光谱数据的分光光度计。
24.根据前述方面13至23的任一项所述的计算机化系统，其中可执行指令进一步包括指令，该指令可执行以配置计算机系统：
将一种或多种色料添加到配方引擎，其中将色料以计算出的最终色料概率递减的顺序添加到配方引擎；以及
通过一个或多个处理器，借助配方引擎生成涂料配方，该涂料配方在预定定性或定量阈值内计算出，以匹配目标涂料。
25.根据前述方面13至24的任一项所述的计算机化系统，进一步包含与计算机系统联系的用于生成的涂料配方生产的油漆混合系统。
26.一种计算机程序产品，该计算机程序产品包含一个或多个计算机可读存储介质，该计算机可读存储介质上存储有计算机可执行指令，当在处理器执行该指令时，该指令使计算机系统，诸如，作为根据前述方面13至25的任一项定义的计算机化系统的一部分的计算机系统，执行根据前述方面1至12的任一项定义的涂料分析中并行处理光谱数据的方法。
在没有背离其精神或基本特征的情况下，本发明可以其他具体形式体现出来。描述的本发明在所有方面都应认为是说明性的，而非限制性的。因此，本发明的范围是以所附的权利要求而非前面描述来表示。权利要求同等意义和范围上的所有变更都涵盖在该范围内。

Claims (20)

1.一种在识别涂料纹理效果时并行处理光谱数据的计算机系统，包含：
一个或多个处理器；以及
一个或多个计算机存储介质，所述一个或多个计算机存储介质上存储有可执行指令，当所述一个或多个处理器执行所述指令时，所述指令配置所述计算机系统执行至少以下操作：
接收来自目标涂料的光谱数据；
启动第一组色料决策点，其中所述第一组色料决策点包含：
第一色料决策点，所述第一色料决策点用于识别目标涂料内存在第一效果颜料类型的概率，所述第一色料决策点包含所述光谱数据的第一组独立计算，每一独立计算提供关于所述目标涂料内存在所述第一效果颜料类型的独立评估，以及
第二色料决策点，所述第二色料决策点用于识别所述目标涂料内存在第二效果颜料类型的概率，所述第二色料决策点包含所述光谱数据的第二组独立计算，每一独立计算提供关于所述目标涂料内存在所述第二效果颜料类型的独立评估，
其中所述第一组独立计算不同于所述第二组独立计算；
并行计算所述第一组色料决策点内的每一色料决策点，其中每一色料决策点提供所述目标涂料内存在不同效果颜料类型的概率；以及
计算一组最终色料概率，其中所述一组最终色料概率内的每一最终色料概率是通过合并由所述第一组色料决策点计算出的概率的唯一子集而计算出的，
其中每一最终色料概率表示所述目标涂料内存在关联色料的概率。
2.根据权利要求1所述的计算机系统，其中
所述第一效果颜料类型包含铝效果颜料；并且
所述光谱数据的所述第一组独立计算专门用于提供关于所述目标涂料内存在所述铝效果颜料的独立评估。
3.根据权利要求2所述的计算机系统，其中
所述第二效果颜料类型包含云母效果颜料；并且
所述光谱数据的所述第二组独立计算专门用于提供关于所述目标涂料内存在所述云母效果颜料的独立评估。
4.根据权利要求1所述的计算机系统，其中并行计算所述第一组色料决策点内的每一色料决策点包含在并行线程内启动所述第一组独立计算和所述第二组独立计算的计算。
5.根据权利要求1所述的计算机系统，其中所述可执行指令包括指令，可执行所述指令将所述计算机系统配置为：
启动第二组色料决策点，其中所述第二组色料决策点不同于所述第一组色料决策点；以及
在计算所述第一组色料决策点之前计算所述第二组色料决策点。
6.根据权利要求1所述的计算机系统，其中所述第一组独立计算包含：
关于变色的计算；以及
基于所述目标涂料的静电分析的计算。
7.根据权利要求1所述的计算机系统，其中在计算所述目标涂料内存在特定效果颜料类型的第一决策点概率时，所述第一组独立计算内的每一计算都关联有不同权重。
8.根据权利要求1所述的计算机系统，其中计算一组最终色料概率包含：
将不同权重应用到由所述第一组色料决策点计算出的概率的唯一子集内的每一概率。
9.根据权利要求8所述的计算机系统，其中所述一组最终色料概率内的每一最终色料概率都是通过贝叶斯分析计算出的。
10.根据权利要求1所述的计算机系统，其中并行计算所述第一组色料决策点内的每一色料决策点包含计算每一色料决策点的贝叶斯概率。
11.一种在识别涂料纹理效果时并行处理光谱数据方法，包含：
接收来自目标涂料的光谱数据；
启动第一组色料决策点，其中所述第一组色料决策点包含：
第一色料决策点，所述第一色料决策点用于识别目标涂料内存在第一效果颜料类型的概率，所述第一色料决策点包含所述光谱数据的第一组独立计算，每一独立计算提供关于所述目标涂料内存在所述第一效果颜料类型的独立评估，以及
第二色料决策点，所述第二色料决策点用于识别所述目标涂料内存在第二效果颜料类型的概率，所述第二色料决策点包含所述光谱数据的第二组独立计算，每一独立计算提供关于所述目标涂料内存在所述第二效果颜料类型的独立评估，
其中所述第一组独立计算不同于所述第二组独立计算；
并行计算所述第一组色料决策点内的每一色料决策点，其中每一色料决策点提供所述目标涂料内存在不同效果颜料类型的概率；以及
计算一组最终色料概率，其中所述一组最终色料概率内的每一最终色料概率是通过合并由第一组色料决策点计算出的概率的唯一子集而计算出的，
其中每一最终色料概率表示所述目标涂料内存在关联色料的概率。
12.根据权利要求11所述的方法，其中：
所述第一效果颜料类型包含铝效果颜料；并且
所述光谱数据的所述第一组独立计算专门用于提供关于所述目标涂料内存在所述铝效果颜料的独立评估。
13.根据权利要求12所述的方法，其中
所述第二效果颜料类型包含云母效果颜料；并且
所述光谱数据的所述第二组独立计算专门用于提供关于所述目标涂料内存在所述云母效果颜料的独立评估。
14.根据权利要求11所述的方法，其中并行计算所述第一组色料决策点内的每一色料决策点包含在并行线程内启动所述第一组独立计算和所述第二组独立计算的计算。
15.根据权利要求11所述的方法，进一步包含：
启动第二组色料决策点，其中所述第二组色料决策点不同于所述第一组色料决策点；以及
在计算所述第一组色料决策点之前计算所述第二组色料决策点。
16.根据权利要求11所述的方法，其中所述第一组独立计算包含：
关于变色的计算；以及
基于所述目标涂料的静电分析的计算。
17.根据权利要求11所述的方法，其中在计算所述目标涂料内存在特定效果颜料类型的第一决策点概率时，所述第一组独立计算内的每一计算都关联有不同权重。
18.根据权利要求11所述的方法，其中计算一组最终色料概率包含：
将不同权重应用到由所述第一组色料决策点计算出的概率的唯一子集内的每一概率。
19.根据权利要求18所述的方法，其中所述一组最终色料概率内的每一最终色料概率都是通过贝叶斯分析计算出的。
20.一种计算机程序产品，包含一个或多个计算机存储介质，计算机可执行指令存储在所述一个或多个计算机存储介质上，当在处理器执行所述指令时，所述指令使计算机系统执行在识别涂料纹理效果时并行处理光谱数据的方法，所述方法包含：
接收来自目标涂料的光谱数据；
启动第一组色料决策点，其中所述第一组色料决策点包含：
第一色料决策点，所述第一色料决策点用于识别目标涂料内存在第一效果颜料类型的概率，所述第一色料决策点包含所述光谱数据的第一组独立计算，每一独立计算提供关于所述目标涂料内存在所述第一效果颜料类型的独立评估，以及
第二色料决策点，所述第二色料决策点用于识别所述目标涂料内存在第二效果颜料类型的概率，所述第二色料决策点包含所述光谱数据的第二组独立计算，每一独立计算提供关于所述目标涂料内存在所述第二效果颜料类型的独立评估，
其中所述第一组独立计算不同于所述第二组独立计算；
并行计算所述第一组色料决策点内的每一色料决策点，其中每一色料决策点提供所述目标涂料内存在不同效果颜料类型的概率；以及
计算一组最终色料概率，其中所述一组最终色料概率内的每一最终色料概率是通过合并由第一组色料决策点计算出的概率的唯一子集而计算出的，
其中每一最终色料概率表示所述目标涂料内存在关联色料的概率。
CN201980042332.7A 2018-04-26 2019-04-26 用于涂料成分快速测定的方法和系统 Active CN112292700B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US15/963,567 US11119035B2 (en) 2018-04-26 2018-04-26 Systems and methods for rapid coating composition determinations
US15/963,567 2018-04-26
PCT/IB2019/053444 WO2019207539A1 (en) 2018-04-26 2019-04-26 Systems and methods for rapid coating composition determinations

Publications (2)

Publication Number Publication Date
CN112292700A true CN112292700A (zh) 2021-01-29
CN112292700B CN112292700B (zh) 2023-10-31

Family

ID=66776647

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980042332.7A Active CN112292700B (zh) 2018-04-26 2019-04-26 用于涂料成分快速测定的方法和系统

Country Status (6)

Country Link
US (1) US11119035B2 (zh)
EP (1) EP3785181B1 (zh)
CN (1) CN112292700B (zh)
AU (1) AU2019260635B2 (zh)
MX (1) MX2020011359A (zh)
WO (1) WO2019207539A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116678840A (zh) * 2023-08-03 2023-09-01 腾强科技(北京)有限责任公司 一种水性低温耐腐蚀性涂料成分分析方法

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11874220B2 (en) 2018-04-26 2024-01-16 Ppg Industries Ohio, Inc. Formulation systems and methods employing target coating data results
US11849829B2 (en) * 2021-01-29 2023-12-26 L'oreal Remote beauty consultation system

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001044767A1 (en) * 1999-12-17 2001-06-21 Ppg Industries Ohio, Inc. Computer-implemented method and apparatus for matching paint
US20020161530A1 (en) * 1999-12-17 2002-10-31 Corrigan Victor G. Computer-implemented method and apparatus for matching paint
US20060181707A1 (en) * 2003-05-07 2006-08-17 Gibson Mark A Method of producing matched coating composition and device used therefor
CN105051762A (zh) * 2013-03-15 2015-11-11 Ppg工业俄亥俄公司 用于确定涂料配方的系统和方法

Family Cites Families (98)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS545987B2 (zh) 1972-12-28 1979-03-23
JPS5214636B2 (zh) 1973-11-05 1977-04-22
US4344142A (en) 1974-05-23 1982-08-10 Federal-Mogul Corporation Direct digital control of rubber molding presses
JPS583073Y2 (ja) 1975-07-19 1983-01-19 株式会社島津製作所 ブンコウコウドケイ
US4164374A (en) 1977-09-26 1979-08-14 Ford Motor Company Spectrophotometer utilizing a solid state source of radiant energy having a controllable frequency spectra characteristic
JPS5876254A (ja) 1981-11-02 1983-05-09 太平洋セメント株式会社 石こうボ−ドの製造方法
US4479718A (en) 1982-06-17 1984-10-30 E. I. Du Pont De Nemours And Company Three direction measurements for characterization of a surface containing metallic particles
US4711580A (en) 1985-01-28 1987-12-08 Hunter Associates Laboratory, Inc. Modeling properties of flake finishes using directional resolution and statistical flake orientation distribution function
US6411377B1 (en) 1991-04-02 2002-06-25 Hitachi, Ltd. Optical apparatus for defect and particle size inspection
US5319437A (en) 1991-07-26 1994-06-07 Kollmorgen Corporation Handheld portable spectrophotometer
US5231472A (en) 1991-09-16 1993-07-27 Ppg Industries, Inc. Color matching and characterization of surface coatings
US5612928A (en) 1992-05-28 1997-03-18 Northrop Grumman Corporation Method and apparatus for classifying objects in sonar images
JP2921365B2 (ja) 1993-11-30 1999-07-19 トヨタ自動車株式会社 塗装色の再現方法及び塗装色の選択方法
DE69424321T2 (de) 1993-08-06 2000-10-19 Toyota Motor Co Ltd Verfahren zur Selektion der Farbe eines Lackes
US5926262A (en) 1997-07-01 1999-07-20 Lj Laboratories, L.L.C. Apparatus and method for measuring optical characteristics of an object
JP3986117B2 (ja) 1997-05-22 2007-10-03 日本ペイント株式会社 自動車補修用塗料の調色装置
JP2987619B2 (ja) 1997-06-11 1999-12-06 株式会社英布 静電粉体塗装装置
US5995264A (en) 1998-01-20 1999-11-30 University Of Washington Counter balanced optical scanner
JP3631365B2 (ja) 1998-02-10 2005-03-23 日本ペイント株式会社 変角分光反射率の測定方法
US6266442B1 (en) 1998-10-23 2001-07-24 Facet Technology Corp. Method and apparatus for identifying objects depicted in a videostream
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
JP3871887B2 (ja) 2001-02-13 2007-01-24 日本ペイント株式会社 サーバ装置、端末装置、および通信端末を用いた塗料および塗料情報提供方法
US7709070B2 (en) 2001-12-20 2010-05-04 The Procter & Gamble Company Articles and methods for applying color on surfaces
WO2003063719A1 (fr) 2002-01-29 2003-08-07 Nihon University Systeme de support chirurgical de decoupage de peau
CA2426437A1 (en) 2002-05-02 2003-11-02 Rohm And Haas Company Color matching and simulation of multicolor surfaces
US6794669B2 (en) 2002-07-24 2004-09-21 Lexmark International, Inc. Media sensing apparatus for detecting an absence of print media
US7599059B2 (en) 2002-07-25 2009-10-06 The Regents Of The University Of California Monitoring molecular interactions using photon arrival-time interval distribution analysis
US20040111435A1 (en) 2002-12-06 2004-06-10 Franz Herbert System for selecting and creating composition formulations
US20040218182A1 (en) 2003-04-30 2004-11-04 Alman David H. Method for identifying effect pigments in a paint film for field color matching
US7145656B2 (en) 2003-12-15 2006-12-05 E. I. Du Pont De Nemours And Company Computer-implemented method for matching paint
US7430316B2 (en) 2004-01-29 2008-09-30 Datacolor Holding Ag Method for visually accurately predicting color matches on different materials
JP3974588B2 (ja) 2004-03-22 2007-09-12 株式会社日立製作所 核磁気共鳴装置及び方法
US7663668B2 (en) * 2004-04-05 2010-02-16 Mitsubishi Electric Corporation Imaging device
US7809155B2 (en) 2004-06-30 2010-10-05 Intel Corporation Computing a higher resolution image from multiple lower resolution images using model-base, robust Bayesian estimation
US7447382B2 (en) 2004-06-30 2008-11-04 Intel Corporation Computing a higher resolution image from multiple lower resolution images using model-based, robust Bayesian estimation
BRPI0513047A (pt) 2004-07-07 2008-04-22 Exxonmobil Upstream Res Co aplicações de rede bayesiana à geologia e à geografia
JP2006053070A (ja) 2004-08-12 2006-02-23 Kyoto Univ 色素の推定方法
BRPI0403713B1 (pt) 2004-08-30 2021-01-12 Universidade Estadual De Campinas - Unicamp processo de fabricação de um pigmento branco baseado na síntese de partículas ocas de ortofosfato ou polifosfato de alumínio
DE602005015869D1 (de) 2004-09-17 2009-09-17 Akzo Nobel Coatings Int Bv Verfahren zur farbabstimmung
CN1797420A (zh) 2004-12-30 2006-07-05 中国科学院自动化研究所 一种基于统计纹理分析的人脸识别方法
US7839501B2 (en) 2005-03-04 2010-11-23 Sun Chemical Corporation Method, apparatus and system for measuring the transparency of film
JP4659499B2 (ja) 2005-03-30 2011-03-30 関西ペイント株式会社 粒子感を有するメタリック塗色画像の生成方法、装置、及びプログラム
US7944561B2 (en) 2005-04-25 2011-05-17 X-Rite, Inc. Measuring an appearance property of a surface using a bidirectional reflectance distribution function
US8345252B2 (en) 2005-04-25 2013-01-01 X-Rite, Inc. Method and system for enhanced formulation and visualization rendering
US7940396B2 (en) 2005-04-25 2011-05-10 X-Rite, Inc. Measuring an appearance property of a surface using a spatially under-sampled bidirectional reflectance distribution function
US9208394B2 (en) 2005-09-05 2015-12-08 Alpvision S.A. Authentication of an article of manufacture using an image of the microstructure of it surface
JP5063076B2 (ja) 2006-01-20 2012-10-31 関西ペイント株式会社 光輝性顔料の同定方法、同定システム、同定プログラム及びその記録媒体
US8290275B2 (en) 2006-01-20 2012-10-16 Kansai Paint Co., Ltd. Effective pigment identification method, identification system, identification program, and recording medium therefor
US8358866B2 (en) 2006-01-31 2013-01-22 Canadian Space Agency Method and system for increasing signal-to-noise ratio
US20090015835A1 (en) 2006-02-24 2009-01-15 Akzo Nobel Coatings International B.V. Method of analyzing a paint film with effect pigments
US20070200337A1 (en) 2006-02-27 2007-08-30 Aaron Henry Johnson Method for creating a decoy exhibiting realistic spectral reflectance
JP4590424B2 (ja) * 2006-05-12 2010-12-01 キヤノン株式会社 色処理装置及びその方法
JP2006284601A (ja) 2006-06-07 2006-10-19 Nippon Paint Co Ltd コンピュータグラフィックス画像データから塗料配合を推定する方法
WO2008014474A2 (en) 2006-07-27 2008-01-31 Drexel University Solver for hardware based computing
JP4775572B2 (ja) 2006-08-03 2011-09-21 独立行政法人科学技術振興機構 顔料同定方法
US20080052023A1 (en) 2006-08-22 2008-02-28 Wilhelm Kettler Method for color matching
US8175732B2 (en) 2006-12-22 2012-05-08 Harris Stratex Networks Operating Corporation Manufacturing system and method
US7761398B2 (en) 2007-01-22 2010-07-20 International Business Machines Corporation Apparatus and method for identifying process elements using request-response pairs, a process graph and noise reduction in the graph
JP2008215914A (ja) 2007-03-01 2008-09-18 National Institute Of Information & Communication Technology テラヘルツ分光による文化財の検査方法
KR20100015993A (ko) 2007-03-29 2010-02-12 이 아이 듀폰 디 네모아 앤드 캄파니 컬러 매칭 및 디지털 컬러 디스플레이 시스템
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
DE102007038483B4 (de) 2007-08-14 2021-07-01 Basf Coatings Gmbh Lernendes Verfahren zur Herstellung von Farbrezepturen
WO2009061921A1 (en) 2007-11-06 2009-05-14 Battelle Memorial Institute Toxic material detection apparatus and method
US20090157212A1 (en) 2007-12-12 2009-06-18 Basf Corporation System and method of determining paint formula having a effect pigment
US9311390B2 (en) 2008-01-29 2016-04-12 Educational Testing Service System and method for handling the confounding effect of document length on vector-based similarity scores
US20090274827A1 (en) 2008-04-30 2009-11-05 Ppg Industries Ohio, Inc. Color formulation selection process with visual display
US8385971B2 (en) 2008-08-19 2013-02-26 Digimarc Corporation Methods and systems for content processing
US8330991B2 (en) 2009-03-03 2012-12-11 Columbia Insurance Company Method for managing metamerism of color merchandise
JP2010242018A (ja) 2009-04-09 2010-10-28 Kansai Paint Co Ltd 塗料配合検索システム。
MX2012006870A (es) 2009-12-18 2012-06-27 Du Pont Metodo para medir un revestimiento.
US9754629B2 (en) 2010-03-03 2017-09-05 Koninklijke Philips N.V. Methods and apparatuses for processing or defining luminance/color regimes
US8488195B2 (en) 2010-04-06 2013-07-16 Artifex Software Inc. System and method for improving color management of color spaces in electronic documents
US8340937B2 (en) 2010-05-11 2012-12-25 Xerox Corporation Characterization of a model-based spectral reflectance sensing device
DE102010024732A1 (de) 2010-06-23 2011-12-29 Siemens Aktiengesellschaft Verfahren und Vorrichtung zur Erkennung von tumorbehaftetem Gewebe im Gastrointestinaltrakt mit Hilfe einer Endokapsel
FR2966009B1 (fr) 2010-10-08 2012-12-14 Sagem Defense Securite Module electrique, glissiere d'un tel module et carte electronique destinee a etre logee dans un tel module
JP5637395B2 (ja) 2011-05-24 2014-12-10 株式会社Ｊｖｃケンウッド 情報選択装置、情報選択方法、端末装置およびコンピュータプログラム
US9007588B1 (en) 2011-08-25 2015-04-14 L'oreal Cosmetic blending machine for foundation, concealer, tinted moisturizer, primer, skin care products, nail polish, blush, hair dye, lipstick and other products
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
EP2783304B1 (en) 2011-11-24 2017-12-20 Microsoft Technology Licensing, LLC Reranking using confident image samples
US8692991B2 (en) 2012-02-03 2014-04-08 Ppg Industries Ohio, Inc. Optimal tint identifier/selector
TWI596385B (zh) 2012-02-13 2017-08-21 東麗股份有限公司 反射膜
US8848991B2 (en) 2012-03-16 2014-09-30 Soek Gam Tjioe Dental shade matching device
US10178351B2 (en) 2012-09-19 2019-01-08 Ppg Industries Ohio, Inc. Multi-angular color, opacity, pigment characterization and texture analysis of a painted surface via visual and/or instrumental techniques
US8879066B2 (en) 2012-10-26 2014-11-04 Ppg Industries Ohio, Inc. Texture analysis of a painted surface using specular angle data
US9830429B2 (en) 2013-03-14 2017-11-28 Ppg Industries Ohio, Inc. Systems and methods for multi-flux color matching
US10147043B2 (en) 2013-03-15 2018-12-04 Ppg Industries Ohio, Inc. Systems and methods for texture assessment of a coating formulation
US9482657B2 (en) 2013-11-07 2016-11-01 Ppg Industries Ohio, Inc. Formulation of complex coating mixtures with effect pigments
NZ631063A (en) 2013-11-08 2015-10-30 Ppg Ind Ohio Inc Texture analysis of a coated surface using cross-normalization
NZ631047A (en) 2013-11-08 2015-10-30 Ppg Ind Ohio Inc Texture analysis of a coated surface using kepler’s planetary motion laws
NZ631068A (en) 2013-11-08 2015-10-30 Ppg Ind Ohio Inc Texture analysis of a coated surface using electrostatics calculations
CN106460070B (zh) * 2014-04-21 2021-10-08 纳特拉公司 检测染色体片段中的突变和倍性
US20170233787A1 (en) 2014-08-05 2017-08-17 Becton, Dickinson And Company Methods and compositions for analyzing glucose-6-phosphate dehydrogenase activity in blood samples
US20190301935A1 (en) 2015-12-23 2019-10-03 Spectricity Device for recording spectral information
EP3184975B1 (en) 2015-12-23 2023-08-30 Spectricity A spectrometer module
US10613727B2 (en) 2016-02-19 2020-04-07 Ppg Industries Ohio, Inc. Color and texture match ratings for optimal match selection
WO2017182915A1 (en) 2016-04-20 2017-10-26 Liefferink Hauke Maritz Press operator target, lmd standard and colour proof assembly
KR102584196B1 (ko) 2016-11-09 2023-10-05 엘지파루크 주식회사 모발을 분석하고 처리하기 위한 방법 및 장치
US10871888B2 (en) 2018-04-26 2020-12-22 Ppg Industries Ohio, Inc. Systems, methods, and interfaces for rapid coating generation

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001044767A1 (en) * 1999-12-17 2001-06-21 Ppg Industries Ohio, Inc. Computer-implemented method and apparatus for matching paint
US20010041966A1 (en) * 1999-12-17 2001-11-15 Corrigan Victor G. Computer-implemented method and apparatus for matching paint
US20020161530A1 (en) * 1999-12-17 2002-10-31 Corrigan Victor G. Computer-implemented method and apparatus for matching paint
US20060181707A1 (en) * 2003-05-07 2006-08-17 Gibson Mark A Method of producing matched coating composition and device used therefor
CN105051762A (zh) * 2013-03-15 2015-11-11 Ppg工业俄亥俄公司 用于确定涂料配方的系统和方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116678840A (zh) * 2023-08-03 2023-09-01 腾强科技(北京)有限责任公司 一种水性低温耐腐蚀性涂料成分分析方法
CN116678840B (zh) * 2023-08-03 2023-10-10 腾强科技(北京)有限责任公司 一种水性低温耐腐蚀性涂料成分分析方法

Also Published As

Publication number Publication date
AU2019260635A1 (en) 2020-11-26
MX2020011359A (es) 2021-02-09
US11119035B2 (en) 2021-09-14
US20190331591A1 (en) 2019-10-31
WO2019207539A1 (en) 2019-10-31
AU2019260635B2 (en) 2023-08-10
EP3785181A1 (en) 2021-03-03
CN112292700B (zh) 2023-10-31
EP3785181B1 (en) 2024-03-27

Similar Documents

Publication Publication Date Title
CN112334919B (zh) 用于快速生成涂料的系统、方法和界面
EP2973247B1 (en) Systems and methods for texture assessment of a coating formulation
JP6293860B2 (ja) コーティング調合を決定するためのシステムおよび方法
CN112292700B (zh) 用于涂料成分快速测定的方法和系统
CN112334920B (zh) 采用目标涂料数据结果的配方系统和方法
CA2439968C (en) System and method for converting a color formula using an artificial intelligence based conversion model
US11874220B2 (en) Formulation systems and methods employing target coating data results
WO2023076032A1 (en) Method and system for determining color match for surface coatings

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
GR01 Patent grant
GR01 Patent grant