CN117687582A - 一种基于深度神经网络回归的印刷油墨配色方法 - Google Patents
一种基于深度神经网络回归的印刷油墨配色方法 Download PDFInfo
- Publication number
- CN117687582A CN117687582A CN202311660712.1A CN202311660712A CN117687582A CN 117687582 A CN117687582 A CN 117687582A CN 202311660712 A CN202311660712 A CN 202311660712A CN 117687582 A CN117687582 A CN 117687582A
- Authority
- CN
- China
- Prior art keywords
- ink
- sample
- mixed
- primary color
- thinner
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 31
- 239000000976 ink Substances 0.000 claims abstract description 326
- 238000012549 training Methods 0.000 claims abstract description 49
- 238000010521 absorption reaction Methods 0.000 claims abstract description 43
- 230000007480 spreading Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000002310 reflectometry Methods 0.000 claims description 14
- 230000003247 decreasing effect Effects 0.000 claims description 13
- 239000003086 colorant Substances 0.000 claims description 11
- 238000002360 preparation method Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 6
- 239000000123 paper Substances 0.000 description 38
- 239000010410 layer Substances 0.000 description 32
- 239000000203 mixture Substances 0.000 description 12
- 238000009472 formulation Methods 0.000 description 11
- 230000004075 alteration Effects 0.000 description 5
- 239000003085 diluting agent Substances 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000000052 comparative effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 239000002355 dual-layer Substances 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- Spectrometry And Color Measurement (AREA)
Abstract
本发明公开了一种基于深度神经网络回归的印刷油墨配色方法,包括步骤:(1)、准备冲淡剂和若干种基色油墨制备训练样张;(2)、计算训练样张的油墨的吸收与散射系数比和训练样张上纯油墨的吸收与散射系数比,通过前述数据在回归网络框架中训练数据得到油墨配色预测模型;(3)、确定需要配色的新颜色为目标样张,将目标样张的数据输入预测模型中获得配色油墨的配方。本发明构建一种回归网络框架,直接学习颜色油墨的吸收与散射系数比与各基色油墨吸收与散射系数比之间关系模型,从使得新颜色油墨可在未严格挑选基色油墨梯度的条件下,计算出新颜色油墨准确配方。
Description
技术领域
本发明涉及印刷油墨配色技术领域,具体涉及一种基于深度神经网络回归的印刷油墨配色方法。
背景技术
在印刷、涂料等行业,企业经常只购买有限几个基础颜色油墨(即基色油墨),而生产所需其他颜色油墨一般用两种或两种以上的基色油墨混合所得。目前一些专利和论文中提出利用Kubelka-Munk(K-M)理论实现计算新颜色油墨的配方计算。在基于K-M理论的配色方法中,均需通过利用冲淡剂和基色油墨混色得到一系列梯度样张,并通过梯度样张获得用以计算配方的基色油墨吸收与散射系数比。然而,有些配比的冲淡剂与基色油墨混合梯度样张并不利于获得准确的基色油墨吸收与散射系数比。因此,需要对梯度样张进行筛选,以提高基色油墨的吸收与散射系数比,从而提高任意混合油墨配比的计算精度。公告号为CN104309300B的中国发明专利提出一种彩印油墨计算机配色方法。此方法中,当色差能接受较大时(即色差>1.5),采用K-M方法,当配方色差要求较小时(即色差<1.5),采用BP神经网络的方式。此方法利用BP神经网络以避免K-M方法需筛选梯度样张才能获得高精度配方的问题。但是,此方法计算效率不高,且落地实现难度大。其原因在于:若基色油墨梯度样张制备合适,K-M方法所得配方的色差则可小于1.5。因此,专利方法实际落地时,对于任意一个混合油墨,并无法判断先利用K-M方法还是BP神经网络方法。若先利用K-M方法无法达到预期色差,再利用BP神经网络方法则会面临问题:BP神经网络方法的准确性极度依赖于先验样张(即已知配比的混合油墨样张)数量,K-M方法通常只需少量冲淡剂与基色油墨混合所得梯度样张。由此,两方法所需样张数量差异性较大,即若转换采用BP神经网络的方式需补充制备大量先验样张。
此外,依据K-M理论,利用它准确配方的提前是油墨具有完全不透明性。然而,在实际很多应用,如印刷油墨很用冲淡剂,此冲淡剂会使得新配油墨的透明性增加,从而使得K-M理论部分失效。在此种情况下,需在很微妙的控制下,才有可能会比较准确的配方。
发明内容
本发明的目的是提供一种基于深度神经网络回归的印刷油墨配色方法,以解决上述问题。
本发明提供一种基于深度神经网络回归的印刷油墨配色方法,包括以下步骤:
步骤(一)、准备冲淡剂和若干种基色油墨,制备N个训练样张;依次测量训练样张的纸张的反射率,计算训练样张所使用纸张的吸收与散射系数比;依次测量训练样张的反射率;计算训练样张上纯油墨的吸收与散射系数比波长的总数量为M;共得到N个下标i=1,2,…,N,每个/>中维数等于波长的数量,/>
步骤(二)、通过回归网络框架训练数据得到油墨配色预测模型;
回归网络框架包括输入数据层、瓶颈层和输出数据层,从输入数据层到瓶颈层构成整个网络框架的前置网络部分,从瓶颈层到输出数据层构成整个网络框架的后置网络部分,通过损失函数控制输入数据到输出数据的迭代次数;当损失函数所得的损失值在全局最优点收敛时,获得最佳油墨配色预测模型;
回归网络框架中,输入数据层的输入数据为所有数据,构成一个1×M×N数据;瓶颈层所得的数据为所有基色油墨的吸收与散射系数比,构成一个1×M×J数据,J表示基色油墨种类的总数量;输出数据层所得数据是/>的预测数据/>构成一个1×M×N数据;
步骤(三)、确定需要配色的目标油墨样张,根据目标油墨样张的反射率计算得到目标油墨样张的吸收与散射系数比;根据目标油墨样张中纸张的反射率计算得到目标油墨样张中纸张的吸收与散射系数比;计算目标油墨样张中纯目标油墨的吸收与散射系数比;
步骤(四)、将目标油墨样张中纯目标油墨的吸收与散射系数比输入到油墨配色预测模型中,预测得到目标油墨的配方。
作为上述方案进一步的优选:
所述训练样张包括无冲淡剂混合样张和有冲淡剂混合样张。
作为上述方案进一步的优选:
所述无冲淡剂混合样张的制备方法为:
从J种基色油墨中排列组合的方式选取2种基色油墨,按照混合比例ck:1-ck混合后得到混合油墨,将混合油墨展色在纸张上,获得2种基色的混合样张;从J种基色油墨中排列组合的方式选取3种基色油墨,按照混合比例混合后得到混合油墨,将混合油墨展色在纸张上,获得3种基色油墨的混合样张;以此类推,直至J种基色油墨按照比例同时混合,获得J种基色油墨的混合样张;ck的取值方式为0.95至0.05间隔0.05依次递减取值,下标k=1,2,...19。
作为上述方案进一步的优选:
所述有冲淡剂混合样张的制备方法为:
将冲淡剂和从J种基色油墨中选取的1种基色油墨混合,混合比例ck:1-ck,将混合油墨展色在纸张上,获得单种基色油墨与冲淡剂的混合样张;将冲淡剂和从J种基色油墨中选取的2种基色油墨混合,混合比例将混合油墨展色在纸张上,获得2种基色油墨与冲淡剂的混合样张:将冲淡剂和从J种基色油墨中选取的3种基色油墨混合,混合比例/>将混合油墨展色在纸张上,获得3种基色油墨与冲淡剂的混合样张;以此类推,直至冲淡剂和J种基色油墨按照比例/>混合,获得J种基色油墨与冲淡剂的混合样张;ck的取值方式为0.95至0.05间隔0.05依次递减取值,下标k=1,2,...19。
作为上述方案进一步的优选:
所述训练样张所使用纸张的吸收与散射系数比为的计算公式为:
其中,Rp(λ)为测量得到的训练样张的纸张的反射率,下标p表示纸张。
作为上述方案进一步的优选:
所述训练样张上纯油墨的吸收与散射系数比的计算公式为:
其中,表示第i个训练样张的油墨的吸收与散射系数比。
作为上述方案进一步的优选:
所述的计算公式为:
其中,Rsi(λ)为测量训练样张的反射率;下标Si为第i个训练样张。
作为上述方案进一步的优选:
所述目标油墨样张中纯目标油墨的吸收与散射系数比为的计算公式为:
其中,为目标油墨样张的吸收与散射系数比;/>为目标油墨样张中纸张的吸收与散射系数比。
本发明的有益效果:构建一种基于深度神经网络回归方法的回归网络框架,直接学习颜色油墨的吸收与散射系数比与各基色油墨吸收与散射系数比之间关系模型,从使得新颜色油墨可在未严格挑选基色油墨梯度的条件下,计算出新颜色油墨准确配方,具体如下:
本发明构建一个回归网络框架以及利用基色油墨、冲淡剂的混合构建训练数据集,用于训练数据集的训练样张通过本发明创新的制备方法获得,训练获得一个油墨配色预测模型,然后可以通过预先训练好的油墨配色预测模型预测任意颜色的油墨的配方。本发明方法解决了单纯基于Kubelka-Munk理论的油墨预测方法在预测含冲淡剂新色油墨或透明性高的新色油墨需要筛选或控制基色油墨梯度样张的问题,以改善预测目标光谱与目标光谱差异性的稳定性和准确性,对油墨自动配色系统的开发和应用具有重要意义。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是实施例中油墨配色预测模型的训练模块的回归网络框架;
图2是实施例中针对#2目标油墨所得配方,分别为按本专利所得配方混合成油墨展色在纸张上的测量光谱反射率、按现有专利方法所得配发混合油墨打样在纸张上的测量光谱反射率、以及目标油墨打样在纸上的测量光谱反射率。
具体实施方式
下面结合具体实施例,进一步阐述本发明。这些实施例仅用于说明本发明而不用于限制本发明的范围。现结合说明书附图,详细说明本发明的结构特点。在本实施例中,分光光度计型号为X-Rite的SP64、测量波长范围为400-700nm、波长间隔10nm,基色油墨和冲淡剂分别为盛威科耐折系列的黄、品、青,纸张为烟包专用的白卡纸,展色仪型号为SM-225。需要说明的是,本发明并不局限于上述油墨、纸张和测量设备,对于其他类型和品牌的油墨、纸张和测量设备也同样适用。
实施例
本实施例中提供一种基于深度神经网络回归的印刷油墨配色方法,包括以下步骤:
步骤(一)、制备训练油墨配色模型的训练样张;
选取冲淡剂和若干种基色油墨,制备训练样张;训练样张包括无冲淡剂混合样张和有冲淡剂混合样张。假设选取的基色油墨种类总数量为J种,参见下表1,无冲淡剂混合样张的制备方法为:
从J种基色油墨中排列组合的方式选取2种基色油墨,按照混合比例ck:1-ck混合后得到混合油墨,将混合油墨展色在纸张上,获得2种基色的混合样张;从J种基色油墨中排列组合的方式选取3种基色油墨,按照混合比例混合后得到混合油墨,将混合油墨展色在纸张上,获得3种基色油墨的混合样张;以此类推,直到J种基色油墨按照比例同时混合,获得J种基色油墨的混合样张。前述比例公式中,下标k=1,2,...19,ck的取值方式为0.95至0.05间隔0.05依次递减取值。
表1无冲淡剂混合样张制备方法
参见下表2,有冲淡剂混合样张的制备方法为:将冲淡剂和从J种基色油墨中选取的1种基色油墨混合,混合比例ck:1-ck,将混合油墨展色在纸张上,获得单种基色油墨与冲淡剂的混合样张;将冲淡剂和从J种基色油墨中选取的2种基色油墨混合,混合比例将混合油墨展色在纸张上,获得2种基色油墨与冲淡剂的混合样张:将冲淡剂和从J种基色油墨中选取的3种基色油墨混合,混合比例/>将混合油墨展色在纸张上,获得3种基色油墨与冲淡剂的混合样张;以此类推,直到冲淡剂和J种基色油墨按照比例/>混合,获得J种基色油墨与冲淡剂的混合样张。前述比例公式中,下标k=1,2,...19,ck的取值方式为0.95至0.05间隔0.05依次递减取值。
表2有冲淡剂混合样张制备方法
本实施例中,选取共4种基色油墨制备训练样张;选取的基色油墨包括黄基色油墨、品基色油墨、青基色油墨和黑基色油墨;制备无冲淡剂混合样张的方法包括:
步骤(1-1)、制备两种基色油墨的混合样张;
从四种基色油墨中选取两种基色油墨,穷尽所有组合对选取的两种基色油墨组合进行混合并制备混合样张,根据排列组合的方式选取方式共有6种,具体步骤包括:
本实施例中,优选先从四种基色油墨中选取黄和品两种基色油墨,将黄基色油墨和品基色油墨按照ck:1-ck混合后得到混合油墨,利用展色仪器将混合油墨均匀展色在纸张上,获得黄品两种基色的混合样张;其中,k=1,2,...19,ck的取值方式为0.95至0.05间隔0.05依次递减取值,共19个数值,可混合黄品两种基色混合油墨样张共19个;
再从四种基色油墨中选取两种基色油墨(如黄和青),按照黄和品两基色油墨混合方式,制备19个混合油墨样张;继续采用上述方式选取两基色油墨混合、制备样张,由于从四种基色油墨中选取两个基色油墨的选取方式共有6种,每种选择又可制备19个混合油墨样张;因此,四种基色油墨两两混合后,共可制备6×19个混合油墨样张;
步骤(1-2)、制备三种基色油墨的混合样张;
从四种基色油墨中选取三种基色油墨,穷尽所有组合对选取的两种基色油墨组合进行混合并制备混合样张,根据排列组合的方式选取方式共有4种,具体步骤包括:
本实施例中,优选先从四个基色油墨中选取黄、品、青三种基色油墨,此三种基色油墨按照混合后,利用展色仪器将混合油墨均匀展色在纸张上,获得三种基色混合油墨的样张;其中,k=1,2,...19,ck的取值方式为0.95至0.05间隔0.05依次递减取值,共19个数值,即c1=0.95,c2=0.9,c3=0.85,c4=0.8,c5=0.75,c6=0.7,c7=0.65,c8=0.6,c9=0.55,c10=0.5,c11=0.45,c12=0.4,c13=0.35,c14=0.3,c15=0.25,c16=0.2,c17=0.15,c18=0.1,c19=0.05,可混合黄、品、青三基色混合样张共19个;
再依据上述方式从四基色油墨种选取其他三种基色油墨(黄、品、黑),共有4种不同的选取方式;每种选取方式再依据黄、品、青三种基色油墨方式按照不同配比混合,并制备三种基色混合油墨的样张,每种基色油墨选择下共可制备19个混合样张;因此,共可制备4×19个三种基色油墨的混合样张;
步骤(1-3)、制备四种基色油墨的混合样张;
将黄、品、青、黑四种基色油墨按照比例混合后,利用展色仪器将混合油墨均匀展色在纸张上,获得混合样张;其中,k=1,2,...19,ck的取值方式为0.95至0.05间隔0.05依次递减取值,共19个数值,共可获得19个混合样张;
制备有冲淡剂混合样张的方法包括:
步骤(1-4)、制备单种基色油墨和冲淡剂混合样张;
取黄基色油墨和冲淡剂按照ck:1-ck的比例混合后得到混合油墨,利用展色仪器将混合油墨均匀展色在纸张上,获得黄基色油墨和冲淡剂的混合油墨的样张;其中,前述k=1,2,...19,ck的取值方式为0.95至0.05间隔0.05依次递减取值,共19个数值,即c1=0.95,c2=0.9,c3=0.85,c4=0.8,c5=0.75,c6=0.7,c7=0.65,c8=0.6,c9=0.55,c10=0.5,c11=0.45,c12=0.4,c13=0.35,c14=0.3,c15=0.25,c16=0.2,c17=0.15,c18=0.1,c19=0.05,此时共获得19个混合样张;
再依次取品基色油墨、青基色油墨、黑基色油墨分别与冲淡剂,按照黄基色油墨与冲淡剂混合的方式混合,并分别展色在纸张上;四种基色油墨分别与冲淡剂混合,共可制备4×19共76个单种基色油墨与冲淡剂的混合样张;(本发明方法中基色油墨与冲淡剂的混合顺序不限制于前述顺序);
步骤(1-5)、制备两种基色油墨和冲淡剂的混合样张;
从四种基色油墨中选取两种基色油墨和冲淡剂混合,穷尽所有组合对选取的两种基色油墨组合后和冲淡剂进行混合并制备混合样张,根据排列组合的方式选取方式共有6种,具体步骤包括:
从四种基色油墨中选取黄和品两种基色油墨,此两种基色油墨与冲淡剂按照混合后,将混合油墨展色在纸张上,获得样张,其中,k=1,2,...19,ck的取值方式为0.95至0.05间隔0.05依次递减取值,共19个数值,可获得19个混合油墨的样张;
再从四种基色油墨中选取两种基色油墨(如黄和青),按照黄和品两种基色油墨与冲淡剂混合方式,制备19个混合油墨样张;
继续采用上述方式选取两种基色油墨混合,并与冲淡剂混合,制备样张,此选取两种基色方式共有6种,每种选择又可制备19个混合油墨样张;因此,共可制备6×19个两种基色油墨和冲淡剂的混合样张;
步骤(1-6)、制备三种基色油墨和冲淡剂的混合样张;
从四个基色油墨中选取三种基色油墨和冲淡剂混合,穷尽所有组合对选取的三种基色油墨组合进行混合并制备混合样张,根据排列组合的方式选取方式共有4种,具体步骤包括:
从四个基色油墨中选取黄、品、青三种基色油墨,将黄、品、青三种基色油墨与冲淡剂按照混合后,利用展色仪器将混合油墨均匀展色在纸张上,获得混合油墨样张;其中,k=1,2,...19,ck的取值方式为0.95至0.05间隔0.05依次递减取值,共19个数值,共可获得19个混合油墨样张;
再依据上述方式从四种基色油墨种选取其他三种基色油墨(黄、品、黑),共有4种不同的选取方式;每种选取方式再依据黄、品、青三种基色油墨与冲淡混合方式按照不同配比混合,并制备混合油墨的样张,每种基色油墨选择下共可制备19个样张;因此,共可制备4×19个三个基色油墨和冲淡剂的混合样张;
步骤(1-7)、制备四种基色油墨和冲淡剂的混合样张;
将黄、品、青、黑四种基色油墨与冲淡剂按照混合后,利用展色仪器将混合油墨均匀展色在纸张上,获得混合样张;其中,k=1,2,...19,ck的取值方式为0.95至0.05间隔0.05依次递减取值,共19个数值,共可获得19个混合油墨样张;
用N表示制备样张的总数量,此骤(一)中总共制备了494个样张,即N=494;详细信息如下表3所示:
表3
步骤(二)、测量步骤(一)中训练样张的反射率;
利用光谱测量设备(如分光光度计)依次测量步骤(一)中的所有样张的反射率其中,λ为波长、范围在[400,700]nm(纳米)之间、波长间隔为10nm;由此,波长的总数量为M,且M=31;下标Si表示第i个训练样张,训练样张的总数量为494;
步骤(三)、测量步骤(一)中样张的纸张的反射率;
利用光谱测量设备(如分光光度计)依次测量步骤(一)中的所有样张的纸张的反射率Rp(λ);其中,下标p表示纸张;
步骤(四)、计算样张所使用纸张的吸收与散射系数比前述kp(λ)为纸张的吸收系数,sp(λ)为纸张的散射系数;此外,吸收与散射系数比的表示方法为本领域通用方法,故本申请中不做过多赘述;
计算公式为:
步骤(五)、计算步骤(一)各样张上纯油墨的吸收与散射系数比
计算公式为:
式中,表示步骤(一)中第i个样张的油墨的吸收与散射系数比,下标Si表示第i个混合样张;
计算公式为:
由此,共有N个下标中i即为i=1,2,…,N,每个/>中维数等于波长的数量,即/>其中,函数num()表示获得一个样张/>个数量;
步骤(六)、训练新颜色油墨配色预测模型;
本实施例通过基于深度神经网络回归方法的回归网络框架训练数据得到预测模型。参见图1,本实施例设计的的网络框架的层数多,结合图中看共:2+2*3+3+2*3+2=13层(包含输入输出层),因此为深度神经网络回归方法。
回归网络框架包括输入数据层、瓶颈层和输出数据层,从输入数据层到瓶颈层构成整个回归网络框架的前置网络部分,从瓶颈层到输出数据层构成整个回归网络框架的后置网络部分,并通过损失函数控制输入数据到输出数据的迭代次数;当损失函数所得的损失值在全局最优点收敛时,则获得最佳油墨配色预测模型。进一步的,从输入数据层到瓶颈层包括下采样操作、卷积操作、数据相加操作、正则化双层神经网络操作;从瓶颈层到输出数据层包括正则化双层神经网络操作、卷积操作、数据相加操作、上采样操作。具体如下:
在前述前置网络和后置网络中,均采用了残余网络模块(虚线框里部分)和一个浅层神经网络(即“正则化双层神经网络”);其中,输入数据层的输入数据是利用步骤(五)所获得所有数据,构成一个1×M×N数据作为输入数据;瓶颈层所得的数据是所有基色油墨的吸收与散射系数比,构成一个1×M×J数据,J表示基色油墨的数量,本实施例中L=4;输出数据层所得数据是/>的预测数据/>构成一个1×M×N数据;
参见图1为本实施例中油墨配色预测模型的训练模块的回归网络框架;图1中的两个实线框分别表示训练模块和预测模块;模块中,立体矩形框表示过程中的数据,箭头上的文字表示对应的操作,通过回归网络框架的下采样操作、卷积操作、正则化双层神经网络操作、上采样操作和数据相加进行数据训练得到预测模型;依次解释如下:
(1)、下采样操作:即在保持第一维和第三维数据不变,在第二维上采用最邻近法将此维的分辨率降维一半,即从M降到
(2)、卷积(conv)操作:即为1×1×N逐点卷积;
(3)、正则化双层神经网络操作:即采用一个L1正则化的双层神经网络映射数据;
(4)、上采样操作:即在保持第一维和第三维数据不变,在第二维上采用最邻近法将此维的分辨率提高一倍,即从提高到M;
(5)、数据相加操作即表示数据对应维上的数据相加;
在回归网络框架中,虚线框中是残余网络模块,虚线框上方的×Nr表示虚线框中的模块部分重复Nr次,在本实施例中,Nr取3;训练模块同损失函数控制到/>的迭代次数;当损失函数所得的损失值在全局最优点收敛时,则获得最佳油墨配色预测模型;
步骤(七)、测量目标油墨样张的反射率;
利用光谱测量设备(如分光光度计)测量目标油墨样张的反射率RT(λ);
步骤(八)、计算目标油墨样张的吸收与散射系数比计算公式为:
步骤(九)、测量目标油墨样张中纸张的反射率;
利用光谱测量设备(如分光光度计)测量目标油墨样张中纸张的反射率RTp(λ);
步骤(十)、计算目标油墨样张中纸张的吸收与散射系数比计算公式为:
步骤(十一)、计算目标油墨样张中纯目标油墨的吸收与散射系数比计算公式为:
步骤(十二)、利用步骤(六)所得油墨配色预测模型预测配方;
将步骤(十一)所得目标油墨样张中纯目标油墨的吸收与散射系数比输入到油墨配色预测模型中,通过此模型预测出目标油墨的配方,即黄基色油墨、品基色油墨、青基色油墨和黑基色油墨的混合目标油墨的百分含量,即分别为/>
实施例的验证
下面对前述实施例的方法进行验证,包括以下步骤:
步骤(一)、制备配方混合油墨的样张;
利用本发明方法所得目标油墨的配方,即按照黄基色油墨、品基色油墨、青基色油墨与黑基色油墨的百分含量混合油墨,并利用展色仪展色在纸张上,获得配方样张;
步骤(二)、测量配方样张的反射率Rr(λ);
利用分光光度计测试配方样张的反射率Rr(λ);
步骤(三)、计算目标油墨样张在D50光源下CIELab值;
步骤(四)、计算配方油墨样张在D50光源下CIELab值;
步骤(五)、计算目标油墨样张与配方油墨样张之间的色差值;
依据CIEDDE2000公式,依据步骤(三)下CIELab和步骤(四)下CIELab计算目标油墨样张与配方油墨样张之间的色差值;色差值越小,则表示所得配方越准确。
对比例
为了验证本发明方法的有效性,本对比例中选定两种目标色1#和2#,通过现有技术的“一种基于K-M理论的印刷油墨配色方法,公开号CN113910796A”的方法获得油墨配方,并对照本发明配色方法获得油墨配方,对两种方法获得的配方的色差进行对比,对比结果如下表4所示。
表4配方与色差比较
根据表4的数据可知,目标色1#的配色中,采用现有专利方法计算配方的实际打样测量与原目标测量光谱的色差为3.1246,采用本发明方法的色差则为1.0072。目标色1#的配色中,本发明方法的配色精度明显高于现有专利方法。
根据表4的数据可知,目标色2#的配色中,采用现有专利方法计算配方的实际打样测量与原目标测量光谱的色差为2.9052,采用本发明方法的色差则为1.1033。目标色2#的配色中,本发明方法的配色精度明显高于现有专利方法。
参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于深度神经网络回归的印刷油墨配色方法,其特征在于,包括以下步骤:
步骤(一)、准备冲淡剂和若干种基色油墨,制备N个训练样张;依次测量训练样张的纸张的反射率,计算训练样张所使用纸张的吸收与散射系数比;依次测量训练样张的反射率;计算训练样张上纯油墨的吸收与散射系数比波长取值的总数量为M;共得到N个下标i=1,2,…,N,每个/>中维数等于波长的数量,/>
步骤(二)、通过回归网络框架训练数据得到油墨配色预测模型;
回归网络框架包括输入数据层、瓶颈层和输出数据层,从输入数据层到瓶颈层构成整个网络框架的前置网络部分,从瓶颈层到输出数据层构成整个网络框架的后置网络部分,通过损失函数控制输入数据到输出数据的迭代次数;当损失函数所得的损失值在全局最优点收敛时,获得最佳油墨配色预测模型;
回归网络框架中,输入数据层的输入数据为所有数据,构成一个1×M×N数据;瓶颈层所得的数据为所有基色油墨的吸收与散射系数比,构成一个1×M×J数据,J表示基色油墨种类的总数量;输出数据层所得数据是/>的预测数据/>构成一个1×M×N数据;
步骤(三)、确定需要配色的目标油墨样张,根据目标油墨样张的反射率计算得到目标油墨样张的吸收与散射系数比;根据目标油墨样张中纸张的反射率计算得到目标油墨样张中纸张的吸收与散射系数比;计算目标油墨样张中纯目标油墨的吸收与散射系数比;
步骤(四)、将目标油墨样张中纯目标油墨的吸收与散射系数比输入到油墨配色预测模型中,预测得到目标油墨的配方。
2.根据权利要求1所述的基于深度神经网络回归的印刷油墨配色方法,其特征在于,所述训练样张包括无冲淡剂混合样张和有冲淡剂混合样张。
3.根据权利要求2所述的基于深度神经网络回归的印刷油墨配色方法,其特征在于,所述无冲淡剂混合样张的制备方法为:
从J种基色油墨中排列组合的方式选取2种基色油墨,按照混合比例ck:1-ck混合后得到混合油墨,将混合油墨展色在纸张上,获得2种基色的混合样张;从J种基色油墨中排列组合的方式选取3种基色油墨,按照混合比例ck:混合后得到混合油墨,将混合油墨展色在纸张上,获得3种基色油墨的混合样张;以此类推,直至J种基色油墨按照比例ck:同时混合,获得J种基色油墨的混合样张;ck的取值方式为0.95至0.05间隔0.05依次递减取值,下标k=1,2,...19。
4.根据权利要求2所述的基于深度神经网络回归的印刷油墨配色方法,其特征在于,所述有冲淡剂混合样张的制备方法为:
将冲淡剂和从J种基色油墨中选取的1种基色油墨混合,混合比例ck:1-ck,将混合油墨展色在纸张上,获得单种基色油墨与冲淡剂的混合样张;将冲淡剂和从J种基色油墨中选取的2种基色油墨混合,混合比例ck:将混合油墨展色在纸张上,获得2种基色油墨与冲淡剂的混合样张:将冲淡剂和从J种基色油墨中选取的3种基色油墨混合,混合比例ck:将混合油墨展色在纸张上,获得3种基色油墨与冲淡剂的混合样张;以此类推,直至冲淡剂和J种基色油墨按照比例ck:/>混合,获得J种基色油墨与冲淡剂的混合样张;ck的取值方式为0.95至0.05间隔0.05依次递减取值,下标k=1,2,...19。
5.根据权利要求1所述的基于深度神经网络回归的印刷油墨配色方法,其特征在于,所述训练样张所使用纸张的吸收与散射系数比为的计算公式为:
其中,Rp(λ)为测量得到的训练样张的纸张的反射率,下标p表示纸张。
6.根据权利要求5所述的基于深度神经网络回归的印刷油墨配色方法,其特征在于,所述训练样张上纯油墨的吸收与散射系数比的计算公式为:
其中,表示第i个训练样张的油墨的吸收与散射系数比。
7.根据权利要求6所述的基于深度神经网络回归的印刷油墨配色方法,其特征在于,所述的计算公式为:
其中,Rsi(λ)为测量训练样张的反射率;下标Si为第i个训练样张。
8.根据权利要求1所述的基于深度神经网络回归的印刷油墨配色方法,其特征在于,所述目标油墨样张中纯目标油墨的吸收与散射系数比为的计算公式为:
其中,为目标油墨样张的吸收与散射系数比;/>为目标油墨样张中纸张的吸收与散射系数比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311660712.1A CN117687582A (zh) | 2023-12-06 | 2023-12-06 | 一种基于深度神经网络回归的印刷油墨配色方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311660712.1A CN117687582A (zh) | 2023-12-06 | 2023-12-06 | 一种基于深度神经网络回归的印刷油墨配色方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117687582A true CN117687582A (zh) | 2024-03-12 |
Family
ID=90127729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311660712.1A Pending CN117687582A (zh) | 2023-12-06 | 2023-12-06 | 一种基于深度神经网络回归的印刷油墨配色方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117687582A (zh) |
-
2023
- 2023-12-06 CN CN202311660712.1A patent/CN117687582A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP0974225B1 (en) | Method and device for determining the color appearance of color overprints | |
US6698860B2 (en) | Spectral color reproduction with six color output | |
DE60223117T2 (de) | Systeme und Verfahren für die Bestimmung von Spektren mittels eines Vielfach-LED Farbsensors und dynamischer Karhunen-Loeve Algorithmen | |
CA2735380C (en) | Automated ink color matching of solids and tones | |
EP2717556B1 (en) | Calculating the spectral characteristics of the color resulting from overlaying colorants | |
US6480299B1 (en) | Color printer characterization using optimization theory and neural networks | |
JP2004515386A (ja) | スペクトルによる色制御方法 | |
JP7299048B2 (ja) | 色予測方法および色予測プログラム | |
EP1893958B1 (en) | Systems and methods for profiling and synchronizing a fleet of color measurement instruments | |
US6722281B2 (en) | Color tone control method for printing press | |
CN113791746B (zh) | 一种胶印专色余墨再配色方法、装置、系统及介质 | |
CN108280044B (zh) | 一种基于半色调实地的纽介堡方程修正方法 | |
CN117687582A (zh) | 一种基于深度神经网络回归的印刷油墨配色方法 | |
JP2024014906A (ja) | 完全統合型デジタル色管理システム | |
CN113910796B (zh) | 一种基于k-m理论的印刷油墨配色方法 | |
CN114036333A (zh) | 一种胶印专色油墨计算机配色方法、装置、系统及介质 | |
EP1205880B1 (en) | Computer colour matching system, method and recording medium | |
US8289575B2 (en) | Method and printing technology machine for conversion of color measured values measured without a filter into color measured values measured with a filter and vice versa | |
EP3687151B1 (en) | Color prediction method and color prediction program | |
JP4131204B2 (ja) | 再現色予測方法 | |
CN113910797B (zh) | 一种提高配色精度的印刷油墨配色方法 | |
JPH0894442A (ja) | コンピュータカラーマッチング方法 | |
US5933579A (en) | Method and apparatus for simulating color print | |
CN117929301A (zh) | 一种梯度自动筛选的高精度印刷油墨配色方法 | |
RU2278788C2 (ru) | Способ спектрального контроля цвета |
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 |