CN114579790B - 一种激光彩色打标参数的确定方法 - Google Patents

一种激光彩色打标参数的确定方法 Download PDF

Info

Publication number
CN114579790B
CN114579790B CN202210227448.1A CN202210227448A CN114579790B CN 114579790 B CN114579790 B CN 114579790B CN 202210227448 A CN202210227448 A CN 202210227448A CN 114579790 B CN114579790 B CN 114579790B
Authority
CN
China
Prior art keywords
color
laser
parameters
colors
representative
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.)
Active
Application number
CN202210227448.1A
Other languages
English (en)
Other versions
CN114579790A (zh
Inventor
卢景琦
王翰章
殷延蕊
金俊雄
冯天琪
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.)
Shandong University
Original Assignee
Shandong University
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 Shandong University filed Critical Shandong University
Priority to CN202210227448.1A priority Critical patent/CN114579790B/zh
Publication of CN114579790A publication Critical patent/CN114579790A/zh
Application granted granted Critical
Publication of CN114579790B publication Critical patent/CN114579790B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/36—Removing material
    • B23K26/362—Laser etching
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Optics & Photonics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Library & Information Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Development Economics (AREA)
  • Mathematical Physics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Linguistics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Plasma & Fusion (AREA)
  • Mechanical Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Spectrometry And Color Measurement (AREA)
  • Laser Beam Processing (AREA)

Abstract

本发明属于激光打标技术领域，涉及激光彩色打标参数的确定方法。一种激光彩色打标参数的确定方法，包括(1)构建激光彩色打标的颜色数据库；(2)导入待打标图案的彩色图片，利用空间搜索法选取N个代表性颜色；(3)使用欧式比值法，从颜色数据库中筛选出与N个代表性颜色相近的颜色；(4)利用筛选出的颜色对应的参数，作为代表性颜色的激光着色参数。本发明使用欧式比值法对颜色数据库中的参数进行选取，更加规范合理；提出了激光比例系数，利用同种颜色激光参数之间存在的内在关系，配合BP神经网络着色预测模型，可对激光在金属表面产生的颜色进行有效的预测，无需反复试验，极大减少了样品制备和颜色采集的时间。

Description

一种激光彩色打标参数的确定方法
技术领域
本发明属于激光打标技术领域，涉及激光彩色打标参数的确定方法。
背景技术
在金属表面上着色通常采用阳极氧化、乳液涂层以及印刷等方式进行，这些传统方法一直存在制备工艺复杂、污染性大、着色不稳定等缺点。相比之前，激光彩色打标技术作为金属表面着色的全新工艺，只需通过调节激光器及扫描振镜的参数且不需要任何的化学用品就可诱导出多种颜色。
虽然激光彩色打标技术存在上述优势，但是目前的研究表明，该技术应用中选取的激光功率、振镜扫描速度、行间距、脉冲重复频率等加工参数对最终着色效果和质量的影响各不相同，这使得在加工应用中激光参数难以调节；同时金属表面颜色通常是以反复着色试验来获得，其样品制备和颜色采集的过程较为繁琐，这对数据的大量收集造成了不便。
激光诱导金属表面氧化膜着色的原理是金属基材的加工区域在激光的辐照下迅速升温，同时发生氧化反应在其表面形成一定厚度的金属氧化膜。由于薄膜干涉效应，入射光会被氧化膜的上下界分别反射，最终人眼所观察到颜色不仅为干涉相长的波段且受到氧化物固有颜色的影响。在实际应用中，人们很难通过其机理去建立物理模型来对诱导的颜色进行预测或者以此为参数选择提供指导，这因此，激光彩色打标技术未能得到大规模的应用。
发明内容
针对目前颜色采集繁琐、效率低、缺乏色彩选取标准和激光参数指导、难以通过物理模型进行预测等不足，本发明提出一种激光彩色打标参数的确定方法。
本发明解决其技术问题采用的技术方案为：一种激光彩色打标参数的确定方法，包括：
(1)构建激光彩色打标的颜色数据库，每一组数据包含激光着色参数及对应的颜色；
(2)导入待打标图案的彩色图片，利用空间搜索法选取出N个代表性颜色；
(3)使用欧式比值法，从颜色数据数据库中筛选出与N个代表性颜色相近的颜色；
(4)利用筛选出的颜色对应的参数，作为代表性颜色的激光着色参数。
进一步地，所述步骤(2)中，空间搜索法具体为：
将导入的彩色图片上所有像素点引入RGB三维空间坐标系，每个像素点的三维RGB坐标为(Rxy，Gxy，Bxy)，x、y分别代表该像素点在原彩图中的位置；选取ΔR＝ΔG＝ΔB＝m的正方体对RGB三维空间按步长为n进行搜索，m取(10～20)，n取(5～10)；每一步都统计在正方体中像素点的个数，最终选取像素点个数最多的N组正方体中心的RGB值作为选中的代表性颜色。
进一步地，所述步骤(3)中，欧式比值法具体为：
将N个代表性颜色与颜色数据库的颜色数据逐一运算，求得欧氏比值EDRi：
式中：Ri、Gi、Bi代表第i个代表性颜色的RGB值；Rj、Gj、Bj代表颜色数据库中第j组数据；
如果EDRi≤M，M为设定的阈值，则认为数据库中存在一组与第i个代表性颜色的RGB值较为相近的颜色。
进一步地，对于不满足EDRi≤M的代表性颜色，利用BP神经网络激光着色预测模型结合激光比例系数修正与代表性颜色EDRi最接近阈值M的激光参数，预测与该代表性颜色相近的颜色。
进一步地，对预测出的颜色与代表性颜色重新利用欧式比值法判断是否满足EDRi≤M。
进一步地，与代表性颜色EDRi最接近阈值M的颜色对应的激光比例系数为：
Lapc＝(P∶v∶f)；
其中，p表示激光功率、ν表示振镜扫描速度、f表示脉冲重复频率；
修正后的激光比例系数需满足(0.8～1.2)·Lapc。
本发明提供一种激光彩色打标参数的确定方法，有益效果为：
1.使用欧式比值法对颜色数据库中的参数进行选取，更加规范合理；
2.提出了激光比例系数，利用同种颜色激光参数之间存在的内在关系，为激光参数选择提供指导；
3.BP神经网络着色预测模型可对激光在金属表面产生的颜色进行有效的预测，无需反复试验，极大减少了样品制备和颜色采集的时间。
附图说明
图1本发明中激光彩色打标参数的确定方法流程图；
图2为待打标的彩色图案；
图3为本发明中BP神经网络激光着色预测模型的结构示意图；
图4为本发明中激光彩色打标的扫描路径图。
具体实施方式
为了便于理解本发明，下面结合附图和具体实施例，对本发明进行更详细的说明。附图中给出了本发明的较佳的实施例。但是，本发明可以以许多不同的形式来实现，并不限于本说明书所描述的实施例。相反地，提供这些实施例的目的是使对本发明公开内容的理解更加透彻全面。
本发明提供的激光彩色打标参数的确定方法，流程如图1所示，具体步骤和详细过程如下：
1.调节不同的激光参数，在金属材料表面进行彩色打标实验；利用分光测色仪对其产生的色彩进行采集，使激光参数和表面色彩之间相互匹配，建立颜色数据库。每一组激光参数都对应一个颜色的R、G、B值。
分光测色仪选用D65标准光源、SCI测量方式，为SCI、RGB色彩标准对着色样品进行颜色采集。
2.导入一张待打标图案的彩色图片，如图2所示，利用空间搜索法选取5个具有代表性的主要颜色，具体方法为：
引入RGB三维空间坐标系，R、G、B参数分别代表三个纬度，彩色图片上所有像素点的像素值在RGB空间中有唯一的三维RGB坐标(Rxy,Gxy,Bxy)与之对应，x、y分别代表着该像素点在原彩图中像素点的位置。
选取ΔR＝ΔG＝ΔB＝15的正方体对RGB三维空间按步长为10进行搜索，每一步都统计落入正方体中像素点的个数，最终选取像素点个数最多的N组正方体中心的RGB值作为选中的代表性颜色。
本实施例针对图2所示的彩色图片，选取的5个代表性颜色分别为：
1：皮肤色(225,175,155)；2：黑色(25,25,25)；3：蓝色(45,75,155)，4：黄色(195,195,95)；5：棕褐色(205,125,75)。
3.使用欧式比值法根据5个代表性颜色对颜色库中的数据进行筛选，将上述5个代表性颜色同颜色数据库的每一条数据逐一运算求得欧氏比值EDRi，
式中：Ri、Gi、Bi代表着在第i个代表性颜色的RGB值；Rj、Gj、Bj代表着数据库中第j组颜色数据。
本实施例经筛选发现，5组代表性颜色的最小EDRi如下所示：颜色库数据(176,165,137)对应EDR1＝16.4％，颜色库数据(30,28,27)对应EDR2＝14.1％，颜色库数据(86,105,127)对应EDR3＝28.4％，颜色库数据(178,158,125)对应EDR4＝17.1％，颜色库数据(170,139,114)对应EDR5＝21.9％，将EDRi≤20％作为筛选相近的标准，说明颜色数据库中分别存在三组与代表性颜色的RGB值较为相近的颜色，皮肤色、黑色、黄色匹配成功。
还有两个代表性颜色(蓝色和棕褐色)与颜色数据库无法匹配，即颜色数据库中目前没有与该两种代表性颜色相近的颜色。
4.建立BP神经网络激光着色预测模型，结合激光比例系数对上述两种代表性颜色的相近颜色进行预测，具体为：
(1)构建如图3所示的BP神经网络激光着色预测模型，该模型包含一个输入层、两个隐含层和一个输出层。
由于神经网络的训练数据量随着输入特性数目的增加而增加，且实验加工和分光测色仪采集颜色的流程相对比较繁琐，为了提高整体的效率，保持行间距、激光脉冲宽度等参数保持固定，只选取数据库中的激光功率、扫描速度、脉冲重复频率共三个输入参数作为模型的输出层，色彩的三个参数R、G、B值作为模型的输出层，经过不断试验发现当隐藏层数目为2，每层神经元数目为5时，该模型具有最佳的性能。
为了提高网络的性能，将所有的数据做了归一化处理，此外，将颜色数据库中90％用作训练集和10％用作测试集，对构建的BP神经网络进行训练和测试。使用均方误差MSE和决定系数R2对模型的拟合程度进行评估。最终无论训练数据还是测试数据，模型的输出和实验采集的数据之间有着较高的一致性。
式中，m为训练样本的数目，Yt为分光测试仪的观测值，为BP神经网络激光着色模型的预测值，/>为观测值的平均值。
(2)选择颜色数据库中与代表性颜色的欧式比值最接近20％的激光参数，对该激光参数进行修正，使修正后的激光参数的比例系数大体保持不变，将修正后的激光参数输入训练好的BP神经网络激光着色预测模型，预测该激光参数对应的颜色，即为与该代表性颜色相近的颜色。
图4所示为激光扫描平面的工作过程，由于不同的激光参数组合在不锈钢表面产生的同种颜色，在保持行间距、激光脉冲宽度参数保持固定前提下，如果两组激光参数之间的单脉冲能量和d都相等，即满足下式：
那么，这两组激光参数在不锈钢表面会产生大致相同的颜色。因此本发明提出激光比例系数，它对应于激光功率、振镜扫描速度、脉冲重复频率的比值：
Lapc＝(P:v:f)。
因此，本发明利用上述原理，对于剩余的两种代表性颜色，选择EDRi最接近20％的颜色对应的激光参数，计算其激光比例系数，然后对激光参数进行微调修正，使调整后的激光比例系数处于(0.8～1.2)·Lapc范围内。并利用满足条件的激光参数修正值，作为BP神经网络激光着色预测模型的输入，预测相应的颜色。
将预测得到的颜色，重新与相应的代表性颜色计算欧式比值EDRi，判断其是否满足EDRi≤20％。若是，则将该预测颜色对应的激光参数作为该代表性颜色的激光着色参数；如否，继续修正激光参数，进行下一轮预测。
利用激光比例系数配合BP神经网络激光着色预测模型仍无法完成某种代表性颜色的匹配时，则选取该代表性颜色与颜色数据库中所有数据的欧式比值中，EDRi最小的颜色对应的激光参数与之匹配，使颜色之间的偏差降低到最小。
本实施例中，颜色库数据(170,139,114)，EDR5＝21.9％对应的激光参数为：激光功率3.75W、脉冲重复频率400kHz、振镜扫描速度400mm/s。
则激光比例系数为：
Lapc＝3.75:400:400
将上述激光参数在0.8-1.2倍激光比例系数的范围内进行微调，修改为激光功率3.75W、脉冲重复频率400kHz、振镜扫描速度375mm/s，BP神经网络激光着色预测模型预测产生RGB(175,131,111)的棕褐色，重新计算的EDR5＝19.2％，即修正后的激光参数可满足EDRi≤20％的要求，该激光参数即可作为代表性颜色棕褐色的激光着色参数。
代表性颜色蓝色受到激光着色颜色的局限性，虽然经BP神经网络激光着色预测模型预测，仍未能匹配，无法用激光彩色打标的方式来直接制备该颜色。因此，选择颜色库数据(86,105,127)，EDRi＝28.4％，对应的激光参数作为代表性颜色蓝色的激光着色参数，使颜色之间的偏差降低到最小。
5、将5种颜色对应的激光着色参数作为待打标图案的着色参数，逐层在金属表面进行加工，可以得到如图2所示的彩色图案。

Claims (2)

1.一种激光彩色打标参数的确定方法，其特征在于，包括：
(1)构建激光彩色打标的颜色数据库，每一组数据包含激光着色参数及对应的颜色；
(2)导入待打标图案的彩色图片，利用空间搜索法选取N个代表性颜色：将导入的彩色图片上所有像素点引入RGB三维空间坐标系，每个像素点的三维RGB坐标为(Rxy,Gxy,Bxy)，x、y分别代表该像素点在原彩图中的位置；选取ΔR＝ΔG＝ΔB＝m的正方体对RGB三维空间按步长为n进行搜索，m取10～20，n取5～10；每一步都统计在正方体中像素点的个数，最终选取像素点个数最多的N组正方体中心的RGB值作为选中的代表性颜色；
(3)使用欧式比值法，从颜色数据库中筛选出与N个代表性颜色相近的颜色，具体为：将N个代表性颜色与颜色数据库的颜色数据逐一运算，求得欧氏比值EDRi：
式中：Ri、Gi、Bi代表第i个代表性颜色的RGB值；Rj、Gj、Bj代表颜色数据库中第j组数据；
如果EDRi≤M,M为设定的阈值，则认为数据库中存在一组与第i个代表性颜色的RGB值较为相近的颜色；
(4)利用筛选出的颜色对应的参数，作为代表性颜色的激光着色参数；对于不满足EDRi≤M的代表性颜色，利用BP神经网络激光着色预测模型结合激光比例系数修正与代表性颜色EDRi最接近阈值M的激光参数，预测与该代表性颜色相近的颜色；与代表性颜色EDRi最接近阈值M的颜色对应的激光比例系数为：
Lapc＝(P:v:f)；
其中，P表示激光功率、v表示振镜扫描速度、f表示脉冲重复频率；
修正后的激光比例系数需满足(0.8～1.2)·Lapc。
2.根据权利要求1所述的激光彩色打标参数的确定方法，其特征在于，对预测出的颜色与代表性颜色重新利用欧式比值法判断是否满足EDRi≤M。
CN202210227448.1A 2022-03-08 2022-03-08 一种激光彩色打标参数的确定方法 Active CN114579790B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210227448.1A CN114579790B (zh) 2022-03-08 2022-03-08 一种激光彩色打标参数的确定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210227448.1A CN114579790B (zh) 2022-03-08 2022-03-08 一种激光彩色打标参数的确定方法

Publications (2)

Publication Number Publication Date
CN114579790A CN114579790A (zh) 2022-06-03
CN114579790B true CN114579790B (zh) 2024-04-16

Family

ID=81774415

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210227448.1A Active CN114579790B (zh) 2022-03-08 2022-03-08 一种激光彩色打标参数的确定方法

Country Status (1)

Country Link
CN (1) CN114579790B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116432841A (zh) * 2023-04-03 2023-07-14 东莞理工学院 一种金属激光打彩的最优打彩参数确定方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101673412A (zh) * 2009-09-29 2010-03-17 浙江工业大学 结构光三维视觉系统的光模板匹配方法
JP2015196166A (ja) * 2014-03-31 2015-11-09 ブラザー工業株式会社 レーザ加工装置、レーザ加工方法及びプログラム
CN107457488A (zh) * 2017-08-24 2017-12-12 广东工业大学 一种基于通用振镜与视觉测速的飞行打标系统和控制方法
CN107729812A (zh) * 2017-09-18 2018-02-23 南京邮电大学 一种适用于监控场景中的车辆颜色识别的方法
CN111151887A (zh) * 2020-01-06 2020-05-15 新代科技(苏州)有限公司 一种镭射彩雕操作方法
CN113514447A (zh) * 2021-07-14 2021-10-19 清华大学 一种基于sers的体液检测方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101673412A (zh) * 2009-09-29 2010-03-17 浙江工业大学 结构光三维视觉系统的光模板匹配方法
JP2015196166A (ja) * 2014-03-31 2015-11-09 ブラザー工業株式会社 レーザ加工装置、レーザ加工方法及びプログラム
CN107457488A (zh) * 2017-08-24 2017-12-12 广东工业大学 一种基于通用振镜与视觉测速的飞行打标系统和控制方法
CN107729812A (zh) * 2017-09-18 2018-02-23 南京邮电大学 一种适用于监控场景中的车辆颜色识别的方法
CN111151887A (zh) * 2020-01-06 2020-05-15 新代科技(苏州)有限公司 一种镭射彩雕操作方法
CN113514447A (zh) * 2021-07-14 2021-10-19 清华大学 一种基于sers的体液检测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
振镜式激光打标系统及工艺参数分析;赵帆;;软件导刊;20131128(第11期);全文 *

Also Published As

Publication number Publication date
CN114579790A (zh) 2022-06-03

Similar Documents

Publication Publication Date Title
CN112507793B (zh) 一种超短期光伏功率预测方法
EP2161555B1 (en) Coating color database creating method, search method using the database, their system, program, and recording medium
CA2434554C (en) Computer-implemented neural network color matching formulation system
US6804390B2 (en) Computer-implemented neural network color matching formulation applications
CN106815643B (zh) 基于随机森林迁移学习的红外光谱模型传递方法
CN114579790B (zh) 一种激光彩色打标参数的确定方法
CN107657603A (zh) 一种基于智能视觉的工业外观检测方法
CN108256482A (zh) 一种基于卷积神经网络进行分布学习的人脸年龄估计方法
US20230264505A1 (en) Method for creating a colored laser marking
CN108872156B (zh) 一种基于光谱反射率倒数的油墨组份比例预测方法及设备
Bonta et al. A metric for evaluation of the image quality of chemical maps derived from LA-ICP-MS experiments
CN109030467B (zh) 一种用于激光击穿光谱的自吸收效应修正方法
CN115713634B (zh) 一种联合相似性度量与视觉感知的色彩搭配评价方法
CN109783973A (zh) 一种基于图像退化模型的大气能见度计算方法
CN113295625A (zh) 基于极端梯度提升的机器视觉染料浓度光谱检测方法
CN114170427A (zh) 基于雨胞的无线微波雨衰减模型ssim图像相似度评价方法
CN113192034A (zh) 基于反向传播神经网络的混合染液浓度检测方法
CN112595706A (zh) 一种激光诱导击穿光谱变量选择方法及系统
CN108334896A (zh) 一种基于熔池光谱的协同感知装置的光谱分类方法
Wang et al. Component detection of electronic ceramic composite in battery based on CNN convolution neural network
Lu et al. ColorGAN: Automatic image colorization with GAN
CN115129917B (zh) 一种基于模态共有特征的光学-sar遥感图像跨模态检索方法
CN115165770B (zh) 基于宽光谱及bpnn的水体cod与浊度同时检测方法
Sander et al. Unveiling the secrets of paintings: deep neural networks trained on high-resolution multispectral images for accurate attribution and authentication
CN113119447B (zh) 一种彩色3d打印色彩空间转换的方法

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