CN116306225A - 一种实木制品涂料调色方法和系统 - Google Patents
一种实木制品涂料调色方法和系统 Download PDFInfo
- Publication number
- CN116306225A CN116306225A CN202310039735.4A CN202310039735A CN116306225A CN 116306225 A CN116306225 A CN 116306225A CN 202310039735 A CN202310039735 A CN 202310039735A CN 116306225 A CN116306225 A CN 116306225A
- Authority
- CN
- China
- Prior art keywords
- color
- wood
- paint
- formula
- current
- 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
Links
- 239000002023 wood Substances 0.000 title claims abstract description 118
- 239000003973 paint Substances 0.000 title claims abstract description 64
- 239000007787 solid Substances 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000002156 mixing Methods 0.000 title claims abstract description 15
- 238000010801 machine learning Methods 0.000 claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 230000004075 alteration Effects 0.000 claims abstract description 8
- 238000010422 painting Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000002310 reflectometry Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 10
- 239000003086 colorant Substances 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 9
- 238000010521 absorption reaction Methods 0.000 claims description 6
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 238000000576 coating method Methods 0.000 abstract description 9
- 238000012512 characterization method Methods 0.000 abstract description 8
- 239000011248 coating agent Substances 0.000 abstract description 7
- 239000000203 mixture Substances 0.000 abstract description 2
- 238000009472 formulation Methods 0.000 abstract 1
- 230000003595 spectral effect Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000004922 lacquer Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007730 finishing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
-
- 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
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/778—Active pattern-learning, e.g. online learning of image or video features
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本申请公开了一种实木制品涂料调色方法和系统，方法包括：提取当前木材的特征；根据第一机器学习模型模拟当前输入的涂料配方；根据涂料配方调配计算色差，根据第二机器学习模型进行修正后，输出试图板颜色，指导实木制品的涂装。利用大数据与机器学习的算法，使得计算机掌握涂料调色工人的经验，自动获得涂料调色配方。采集大量数据，将上述海量数据进行不断学习，最终形成木材涂饰后颜色的预测模型，即输入木材素板相关表征数据、涂料配方数据，即可自动生成试涂板颜色预测数据。最后，将试涂板颜色预测数据与标准板颜色表征数据进行对比，最终形成获得标准板颜色的涂料调色配方，指导实木制品的涂装。
Description
技术领域
本申请涉及涂料行业领域，具体而言涉及一种实木制品涂料调色方法和系统。
背景技术
木材具有美丽的纹理和分布不均匀的色彩。不同树种间木材的颜色存在一定的差异；同一树种木材的颜色也因受到心、边材，早、晚材，木材缺陷等因素的影响而具有差异性。为使实木制品显现出木材本身的天然纹理，实木制品涂饰一般选用透明漆，同时，为改变木材本身颜色和遮盖木材的缺陷，需要在油漆中添加红、黄、黑三种颜色的色精进行调色。
在实木制品生产过程中，涂饰工艺已实现机械化和自动化，但是对透明漆的调色还是由人工进行，调色工艺师根据标准板的颜色，凭个人经验在透明漆中施加色精。每一批次生产前，不管是同一树种还是不同树种，都要进行透明漆的调色，效率低，人为因素大，严重影响产品合格率和生产效率。
本发明公开了一种实木制品涂料调色数据模型的构建方法，它的思想是利用大数据与机器学习的算法，使得计算机掌握涂料调色工人的经验，自动获得涂料调色配方。为了获取算法模型的训练数据，在人工涂料调色过程要采集大量数据，包括木材素板相关表征数据、涂料配方数据、试涂板颜色表征数据。通过大数据技术，将上述海量数据进行不断学习，最终形成木材涂饰后颜色的预测模型，即输入木材素板相关表征数据、涂料配方数据，即可自动生成试涂板颜色预测数据。最后，将试涂板颜色预测数据与标准板颜色表征数据进行对比，最终形成获得标准板颜色的涂料调色配方，指导实木制品的涂装。
发明内容
本申请公开了一种实木制品涂料调色方法和系统，通过提取当前木材的特征和模拟当前输入的涂料配方，计算色差后进行颜色修正实现实木制品的涂装。
为达到上述目的，本申请提供了以下方案：
一种实木制品涂料调色数据模型的构建方法，方法包括：
S1、提取当前木材的特征；
S2、根据第一机器学习模型模拟当前输入的涂料配方；
S3、根据涂料配方调配计算色差，根据第二机器学习模型进行修正后，输出试图板颜色，指导实木制品的涂装。
可选的，所述提取当前木材的特征包括：
提取当前木材的木材纹理特征和木材颜色特征。
可选的，所述提取当前木材的木材纹理特征具体包括：
通过中值滤波对采集的木材图像的边缘进行滤波降噪预处理，得到降噪之后的木材图像，采用Gabor特征提取算法对所述降噪之后的木材图像提取纹理特征。
可选的，所述提取当前木材的木材颜色特征具体包括：
获取RGB色彩空间下木材的色彩子空间；
将图片样本像素点映射到RGB色彩空间下；
遍历所有像素点；
生成一个新的立体矩阵，所述立体矩阵即为要提取的当前木材的木材颜色特征。
可选的，所述S2具体包括：
按照涂料配方数据生成目标色块；
通过分光光度计检测获取目标色块的反射率R；
将目标色块的三刺激值[X,Y,Z]输入预先基于大数据学习完成训练的机器学习模型中进行训练，
得到目标色块所对应的配方。
可选的，所述通过分光光度计检测获取目标色块的反射率R具体包括：
通过分光光度计检测获取目标色块的反射率R；根据目标色块的反射率R计算目标色块的K/S值，其中K/S值是吸收系数与散射系数的比值，K为吸收系数，S为散射系数，计算目标色块的K/S值公式如下：
可选的，所述计算色差具体包括：
根据当前的配方结果作出小样并利用分光光度计对其进行色差测算得到色差ΔE。
可选的，所述根据第二机器学习模型进行修正具体包括：
判断色差ΔE是否大于预设阈值，如果大于预设阈值，则获取当前的配方结果做出的小样的反射率Rd计算三刺激值[X，Y，Z]；
将计算得到的三刺激值[X，Y，Z]输入机器学习模型得到新的配方结果，根据当前的配方结果、新的配方结果计算出新的修正后的配方结果作为新的当前的配方结果，重新得到当前的配方结果；否则，判定当前的配方结果不需要修色。
一种实木制品涂料调色系统，其特征在于，包括：特征提取模块、涂料配方模拟模块和色差修正模块；
特征提取模块用于提取当前木材的特征；
涂料配方模拟模块用于根据第一机器学习模型模拟当前输入的涂料配方；
色差修正模块用于根据涂料配方调配计算色差，根据第二机器学习模型进行修正后，输出试图板颜色，指导实木制品的涂装。
本申请的有益效果为：
本申请利用大数据与机器学习的算法，使得计算机掌握涂料调色工人的经验，自动获得涂料调色配方。采集大量数据，将上述海量数据进行不断学习，最终形成木材涂饰后颜色的预测模型，即输入木材素板相关表征数据、涂料配方数据，即可自动生成试涂板颜色预测数据。最后，将试涂板颜色预测数据与标准板颜色表征数据进行对比，最终形成获得标准板颜色的涂料调色配方，指导实木制品的涂装。
附图说明
为了更清楚地说明本申请的技术方案，下面对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例一种实木制品涂料调色方法的方法步骤图；
图2为本申请实施例一种实木制品涂料调色系统的系统结构图。
具体实施方式：
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
实施例一
在本实施例一中，如图1所示，一种实木制品涂料调色方法和系统，具体包括：
S100：分析当前木材素板的种类；
不同树种间木材的颜色存在一定差异，所以首先将木材素板通过树种类别进行分类。
对采集的木材图像进行特征提取。
(一)木材纹理特征提取
通过中值滤波对采集的木材图像的边缘进行滤波降噪预处理，得到降噪之后的木材图像，采用Gabor特征提取算法提取纹理特征，对提取的纹理特征输入训练好的BP神经网络，得到木材纹理的神经网络模型。
(二)木材颜色特征提取
滤除因外因对木材颜色造成影响的木材图像样本，确保获取的样本数据是干净的；
通过轮廓检测算法提取木材的大致轮廓，外图像内部收缩像素，确保整张图片全部为木材区域；
获取RGB色彩空间下木材的色彩子空间，之后对海量样本木材进行颜色特征提取。在RGB色彩空间下获得一个子空间，该子空间是一个130*140*120大小的立方体矩阵，该矩阵中的每个值代表一种颜色。将图片样本像素点映射到RGB色彩空间下，若像素点落在木材的颜色空间下，则对应颜色值加1，若像素点落在木材的颜色空间外，则舍弃该像素点，遍历所有像素点后，得到一个130*140*120的立方体矩阵。对木材的R通道、G通道、B通道进行区间分块，生成一个新的立体矩阵，该立体矩阵为多要提取的特征向量。对特征向量进行归一化处理，将特征矩阵中每个值除以sum(M0,0,M0,1,M1,0,......Mn,n)得到特征矩阵M的特征频率矩阵M，即每个样本的颜色特征频率矩阵。
S200：根据第一机器学习模型模拟当前输入的涂料配方，其中所述第一机器学习模型为利用大数据训练的色块的三刺激值[X，Y，Z]及其对应配方之间的映射关系；
S201：按照涂料配方数据生成目标色块；具体的，目标色块的生成需要人工操作。
S202：通过分光光度计检测获取目标色块的反射率R；根据目标色块的反射率R计算目标色块的K/S值，其中K/S值是吸收系数与散射系数的比值，K为吸收系数，S为散射系数，计算目标色块的K/S值公式如下：
S203：根据目标色块的K/S值计算目标色块的三刺激值[X,Y,Z]。计算公式为：
X，Y，Z表示目标色块的三刺激值，E表示CIE-1931中光谱能量分布常数，
表示CIE-XYZ系统中标准色度观察者光谱刺激值X且为一个常量数据，/>
表示CIE-XYZ系统中标准色度观察者光谱刺激值Y且为一个常量数据，/>
表示CIE-XYZ系统中标准色度观察者光谱刺激值Z且为一个常量数据，R表示色块目标的反射率，(K/S)表示目标色块的K/S值，Δλ表示可见光波长范围内的采样的间隔。
S204：将目标色块的三刺激值[X,Y,Z]输入第一机器学习模型中进行训练，训练结束后包含色块的三刺激值[X，Y，Z]及其对应配方之间的映射，最终得到目标色块所对应的配方。
S205：将每个目标色块对应的配方生成颜色配方库进行存储，具体的，颜色配方库要根据类别进行分类，不同类别的涂料设定不同梯度点，根据配方组成中的涂料对这些梯度点进行组合产生基础样卡，接着将这些基础样卡作出小样。
S300：根据涂料配方调配，计算色差，根据第二机器学习模型进行修正后，输出试图板颜色，其中，第二机器学习模型为利用大数据训练的色块的三刺激值[X，Y，Z]及其对应配方之间在反射率作用下的映射关系。
S301：根据当前的配方结果作出小样并利用分光光度计对其进行色差测算得到色差ΔE，公式为：
L,a,b是CIE标准照明体的三刺激值，X,Y,Z为当前的配方结果作出小样的三刺激值，L表示物体在Lab颜色模型下的颜色深度，Lt表示目标色块在Lab颜色模型下的颜色深度，Ls表示小样在Lab颜色模型下的颜色深度，ΔL表示目标色块和小样在Lab颜色模型下的颜色深度差值，a表示物体在Lab颜色模型下的绿色的红色颜色通道的值，at表示目标色块在Lab颜色模型下的绿色到红色颜色通道的值，as表示小样在颜色模型下的绿色到红色颜色通道的值，Δa表示目标色块和小样在Lab颜色模型下的绿色到红色颜色通道的差值，b表示物体在Lab颜色模型下的蓝色到黄色颜色通道的值，bt表示目标色块在Lab颜色模型下的蓝色到黄色颜色通道的值，bs表示小样在Lab颜色模型下的蓝色到黄色颜色通道的值，Δb表示目标色块和小样在Lab颜色模型下的蓝色到黄色颜色通道的差值。
S302：判断色差ΔE是否大于预设阈值，如果大于预设阈值，则获取当前的配方结果做出的小样的反射率Rd计算三刺激值[X，Y，Z]，其中，反射率Rt根据公式(2)计算得到。将计算得到的三刺激值[X，Y，Z]输入机器学习模型得到新的配方结果，根据当前的配方结果、新的配方结果计算出新的修正后的配方结果作为新的当前的配方结果，重新得到当前的配方结果；否则，判定当前的配方结果不需要修色，输出试图板颜色并退出，指导实木制品的涂装。
具体的，预设值为0.5。
实施例二
一种实木制品涂料调色系统，其特征在于，包括：特征提取模块、涂料配方模拟模块和色差修正模块；
特征提取模块用于提取当前木材的特征；
对采集的木材图像进行特征提取。
(一)木材纹理特征提取
通过中值滤波对采集的木材图像的边缘进行滤波降噪预处理，得到降噪之后的木材图像，采用Gabor特征提取算法提取纹理特征，对提取的纹理特征输入训练好的BP神经网络，得到木材纹理的神经网络模型。
(二)木材颜色特征提取
滤除因外因对木材颜色造成影响的木材图像样本，确保获取的样本数据是干净的；
通过轮廓检测算法提取木材的大致轮廓，外图像内部收缩像素，确保整张图片全部为木材区域；
获取RGB色彩空间下木材的色彩子空间，之后对海量样本木材进行颜色特征提取。在RGB色彩空间下获得一个子空间，该子空间是一个130*140*120大小的立方体矩阵，该矩阵中的每个值代表一种颜色。将图片样本像素点映射到RGB色彩空间下，若像素点落在木材的颜色空间下，则对应颜色值加1，若像素点落在木材的颜色空间外，则舍弃该像素点，遍历所有像素点后，得到一个130*140*120的立方体矩阵。对木材的R通道、G通道、B通道进行区间分块，生成一个新的立体矩阵，该立体矩阵为多要提取的特征向量。对特征向量进行归一化处理，将特征矩阵中每个值除以sum(M0,0,M0,1,M1,0,......Mn,n)得到特征矩阵M的特征频率矩阵M，即每个样本的颜色特征频率矩阵。
涂料配方模拟模块用于根据第一机器学习模型模拟当前输入的涂料配方；
根据第一机器学习模型模拟当前输入的涂料配方，其中所述第一机器学习模型为利用大数据训练的色块的三刺激值[X，Y，Z]及其对应配方之间的映射关系；
色差修正模块用于根据涂料配方调配计算色差，根据第二机器学习模型进行修正后，输出试图板颜色，指导实木制品的涂装。
根据涂料配方调配，计算色差，根据第二机器学习模型进行修正后，输出试图板颜色，其中，第二机器学习模型为利用大数据训练的色块的三刺激值[X，Y，Z]及其对应配方之间在反射率作用下的映射关系。将计算得到的三刺激值[X，Y，Z]输入机器学习模型得到新的配方结果，根据当前的配方结果、新的配方结果计算出新的修正后的配方结果作为新的当前的配方结果，重新得到当前的配方结果；否则，判定当前的配方结果不需要修色，输出试图板颜色并退出，指导实木制品的涂装。
以上所述的实施例仅是对本申请优选方式进行的描述，并非对本申请的范围进行限定，在不脱离本申请设计精神的前提下，本领域普通技术人员对本申请的技术方案做出的各种变形和改进，均应落入本申请权利要求书确定的保护范围内。
Claims (9)
1.一种实木制品涂料调色方法，其特征在于，方法包括：
S1、提取当前木材的特征；
S2、根据第一机器学习模型模拟当前输入的涂料配方；
S3、根据涂料配方调配计算色差，根据第二机器学习模型进行修正后，输出试图板颜色，指导实木制品的涂装。
2.根据权利要求1所述的实木制品涂料调色方法，其特征在于，所述提取当前木材的特征包括：
提取当前木材的木材纹理特征和木材颜色特征。
3.根据权利要求2所述的实木制品涂料调色方法，其特征在于，所述提取当前木材的木材纹理特征具体包括：
通过中值滤波对采集的木材图像的边缘进行滤波降噪预处理，得到降噪之后的木材图像，采用Gabor特征提取算法对所述降噪之后的木材图像提取纹理特征。
4.根据权利要求2所述的实木制品涂料调色方法，其特征在于，所述提取当前木材的木材颜色特征具体包括：
获取RGB色彩空间下木材的色彩子空间；
将图片样本像素点映射到RGB色彩空间下；
遍历所有像素点；
生成一个新的立体矩阵，所述立体矩阵即为要提取的当前木材的木材颜色特征。
5.根据权利要求1所述的实木制品涂料调色方法，其特征在于，所述S2具体包括：
按照涂料配方数据生成目标色块；
通过分光光度计检测获取目标色块的反射率R；
将目标色块的三刺激值[X,Y,Z]输入预先基于大数据学习完成训练的机器学习模型中进行训练，
得到目标色块所对应的配方。
6.根据权利要求5所述的实木制品涂料调色方法，其特征在于，所述通过分光光度计检测获取目标色块的反射率R具体包括：
通过分光光度计检测获取目标色块的反射率R；根据目标色块的反射率R计算目标色块的K/S值，其中K/S值是吸收系数与散射系数的比值，K为吸收系数，S为散射系数，计算目标色块的K/S值公式如下：
7.根据权利要求1所述的实木制品涂料调色方法，其特征在于，所述计算色差具体包括：
根据当前的配方结果作出小样并利用分光光度计对其进行色差测算得到色差ΔE。
8.根据权利要求1所述的实木制品涂料调色方法，其特征在于，所述根据第二机器学习模型进行修正具体包括：
判断色差ΔE是否大于预设阈值，如果大于预设阈值，则获取当前的配方结果做出的小样的反射率Rd计算三刺激值[X，Y，Z]；
将计算得到的三刺激值[X，Y，Z]输入机器学习模型得到新的配方结果，根据当前的配方结果、新的配方结果计算出新的修正后的配方结果作为新的当前的配方结果，重新得到当前的配方结果；否则，判定当前的配方结果不需要修色。
9.一种实木制品涂料调色系统，其特征在于，包括：特征提取模块、涂料配方模拟模块和色差修正模块；
特征提取模块用于提取当前木材的特征；
涂料配方模拟模块用于根据第一机器学习模型模拟当前输入的涂料配方；
色差修正模块用于根据涂料配方调配计算色差，根据第二机器学习模型进行修正后，输出试图板颜色，指导实木制品的涂装。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310039735.4A CN116306225A (zh) | 2023-01-12 | 2023-01-12 | 一种实木制品涂料调色方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310039735.4A CN116306225A (zh) | 2023-01-12 | 2023-01-12 | 一种实木制品涂料调色方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116306225A true CN116306225A (zh) | 2023-06-23 |
Family
ID=86836747
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310039735.4A Pending CN116306225A (zh) | 2023-01-12 | 2023-01-12 | 一种实木制品涂料调色方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116306225A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11269411A (ja) * | 1998-03-19 | 1999-10-05 | Nippon Paint Co Ltd | コンピュータグラフィックス画像から塗料配合を推定する方法 |
| CN1740772A (zh) * | 2005-09-23 | 2006-03-01 | 中国林业科学研究院木材工业研究所 | 木材单板染色的配色方法 |
| CN107194081A (zh) * | 2017-05-25 | 2017-09-22 | 魔金真彩网络科技（长沙）有限公司 | 一种汽车素色漆计算机配色方法 |
| CN108345965A (zh) * | 2018-04-13 | 2018-07-31 | 魔金真彩网络科技（长沙）有限公司 | 一种基于大数据学习的涂料配色方法及系统 |
| CN108875792A (zh) * | 2018-05-25 | 2018-11-23 | 魔金真彩网络科技（长沙）有限公司 | 一种基于机器学习的涂料修色方法及系统 |
| US20190078936A1 (en) * | 2015-10-29 | 2019-03-14 | Basf Coatings Gmbh | Method for ascertaining texture parameters of a paint |
| CN111768456A (zh) * | 2020-07-03 | 2020-10-13 | 福州大学 | 一种基于木材颜色空间的特征提取方法 |
| US20210201535A1 (en) * | 2019-12-31 | 2021-07-01 | Axalta Coating Systems Ip Co., Llc | Systems and methods for matching color and appearance of target coatings |
-
2023
- 2023-01-12 CN CN202310039735.4A patent/CN116306225A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11269411A (ja) * | 1998-03-19 | 1999-10-05 | Nippon Paint Co Ltd | コンピュータグラフィックス画像から塗料配合を推定する方法 |
| CN1740772A (zh) * | 2005-09-23 | 2006-03-01 | 中国林业科学研究院木材工业研究所 | 木材单板染色的配色方法 |
| US20190078936A1 (en) * | 2015-10-29 | 2019-03-14 | Basf Coatings Gmbh | Method for ascertaining texture parameters of a paint |
| CN107194081A (zh) * | 2017-05-25 | 2017-09-22 | 魔金真彩网络科技（长沙）有限公司 | 一种汽车素色漆计算机配色方法 |
| CN108345965A (zh) * | 2018-04-13 | 2018-07-31 | 魔金真彩网络科技（长沙）有限公司 | 一种基于大数据学习的涂料配色方法及系统 |
| CN108875792A (zh) * | 2018-05-25 | 2018-11-23 | 魔金真彩网络科技（长沙）有限公司 | 一种基于机器学习的涂料修色方法及系统 |
| US20210201535A1 (en) * | 2019-12-31 | 2021-07-01 | Axalta Coating Systems Ip Co., Llc | Systems and methods for matching color and appearance of target coatings |
| CN111768456A (zh) * | 2020-07-03 | 2020-10-13 | 福州大学 | 一种基于木材颜色空间的特征提取方法 |
Non-Patent Citations (1)
| Title |
|---|
| 庄子龙 等: "基于多层感知机的木材颜色分类", 林业机械与木工设备, vol. 48, no. 06, pages 8 - 14 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rodríguez-Pulido et al. | Ripeness estimation of grape berries and seeds by image analysis | |
| EP2161555A1 (en) | Coating color database creating method, search method using the database, their system, program, and recording medium | |
| CN106504241A (zh) | 一种自动对色装置和方法 | |
| Zhao et al. | An investigation of multispectral imaging for the mapping of pigments in paintings | |
| WO2007068056A1 (en) | Stain assessment for cereal grains | |
| CN108279238A (zh) | 一种果实成熟度判断方法及装置 | |
| CN114067222B (zh) | 一种城市水体遥感分类方法及装置 | |
| CN113570538B (zh) | 一种叶片rgb图像偏态分布参数信息采集及分析方法 | |
| CN112697682A (zh) | 一种基于机器视觉进行家具耐光色牢度检测的方法 | |
| Sinaga | Color-based Segmentation of Batik Using the L* a* b Color Space | |
| WO1994011987A1 (en) | Apparatus and method for enhancing color images | |
| Chen et al. | Automated bridge coating defect recognition using adaptive ellipse approach | |
| Motonaga et al. | A method of making digital fruit color charts for cultivation management and quality control | |
| CN112488997B (zh) | 基于特征插值的古代绘画印刷品颜色复现检测和评价方法 | |
| JP7243376B2 (ja) | 色味検査装置、及び色味検査プログラム | |
| CN117372388A (zh) | 烟叶/丝等级检测方法及装置 | |
| CN116306225A (zh) | 一种实木制品涂料调色方法和系统 | |
| Števek et al. | An automatic identification of wood materials from color images | |
| Jinwei et al. | Rapeseed seeds colour recognition by machine vision | |
| Herrera-Arellano et al. | Color outdoor image enhancement by V-NIR fusion and weighted luminance | |
| KR20220063982A (ko) | 쌀 도정도 판별용 칼라 코드 조성물 및 이를 이용한 쌀 도정도 판별 방법 | |
| Zhi et al. | Color Chart Development by Computer Vision for Flue-cured Tobacco Leaf. | |
| RU2815612C2 (ru) | Визуализация тонирования древесины | |
| Kusnandar et al. | Modification Color Filtering in HSV Color Space | |
| Guo et al. | Color difference matrix index for tone-mapped images quality assessment |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230623 |