JP2017508952A5 - - Google Patents
Download PDFInfo
- Publication number
- JP2017508952A5 JP2017508952A5 JP2016541645A JP2016541645A JP2017508952A5 JP 2017508952 A5 JP2017508952 A5 JP 2017508952A5 JP 2016541645 A JP2016541645 A JP 2016541645A JP 2016541645 A JP2016541645 A JP 2016541645A JP 2017508952 A5 JP2017508952 A5 JP 2017508952A5
- Authority
- JP
- Japan
- Prior art keywords
- color
- formula
- candidate
- target
- parameters
- 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
- 238000004422 calculation algorithm Methods 0.000 claims description 29
- 230000002068 genetic Effects 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 20
- 239000003086 colorant Substances 0.000 claims description 17
- 230000035772 mutation Effects 0.000 claims description 10
- 238000000926 separation method Methods 0.000 claims description 9
- 238000010521 absorption reaction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000000875 corresponding Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000000717 retained Effects 0.000 claims description 3
- 230000004907 flux Effects 0.000 claims description 2
- 238000010238 partial least squares regression Methods 0.000 claims description 2
- 238000007619 statistical method Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims 3
- 239000003973 paint Substances 0.000 description 23
- 239000000203 mixture Substances 0.000 description 11
- 238000009472 formulation Methods 0.000 description 6
- 239000004615 ingredient Substances 0.000 description 6
- 238000004040 coloring Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 239000000049 pigment Substances 0.000 description 5
- 230000001537 neural Effects 0.000 description 3
- 206010062080 Pigmentation disease Diseases 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001965 increased Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 230000019612 pigmentation Effects 0.000 description 2
- 210000003229 CMP Anatomy 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminum Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- -1 i.e. Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000001105 regulatory Effects 0.000 description 1
- 230000002104 routine Effects 0.000 description 1
Description
本発明は、一般に、色の処方の鑑定に関し、特に、目標色と一致するサンプル色の色処方の鑑定のために使用される遺伝的アルゴリズムを含むモデルベースのアプローチに関する。
例えば、車両等の多くの種類の商品は、色の広い領域に塗料が塗られている。色組成物に用いられる成分の数は着実に増加しているので、現代の色は、ますます複雑になってきている。
自動車の補修の分野では、色は主要な品質係数である。操業コストを最適化するために、自動車修理工は、できるだけ迅速に、正しい又はむしろ最も一致する色の塗料を準備しなければならない。したがって、限定された塗料又は限定された色を生成するために、処方は着色ベースと呼ばれる異なった主成分を混合するために使用される。BASFは、顧客に対して、頻繁に更新する必要がある色と対応する色処方を有する大規模なデータベースを提供する。
多くの理由は、それらの色処方に変化を引き起こし得る。例えば、新たな着色ベースは、幾つかの顔料の限界を補うために、市場に投入することができる。幾つかの着色ベースは、生産停止や規制の変更によって置き換わる必要がある。場合によっては、一つの塗装ラインから他の塗装ラインに切り替えることが必要かも知れない。例えば、新たな規制を尊重するため、又はプレミアムなブランドを有する市場よりも、低コストのブランドを有する新しい市場に参入することがより適切であるため等の場合である。顔料の今後の不足のために、このような出来事は、ますます頻繁になってきている。一つ又は複数の着色ベースを交換する必要がある度に、これらの着色ベースを含むデータベースは、最終的な顧客に向けて、サービスの継続性を確保するために更新されなければならない。
関連する色処方の数は膨大であり得るので、一つ又は複数の着色ベースが交換されなければならない場合には、各色処方を手動で再整合することは合理的ではない。したがって、短時間で新しい着色ベースに基づいて、新しい色処方に多数の色処方を変換することができる方法を開発する必要がある。
現在の技術水準では、一つの可能なカラーマッチングは、標準塗料の色値を測定するために顕微鏡を用いることで、例えば、効果顔料として着色ベースの手動識別を含む。マッチング塗料、すなわち、同じ色を有し、及び同じ又は少なくとも匹敵する特性を有する塗料を識別するために、マッチング塗料は異なる成分から構成されているが、ソフトウェアが以前の再収集データに基づく以前の一致のデータベースを検索するために使用される。そのような一致が見つかった場合、各々の色処方は、混合され、噴霧され及び標準塗料と比較される。ほとんどの場合、更なる色処方の補正は、新しい塗料と標準塗料が適切に互いに一致するまで、手動で実行される必要がある。
場合によっては、幾つかの方法が開発されてきたが、それらのすべては、色処方の変化に関して起こり得る全ての事象のための日常的な方法としてそれらが使用されることを妨げるギャップを有する。一つの塗装ラインから他のラインに変える場合、色処方と色にリンクする大規模なデータベースが両方の塗装ラインに存在しているなら、データマイニング及び他の統計的予測モデルは、塗装ラインから他のラインに色処方を変えるために使用できる。ただし、良好な予測能力に到達するために必要なモデルの複雑さのため、データベースのサイズは非常に大きくなければならない。更に、この種の方法論は、新しい着色ベースを導入することが必要な場合、すなわち学習データベースに存在しない例が発生した場合に適用できない。更に、着色ベースを新しいものに置き換える場合、それらが黒、白又はアルミニウム等の参照着色ベースと混合されたときに、両方の着色ベースの挙動を比較するために研究が導かれる。同じ色の新しい顔料を有する新しい色処方を取得するために、古い色処方に適用する係数を定義することが可能な場合がある。この係数は、古い着色ベース濃度に依存しても良いし、付加的な着色ベースは、また、必要としても良い。幾つかの場合において、このような係数を決定することは不可能であり、全ての色処方の手動マッチングが、その後、考慮されなければならない。
これらの手動の補正は、多くの場合、時間が掛かり、効果がない。技術者にとって、これらの補正を実行する方法を学習するために、訓練の年が要求される。したがって、ソフトウェアが、色のカラーマッチングのためのニューラルネットワークモデルを用いて、技術者を支援するために開発されている。例えば、特許文献1と2に記載されている。その中で、ニューラルネットワークは、標準色の特定の色値を用いてマッチング式の同定のために使用される。ニューラルネットワークモデルは、特定のデータセットで訓練されなければならないので、その後、変更されるべきではなく、これらの方法は、基礎となるデータの変化に適応する能力が制限されている。
本発明の目的は、新たな着色ベースを導入する場合にも効果的に適用することができる方法を提供することにある。
本発明の教示によれば、着色ベースの与えられた範囲に基づいて、旧式の目標色処方に基づきサンプル色を目標色に一致させる処方を決定する方法が提供される。方法は、少なくとも以下の工程を含む。
a)少なくとも一つの物理的特性に基づいて、旧式の目標色処方の少なくとも一つの固有の特徴を決定する工程;
b1)色パラメータ及び色処方固有の特徴と数学的モデルとの間のデータベースに基づいて、少なくとも一つの目標色の色パラメータを予測する色予測モデルを設定する工程;
b2)数学的モデルを経て旧式の目標色処方の少なくとも一つの測定された固有の特徴を、色予測モデルの定義された色パラメータにリンクする工程、このようにして少なくとも一つの目標色のパラメータを得る工程;
c)候補色のそれぞれの色パラメータと少なくとも一つの目標色の色パラメータとの間の隔たりを計算するために色予測モデルを使用する工程;
d)候補色処方の集団からサンプル色処方を得るために遺伝的アルゴリズムを使用する工程、ここで、候補色処方の集団の候補色処方の各々の色パラメータの目標色の色パラメータに対する隔たりは、適性基準に最良にフィットする候補色処方の突然変異/交叉及び選択の繰り返し工程による遺伝的アルゴリズムによって予め与えられた停止基準が満たされるまで最少化される。停止基準は、サンプル色のための処方として保持されている候補色処方に自動的に導く。
b1)色パラメータ及び色処方固有の特徴と数学的モデルとの間のデータベースに基づいて、少なくとも一つの目標色の色パラメータを予測する色予測モデルを設定する工程;
b2)数学的モデルを経て旧式の目標色処方の少なくとも一つの測定された固有の特徴を、色予測モデルの定義された色パラメータにリンクする工程、このようにして少なくとも一つの目標色のパラメータを得る工程;
c)候補色のそれぞれの色パラメータと少なくとも一つの目標色の色パラメータとの間の隔たりを計算するために色予測モデルを使用する工程;
d)候補色処方の集団からサンプル色処方を得るために遺伝的アルゴリズムを使用する工程、ここで、候補色処方の集団の候補色処方の各々の色パラメータの目標色の色パラメータに対する隔たりは、適性基準に最良にフィットする候補色処方の突然変異/交叉及び選択の繰り返し工程による遺伝的アルゴリズムによって予め与えられた停止基準が満たされるまで最少化される。停止基準は、サンプル色のための処方として保持されている候補色処方に自動的に導く。
本開示の範囲内で、用語「サンプル色処方」、「変換された色処方 」及び「サンプル色のための処方」は同義的に使用される。
更なる測定、すなわち色間の隔たり測定は、各色の各色処方のそれぞれの色パラメータの間のそれぞれの測定として理解されるべきである。
提案された方法は、塗料用の新しい色処方、すなわち、同一の又は特定の目標色とほぼ同じ特性を示す色、を見つけるためにタスクを技術者に支援する効率的な可能性を提供する。しかし、それは異なる成分又は着色ベースに基づくものである。これにより、第1の色予測モデル(CMP)は、異なる色処方の一般的又は固有の特徴及びこれらの固有の特徴を異なる色の異なる色処方の間のそれぞれの隔たりを計算するのに適している色パラメータに変換する数学的モデルを使用して設定される。他は不明であるが、それらの一部の色の各色処方が既知であるので、未知の色処方への連続的なアプローチは、それぞれの色の間の隔たりを連続的に評価することにより、すなわち、色予測モデルを使用しているそれぞれの色パラメータを介する色処方により可能である。これらの固有の特徴は、たとえ新しい成分がそれぞれの色処方にしたがって塗料を混合するために提案されている場合でも、色処方から不変に抽出でき得るという事実に関連して選択されるべきである。このような固有の特徴のための良好な候補は、散乱係数や吸収係数等の物理的変数である。これらの物理的変数に基づく組み合わせや計算も同様に適切である。
CPMが設定されるとすぐに、旧式の目標色処方と他の色又は色処方との間の相対隔たりを評価するために使用し得る。目標色への連続的なアプローチは、候補色処方の集団のための突然変異/交叉及び選択の手順を行うことによって得ることができる。ここで、各候補色処方は、色予測モデルを経て導かれる目標色のそれらと、そのそれぞれの色パラメータとの隔たりを決定することによって評価される。
本発明の文脈において、旧式の色処方は、目標色の色処方と理解されるべきである。新たな成分等与えられた状況のため、この目標色処方を新しい色処方、すなわち所望のサンプル色処方の交換する必要がある。
本発明の文脈において、サンプル色処方は、生成、すなわち、目標色と一致する色をその色パラメータにおいて最良の状態で混合し得る処方である。
本発明の文脈では、候補色処方は、更に以下に記載されるように、突然変異/交叉及び選択の手順を使用することにより候補色処方の少なくとも一つの集団からサンプル色のための処方を得るために遺伝的アルゴリズムにより使用される処方である。
本発明の方法の更なる実施の形態によれば、固有の特徴は、散乱係数及び/又は吸収係数であっても良い。
これらの固有の特徴に基づいて、それぞれのCPMは、例えば、クベルカ−ムンク2フラックスモデル等の数学的モデルを使用して構築される。
本発明の更なる実施の形態によれば、統計的手法は、色パラメータと色処方をリンクするデータベースに適用され、このようにして色予測モデルとして役立つ。統計的手法は、線形回帰、PLS回帰であっても良いし、学習方法で、教師付き学習方法、k-近傍法、及び教師なし学習方法であっても良い。
CPMが構築されると直ぐに、計算、すなわち、それぞれ異なる固有の特徴を有する異なる色処方のための関連する色パラメータを予側することに使用され得る。このように、CPMは、固有の特徴のそれぞれの値のための適切な色パラメータと、それによって各色処方のための適切な色パラメータを提供する。
本発明の他の実施の形態によれば、分光測色計により測定された反射率曲線の値は、色パラメータとして使用される。
色パラメータの広いエリアを使用することができるにもかかわらず、反射率曲線の値は、色を記載するために及び色の効果を扱うために、例えば、写真を撮るためにどんな色バランスが為されるかを決定するために非常に一般的である。このように、色パラメータは、数学的な方法で、異なる色又は色処方の間の違いを記述することができる。色度図の限界を克服するために、国際照明委員会CIEは、2つの代替均等色スケール、すなわち(L、a、b)又はCIELAB及びCIELCH(L、C、h°)を推奨した。色がCIELABでは表現されるとき、“L”は明度を定義し、“a”は赤/緑値を、“b”は黄/青値を示す。CIELABは、色空間での色を計算するためにデカルト座標を使用しながら、CIELCHは、極座標を使用する。ここで、“L”は、明度を定義し、“C”は、彩度を定義し、“h°”は、色相角、角度測定を表す。
CPMが候補色処方の色パラメータの計算の結果を提供すると直ぐに、もはや使用されない色処方の色パラメータに対するこの候補色処方の色パラメータの相対隔たりを計算することが可能となる。色パラメータは固有の特徴から導かれるので、この相対隔たりは、一般的な特徴に応じるもはや使用されない色処方と候補色処方との隔たりの表現である。CPMを使用して、候補色処方等のすべての処方は、色パラメータのセットに変換され得る。それらの、もはや使用されない色処方のそれぞれの色パラメータに対する相対隔たりは、計算され得る。
もはや使用されない色処方の色パラメータに対する候補色処方の色パラメータの相対隔たりに基づいて、閾値の形の目的基準が、候補色処方は、旧式の目標色処方に十分近いかどうかを決定するために使用することができる。そして、それ故、候補色処方は、変換された色処方、すなわち、それぞれの塗料中で目標色に一致するサンプル色の処方として使用するのに適している。もし候補色処方の相対隔たりがあまりにも大きい場合、候補色処方が旧式の目標色処方に置き換えることは適さない。したがって、満足するサンプル色を見つけることは、制約付きの問題の下で、例えば、遺伝的アルゴリズム又はいわゆる最適化等の機械学習の手法によって解決することができるタスクになる。
遺伝的アルゴリズムは、教師なしの方法であるため、特定のデータセットに時間の掛かるトレーニングは全く必要ない。このように、アルゴリズムのこれらの種類は、訓練データのセットの構成に限定されず、基礎となるアルゴリズムを更新する必要なしにいつでも新たな着色ベース等の新たな成分の使用を可能にする。
もちろん、もはや利用可能でない成分を回避することも可能である。遺伝的アルゴリズムを使用して、ターゲット色に一致するサンプル色の処方を見つけることは、旧式の目標色処方の対する最少相対隔たり内の処方を見つけることである。
遺伝的アルゴリズムを経て適切なサンプル色処方を見つけることにより、制約付き問題の元で上述した最適化を解決するために、候補色処方の第一の集団が提案されなければならない。候補色処方の集団は、少なくとも一つの候補色処方から成る。
本発明の実施の形態では、候補色処方の出発集団は、ランダムに提案される。
候補色処方のランダム化の提案は、技術者又は監督者の何れも必要とせずに自動的に行うことができる。このようなランダム化されたアプローチは、旧式の目標色処方に対して非常に大きな隔たりを有する候補色処方で開始することが可能であり、それぞれの工程及び、したがって計算時間は長くなる。
本発明の他の実施の形態では、候補色処方の出発集団は、専門家の知識に基づいて提案されている。
例えば、技術者が正しい色素沈着を提供する場合、タスクは、ランダム化された候補色処方を提案するよりもはるかに速く解決できる。何故なら、出発集団の候補色処方と旧式の目標色処方との相対隔たりは、専門家の知識により既に最少化されているからである。
技術者によって、アルゴリズムによって、又は他の最適な方法によって提案された候補色処方の出発集団に基づいて、遺伝的アルゴリズムは、例えば、着色ベース等の各候補色処方によって構成された少なくとも一つの成分のそれぞれの量と数を変えることによって、修正された候補色処方の集団を生成する。候補色処方のこの集団の各メンバーは、CPMを用いることによって計算される旧式の目標色処方の色パラメータに対するその色パラメータの相対隔たりにより評価される。ベストな候補色処方は、適性基準に従って選択され、交叉及び/又は突然変異によって候補色処方の第二の集団を生成するために使用される。突然変異と交叉の工程は、各候補色処方の成分の数と量を変えるために、及び候補色処方の集団内で候補色処方の成分を共有又は交換するために、それぞれ使用される。突然変異と交叉の実行後、候補色処方の集団の各メンバーは、旧式の目標色処方に対する候補色処方のそれぞれの隔たりに関する、例えば技術者によって提供されなければならない適性基準に従って、選択工程により評価される。この工程は、候補色処方が目標色処方に一致するまで、そしてサンプル色処方、すなわち変換された色処方に成るまで、又は他の停止基準が満たされるまで、反復工程でn回実行される。
この停止基準は、例えば隔たり閾値により与えられる。ここで、もし候補色処方の色パラメータが隔たり閾値よりも旧式の目標色処方の色パラメータに近ければ、対応する候補色処方は、サンプル色処方、すなわち変換された色処方として保持される。
この閾値は、技術者又は遺伝的アルゴリズム自体によって設定されても良い。この閾値は、それらの物理的特性において、候補色処方と旧式の目標色処方との間のマッチングの質に影響を与えるので、注意して選択する必要がある。
評価と選択の工程は、遺伝的アルゴリズムによってn回繰り返される。突然変異/交叉及び選択の繰り返しによって、明確な候補色処方の単一の特徴は、旧式の目標色処方に対して相対隔たりを減少させるような一つの候補色処方に構成されても良い。したがって、遺伝的アルゴリズム内のより多くの反復は、それぞれ、旧式の目標色処方と最終的に得られる変換された色処方又はサンプル色のより正確なマッチングを達成するのに役立つ。
本発明の方法の他の実施の形態では、遺伝的アルゴリズムは、設定した最大数の反復が実行されると、繰り返しのこの数のあと、候補色処方の何れもが旧式の目標色処方に対して予め定義された隔たり閾値より低い隔たりを有していないならば、旧式の目標色処方に対して最も小さな隔たりを有する候補色処方は、サンプル色の色処方として保持されるように、直ぐに停止する。
本発明の文脈において、候補色処方ともはや使用されない目標色処方との間の隔たりは、CPMによると、それぞれの色パラメータの隔たりを意味する。
評価は候補色処方の提案された出発集団に強く依存するので、異なる提案された候補色処方に基づいて全工程を数回繰り返すことは、良好なフィット、すなわち、旧式の目標色処方に対して相対隔たりを最小化する能力を有する処方を見つける確率が増加する。
候補色処方の集団を、例えば、出発集団をロードするために遺伝的アルゴリズムで使用することができるコンピュータ可読媒体によって提案することも可能である。
本発明の方法は、最初から色処方補正マッチングに限定されず、例えば、事前知識なしに、顔料の識別、カラーツールのための標的の選択、目標色に最も一致する存在する処方を探すこと、処方ミスの識別、色の許容範囲の開発、及び変換ルーチンの強化に使用することができる。
本発明は、更に、サンプル色処方を決定するためのカラーマッチングシステムに関連している。ここで、装置は、少なくとも色予測モデルと提案された方法により使用される遺伝的アルゴリズムを計算するための手段を少なくとも有する。
本発明の実施の形態では、カラーマッチングシステムは、色予測モデルと遺伝的アルゴリズムを計算する演算ユニットを有する。演算ユニットは、また、候補色処方の集団を構築するために遺伝的アルゴリズムで使用できる着色ベースのリストのような事前知識を専門家によって入力するために使用することが可能である。
本発明の他の実施の形態では、カラーマッチングシステムは、既知の旧式の目標色処方を同一又は略同一の色に導くサンプル色処方に変換するために使用されても良いが、サンプル色処方は、もはや旧式の目標色処方に比較して異なる着手ベース等の異なる成分に基づいて混合される。
本発明の他の実施の形態では、カラーマッチングシステムは、更に、例えばスキャナ等のような初期色処方又は色を入力するための入力装置、入力された色処方に従って塗料を混合するための手段を有する。ここで、混合手段は、多数の着色ベースのそれぞれの区画に接続されている。
カラーマッチングシステムの演算ユニットの塗料混合手段への直接接続及び各々の区画への関連する接続は、カラーマッチングシステムの使用者に、サンプルを解析し演算ユニットにそれぞれの色パラメータを送信するスキャナ又は同様のデバイス等の入力装置において、塗装サンプル、すなわち目標色又は目標色処方を、サンプルを解析し各々の色パラメータを演算ユニットに送信するスキャナ又は同様の装置等の入力装置において、塗布することを可能にする。そして演算ユニットは、提案された方法にしたがって、予め与えられた制約の範囲内で目標色に最良でマッチングするサンプル色のサンプル色処方を計算する。サンプル色処方のマッチングの計算が終了すると、サンプル色処方は、それぞれの塗料混合のための手段に送られる。これらの塗料混合手段は、遺伝的アルゴリズムによって得られるサンプル色の処方に従って、それぞれの区画から着色ベースを集め、それらを目標色にマッチングするサンプル色の塗料にまでに混合する。塗料は、技術者によって今や使用できる状態にある。
本発明の更なる利点及び態様は、添付の図面と併せて以下の説明及び添付の特許請求の範囲から明らかになる。
本発明は、概略的に一例としての実施の形態により、図面において示され、以下、図面を参照して詳細に説明される。なお、説明は、本発明の範囲を限定するものでは決してないし、単に本発明の実施の形態の例示であることを理解すべきである。
図1は、定義された成分のセット、すなわち旧式の目標色処方に基づいて、目標色と一致する着色ベースから成るサンプル色処方の決定のためのスキームを示す。
目標色処方、すなわち、旧式の目標色処方は、例えばデータベースのような標準的な方法によって提供されなければならない。
ステップ1において、固有の特徴は、例えば、技術者によって指定されなければならない。このような固有の特徴に適した候補は、散乱係数及び/又は吸収係数等の物理的変数である。これらの固有の特徴は、たとえ1以上の新しい成分、例えば着色ベースが提案されているとしても、色処方から計算又は抽出し得る。これらの係数の任意の組み合わせも考えられる。
ステップ2において、色予測モデル(CPM)は、以前に定義され、測定された固有の特徴に基づいて設定されている。このCPMは、固有の特徴から色パラメータを予測するために使用される。このように、CPMは、3次元のCIELAB値に応じて固有の特徴のうち、均一なカラースケール値の形で色パラメータを取得するために、色処方と数学的モデルを使用している。ここで、“L”は明度を定義し、“a”は赤/緑値を、及び”b”は黄/青値を示す。
できるだけ速くCPMが旧式の目標色処方の色パラメータを算出すると、旧式の目標色処方の位置は三次元の色空間(CIELAB)で既知である。この位置から出発して、隔たりが、他の色処方、すなわち、CIELABにおけるそれらのそれぞれの色に対して計算される。したがって、任意の色処方の間の相対隔たりは、三次元の明度、緑/赤値及び黄/青値に関して計算され得る
CPMは、旧式の目標色処方に対する候補色処方の隔たりを計算するために使用することができるので、それぞれの候補色処方の色と旧式の目標色処方の間のマッチングの客観的測定は、前述した三次元で可能になる。
ステップ3において、候補色処方の出発集団が選択され、各候補色処方のために、目標色又は旧式の目標色処方に対するそのそれぞれの隔たりが算出される。したがって、候補色処方は、例えば、連続的に候補色処方のそれぞれの色処方を変えることにより、色パラメータマッチングのゴールに向けて改良を可能とする比較的良いか悪いかのマッチングについて評価され得る。
ステップ4において、機械学習の手法は、遺伝的アプローチに基づいて、各候補色処方の自動変更を実行するために使用される。いわゆる遺伝的アルゴリズムは、例えば、技術者が提供する目標色の提供された事前知識に基づいて候補色処方の集団を生成する。この事前知識は、旧式の目標色処方の正しい色素沈着とすることができる。この事前知識から出発し、遺伝的アルゴリズムは、適性基準に最良にフィットする候補色処方、すなわち、突然変異と交叉の工程によって引き出され、したがって、マッチングサンプル色を見つけるために、個々の候補色処方との間で情報を交換することによって、旧式の目標色処方に対する最も小さな隔たりを示す候補色処方に修正する。旧式の目標色処方の色パラメータに対して隔たりが十分に近い、すなわち、予め定義された許容値又は隔たり閾値内であるサンプル色が直ぐに見いだされると、アルゴリズムは終了し、目標色に最良にマッチするそれぞれの候補色処方が変換された色処方として見つけられる。候補色処方の出発集団の設定は、その成分に限定され得るので、このプロセスは、予め定義された成分のセットを用いることで目標色にマッチするサンプル色処方を得るのに使用することができる。ここで、旧式の目標色処方によって構成されている特別の成分はない可能性がある。
図2において、変換されるべき旧式の(古い)目標色処方200から出発して、CPMは、矢印201で示すように旧式の(古い)目標色処方200の目標色203の色パラメータを得るために設定される。更に、技術者によって引き出される専門知識204に基づいて、出発色処方205、すなわち、第一の候補色処方が生成される。それは、候補色211、すなわち、CPMを経て矢印207で示しているように、各々の色パラメータ得るために出発点として役立つ。遺伝的アルゴリズムに基づくマッチングプロセス213において、目標色203と候補色211のマッチングが実行される。もし目標色203と候補色211が適切な方法でマッチすると、すなわち、それらの相対隔たりが予め定義した条件内であると、変換された色処方215が発見される。さもなければ、目標色203と新しい候補色211との新しいマッチングが、候補色処方217のセットから新しい候補色処方に基づいて、矢印219で示すように、候補色処方217のセットの各々の候補色処方の成分の番号と量を変えるために、適性基準と突然変異/交叉を経て他の選択の繰り返し工程により遺伝的アルゴリズムによって引き出されて、行われなければならない。
図3は、自動カラーマッチングシステムを示す。ここで、技術者のみが、それぞれの区画29に格納されている予め定義された成分のセットから最終的にマッチングサンプル色を生成するために、スキャン21上で、旧式の目標色処方の目標色を提供しなければならない。
上記、特に図2の文脈で述べたように、遺伝的アルゴリズムを実行するために使用される演算ユニット25が変換色処方を計算するや否や、塗料混合手段は、目標色にマッチする変換された色処方に従って、区画29から着色ベースを取り入れることによって塗料の混合を開始する。
技術者は、実験又は色処方の時間の掛かる手動の再整合を必要とせず、それぞれ、区画29及び/又はそのデータベースを更新する必要がある。遺伝的アルゴリズムは、反復手順に基づいているので、この手動での再整合は、自動的にシミュレートされ実行され得る。
Claims (14)
- 旧式の目標色処方を構成する特別な成分がない予め定義された成分のセットを用いて目標色と一致するサンプル色のための処方を決定する方法であって、
前記目標色は与えられたデータベースに含まれる前記旧式の目標色処方に基づいており、少なくとも以下の工程、
a)異なる色処方の固有の特徴に基づく色予測モデルと、これらの前記固有の特徴を、異なる色の異なる色処方間のそれぞれの隔たりを計算するのに最適な色パラメータに変換する数学的モデルとを設定する工程、
b)前記旧式の目標色処方の少なくとも一つの固有の特徴を決定し、前記数学的モデルを経て前記旧式の目標色処方の少なくとも一つの決定された前記固有の特徴を、色予測モデルの定義された色パラメータにリンクし、このようにして前記目標色の色パラメータを得る工程、
c)候補色処方のそれぞれの色パラメータと前記目標色の前記色パラメータとの間の隔たりを計算するために前記色予測モデルを使用する工程、
d)前記工程c)を繰り返すことにより、候補色処方の集団から前記サンプル色のための処方を得るために、遺伝的アルゴリズムを使用する工程、を有し、
前記目標色の色パラメータに対する前記候補色処方の集団の候補色処方のそれぞれの色パラメータの隔たりは、予め与えられた停止基準が満たされ、サンプル色処方として保持される候補色処方に自動的に導くまで、前記旧式の目標色処方に最も小さな隔たりを示す候補色処方の突然変異/交叉及び選択の反復工程による遺伝的アルゴリズムによって最小化され、前記少なくとも一つの固有の特徴は、散乱係数及び/又は吸収係数として選択されることを特徴とする方法。 - 前記候補色処方の集団は、ランダムに生成される請求項1に記載の方法。
- 前記候補色処方の集団は、提供された専門知識に関して生成される請求項1に記載の方法。
- 前記停止基準が、隔たり閾値により与えられ、もし候補色処方のそれぞれの色パラメータが、前記隔たり閾値よりも前記目標色の色パラメータに近い場合には、対応する候補色処方はサンプル色処方として保持される請求項1から3の何れか1項に記載の方法。
- 前記停止基準が、設定された反復の最大数により与えられ、もしこの反復の最大数の後、候補色処方の何れもが予め定義された隔たり閾値より低い隔たりを持っていない場合、最も小さな隔たりを持つ候補色処方がサンプル色処方として保持される請求項1から4の何れか1項に記載の方法。
- 前記数学的モデルは、クベルカ-ムンク2フラックスモデルに基づく請求項1から5の何れか1項に記載の方法。
- 前記色予測モデルとして働く統計的手法が、それぞれ異なる固有の特徴を持つ異なる色処方の関連する色パラメータを予測するために用いられる請求項1から6の何れか1項に記載の方法。
- 前記統計的方法は、線形回帰、PLS回帰、教師付き学習方法、及びk-近傍法を有するリストから選ばれる請求項7に記載の方法。
- 前記散乱係数及び/又は前記吸収係数に基づく任意の組合せ又は計算は、前記目標色の少なくとも一つの固有の特徴として考慮され得る請求項1から8の何れか1項に記載の方法。
- 分光測色計により測定された反射率曲線の値は、色パラメータとして使用される請求項1から9の何れか1項に記載の方法。
- 前記遺伝的アルゴリズムによって導出された前記候補色処方の集団の各候補色処方は、前記色予測モデルを通して前記旧式の目標色処方の前記色パラメータに対するその色パラメータの隔たりにより評価される請求項1から10の何れか1項に記載の方法。
- 前記評価は、n回反復される請求項11に記載の方法。
- 請求項1から12の何れか1項に記載の方法を実行するコンピュータプログラムであって、前記コンピュータプログラムはコンピュータ可読媒体上に格納されることを特徴とするコンピュータプログラム。
- サンプル色処方を決定するカラーマッチングシステムであって、前記システムは、請求項1から12の何れか1項に記載の色予測モデルと遺伝的アルゴリズムとを提供する計算手段を少なくとも有することを特徴とするシステム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP13290323.8 | 2013-12-20 | ||
EP13290323.8A EP2887275A1 (en) | 2013-12-20 | 2013-12-20 | Method and system for determining a color formula |
PCT/EP2014/074796 WO2015090782A1 (en) | 2013-12-20 | 2014-11-17 | Method and system for determining a color formula |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2017508952A JP2017508952A (ja) | 2017-03-30 |
JP2017508952A5 true JP2017508952A5 (ja) | 2019-02-28 |
Family
ID=49989449
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016541645A Pending JP2017508952A (ja) | 2013-12-20 | 2014-11-17 | 色処方を決定するための方法及びシステム |
Country Status (6)
Country | Link |
---|---|
US (1) | US20160321546A1 (ja) |
EP (2) | EP2887275A1 (ja) |
JP (1) | JP2017508952A (ja) |
AU (1) | AU2014365557A1 (ja) |
MX (1) | MX367733B (ja) |
WO (1) | WO2015090782A1 (ja) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102015118551A1 (de) | 2015-10-29 | 2017-05-04 | Basf Coatings Gmbh | Verfahren zum Ermitteln von Texturparametern eines Lacks |
US10871888B2 (en) * | 2018-04-26 | 2020-12-22 | Ppg Industries Ohio, Inc. | Systems, methods, and interfaces for rapid coating generation |
US11874220B2 (en) | 2018-04-26 | 2024-01-16 | Ppg Industries Ohio, Inc. | Formulation systems and methods employing target coating data results |
WO2019229203A1 (en) * | 2018-05-31 | 2019-12-05 | Tetra Laval Holdings & Finance S.A. | Dimensioning a new production plant for production of packaged dairy products by simulation |
CN109447265B (zh) * | 2018-10-12 | 2020-09-01 | 湘潭大学 | 一种基于偏好遗传算法的染色配比方法及系统 |
EP3712579B1 (de) * | 2019-03-18 | 2021-12-29 | Evonik Operations GmbH | Verfahren zur generierung einer zusammensetzung für farben, lacke, druckfarben, anreibeharze, pigmentkonzentrate oder sonstige beschichtungsstoffe |
JP7539917B2 (ja) * | 2019-04-09 | 2024-08-26 | 株式会社 資生堂 | 画像取り込みが改善された局所用剤を作成するためのシステムおよび方法 |
US11574420B2 (en) | 2019-12-31 | 2023-02-07 | Axalta Coating Systems Ip Co., Llc | Systems and methods for matching color and appearance of target coatings |
US12100171B2 (en) | 2019-12-31 | 2024-09-24 | Axalta Coating Systems Ip Co., Llc | Systems and methods for matching color and appearance of target coatings |
US11978233B2 (en) | 2019-12-31 | 2024-05-07 | Axalta Coating Systems Ip Co., Llc | Systems and methods for matching color and appearance of target coatings |
US11674849B2 (en) | 2021-06-16 | 2023-06-13 | Axalta Coating Systems Ip Co., Llc | Methods and systems for determining a radar compatible coating |
WO2023180778A1 (en) * | 2022-03-25 | 2023-09-28 | Savaqwa Limited | Colour calculation method for use with a paint dispensing apparatus |
KR20240134670A (ko) * | 2023-03-02 | 2024-09-10 | 주식회사 케이씨씨 | Ai 기반 색상 배합 장치 및 이의 동작 방법 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2623905B1 (fr) * | 1987-11-30 | 1992-02-14 | David Michel | Appareil pour determiner la formulation de peinture pour reparation de carrosserie |
US6081796A (en) * | 1995-01-31 | 2000-06-27 | Matsushita Electric Industrial Co., Ltd. | Proportion predicting system and method of making mixture |
JPH10513290A (ja) * | 1995-01-31 | 1998-12-15 | 松下電器産業株式会社 | 比率予測システムと混合物生成方法 |
DE19636774C2 (de) * | 1996-09-10 | 1999-04-22 | Herberts Gmbh | Verfahren zur Anpassung einer Farbrezeptur |
US5912549A (en) * | 1997-08-01 | 1999-06-15 | Lucent Technologies Inc. | Current mode controller for continuous conduction mode power factor correction circuit and method of operation thereof |
US7027186B2 (en) * | 2000-02-23 | 2006-04-11 | Dainichiseika Color & Chemicals Mfg. Co., Ltd. | Method for evaluating reproducibility of toning sample by CCM |
JP2002042105A (ja) * | 2000-07-28 | 2002-02-08 | Kurabo Ind Ltd | コンピュータカラーマッチング方法 |
US6804390B2 (en) | 2001-02-07 | 2004-10-12 | Basf Corporation | Computer-implemented neural network color matching formulation applications |
US6714924B1 (en) | 2001-02-07 | 2004-03-30 | Basf Corporation | Computer-implemented neural network color matching formulation system |
CA2684667C (en) * | 2007-04-20 | 2014-02-25 | Mark Williams | Vertical curve system for surface grading |
CA2683720A1 (en) * | 2007-05-24 | 2008-12-11 | E. I. Dupont De Nemours And Company | Method for color matching |
US20090157212A1 (en) * | 2007-12-12 | 2009-06-18 | Basf Corporation | System and method of determining paint formula having a effect pigment |
US8692991B2 (en) * | 2012-02-03 | 2014-04-08 | Ppg Industries Ohio, Inc. | Optimal tint identifier/selector |
-
2013
- 2013-12-20 EP EP13290323.8A patent/EP2887275A1/en not_active Withdrawn
-
2014
- 2014-11-17 MX MX2016008066A patent/MX367733B/es active IP Right Grant
- 2014-11-17 JP JP2016541645A patent/JP2017508952A/ja active Pending
- 2014-11-17 WO PCT/EP2014/074796 patent/WO2015090782A1/en active Application Filing
- 2014-11-17 US US15/106,075 patent/US20160321546A1/en not_active Abandoned
- 2014-11-17 AU AU2014365557A patent/AU2014365557A1/en not_active Abandoned
- 2014-11-17 EP EP14798908.1A patent/EP3084690A1/en not_active Withdrawn
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2017508952A5 (ja) | ||
JP2017508952A (ja) | 色処方を決定するための方法及びシステム | |
JP4200148B2 (ja) | 塗料を適合させるコンピュータ実行方法および装置 | |
US10401224B2 (en) | Method for ascertaining texture parameters of a paint | |
US8339665B2 (en) | Texture map of paint colors, and its production method, production program, production system and data structure | |
JP5187709B2 (ja) | 色偏差を可視化する方法 | |
EP2973247B1 (en) | Systems and methods for texture assessment of a coating formulation | |
US11367510B2 (en) | Method and data processing device for the computer-assisted determination of a hair dyeing agent for dyeing hair in a desired hair color and device for producing an individually determined hair dyeing agent | |
KR20140119807A (ko) | 최적 색조 선택 방법 | |
US6993512B2 (en) | System and method for converting a color formula using an artificial intelligence based conversion model | |
CN113631667A (zh) | 生成用于油漆、清漆、印刷油墨、研磨树脂、颜料浓缩物或其它涂料的组合物的方法 | |
Ruiz et al. | A learning system for adjustment processes based on human sensory perceptions | |
CN112292700A (zh) | 用于涂料成分快速测定的方法和系统 | |
JP6889473B2 (ja) | 着色材料の配合量の算出方法 | |
CN111125629B (zh) | 一种域自适应的pls回归模型建模方法 | |
JP7243376B2 (ja) | 色味検査装置、及び色味検査プログラム | |
CN114174785A (zh) | 用于匹配和调节样本涂层到目标涂层的色素沉着的方法和系统 | |
KR20150092308A (ko) | 분광광도 데이터의 통계적 측정 제어를 위한 시스템 및 방법 | |
TWI540568B (zh) | 應用於顯示裝置之校正方法、校正裝置以及建立色彩表現資料庫的方法 | |
CN111433575B (zh) | 用于确定用于涂料颜色对照的多个颜色质量指标的方法和系统 | |
US20240353260A1 (en) | Automated fmea system for customer service | |
EP4388287A1 (en) | Automated fmea system for customer service | |
Pan et al. | 58‐1: A Novel On‐line, Fast Color Correction by Machine Learnings | |
US20090276254A1 (en) | Color formulation selection process | |
AU2022317116A1 (en) | Systems for determining calibration state of test coatings |