JP2018191073A - Calculation method for blending quantities of coloring materials - Google Patents
Calculation method for blending quantities of coloring materials Download PDFInfo
- Publication number
- JP2018191073A JP2018191073A JP2017090362A JP2017090362A JP2018191073A JP 2018191073 A JP2018191073 A JP 2018191073A JP 2017090362 A JP2017090362 A JP 2017090362A JP 2017090362 A JP2017090362 A JP 2017090362A JP 2018191073 A JP2018191073 A JP 2018191073A
- Authority
- JP
- Japan
- Prior art keywords
- numerical data
- data
- spectral
- coloring
- color
- 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
Links
- 238000004040 coloring Methods 0.000 title claims abstract description 88
- 238000002156 mixing Methods 0.000 title claims abstract description 70
- 238000004364 calculation method Methods 0.000 title claims abstract description 67
- 239000000463 material Substances 0.000 title claims abstract description 66
- 230000003595 spectral effect Effects 0.000 claims abstract description 96
- 230000006870 function Effects 0.000 claims description 91
- 238000000034 method Methods 0.000 claims description 58
- 238000002834 transmittance Methods 0.000 claims description 25
- 238000005457 optimization Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 20
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 239000000049 pigment Substances 0.000 claims description 3
- 238000002791 soaking Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 abstract description 7
- 239000000203 mixture Substances 0.000 abstract description 3
- 238000001228 spectrum Methods 0.000 abstract 2
- 239000000523 sample Substances 0.000 description 99
- 238000004043 dyeing Methods 0.000 description 31
- 238000012545 processing Methods 0.000 description 15
- 239000003086 colorant Substances 0.000 description 11
- 230000008859 change Effects 0.000 description 10
- 239000000975 dye Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000010186 staining Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 3
- 239000000976 ink Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000000758 substrate Substances 0.000 description 3
- 239000002131 composite material Substances 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
- Facsimile Image Signal Circuits (AREA)
- Color Image Communication Systems (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
Description
本発明は、複数の着色材料を使用して見本の色に合わせて物品に着色を施して人が見本と同じ色であると認識できる再現色を調整するための着色材料の配合量の算出方法に関するものである。 The present invention is a method for calculating a blending amount of a coloring material for adjusting a reproduction color that allows a person to recognize that it is the same color as the sample by coloring the article according to the color of the sample using a plurality of coloring materials It is about.
例えば、多くのカラーバリエーションを持つ物品（工業製品）では、その物品の製造コストが高ければ在庫を持つことは効率が悪いため、注文に応じてその都度彩色を施すことが合理的である。彩色を施す場合には注文に応じた見本を参照し、複数の異なる着色材料を混ぜ合わせたりあるいは重ね合わせることで物品に彩色を施してその見本と同じ色となるように（つまり同一性のあるように）再現色を調整することとなる。
しかし、実際には見本と同一性のある再現色を調整することは難しい。その理由としては、例えば、見本の素材と実際に製造する物品との素材の違いがあること、新しいカラーの種類ができたり、染料の種類が変わったりすること、見本がどのような染料や素材を用いているのかまったく不明であること、等が挙げられる。
そのため、見本の色に合わせて物品に着色を施すことを簡単に行う技術が求められていた。
For example, in an article (industrial product) having many color variations, it is reasonable to color each time according to an order because it is inefficient to have a stock if the manufacturing cost of the article is high. When coloring, refer to the sample according to the order, and mix or superimpose different colored materials so that the item is colored so that it becomes the same color as the sample (that is, the same color) Like) will adjust the reproduction color.
However, in practice, it is difficult to adjust the reproduced color that is identical to the sample. Reasons for this include, for example, the difference in material between the sample material and the actual product to be manufactured, the creation of new color types, the type of dyes changing, and the dyes and materials used in the sample. It is completely unknown whether or not it is used.
For this reason, there has been a demand for a technique for easily coloring an article in accordance with the color of a sample.
そのような技術の一例として特許文献１を挙げる。特許文献１は色推定システムや色推定方法に関する技術である。特許文献１では、濃度階調出現率テーブルをもとに原色インキＣＭＹの量を決定している。網点を構成する各濃度階調の濃度階調領域の面積の比率）から分光反射率Ｒ'（ｓ，λ）を算出する。そして、算出された算出分光反射率Ｒ'（ｓ，λ）の各々と、測定分光反射率Ｒｓ（λ）との平均二乗誤差ＲＭＳＥを、指令網点面積率毎に所定の波長範囲において求める。そして、濃度階調出現率算出部は、算出分光反射率Ｒ'（ｓ，λ）と測定分光反射率Ｒｓ（λ）との平均二乗誤差（ＲＭＳＥ）が最も小さくなる濃度階調領域の各々の出現率を求めるものである。
しかしながら、分光反射率パターンを似せても、観察条件の不安定さがあるため、必ずしも同じ色に見えるとは限らないものである。「観察条件の不安定さ」とは、例えば人間が対象物に相対して観察するため、眼と対象物と照明の位置関係が毎回変動すること。見本物体と目的物体の配置（どちらを右側に置いて見るか）。光源となるランプの劣化に伴う分光強度の経時的な変化。色の見え方（感じ方）が人によって微妙に異なること等である。
Patent document 1 is given as an example of such a technique. Patent Document 1 is a technique relating to a color estimation system and a color estimation method. In Patent Document 1, the amounts of primary color inks CMY are determined based on a density gradation appearance rate table. The spectral reflectance R ′ (s, λ) is calculated from the ratio of the area of the density gradation area of each density gradation constituting the halftone dot. Then, a mean square error RMSE between each of the calculated calculated spectral reflectances R ′ (s, λ) and the measured spectral reflectance Rs (λ) is obtained in a predetermined wavelength range for each command dot area ratio. Then, the density gradation appearance rate calculation unit calculates each of the density gradation regions where the mean square error (RMSE) between the calculated spectral reflectance R ′ (s, λ) and the measured spectral reflectance Rs (λ) is the smallest. The appearance rate is calculated.
However, even if the spectral reflectance patterns are made similar, the observation conditions are unstable, and thus the same color is not always seen. “Unstable observation conditions” means that, for example, a human observes relative to an object, so that the positional relationship between the eye, the object, and the illumination changes every time. Placement of the sample object and the target object (which should be placed on the right) Change in spectral intensity over time due to deterioration of the light source lamp. The color appearance (feeling) is slightly different from person to person.
また、観察条件の不安定だけではなく、そもそも色を写像する場合には非線形性が大きいことも挙げられる。
例えば、眼鏡レンズを例に取ると、眼鏡レンズにおける規格化された見本カラーレンズは、例えば数十種類から、百種類以上もある。それらのカラーを適当な色空間、例えばＣＩＥ１９７６ (Ｌ＊、ａ＊、ｂ＊) 色空間に配置することで、各カラーのＬ＊ａ＊ｂ＊座標からＲＹＢ設定量を得るための近似関数を作ることができる。例えば、見本カラー注文の見本レンズの分光透過率を測定し、その結果をもとにＬ＊ａ＊ｂ＊座標を求め、さらに近似関数によってＲＹＢ設定量を算出する方法が考えられる。
しかし、実際にその方法では、見本レンズと加工レンズの見た目の色を一致させることはできない。色空間の領域によってＬ＊ａ＊ｂ＊座標からＲＹＢ設定量を写像する近似関数が大きく異なるためである（非線形性が大きいためである）。この場合に、十分に有用な近似関数を得るためには、極めて膨大な数のデータが必要になる。さらに上記した観察条件の不安定性があるので、バラツキを含むデータをもとにするので、非常に多くのデータが必要となる。
これらのような課題から、観察条件の不安定さや写像の非線形性という条件があったとしても、見本の色に合わせて物品に着色を施すことを簡単に行うことができる技術が求められていた。
In addition to the unstable observation conditions, there is also a large nonlinearity in the case of mapping colors in the first place.
For example, taking a spectacle lens as an example, standardized sample color lenses in the spectacle lens include, for example, several tens of types to a hundred or more types. By arranging these colors in an appropriate color space, for example, CIE 1976 (L *, a *, b *) color space, an approximate function for obtaining the RYB set amount from the L * a * b * coordinates of each color is obtained. Can be made. For example, a method is conceivable in which the spectral transmittance of a sample lens of a sample color order is measured, L * a * b * coordinates are obtained based on the result, and the RYB set amount is calculated by an approximation function.
However, in fact, this method cannot match the appearance colors of the sample lens and the processed lens. This is because the approximate function for mapping the RYB set amount from the L * a * b * coordinates differs greatly depending on the color space area (because of the large non-linearity). In this case, in order to obtain a sufficiently useful approximation function, an extremely large amount of data is required. Furthermore, since there is instability in the observation conditions described above, a very large amount of data is required because it is based on data including variations.
Due to these problems, there has been a demand for a technique that can easily color an article according to the color of a sample even if there are conditions such as instability of observation conditions and nonlinearity of mapping. .
上記課題を解決するために手段１では、所定の照明環境で人が目視によって観察したときに見本物体と同じ色に見えるように複数の着色材料を配合して目的物体を色付けする際の前記着色材料の配合量を算出するためのコンピュータで実行される算出方法であって、ある１つの前記見本物体を測色することで得られる第１の分光数値データと、前記目的物体を前記ある１つの前記見本物体と同じ色に見えるように前記複数の着色材料を配合して色付けした際の前記複数の着色材料の配合量のデータ（以下、第１の配合数値データ）とを含む数値データを１セットとして、複数の前記見本物体と対応する複数の前記目的物体について第１の分光数値データと第１の配合数値データの複数のセットを取得し、得られた第１の分光数値データと第１の配合数値データの複数のセットに基づいて分光数値データと配合数値データの近似関数を最適化計算によって作成し、得られた前記近似関数に新たな前記見本物体を測色することで得られる第１の分光数値データを適用することで新たな前記見本物体と同じ色に見える新たな前記目的物体のための前記着色材料の配合量のデータを算出するようにした。 In order to solve the above-described problem, in the first aspect, when coloring a target object by blending a plurality of coloring materials so that the sample object looks the same color when visually observed in a predetermined lighting environment, the coloring is performed. A calculation method executed by a computer for calculating a blending amount of a material, the first spectral value data obtained by measuring the color of one sample object, and the target object Numerical data including data on the blending amounts of the plurality of coloring materials (hereinafter referred to as first blending numerical data) when the plurality of coloring materials are blended and colored so as to look the same color as the sample object is 1 As a set, a plurality of sets of first spectral value data and first combination numerical value data are acquired for a plurality of target objects corresponding to the plurality of sample objects, and the obtained first spectral value data and first A first function obtained by creating an approximate function of spectral numerical data and blending numerical data by optimization calculation based on a plurality of sets of blending numerical data, and measuring the new sample object with the obtained approximate function. By applying the spectral numerical data, the data of the blending amount of the coloring material for the new target object that looks the same color as the new sample object is calculated.
このような構成においては、見本物体を測色した複数の第１の分光数値データと見本物体の色を目標として着色した際の第１の配合数値データのセットに基づいて分光数値データと配合数値データの近似関数を最適化する計算によって作成することによって、新たな見本物体と同等といえる色の目的物体を着色する際に、この近似関数に新たな見本物体を測色した第１の分光数値データを適用することで、そのための着色材料の配合量のデータを正確かつ簡単に算出することができる。
このような手法であれば、物体を目視する際の照明光源が多種類であっても、あるいは反射率や透過率が角度によって変わる影響で色の見え方が変わったとしても、着色材料の配合量のデータは妥当なものとなる。
手段１における「第１の分光数値データと第１の配合数値データの複数のセットに基づいて分光数値データと配合数値データの近似関数を最適化計算によって作成」することをわかりやすく模式化すると図４における左上Ａからのデータセットによる最適化に相当する。
ここに、「近似関数」とは、本発明では着色材料の配合量を算出するために必要な精度を持った関数であって、新たなデータ又はデータセットを適用して最適化する計算をすることで精度を上げることができる。近似関数は例えば機械学習、特に深層学習により得られる非線形的な計算手段を含んでいる。
「第１の分光数値データと第１の配合数値データ」のセットは、複数セットが必要である。この発明は近似関数を最適化するための計算を行うために複数の見本物体の色を前提としているためである。見本物体は多いほど計算上精度が増す。
実際に目的物体をある１つの見本物体と同じ色に見えるように着色する場合においては、過去に同じ見本を着色した経緯があれば過去の配合量のデータを使用することができるが、まったく過去にデータがない場合や、材質も使用した着色材料の種類も不明な場合等では、目的物体を見本物体と同じ色に見えるように着色することはなかなか困難である。最適化計算の初期段階では精度を上げるために、そのような場合には見本物体と同じ色に見えるものを得るまで（つまり、第１の配合数値データを取得できるまで）何度も着色を繰り返すことも必要となる。見本物体と同じ色に見えない目的物体を得た場合には、手段２〜５において最適化の計算に使用することが可能である。
ここに「見本物体」とは製品の発注者と受注者が同一物（またはその複製）として参照するサンプルをいう。「見本物体の色」が必ずしも実際の製品に着色されているとは限らない。単に色見本である場合もある。見本物体の色は毎回異なり、過去に使用した見本物体であってもよい。
また「目的物体」は、基本的に「見本物体」と同じ色になるように着色したものであり、透明であっても非透明であってもよい。また、手段２のように「見本物体」と同じ色にならない場合であっても近似関数を最適化する計算に使用することができる。
また「複数の着色材料を配合して目的物体を色付け」する際の前提条件として複数の着色材料のそれぞれの配合量がデータとして把握できる必要がある。つまり、複数の着色材料は数値化できなければならない。複数の着色材料は複数であればいくつであってもよい。見本物品と同じ着色材料でもよく、異なる着色材料であってもよい。
発明に使用される「コンピュータ」はＣＰＵ（中央処理装置）及びＲＯＭやＲＡＭ等の周辺装置によって構成される。ＣＰＵは各種プログラムやオペレータの操作に従って入力装置（例えば、キーボードや、マウス）からのデータ入力に基づいて計算を行う。
In such a configuration, based on a set of a plurality of first spectral value data obtained by measuring the color of the sample object and the first combination value data when the color of the sample object is set as a target, the spectral value data and the combination value are obtained. The first spectral value obtained by measuring the color of the new sample object with this approximate function when coloring the target object having a color equivalent to that of the new sample object. By applying the data, the data of the blending amount of the coloring material for that purpose can be accurately and easily calculated.
With such a method, even if there are many types of illumination light sources when viewing an object, or even if the color appearance changes due to the effect of the reflectance and transmittance changing depending on the angle, the composition of the coloring material Quantity data will be reasonable.
FIG. 4 is a schematic diagram that is easy to understand that “creates an approximate function of spectral numerical data and blending numerical data based on a plurality of sets of first spectral numerical data and first blending numerical data by optimization calculation” in means 1. This corresponds to the optimization by the data set from the upper left A in FIG.
Here, the “approximate function” is a function having an accuracy necessary for calculating the blending amount of the coloring material in the present invention, and performs calculation to optimize by applying new data or a data set. The accuracy can be increased. The approximate function includes, for example, non-linear calculation means obtained by machine learning, particularly deep learning.
A plurality of sets of “first spectral numerical data and first blending numerical data” are necessary. This is because the present invention assumes the colors of a plurality of sample objects in order to perform calculation for optimizing the approximate function. The more sample objects, the more computationally accurate.
When the target object is actually colored so that it looks the same color as a single sample object, the past blending amount data can be used if there is a history of coloring the same sample in the past. If there is no data, or if the type of coloring material used is unknown, it is difficult to color the target object so that it looks the same color as the sample object. In order to increase the accuracy in the initial stage of the optimization calculation, in such a case, the coloring is repeated many times until an object that looks the same color as the sample object is obtained (that is, until the first combination numerical data can be acquired). It is also necessary. If a target object that does not look the same color as the sample object is obtained, it can be used for calculation of optimization in means 2-5.
Here, the “sample object” refers to a sample that the orderer of the product and the contractor refer to as the same item (or a duplicate thereof). The “sample object color” is not necessarily colored in an actual product. It can simply be a color swatch. The color of the sample object is different each time and may be a sample object used in the past.
The “target object” is basically colored so as to have the same color as the “sample object”, and may be transparent or non-transparent. Further, even when the color does not become the same as that of the “sample object” as in the means 2, it can be used for calculation for optimizing the approximate function.
Further, as a precondition for “coloring a target object by blending a plurality of coloring materials”, it is necessary to be able to grasp the amount of each of the plurality of coloring materials as data. That is, a plurality of coloring materials must be quantifiable. The number of the coloring materials may be any number as long as it is plural. The same coloring material as the sample article may be used, or a different coloring material may be used.
The “computer” used in the invention is composed of a CPU (Central Processing Unit) and peripheral devices such as ROM and RAM. The CPU performs calculations based on data input from an input device (for example, a keyboard or a mouse) in accordance with various programs and operator operations.
また、手段２では、前記目的物体に色付けをし、その色付けをした前記目的物体を測色することで得られる第２の分光数値データと、前記目的物体を色付けした際の第２の配合数値データとを含む数値データを１セットとして、このセットを更に前記近似関数を最適化する計算に用いるようにした。
手段１では「見本物体を測色した複数の第１の分光数値データと見本物体の色を目標として着色した際の第１の配合数値データのセット」を複数セット取得することで分光数値データと配合数値データの近似関数を最適化計算によって算出するようにしていたが、手段２では、「色付けした目的物体を測色した複数の第２の分光数値データとその色付けした目的物体を着色した際の第２の配合数値データのセット」を手段１の近似関数の最適化計算のために手段１のセットに追加して加えるというものである。このようなセットのデータを加えることで、データ数が増えて近似関数を最適化する計算に貢献し、近似関数の精度が増すこととなる。「色付けした目的物体」は「見本物体」と同じ色であってもよく、違う色であってもよい。
手段２における最適化計算をわかりやすく模式化すると図４における左下Ｂからのデータセットによる最適化に相当する。
In the means 2, the target object is colored, the second spectral value data obtained by measuring the color of the colored target object, and the second combination value when the target object is colored. The numerical data including the data is taken as one set, and this set is further used for calculation for optimizing the approximate function.
The means 1 obtains a plurality of sets of spectral numerical data by acquiring a plurality of sets of “a plurality of first spectral numerical data obtained by measuring the color of the sample object and a first combination numerical data when the color of the sample object is targeted”. The approximate function of the compounding numerical data was calculated by the optimization calculation. However, in the means 2, "when a plurality of second spectral numerical data obtained by measuring the colored target object and the colored target object are colored" Is added to the set of the means 1 for the optimization calculation of the approximate function of the means 1. By adding such a set of data, the number of data increases, contributing to the calculation for optimizing the approximate function, and the accuracy of the approximate function increases. The “colored target object” may be the same color as the “sample object” or a different color.
If the optimization calculation in the means 2 is modeled in an easy-to-understand manner, it corresponds to the optimization by the data set from the lower left B in FIG.
また、手段３では、第１の色付け処理で、ある１つの前記見本物体と同じ色に見えるように色付けしたにも関わらず前記目的物体の色が前記ある１つの前記見本物体と同じ色には見えないとき、第２の色付け処理として、前記ある１つの前記見本物体と同じ色に見えるように追加的に色付けしその追加的な色付けをした前記目的物体を測定することで第３の分光数値データを得、前記近似関数に前記第３の分光数値データを適用することで追加的に色付けした前記見本物体と同じ色に見える新たな前記目的物体のための前記着色材料の配合量のデータ（以下、第３の配合数値データ）量を算出し、前記ある１つの前記見本物体を測色することで得られる前記第１の分光数値データと前記第３の配合数値データとを含む数値データをセットとして、このセットを更に前記近似関数を最適化する計算に用いるようにした。
第１の色付け処理と第２の色付け処理では着色材料の配合量が別個独立であって、このように２つの処理を行うことで、追加的に色付けした目的物体を測色して第３の分光数値データを得ることはできるが、第１の色付け処理と第２の色付け処理の処理方法が異なる場合では色付けに使用したトータルの配合数値データを得ることはできない。
しかし、このように追加的に着色した目的物体を測色して得た第３の分光数値データを近似関数に入力した場合に出力される配合量と、見本物体を測色して得た第１の分光数値データを近似関数に入力した場合に出力される配合量は近似しているものである。そのため、この段階で第３の分光数値データを現段階で最適化して得ている近似関数に適用することで第３の配合数値データを算出し、第１の分光数値データとこの第３の配合数値データをセットとして、更に前記近似関数を最適化する計算に用いるようにして近似関数の精度を上げることができる。
手段３における最適化計算をわかりやすく模式化すると図４における右下Ｃからのデータセットによる最適化に相当する。
手段３は、例えば見本物体と同じ色に見えるように着色してみたところ、見本物体と同じ色に見えない目的物体を得てしまった場合に活用できる手法である。
ここに、第１の色付け処理とは例えば後述する手段１１ではドライ染色が相当し、ウェット染色が第２の色付け処理に相当する。
Further, in the means 3, the color of the target object is set to the same color as that of the one sample object even though it is colored so that it looks the same color as that of the one sample object in the first coloring process. When it is not visible, as a second coloring process, a third spectral value is obtained by measuring the target object that is additionally colored so that it looks the same color as the certain one sample object, and that is additionally colored. Data on the blending amount of the coloring material for the new target object that looks the same color as the sample object that is additionally colored by obtaining the data and applying the third spectral value data to the approximation function ( Hereinafter, numerical data including the first spectral numerical data and the third composite numerical data obtained by calculating the amount of the third composite numerical data) and measuring the certain one sample object is measured. As a set , As adapted to use this set further calculations to optimize the approximation function.
In the first coloring process and the second coloring process, the blending amount of the coloring material is separate and independent. By performing the two processes in this manner, the additionally colored target object is measured to measure the third color. Spectral numerical value data can be obtained, but if the processing methods of the first coloring process and the second coloring process are different, total combination numerical data used for coloring cannot be obtained.
However, the blending amount output when the third spectral value data obtained by measuring the color of the additionally colored target object is input to the approximate function, and the color obtained by measuring the sample object. The blending amount output when the spectral value data of 1 is input to the approximate function is approximate. Therefore, the third spectral value data is calculated by applying the third spectral value data to the approximate function obtained by optimizing at this stage at this stage, and the first spectral value data and the third spectral value data are calculated. The accuracy of the approximation function can be improved by using numerical data as a set and further using it in the calculation for optimizing the approximation function.
If the optimization calculation in the means 3 is modeled in an easy-to-understand manner, it corresponds to optimization by a data set from the lower right C in FIG.
The means 3 is a technique that can be used when, for example, coloring is performed so that the sample object looks the same color as the sample object, and a target object that does not look the same color as the sample object is obtained.
Here, the first coloring process corresponds to, for example, dry staining in the means 11 described later, and wet staining corresponds to the second coloring process.
また、手段４では、前記近似関数に前記ある１つの前記見本物体を測色することで得られる前記第１の分光数値データを適用することで新たな前記見本物体と同じ色に見える新たな前記目的物体のための前記着色材料の配合量のデータ（以下、第４の配合数値データ）量を算出し、前記第３の分光数値データと前記第４の配合数値データをセットとして、前記近似関数を最適化する計算に用いるようにした。
また、手段５では、第１の色付け処理で、ある１つの前記見本物体と同じ色に見えるように色付けしたにも関わらず前記目的物体の色が前記ある１つの前記見本物体と同じ色には見えないとき、第２の色付け処理として、前記ある１つの前記見本物体と同じ色に見えるように追加的に色付けしその追加的な色付けをした前記目的物体を測色することで第３の分光数値データを得、前記近似関数に前記ある１つの前記見本物体を測色することで得られる前記第１の分光数値データを適用することで新たな前記見本物体と同じ色に見える新たな前記目的物体のための前記着色材料の配合量のデータ（以下、第４の配合数値データ）量を算出し、前記第３の分光数値データと前記第４の配合数値データをセットとして、前記近似関数を最適化する計算に用いるようにした。
追加的に着色した目的物体を測色して得た第３の分光数値データを近似関数に入力した場合に出力される配合量と、見本物体を測色して得た第１の分光数値データを近似関数に入力した場合に出力される配合量は近似しているものである。そのため手段４及び手段５において、第１の分光数値データを現段階で最適化して得ている近似関数に適用することで、第４の配合数値データを算出し、第３の分光数値データとこの第４の配合数値データをセットとして、更に前記近似関数を最適化する計算に用いるようにして近似関数の精度を上げることができる。
手段４又は５における最適化計算をわかりやすく模式化すると図４における右上Ｄからのデータセットによる最適化に相当する。
Further, the means 4 applies the first spectroscopic numerical data obtained by measuring the color of the one sample object to the approximate function, so that the new color that looks the same color as the new sample object can be obtained. The amount of data (hereinafter referred to as fourth blending numerical data) of the coloring material for the target object is calculated, and the approximation function is set using the third spectral numerical data and the fourth blending numerical data as a set. Was used for the optimization calculation.
In the means 5, the color of the target object is set to the same color as that of the one sample object even though it is colored in the first coloring process so that it looks the same color as the one sample object. When the object is not visible, as a second coloring process, a third spectroscopic method is performed by measuring the target object that is additionally colored so that it looks the same color as the certain one sample object, and that is additionally colored. A new object that looks like the same color as the new sample object by applying the first spectral numerical data obtained by obtaining numerical data and measuring the certain one sample object in the approximate function Calculate the amount of the blending amount of the coloring material for the object (hereinafter referred to as fourth blending numerical data), set the third spectral numerical data and the fourth blending numerical data as a set, and calculate the approximation function Total to optimize Was so used to.
The blending amount output when the third spectral numerical data obtained by measuring the color of the additionally colored target object is input to the approximate function, and the first spectral numerical data obtained by measuring the color of the sample object The blending amount output when is input to the approximation function is approximate. Therefore, means 4 and means 5 apply the first spectral value data to the approximate function obtained by optimizing at this stage, thereby calculating the fourth combination numerical value data. The accuracy of the approximate function can be improved by using the fourth blending numerical data as a set and further using it in the calculation for optimizing the approximate function.
If the optimization calculation in the means 4 or 5 is modeled in an easy-to-understand manner, it corresponds to the optimization by the data set from the upper right D in FIG.
また、手段６では、前記第３の分光数値データは分光透過率データ又は分光反射率データであるようにした。
また、手段７では、前記第１又は第２の分光数値データは分光透過率データ又は分光反射率データであるようにした。
第１〜第３の分光数値データとして分光透過率データ又は分光反射率データを使用することは正確な分光数値データの取得手段として望ましい。
また、手段８では、数値データとして分光数値データ以外の前記見本物体の数値データを用いるようにした。
上記第１〜第３の分光数値データ以外の前記見本物体の数値データを用いることで近似関数の精度を上げることができるからである。例えば、基材の種類などのカテゴリデータやレンズであればレンズの度数等の数値データである。
また、手段９では、前記近似関数は、機械学習により得られる非線形的な計算手段を含むようにした。
機械学習の推定アルゴリズムは、線形回帰、ボルツマンマシン、ニューラルネットワーク、サポートベクターマシン、ベイジアンネットワークを用いた統計的推定、強化学習、深層学習の内の１つまたは複数を含む。
機械学習とは、学習用データセットを使ってコンピュータプログラムを訓練した後に、未知の例について正確に判断できるようにすることである。本発明においてはコンピュータに分光数値データ（加えて、基材の種類などのカテゴリデータやレンズの度数等の）その他の数値データ）を近似関数に入力したときに出力される値が配合数値データに近づくよう機械学習をさせるようにすることがよい。
機械学習により得られる非線形写像を用いて近似関数を更新していくことが可能となる。機械学習では第１の分光数値データと第１の配合数値データのデータセット又は／及び第２の分光数値データと第２の配合数値データのデータセットによる教師あり学習によって近似関数を収束させることができ、更に手段３〜５のように第１の分光数値データと第３の配合数値データのデータセット又は／及び第３の分光数値データと前記第４の配合数値データのデータセット（これらは完全な教師あり学習ではなく、一部のみ教師ありの半教師あり学習となる）を組み合わせることによって、さらに好ましい推定値に収束させることができる。
また、手段１０では、近似関数としてニューラルネットワークを用いるようにした。
ニューラルネットワークとは、脳機能に見られるいくつかの特性を計算機上のシミュレーションによって表現することを目指した数学モデルである。てニューラルネットワークは機械学習の一種である。ニューラルネットワークとしては３層以上のニューロンを重ねるディープニューラルネットワーク（以下、ＤＮＮ）がよりよい。ニューラルネットワークを最適化する計算には誤差逆伝播法を用いることがよい。以下の実施の形態ではＤＮＮを一例とした。
In the means 6, the third spectral value data is spectral transmittance data or spectral reflectance data.
In the means 7, the first or second spectral value data is spectral transmittance data or spectral reflectance data.
The use of spectral transmittance data or spectral reflectance data as the first to third spectral value data is desirable as an accurate spectral value data acquisition means.
The means 8 uses numerical data of the sample object other than spectral numerical data as numerical data.
This is because the accuracy of the approximation function can be increased by using numerical data of the sample object other than the first to third spectral numerical data. For example, category data such as the type of base material, or numerical data such as lens power in the case of a lens.
In the means 9, the approximate function includes a non-linear calculation means obtained by machine learning.
The machine learning estimation algorithm includes one or more of linear regression, Boltzmann machine, neural network, support vector machine, statistical estimation using Bayesian network, reinforcement learning, and deep learning.
Machine learning refers to making it possible to accurately determine unknown examples after training a computer program using a learning data set. In the present invention, the value that is output when spectral numerical data (and other numerical data such as category data such as the type of base material and lens frequency) is input to the approximate function is input to the compound numerical data. It is better to let machine learning approach.
It is possible to update the approximate function using a nonlinear mapping obtained by machine learning. In machine learning, the approximate function can be converged by supervised learning using a data set of the first spectral value data and the first combination numerical data or / and a data set of the second spectral value data and the second combination numerical data. Further, as in the means 3 to 5, the first spectral value data and the third combination numerical value data set or / and the third spectral value data and the fourth combination numerical value data set (these are complete sets). By combining non-supervised learning and semi-supervised learning with only partly supervised), it is possible to converge to a more preferable estimated value.
In the means 10, a neural network is used as an approximate function.
A neural network is a mathematical model that aims to express some characteristics found in brain functions by computer simulation. Neural networks are a kind of machine learning. As a neural network, a deep neural network (hereinafter referred to as DNN) in which three or more layers of neurons are stacked is better. The error back-propagation method is preferably used for the calculation for optimizing the neural network. In the following embodiments, DNN is taken as an example.
また、手段１１では、前記見本物体及び前記目的物体は透明体であり、染料を染みこませて色付けするようにした。
また、手段１２では、前記見本物体及び前記目的物体は眼鏡用レンズであるようにした。
特に眼鏡用レンズでは、次のような課題があるため、本発明を適用することが非常に適している。
眼鏡レンズを色付けして納品する「カラー注文」には、規格カラー注文と見本カラー注文がある。以後これらに対応する染色加工のことをそれぞれ規格染色・見本染色と呼ぶ。各種の規格カラーを表す見本レンズを眼鏡店とレンズメーカーが所持し、各カラーを表す名前または番号を用いて受発注を行い、製造時はメーカー側が、納品後は眼鏡店側がそれぞれの所持する見本レンズと色を比較する。これに対して見本染色用の見本レンズは、毎回異なるものが眼鏡店側から提示される。
規格染色のドライ染色条件を数値的に設定することは比較的容易である。ドライ染色後のレンズの色を所定の照明環境で見本と比較観察して、同じ色に見えるようにＲＹＢの各設定量を定めれば良い。これは設定量を変えながら何回も加工を繰り返すことで、カラーごとの条件を決定することができる。ただし、レンズ基材の種類は屈折率別などで複数種類を扱うので、それぞれの基材に対応する条件を定めなくてはならない。だから「見本レンズがどこかのメーカーで加工されたのだから、それを作った条件で加工すれば良い」ということではない。また、レンズの厚さや色の付きやすさは度数や厚さによって少しずつ異なるので、それらに対応した条件を決定することは難しい。そのため、標準的なレンズ（たとえば度数の無いレンズ）で定めた条件をすべての度数のレンズに適用するなどして、妥協している。見本染色に関してこのようなことを行うと、受注するごとに何枚もレンズを無駄にすることになる。
一方、ウェット染色は再現性に劣るので、加工条件を数値で確定することは難しい。また、染色液を一定温度で維持する設備のコストがかかる。加工枚数が少なければ、１枚あたりコストが高くなる。加工枚数が多ければ、同じカラーのレンズを多く加工するのであればドライ染色のほうが有利になる。しかし、規格染色において加工したレンズの色の仕上がり具合が悪い場合などは、さらにウェット染色を追加で行って色を整える。これを調色という。
このような状況から、眼鏡店から提示される毎回カラーが異なる見本レンズに関して、そのドライ染色条件を簡単に決定する方法が望まれていた。しかし、上記のように観察条件の不安定さがあることや、写像の非線形性が大きいこと等からドライ染色条件を簡単に決定することは困難であった。更に、レンズでは入力データとしてＬ＊ａ＊ｂ＊座標または分光透過率データだけでなく、レンズの度数や厚さを含める必要がある。
本発明を眼鏡用レンズに適用すれば、基材・度数・厚さ・ハーフカラー（ハーフカラーについては後述する）などの多様な条件に対応し、近似関数に求められる非線形性にも対応し、観察条件の不安定性に由来するデータのバラツキを統計的に処理することで、見本レンズを測色したデータに基づいて最適なドライ染色条件を算出することができる。
また、この発明を眼鏡用レンズに適用すれば、規格カラーの条件を決定することもできる。カラーの規格が一斉に変わるときは、新しい見本レンズのセットに切り替えるが、その新しい見本レンズと同じ色に見えるようなレンズを加工するための近似関数は、見本染色の加工を行ううちに高い精度レベルで最適化されるからである。
ここに、「ドライ染色」とは、所定の用紙に染料をインックジェットでプリントし、用紙をレンズに近接させた状態で保持して電気炉に入れて熱することで、染料をレンズに付着させて、基材中に侵入させる色付け方法である。「ウェット染色」とは溶媒に染料を溶かしこんだ液体に透明な目的物体を浸漬して染料を染みこませる方法である。
Further, in the means 11, the sample object and the target object are transparent bodies, and are colored by soaking a dye.
In the means 12, the sample object and the target object are eyeglass lenses.
In particular, a spectacle lens has the following problems, and thus it is very suitable to apply the present invention.
The “color order” for coloring eyeglass lenses and delivering them includes standard color orders and sample color orders. Hereinafter, the dyeing processes corresponding to these are called standard dyeing and sample dyeing, respectively. Sample lenses representing various standard colors are possessed by spectacle stores and lens manufacturers, and orders are placed using names or numbers representing each color. Samples possessed by the manufacturer at the time of manufacture and by the spectacle store after delivery. Compare the color with the lens. On the other hand, different sample lenses for sample dyeing are presented from the spectacle store side each time.
It is relatively easy to set dry dyeing conditions for standard dyeing numerically. By comparing and observing the color of the lens after dry dyeing with a sample in a predetermined illumination environment, each set amount of RYB may be determined so that the color looks the same. This can be determined for each color by repeating the processing many times while changing the set amount. However, since multiple types of lens base materials are handled depending on the refractive index, conditions corresponding to the respective base materials must be determined. Therefore, it does not mean that the sample lens has been processed by some manufacturer, and it should be processed under the conditions that made it. In addition, since the lens thickness and the ease of coloring vary little by little depending on the frequency and thickness, it is difficult to determine conditions corresponding to them. For this reason, a compromise has been made, for example, by applying the conditions defined for a standard lens (for example, a lens having no power) to all power lenses. If this is done for sample dyeing, many lenses will be wasted each time an order is received.
On the other hand, since wet dyeing is inferior in reproducibility, it is difficult to determine the processing conditions numerically. Moreover, the cost of the installation which maintains a dyeing liquid at a fixed temperature starts. If the number of processed sheets is small, the cost per sheet becomes high. If the number of processed sheets is large, dry dyeing is more advantageous if many lenses of the same color are processed. However, when the finished color of the lens processed in standard dyeing is poor, the color is adjusted by additionally performing wet dyeing. This is called toning.
Under such circumstances, there has been a demand for a method for easily determining the dry dyeing conditions for sample lenses having different colors each time presented from an eyeglass store. However, it is difficult to easily determine dry staining conditions because of the instability of observation conditions as described above and the large nonlinearity of mapping. Further, in the lens, it is necessary to include not only L * a * b * coordinates or spectral transmittance data but also the lens power and thickness as input data.
If the present invention is applied to a spectacle lens, it corresponds to various conditions such as base material, frequency, thickness, half color (half color will be described later), and also corresponds to nonlinearity required for an approximate function, By statistically processing the variation in data derived from the instability of the observation conditions, it is possible to calculate the optimum dry staining condition based on the data obtained by measuring the color of the sample lens.
In addition, when the present invention is applied to a spectacle lens, the condition of standard color can be determined. When the color standards change all at once, switch to a new set of sample lenses, but the approximate function for processing a lens that looks the same color as the new sample lens has a high accuracy as the sample dyeing is processed. This is because it is optimized at the level.
Here, “dry dyeing” means printing a dye on a predetermined paper with an ink jet, holding the paper close to the lens, putting it in an electric furnace and heating it, thereby attaching the dye to the lens. This is a coloring method that penetrates into the substrate. “Wet dyeing” is a method of immersing a dye by immersing a transparent target object in a liquid in which the dye is dissolved in a solvent.
また、手段１３では、前記見本物体及び前記目的物体は非透明体であり、表面に色素を付着させて色付けするようにした。
これは、例えば、物体表面に印刷するようなケースである。物体表面が白いことがよいが、色素を付着させることができれば必ずしも白くなくともよい。
In the means 13, the sample object and the target object are non-transparent bodies, and are colored by attaching a pigment to the surface.
This is the case, for example, when printing on the surface of an object. The object surface is preferably white, but may not necessarily be white as long as the pigment can be attached.
本発明では、観察条件の不安定さや写像の非線形性があっても、正確かつ簡単に見本の色に合わせて物品に着色を施すことができる。 In the present invention, even if there is instability in observation conditions and non-linearity of mapping, the article can be colored accurately and easily according to the color of the sample.
以下、図面に基づいて本発明の具体的な実施の形態の説明をする。
本実施の形態では、眼鏡店を通じてユーザーが選択した見本レンズをレンズメーカーに送付し、レンズメーカーにてこの見本レンズと同じ色になるようにドライ染色する場合のドライ染色用のＲ（赤）Ｙ（黄）Ｂ（青）の三色の配合量を算出するものとする。レンズ情報としてはその他、基材の種類や処方等が提供されるものとする。近似関数としてＤＮＮを用いる。
１．着色材料の配合量の算出について
ＤＮＮでは入力値を設定し、それに重みを乗じてノード（ニューロン）の値を算出し、最終段階でＲＹＢの配合量を出力値として得る。出力値が適切になるように近似関数を最適化する点については後述する。まず、ここで使用する入力値の種類について説明する。入力値の一般形を次の数１のように表示する。 この一般形では入力の順序を表すｋを下に添えて表す。本実施の形態では４種類４１個の入力値を設定するが、これらは適宜変更可能である。
Hereinafter, specific embodiments of the present invention will be described with reference to the drawings.
In the present embodiment, the sample lens selected by the user through the spectacles store is sent to the lens manufacturer, and R (red) Y for dry dyeing when the lens manufacturer performs dry dyeing so as to have the same color as the sample lens. The blending amounts of the three colors (yellow) B (blue) shall be calculated. In addition, as the lens information, the type and prescription of the base material are provided. DNN is used as an approximation function.
1. Calculation of the amount of coloring material In DNN, an input value is set, and a value of a node (neuron) is calculated by multiplying the input value, and the amount of RYB is obtained as an output value in the final stage. The point of optimizing the approximation function so that the output value is appropriate will be described later. First, the types of input values used here will be described. The general form of the input value is displayed as in the following formula 1. In this general form, k indicating the order of input is added below. In the present embodiment, four types of 41 input values are set, but these can be changed as appropriate.
１）見本レンズの分光透過率
例えば測定装置である分光透過率計を使用して分光透過率を測定することができる。図１は、横軸を波長、縦軸を透過率×１００％としたカラーレンズの分光透過率の一例である。この図１ではａ．見本レンズを測定した測色データ、ｂ．見本レンズと同じ色に見えるようにドライ染色した新たなレンズを測定した測色データ、ｃ．ドライ染色したが見本レンズと同じ色に見えなかったためウェット調色した新たなレンズを測定した測色データの３種類のレンズ特性が表示されたグラフである。本発明では、入力値としてはａ．の見本レンズの分光透過率を使用するわけである。そして、出力値としてｂ．のようなレンズを作製するためのＲＹＢの配合量を正確に計算で求めるというものである。本実施の形態では３９０〜７３０ｎｍの帯域において１０ｎｍ間隔で、３５個の波長の分光数値データを取得したａ．の見本レンズの３５個の波長の分光数値データを取得する。この間隔や取得する波長帯域や取得個数は一例であって変更可能である。
1) Spectral transmittance of the sample lens For example, the spectral transmittance can be measured using a spectral transmittance meter as a measuring device. FIG. 1 is an example of the spectral transmittance of a color lens in which the horizontal axis represents wavelength and the vertical axis represents transmittance × 100%. In FIG. Colorimetric data obtained by measuring a sample lens, b. Colorimetric data obtained by measuring a new lens that is dry-stained so that it looks the same color as the sample lens, c. FIG. 5 is a graph showing three types of lens characteristics of colorimetric data obtained by measuring a new lens that has been wet-toned because it was dry-stained but did not look the same color as a sample lens. In the present invention, as input values, a. The spectral transmittance of the sample lens is used. And as an output value b. The amount of RYB blended for producing such a lens is accurately calculated. In the present embodiment, spectral numerical data of 35 wavelengths are acquired at intervals of 10 nm in a band of 390 to 730 nm. Spectral value data of 35 wavelengths of the sample lens is acquired. This interval, the wavelength band to be acquired, and the number of acquisitions are examples and can be changed.
２）見本レンズの度数
眼鏡店を通じて預かった見本レンズの度数をレンズメーターにて測定する。
３）加工するレンズの度数
ユーザーの処方に基づいてレンズメーカーで加工するレンズの度数。この値は眼鏡店からの発注情報にて指定される。
４）基材の種類を表すカテゴリ値
基材の種類は眼鏡店からの発注情報にて指定される。加工するレンズの種類はコートのバリエーションを加えると数が多くなるが、本実施の形態では４種類で例示する。定数を４個設定し、１番目の基材を｛１，０，０，０｝、２番目の基材を｛０，１，０，０｝・・・として表わす。例えば下記式のように１番目の基材のデータは表される。
2) The power of the sample lens The power of the sample lens deposited through the spectacle store is measured with a lens meter.
3) The power of the lens to be processed The power of the lens processed by the lens manufacturer based on the user's prescription. This value is specified by ordering information from a spectacle store.
4) Category value representing the type of base material The type of base material is specified by ordering information from a spectacle store. The number of types of lenses to be processed increases when coating variations are added, but four types are exemplified in this embodiment. Four constants are set, and the first substrate is represented as {1, 0, 0, 0}, and the second substrate is represented as {0, 1, 0, 0}. For example, the data of the first base material is represented by the following formula.
次に、入力値の基準化を図ることについて説明する。基準化をすることによって近似関数を最適化する計算を効率良く実行できることがわかっているためである。以下では、分光透過率の場合を例にとって説明する。基準化は各波長の透過率について、全データの平均値と標準偏差を求める。そして、各データから平均値を引いて標準偏差で割るという作業となる。数式で表すと下記数１〜数３となる。 Next, standardization of input values will be described. This is because it is known that the calculation for optimizing the approximate function can be efficiently executed by the standardization. Hereinafter, the case of spectral transmittance will be described as an example. In the standardization, the average value and standard deviation of all data are obtained for the transmittance of each wavelength. Then, the average value is subtracted from each data and divided by the standard deviation. When expressed by mathematical formulas, the following formulas 1 to 3 are obtained.
ｙの添え字１は、波長３９０ｎｍ（１番目の波長）を基準化した値であることを表している。尚、ｙにはデータの順番を表すｐを添えない。１つのデータを基準化して入力値を作ったら、その入力値を近似関数に入力して出力を得るようにしているためである。見本レンズの度数と加工するレンズの度数を基準化する手順は同様なので省略する。また、本実施の形態では基材を表すカテゴリ値は、基準化しないで０と１のまま入力値ｙ３８〜ｙ４１とした。 The subscript 1 of y represents a value obtained by standardizing a wavelength of 390 nm (first wavelength). In addition, p indicating the order of data is not added to y. This is because when an input value is created by standardizing one data, the input value is input to an approximation function to obtain an output. Since the procedure for standardizing the power of the sample lens and the power of the lens to be processed is the same, a description thereof will be omitted. In the present embodiment, the category value representing the base material is set to the input values y38 to y41 with 0 and 1 being not normalized.
次に、近似関数の計算プロセスについて説明する。以下の計算は複雑であるためコンピュータで実行される。伝達関数としてＲｅＬＵ（rectified linear unit整流された線形素子）を使用する。本実施の形態では隠れ層は４層で構成されている。以下の数６〜数１７の計算を模式化したネットワーク図が図２である。
まず、４１個の入力層の各ノードから第１層のノード２０個のうち、第１〜１９番目の１９個のノードに対して４１×１９＝７７９個の重みを設定する。入力ノードの値に重みの値を乗じて合計した値を第１層の各ノードの値とする。ただしマイナスの値は０にする。第１層の２０番目のノードの値は常に１とする。
各層の重みの一般形は下記数６で示す。重みの値ｗに対して上の層を表すｉを上に、下の層の順序を表すｋと上の層の順序を表すｊを下に添える。下記数７において関数ｆはＲｅＬＵを表す。
重みはこの段階までの近似関数（つまり、ここではＤＮＮ）の最適化の計算において更新された最新の重みが適用される。
Next, an approximate function calculation process will be described. The following calculations are performed on a computer due to complexity. ReLU (rectified linear unit) is used as a transfer function. In this embodiment, the hidden layer is composed of four layers. FIG. 2 is a network diagram schematically illustrating the calculations of the following equations 6 to 17.
First, 41 × 19 = 779 weights are set for the first to 19th 19 nodes among the 20 nodes of the first layer from the nodes of the 41 input layers. The value obtained by multiplying the value of the input node by the value of the weight is taken as the value of each node in the first layer. However, the negative value is 0. The value of the 20th node in the first layer is always 1.
The general form of the weight of each layer is shown by the following formula 6. For the weight value w, i representing the upper layer is attached to the top, k representing the order of the lower layer, and j representing the order of the upper layer are appended below. In the following formula 7, the function f represents ReLU.
As for the weight, the latest weight updated in the calculation of the optimization of the approximate function (that is, DNN here) up to this stage is applied.
次に第１層の出力の一般形を表す式を示す。ｊ＝１〜１９に関する式が数８で、ｊ＝２０に関する式が数９である。
第１層のｊ番目の出力値を表す式ではｉ＝１、入力層のノード数Ｎｉ−１＝４１とする。
Next, an expression representing the general form of the output of the first layer is shown. The equation for j = 1 to 19 is Equation 8, and the equation for j = 20 is Equation 9.
In the expression representing the jth output value of the first layer, i = 1 and the number of nodes of the input layer N i−1 = 41.
次に、第１層のノード２０個から第２層のノード１５個のうち、第１〜１４番目の１４個のノードに対して２０×１４＝２８０個の重みを設定する。ここでも、入力ノードの値に重みの値を乗じて合計した値を第２層の各ノードの値とする。ただしマイナスの値は０にする。第２層の１５番目のノードの値は常に１とする。
ここで、数１０に示すように第２層より上の第ｉ層の出力の一般形は、入力ｙをｚにおきかえて表す。第ｉ−１層（下の層）のノード数をＮｉ−１で表わす。
Next, 20 × 14 = 280 weights are set for the 14th first to 14th nodes among the 20 nodes in the first layer to the 15 nodes in the second layer. Here again, the value obtained by multiplying the value of the input node by the value of the weight is taken as the value of each node in the second layer. However, the negative value is 0. The value of the 15th node in the second layer is always 1.
Here, as shown in Equation 10, the general form of the output of the i-th layer above the second layer is expressed by replacing the input y with z. The number of nodes in the i-1th layer (lower layer) is represented by Ni -1 .
第２層のｊ番目の出力値を表す式では、ｉ＝２、Ｎｉ−１＝２０となる。ｊ＝１〜１４に関する式が数１１で、ｊ＝１５に関する式が数１２である。 In the expression representing the j-th output value of the second layer, i = 2 and N i−1 = 20. The equation for j = 1 to 14 is Equation 11, and the equation for j = 15 is Equation 12.
次に、第２層のノード１５個から第３層のノード１０個のうち、第１〜９番目の９個のノードに対して１５×９＝１３５個の重みを設定する。ここでも、入力ノードの値に重みの値を乗じて合計した値を第３層の各ノードの値とする。ただしマイナスの値は０にする。第３層の１０番目のノードの値は常に１とする。第３層のｊ番目の出力値を表す式では、ｉ＝３、Ｎｉ−１＝１５となる。ｊ＝１〜９に関する式が数１３で、ｊ＝１０に関する式が数１４である。 Next, 15 × 9 = 135 weights are set for the first to ninth nine nodes among the 15 second layer nodes to 10 third layer nodes. Again, the value obtained by multiplying the value of the input node by the value of the weight is taken as the value of each node in the third layer. However, the negative value is 0. The value of the 10th node in the third layer is always 1. In the expression representing the j-th output value of the third layer, i = 3 and N i−1 = 15. The equation for j = 1 to 9 is Equation 13, and the equation for j = 10 is Equation 14.
次に、第３層のノード１０個から第４層のノード７個のうち、第１〜６番目の６個のノードに対して１０×６＝６０個の重みを設定する。ここでも、入力ノードの値に重みの値を乗じて合計した値を第４層の各ノードの値とする。ただしマイナスの値は０にする。第４層の７番目のノードの値は常に１とする。第４層のｊ番目の出力値を表す式では、ｉ＝４、Ｎｉ−１＝１０とする。ｊ＝１〜６に関する式が数１５で、ｊ＝７に関する式が数１６である。 Next, among 10 nodes in the third layer to 7 nodes in the fourth layer, 10 × 6 = 60 weights are set for the first to sixth nodes. Again, the value obtained by multiplying the value of the input node by the value of the weight is the value of each node in the fourth layer. However, the negative value is 0. The value of the seventh node in the fourth layer is always 1. In the expression representing the jth output value of the fourth layer, i = 4 and N i−1 = 10. The equation for j = 1 to 6 is Equation 15, and the equation for j = 7 is Equation 16.
最後に、第４層のノード７個から第５層（出力層）の３個のノードに対して７×３＝２１個の重みを設定する。ここでも、入力ノードの値に重みの値を乗じて合計した値を第５層の各ノードの値とし、そのまま出力値とする。出力層においては、マイナスの値もそのまま出力する。したがって、ＲｅＬＵを表す関数ｆは用いない。第５層のｊ番目の出力値を表す式では、ｉ＝５、Ｎｉ−１＝７とする。ｊ＝１〜３に関する式が数１７である。
３個の出力値の指数から１を引けば、数１８のようにＲＹＢの設定量（配合量）を得る。出力値の指数をとって１を引く理由は段落００４７で後述する。
この計算では重みの数は７７９（第１層）＋２８０（第２層）＋１３５（第３層）＋６０（第４層）＋２１（第５層）＝１２７５個であった。
Finally, 7 × 3 = 21 weights are set for the seven nodes in the fourth layer to the three nodes in the fifth layer (output layer). Here again, the value obtained by multiplying the value of the input node by the weight value is used as the value of each node of the fifth layer, and is used as the output value as it is. In the output layer, negative values are output as they are. Therefore, the function f representing ReLU is not used. In the formula representing the j-th output value of the fifth layer, i = 5 and N i−1 = 7. The equation for j = 1 to 3 is Equation 17.
If 1 is subtracted from the index of the three output values, the set amount (blending amount) of RYB is obtained as shown in Equation 18. The reason for subtracting 1 by taking the exponent of the output value will be described later in paragraph 0047.
In this calculation, the number of weights was 779 (first layer) +280 (second layer) +135 (third layer) +60 (fourth layer) +21 (fifth layer) = 1275.
２．近似関数の更新について
次に、上記のようなＤＮＮの計算を行う際に用いる重みを更新して計算精度を向上させる手法について説明する。出力された値がＲＹＢの参照値に近似するように、すべての重みの値を最適化するようにした。本実施の形態ではバックプロパゲーション（誤差逆伝播法）を用いて最適化を行った。バックプロパゲーションでは出力値と参照値との差の二乗和が最小になるような最適化計算を行う。下記数１９で最小化すべき残差２乗和の一般式を示す。ｎはデータの総数。係数１／２は計算の都合で付してある。ｏｐｊはｐ番目のＲＹＢ配合量の出力値ｊ（但し、ｊ＝１〜３）であり、下記数２０のように上記「１．着色材料の配合量の算出について」の出力と等価である。ｔｐｊは同じくｐ番目のＲＹＢ配合量の参照値ｊである。
2. About Update of Approximate Function Next, a method for improving the calculation accuracy by updating the weight used when calculating the DNN as described above will be described. All weight values are optimized so that the output value approximates the reference value of RYB. In this embodiment, optimization is performed using back propagation (error back propagation method). In backpropagation, optimization calculation is performed so that the sum of squares of the difference between the output value and the reference value is minimized. The following general formula of the residual sum of squares to be minimized is given by Equation 19. n is the total number of data. The coefficient ½ is attached for convenience of calculation. o pj is an output value j (where j = 1 to 3) of the p-th RYB blending amount, and is equivalent to the output of “1. Calculation of blending amount of coloring material” as shown in the following equation 20. . tpj is also a reference value j of the p-th RYB blending amount.
出力値とはここでは上記「１．着色材料の配合量の算出について」で直近のある見本レンズＡの分光数値データ及びその他の数値データを入力値としてＤＮＮによって算出したＲＹＢの配合量である。
一方、参照値は近似関数の出力すべき目標値であって、以下の１）〜４）のいずれかに属するものである。
１）見本レンズＡと同じ色に見えるようにドライ染色したレンズに使用したＲＹＢの配合量
２）任意のある色にドライ染色した際のそのレンズのドライ染色に使用したＲＹＢの配合量
３）見本レンズＡを目標にドライ染色したが同じ色に見えなかったのでウェット調色して見本レンズＡと同じ色に見えるように調色したレンズについて分光数値データ及びその他の数値データを入力値として上記「１．着色材料の配合量の算出について」でＤＮＮによって算出したＲＹＢの配合量
４）見本レンズＡの分光数値データ及びその他の数値データを入力値として上記「１．着色材料の配合量の算出について」でＤＮＮによって算出したＲＹＢの配合量
図５〜図８に、本実施の形態で扱う具体的な入力値データの一例を示す。図５〜図７はＤＮＮに必要な項目のみを表示するようにして、計算に無関係なデータは割愛した。また、このようなデータは近似関数の更新については多ければ多いほど精度が上がる。図５は上記の参照値１）のケースでの入力値データの例である。また、図６は上記の参照値２）のケースでの入力値データの例である。これらは実際に測色しているためＲＹＢの配合量をデータとして使用している。図７は上記の参照値３）の図８は４）のケースでの入力値データの例である。図７及び図８ではＲＹＢの配合量は計算で得られた出力値を使用しているため、データ情報としては使用していない。
Here, the output value is the RYB blending amount calculated by DNN using the spectral numerical data and other numerical data of the most recent sample lens A in “1. Calculation of blending amount of coloring material” described above as input values.
On the other hand, the reference value is a target value to be output by the approximate function and belongs to one of the following 1) to 4).
1) The amount of RYB used for a lens dyed dry so that it looks the same color as the sample lens A 2) The amount of RYB used for dry dyeing of the lens when dry dyed to an arbitrary color 3) Sample Since the lens A was dry-stained with the target but did not look the same color, the above-mentioned “the spectral numerical data and other numerical data are input as input values for the lens that has been wet-toned and toned so that it looks the same color as the sample lens A. 1. Calculation of blending amount of coloring material 4) Blending amount of RYB calculated by DNN 4) Regarding calculation of blending amount of coloring material using spectral numerical data of sample lens A and other numerical data as input values The amount of RYB calculated by DNN in FIGS. 5 to 8 shows an example of specific input value data handled in the present embodiment. 5 to 7 display only the items necessary for DNN, omitting data unrelated to the calculation. In addition, the accuracy of such data increases as the approximation function is updated. FIG. 5 is an example of input value data in the case of the reference value 1). FIG. 6 is an example of input value data in the case of the reference value 2). Since these are actually colorimetric, the amount of RYB is used as data. FIG. 7 is an example of input value data in the case of the above reference value 3) and FIG. 8 is the case of 4). In FIG. 7 and FIG. 8, since the output value obtained by calculation is used for the blending amount of RYB, it is not used as data information.
尚、参照値は下記式２１のようにＲＹＢ設定量（配合量）に１を加えた値の対数で表される。
ＲＹＢ設定量（配合量）に１を加えるのは、設定量を０とすることもあるので、対数関数の引数が０になることが無いようにするための、便宜上の処理である。また、１を加えた後でその対数をとる理由は次の通りである。まず１つは、ランベルト・ベールの法則から、ある物質の透過率は ｅｘｐ（−αｘ）で表わされるためである。ここでαは吸収係数でｘは経路長である。レンズの染色においては染色の程度を表す量がｘに相当するので、対数をとることによって設定量と透過率の関係を線形に近くできる。その結果、近似関数をより精度よく作ることができる。もう１つの理由は、設定量の数値が大きいデータと小さいデータに関して、誤差の比率を平等にして最適化するためである。もし対数をとらなければ、数１９の式で与えられるＥへの寄与は、設定量の数値が大きいデータのほうが大きくなってしまうため、設定量の小さいデータに関して誤差の割合が大きくなり、うまく最適化することができない。
以上の理由から参照値はＲＹＢ設定量に１を加えた値の対数とするので、近似関数の３個の出力値の指数から１を引いてＲＹＢの設定量を得る。
The reference value is represented by the logarithm of a value obtained by adding 1 to the RYB set amount (blending amount) as shown in the following formula 21.
Adding 1 to the RYB set amount (blending amount) is a process for convenience to prevent the logarithmic function argument from becoming 0 because the set amount may be set to 0. The reason for taking the logarithm after adding 1 is as follows. First, the transmittance of a certain substance is expressed by exp (-αx) from Lambert-Beer's law. Where α is the absorption coefficient and x is the path length. In lens dyeing, the amount representing the degree of dyeing corresponds to x. Therefore, by taking the logarithm, the relationship between the set amount and the transmittance can be made nearly linear. As a result, the approximate function can be made more accurately. Another reason is to optimize the error ratio equally for data with a large set amount and small data. If the logarithm is not taken, the contribution to E given by the equation (19) becomes larger for data with a large numerical value of the set amount. Can not be converted.
For the above reason, the reference value is the logarithm of the value obtained by adding 1 to the RYB set amount, so that 1 is subtracted from the exponents of the three output values of the approximate function to obtain the set amount of RYB.
近似関数を最適化するためには、全データに関する残差２乗和を最小化するが、近似関数の更新は個別のデータについて逐次的に行う。すなわち、第ｐ番目のデータに関して、下記数２２のＥｐを最小化する。その更新手順を全データに関して繰り返し行うことによって、近似関数を最適化する。その手順においては、重要なデータ（類似のデータが少ない稀なデータ）の使用頻度を多くしたり、確率的にランダムにデータを選択したりする工夫をしてもよい。 In order to optimize the approximate function, the residual sum of squares for all data is minimized, but the approximate function is updated sequentially for individual data. That is, for the p-th data, minimizing E p the following equation 22. The approximate function is optimized by repeating the update procedure for all data. In the procedure, the frequency of using important data (rare data with few similar data) may be increased, or the data may be randomly selected at random.
まず、第４層のノード７個から第５層（出力層）の３個のノードへの２１個の重みを更新する計算方法を示す。数２３は重みを表す一般式である（但し、ｊ＝１〜３、ｋ＝１〜７）。尚、以下の計算は複雑であるためコンピュータで実行される。 First, a calculation method for updating 21 weights from seven nodes in the fourth layer to three nodes in the fifth layer (output layer) is shown. Equation 23 is a general expression representing a weight (where j = 1 to 3, k = 1 to 7). In addition, since the following calculation is complicated, it is performed by a computer.
Ｅｐを特定の重み（第４層ｋ番目のノードから第５層ｊ番目のノードへの重み）で微分したときの値（微分値）を求める Obtaining a value (differential value) when differentiating the E p specific weight (weight of the fourth layer k-th node to the fifth layer j-th node)
ここで数２４の右辺の左側は、数２５のようにＥｐを実際に偏微分することで、「近似関数のｊ番目の出力」と「出力するべき目標値」との差であることがわかる。「近似関数の出力」は第ｐ番目の測色データを近似関数に入力して得られる。「出力するべき目標値」は第ｐ番目の数値データに１を加えて対数をとった値である。 Here, the left side of the right side of Equation 24 is the difference between “jth output of approximate function” and “target value to be output” by actually performing partial differentiation of E p as shown in Equation 25. Recognize. “Approximate function output” is obtained by inputting the p-th colorimetric data to the approximate function. The “target value to be output” is a value obtained by adding 1 to the p-th numerical data and taking a logarithm.
また、数２４の右辺の右側は、数２６のように「第５層ｊ番目のノードの出力値の変化量」の「第４層ｋ番目のノードから第５層ｊ番目のノードへの重みの変化量」に対する比である。それは、第４層ｋ番目のノードの値に相当する。 Further, the right side of the right side of Expression 24 is the weight from the 4th layer kth node to the 5th layer jth node of “the change amount of the output value of the 5th layer jth node” as shown in Expression 26. The ratio to the “change amount”. It corresponds to the value of the fourth layer k-th node.
こうして、Ｅｐを特定の重み（第４層ｋ番目のノードから第５層ｊ番目のノードへの重み）で微分したときの値を求めることができる。その値に学習係数ηをかけて、重みから引くことにより更新する（数２７）。学習係数ηは近似関数を構成するすべての重みについて共通に適用する値であり、典型的には１０の−３乗から−８乗といった小さい値を用いる。近似関数を最適化する学習の初期においては学習係数ηを大きな値とし、最適化が進んだら小さくするといった工夫をしてもよい。 Thus, it is possible to determine the value when differentiating the E p specific weight (weight of the fourth layer k-th node to the fifth layer j-th node). The learning coefficient η is multiplied by the value and updated by subtracting from the weight (Equation 27). The learning coefficient η is a value that is commonly applied to all the weights constituting the approximate function, and is typically a small value such as 10 −3 to −8. The learning coefficient η may be set to a large value at the initial stage of learning for optimizing the approximate function, and may be reduced as the optimization proceeds.
次に、第３層のノード１０個から第４層の７個のノードへの７０個の重みを更新する計算方法を示す。下記数２８は重みを表す一般式である（但し、ｊ＝１〜７、ｋ＝１〜１０）。 Next, a calculation method for updating 70 weights from 10 nodes in the third layer to 7 nodes in the fourth layer will be described. The following formula 28 is a general expression representing a weight (where j = 1 to 7, k = 1 to 10).
数２９のようにＥｐを特定の重み（第３層ｋ番目のノードから第４層ｊ番目のノードへの重み）で微分したときの値（微分値）を求める。 The value (differential value) when E p is differentiated by a specific weight (weight from the third layer k-th node to the fourth layer j-th node) as shown in Equation 29 is obtained.
数２９の右辺には項が３つある。以下では第１項の値を求める計算についてのみ説明するが、第２項と第３項の計算も同様に行うことができる。
右辺第１項の左側は「第５層１番目のノードの値」と「第１番目のノードが出力するべき目標値」との差である。その値を得るための式を数３０として示す。
There are three terms on the right side of Equation 29. Only the calculation for obtaining the value of the first term will be described below, but the calculation of the second term and the third term can be performed in the same manner.
The left side of the first term on the right side is the difference between “the value of the first node in the fifth layer” and “the target value to be output by the first node”. An equation for obtaining the value is shown as Equation 30.
右辺第１項の右側は、「第５層の第１番目のノードの出力値の変化量」の「第３層ｋ番目のノードから第４層ｊ番目のノードへの重みの変化量」に対する比である。それは、次の式で与えられる。 The right side of the first term on the right side corresponds to “amount of change in output value of the first node in the fifth layer” from “amount of change in weight from the third layer k th node to the fourth layer j th node”. Is the ratio. It is given by
数３１において、右辺の左側は、「第５層１番目のノードの値の変化量」の「第４層ｊ番目のノードの値の変化量」に対する比である。その値はＲｅＬＵ関数の出力なので、数３２のように「第４層ｊ番目のノードの値」が負のときは０であり、正のときは「第４層ｊ番目のノードから第５層１番目のノードへの重み」に相当し、０のときは微分値を定義できないが便宜上どちらかを選択して値を決める。 In Equation 31, the left side of the right side is a ratio of “amount of change in the value of the first node in the fifth layer” to “amount of change in the value of the jth node in the fourth layer”. Since the value is the output of the ReLU function, it is 0 when the “value of the j-th node of the fourth layer” is negative as shown in Equation 32, and when the value is positive, This corresponds to the “weight to the first node”, and when it is 0, the differential value cannot be defined, but for convenience, either one is selected and the value is determined.
また、数３１において、右辺の右側は、「第４層ｊ番目のノードの出力値の変化量」の「第３層ｋ番目のノードから第４層ｊ番目のノードへの重みの変化量」に対する比である。そしてそれは、下記数３３のように第３層ｋ番目のノードの値に相当する。 Further, in Expression 31, the right side of the right side is “amount of change in weight from the third layer k th node to the fourth layer j th node” of “amount of change in output value of the fourth layer j th node”. It is a ratio to. This corresponds to the value of the k-th node in the third layer as shown in Equation 33 below.
こうして、第３層ｋ番目のノードから第４層ｊ番目のノードへの重みでＥｐを微分したときの値を求めることができる。その値に学習係数ηをかけて、重みから引くことにより更新する（数３４）。 Thus, it is possible to determine the value of the time obtained by differentiating the E p by the weight of the third layer k-th node to the fourth layer j-th node. The learning coefficient η is multiplied by the value and updated by subtracting from the weight (Equation 34).
以下、計算方法が複雑になっていくが、第２層のノードから第３層のへの重み、第１層のノードから第２層のへの重みを更新する式を同様の計算で得ることができる。但し、入力ノードから第１層のへの重みを更新する際は、入力ノードの値にＲｅＬＵ関数を適用しないことを考慮する。 In the following, although the calculation method becomes complicated, the formula for updating the weight from the second layer node to the third layer and the weight from the first layer node to the second layer is obtained by the same calculation. Can do. However, when updating the weight from the input node to the first layer, it is considered that the ReLU function is not applied to the value of the input node.
上記実施の形態は本発明の原理およびその概念を例示するための具体的な実施の形態として記載したにすぎない。つまり、本発明は上記の実施の形態に限定されるものではない。本発明は、例えば次のように変更した態様で具体化することも可能である。
・上記実施の形態では物体の例として透明な眼鏡レンズを挙げたが、非透明な物体の表面に着色するようにしてもよい。図３はそのような場合のＤＮＮによるネットワーク図である。ここでは上記実施の形態と同様に入力値を決めて、出力値としての４つの色Ｃ（シアン）Ｍ（マゼンタ）Ｙ（イエロー）Ｋ（ブラック）のプリンターで使用する着色剤の配合量を算出するというものである。ここでは、実施の形態に倣って見本について波長ごとの３５個の分光反射率（分光反射率は分光反射率測定装置によって測定）と、紙やインクの種類等のカテゴリ値（変数）を数値データとして入力値とし、重みを適用してＤＮＮを行って出力値としてＣ、Ｍ、Ｙ、Ｋの各色の配合量を算出する。また、上記実施の形態に倣ってＤＮＮの重みを更新する。また、上記実施の形態ではドライ染色（第１の色付け処理）に対して追加的な調色（第２の色付け処理）としてウェット調色を採用したが、印刷においての追加的な調色では、例えばプリント後に追加印刷で調色するようにする。
尚、印刷装置を制御する条件を表す量的変数を入力に追加してもよい。
・上記実施の形態で使用した近似関数では、重みの値を合計で１２９５個とした。これは若干多いため適宜重みを減らすようにしてもよい。しかし、パラメタの最適化を無理なく行うには、参照データは少なくとも５００〜１０００個は必要である。少ないデータを用いて近似関数を作ると過学習を生じるが、その場合は参照データとの違いが大きい特殊な入力値（参照データに含まれないような分光透過率パターン）から、異常な値が出力されてしまうことがあるためである。この問題に対応するためには、使用可能なデータが少ないうちは重みの数が少ないような近似関数を作るとよい。すなわち、５層よりも少ない層数にしたり、あるいは測定波長を２０ｎｍ間隔にして１８個とする方法が考えられる。初期は小さなモデルで受注・加工・測定を行い、データが蓄積されたらモデルを変えて計算の精度を高めればよい。
・上記実施の形態ではＤＮＮは５層で計算したが、５層よりも多層にしてもよい。
・上記実施の形態の入力値の条件は適宜変更可能である。例えば、レンズ基材のカテゴリ数を増やすこと、カテゴリをレンズ基材に限定せずに、コート別に設定することなども自由である。
・実施の形態のレンズの染色におけるドライ加工は赤（Ｒ）黄（Ｙ）青（Ｂ）の３色で行う例を示したが、黒（Ｋ）緑（Ｇ）シアン（Ｃ）マゼンタ（Ｍ）などを加えて４色以上で色付けを行ってもよい。
The above embodiments are merely described as specific embodiments for illustrating the principle of the present invention and the concept thereof. That is, the present invention is not limited to the above embodiment. The present invention can also be embodied in the following modified form, for example.
In the above embodiment, a transparent spectacle lens is given as an example of the object, but the surface of the non-transparent object may be colored. FIG. 3 is a network diagram of DNN in such a case. Here, the input value is determined in the same manner as in the above embodiment, and the blending amount of the colorant used in the printer of the four colors C (cyan), M (magenta), Y (yellow), and K (black) as output values is calculated. It is to do. Here, in accordance with the embodiment, 35 spectral reflectances for each wavelength (spectral reflectance is measured by a spectral reflectance measuring device) and category values (variables) such as paper and ink types are obtained as numerical data. As an input value, a weight is applied, DNN is performed, and a blending amount of each color of C, M, Y, and K is calculated as an output value. Also, the DNN weight is updated in accordance with the above embodiment. Further, in the above embodiment, wet toning is adopted as an additional toning (second coloring processing) for dry dyeing (first coloring processing), but in the additional toning in printing, For example, toning is performed by additional printing after printing.
A quantitative variable representing a condition for controlling the printing apparatus may be added to the input.
In the approximate function used in the above embodiment, the total number of weights is 1295. Since this is slightly larger, the weight may be appropriately reduced. However, at least 500 to 1000 pieces of reference data are necessary to optimize the parameters without difficulty. Over-learning occurs when an approximate function is created using a small amount of data. In that case, an abnormal value is generated from a special input value (spectral transmittance pattern that is not included in the reference data) that is significantly different from the reference data. This is because it may be output. In order to deal with this problem, it is better to create an approximate function that has a smaller number of weights when there is less data available. That is, the number of layers may be less than five, or the measurement wavelength may be 18 at 20 nm intervals. In the initial stage, orders, processing, and measurement are performed with a small model, and once the data has been accumulated, the model may be changed to increase the accuracy of the calculation.
In the above embodiment, DNN is calculated with five layers, but it may be multilayered with more than five layers.
-The condition of the input value of the said embodiment can be changed suitably. For example, it is possible to increase the number of categories of the lens base material, and to set the category for each coat without limiting the category to the lens base material.
In the embodiment, dry processing in dyeing of the lens is performed with three colors of red (R) yellow (Y) blue (B), but black (K) green (G) cyan (C) magenta (M ) Etc. may be added and coloring may be performed with four or more colors.
図６〜図８の入力値データを近似関数の入力として使用する際、見本レンズの度数を常に０としてもよい。それは、これら入力値データは、染色加工したレンズの分光透過率を測定したものであり、近似関数の出力は「結果的にレンズの色がそのように見える」条件のＲＹＢ設定量なので、入力・出力ともに見本レンズの度数とは無関係だからという考え方に基づく。
また、図６〜図８の入力値データを近似関数の入力として使用する際、見本レンズの度数を加工するレンズの度数と同じ値としても良い。それは、前回のドライ染色によってできたレンズと同じ色に見える同度数のレンズを新たな加工において製造するとしたら、前回のドライ染色によってできたレンズを見本レンズとするので、前回の図６の入力値データをそのまま図５の入力値データとして用いればよく、前回のドライ染色加工にて用いたＲＹＢ設定量を参照値とするべきという考え方に基づく。
・実施の形態ではレンズ全面を同じ色に染める全面加工の例を示したが、部分的な加工に適用するようにしてもよい。部分的な加工とは例えばハーフ加工がある。これは一般にレンズ上部を濃いカラーに、レンズ下部を薄いカラーに染める方法である。色の濃さが上部から下部にかけて徐々に変わる（グラデーション）効果がある。これをドライ染色で行うには、用紙の領域別に色の濃さを変えてプリントする。徐々に変える方法や、３〜５段階程度に分けて数値を設定する方法により加工できる。ウェット染色で行うには、レンズを上部のみを染色液につけた状態で、上下に揺動する方法により加工できる。
ハーフ加工に本発明を適用するには、レンズの上部と下部の所定の位置でそれぞれ分光透過率測定を行い、分光透過率から加工条件を算出する近似関数の最適化を、上部と下部それぞれで行うとよい。ある見本レンズについて所定位置２ヶ所を分光透過率測定し、２組のＲＹＢ設定量を算出する。そして上中下の３領域にプリントするのであれば、２組の値を上部と下部に適用し、中部は中間的な値とする方法が考えられる。中間的な値とは、たとえば平均値であり、あるいは２つの値の対数の平均値のさらに指数を用いる方法が考えられる。
本願発明は上述した実施の形態に記載の構成に限定されない。上述した各実施の形態や変形例の構成要素は任意に選択して組み合わせて構成するとよい。また各実施の形態や変形例の任意の構成要素と、発明を解決するための手段に記載の任意の構成要素または発明を解決するための手段に記載の任意の構成要素を具体化した構成要素とは任意に組み合わせて構成するとよい。これらについても本願の補正または分割出願等において権利取得する意思を有する。
When the input value data in FIGS. 6 to 8 is used as an input of the approximation function, the power of the sample lens may be always 0. That is, these input value data are obtained by measuring the spectral transmittance of the dyed lens, and the output of the approximate function is the RYB setting amount under the condition that “the lens color looks like that”. The output is based on the idea that the power of the sample lens is irrelevant.
Further, when the input value data in FIGS. 6 to 8 is used as the input of the approximation function, the power of the sample lens may be the same value as the power of the lens to be processed. If a lens with the same power that looks the same color as the lens made by the previous dry dyeing is manufactured in a new process, the lens made by the previous dry dyeing is used as a sample lens. The data may be used as it is as input value data in FIG. 5, and is based on the idea that the RYB set amount used in the previous dry dyeing process should be used as a reference value.
In the embodiment, an example of the entire surface processing in which the entire lens surface is dyed in the same color is shown, but the present invention may be applied to partial processing. Partial processing includes, for example, half processing. In general, this is a method of dyeing the upper part of the lens into a dark color and the lower part of the lens into a light color. There is an effect that the color intensity gradually changes from the top to the bottom (gradation). In order to perform this by dry dyeing, printing is performed by changing the color intensity for each area of the paper. It can be processed by a method of gradually changing or a method of setting numerical values in about 3 to 5 steps. For wet dyeing, the lens can be processed by a method of swinging up and down with only the upper part attached to the dyeing solution.
In order to apply the present invention to half processing, spectral transmittance measurement is performed at a predetermined position on the upper and lower portions of the lens, and optimization of an approximation function for calculating processing conditions from the spectral transmittance is performed on each of the upper and lower portions. It is good to do. Spectral transmittance is measured at two predetermined positions for a sample lens, and two sets of RYB set amounts are calculated. If printing is performed in the upper, middle, and lower three regions, a method of applying two sets of values to the upper part and the lower part and setting the middle part to an intermediate value can be considered. The intermediate value is, for example, an average value, or a method using an exponent of an average value of logarithms of two values can be considered.
The present invention is not limited to the configuration described in the above embodiment. The components of the above-described embodiments and modifications may be arbitrarily selected and combined. In addition, any component of each embodiment or modification, and any component described in the means for solving the invention or any component described in the means for solving the invention And may be combined arbitrarily. We also intend to acquire rights in these amendments or divisional applications.
Claims (13)
ある１つの前記見本物体を測色することで得られる第１の分光数値データと、前記目的物体を前記ある１つの前記見本物体と同じ色に見えるように前記複数の着色材料を配合して色付けした際の前記複数の着色材料の配合量のデータ（以下、第１の配合数値データ）とを含む数値データを１セットとして、複数の前記見本物体と対応する複数の前記目的物体について第１の分光数値データと第１の配合数値データの複数のセットを取得し、得られた第１の分光数値データと第１の配合数値データの複数のセットに基づいて分光数値データと配合数値データの近似関数を最適化計算によって作成し、得られた前記近似関数に新たな前記見本物体を測色することで得られる第１の分光数値データを適用することで新たな前記見本物体と同じ色に見える新たな前記目的物体のための前記着色材料の配合量のデータを算出するようにしたことを特徴とする着色材料の配合量の算出方法。 A computer for calculating a blending amount of the coloring material when a target object is colored by blending a plurality of coloring materials so that it looks the same color as the sample object when a person visually observes in a predetermined lighting environment A calculation method to be executed,
Coloring by combining the first spectral value data obtained by measuring the color of one sample object and the plurality of coloring materials so that the target object looks the same color as the one sample object The numerical data including the blending amount data of the plurality of coloring materials (hereinafter referred to as first blending numerical data) is set as one set, and the plurality of target objects corresponding to the plurality of sample objects are set to the first. Obtaining a plurality of sets of spectral numerical data and first combination numerical data, and approximating the spectral numerical data and the combination numerical data based on the obtained first spectral numerical data and the plurality of first combination numerical data sets A function is created by optimization calculation, and the first spectroscopic numerical data obtained by measuring the color of the new sample object is applied to the obtained approximate function, so that the same color as the new sample object is obtained. The method of calculating the amount of the coloring material, wherein characterized in that to calculate the data of the amount of the coloring material for new the target object that.
前記近似関数に前記第３の分光数値データを適用することで追加的に色付けした前記見本物体と同じ色に見える新たな前記目的物体のための前記着色材料の配合量のデータ（以下、第３の配合数値データ）量を算出し、
前記ある１つの前記見本物体を測色することで得られる前記第１の分光数値データと前記第３の配合数値データとを含む数値データをセットとして、このセットを更に前記近似関数を最適化する計算に用いるようにしたことを特徴とする請求項１又は２に記載の着色材料の配合量の算出方法。 When the color of the target object does not appear to be the same color as that of the one sample object even though it is colored so that it looks the same color as that of the one sample object in the first coloring process, As the coloring process, the third spectral value data is obtained by measuring the target object that is additionally colored so that it looks the same color as the one sample object, and that is additionally colored,
Data of the blending amount of the coloring material for the new target object that looks the same color as the sample object that is additionally colored by applying the third spectral value data to the approximate function (hereinafter referred to as third data). ) (Calculation numerical data)
The numerical data including the first spectral numerical data and the third blending numerical data obtained by measuring the color of the one sample object is set as a set, and the approximation function is further optimized by the set. The method for calculating the blending amount of the coloring material according to claim 1 or 2, wherein the method is used for calculation.
前記第３の分光数値データと前記第４の配合数値データをセットとして、前記近似関数を最適化する計算に用いるようにしたことを特徴とする請求項３に記載の着色材料の配合量の算出方法。 Applying the first spectral value data obtained by measuring the color of the one sample object to the approximate function, the new object for the new target object that looks the same color as the new sample object. Calculate the amount of the coloring material blending amount (hereinafter, “fourth blending numerical data”),
The calculation of the blending amount of the coloring material according to claim 3, wherein the third spectroscopic numerical data and the fourth blending numerical data are used as a set for calculation for optimizing the approximation function. Method.
前記近似関数に前記ある１つの前記見本物体を測色することで得られる前記第１の分光数値データを適用することで新たな前記見本物体と同じ色に見える新たな前記目的物体のための前記着色材料の配合量のデータ（以下、第４の配合数値データ）量を算出し、
前記第３の分光数値データと前記第４の配合数値データをセットとして、前記近似関数を最適化する計算に用いるようにしたことを特徴とする請求項１又は２に記載の着色材料の配合量の算出方法。 When the color of the target object does not appear to be the same color as that of the one sample object even though it is colored so that it looks the same color as that of the one sample object in the first coloring process, As the coloring process, the third spectral value data is obtained by measuring the target object that has been additionally colored so that it looks the same color as the one sample object, and the additional coloring is performed,
Applying the first spectral value data obtained by measuring the color of the one sample object to the approximate function, the new object for the new target object that looks the same color as the new sample object. Calculate the amount of the coloring material blending amount (hereinafter, “fourth blending numerical data”),
The blending amount of the coloring material according to claim 1 or 2, wherein the third spectroscopic numerical data and the fourth blending numerical data are used as a set for calculation for optimizing the approximation function. Calculation method.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017090362A JP6889473B2 (en) | 2017-04-28 | 2017-04-28 | Calculation method of blending amount of coloring material |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017090362A JP6889473B2 (en) | 2017-04-28 | 2017-04-28 | Calculation method of blending amount of coloring material |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2018191073A true JP2018191073A (en) | 2018-11-29 |
| JP6889473B2 JP6889473B2 (en) | 2021-06-18 |
Family
ID=64479988
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2017090362A Active JP6889473B2 (en) | 2017-04-28 | 2017-04-28 | Calculation method of blending amount of coloring material |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6889473B2 (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020094990A (en) * | 2018-12-14 | 2020-06-18 | 株式会社堀場製作所 | Optical analyzer, machine learning device used for optical analyzer, and method thereof |
| JP2021143887A (en) * | 2020-03-11 | 2021-09-24 | 東海光学株式会社 | Method for determining class of optical lens |
| JP7493776B2 (en) | 2020-09-02 | 2024-06-03 | 東海光学株式会社 | Coloring method, type of coloring agent, and calculation method for amount used |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH04235322A (en) * | 1991-01-10 | 1992-08-24 | Kurabo Ind Ltd | Method and apparatus for color matching |
| JPH11284868A (en) * | 1998-03-30 | 1999-10-15 | Toyo Ink Mfg Co Ltd | Color separation device |
| JP2007101436A (en) * | 2005-10-06 | 2007-04-19 | Nisshinbo Ind Inc | Colored sample preparation system |
| JP2016005159A (en) * | 2014-06-18 | 2016-01-12 | 東海光学株式会社 | Method of determining service condition of coloring material |
-
2017
- 2017-04-28 JP JP2017090362A patent/JP6889473B2/en active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH04235322A (en) * | 1991-01-10 | 1992-08-24 | Kurabo Ind Ltd | Method and apparatus for color matching |
| JPH11284868A (en) * | 1998-03-30 | 1999-10-15 | Toyo Ink Mfg Co Ltd | Color separation device |
| JP2007101436A (en) * | 2005-10-06 | 2007-04-19 | Nisshinbo Ind Inc | Colored sample preparation system |
| JP2016005159A (en) * | 2014-06-18 | 2016-01-12 | 東海光学株式会社 | Method of determining service condition of coloring material |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020094990A (en) * | 2018-12-14 | 2020-06-18 | 株式会社堀場製作所 | Optical analyzer, machine learning device used for optical analyzer, and method thereof |
| JP7014701B2 (en) | 2018-12-14 | 2022-02-01 | 株式会社堀場製作所 | Optical analyzers, machine learning devices used in optical analyzers, and methods thereof |
| JP2021143887A (en) * | 2020-03-11 | 2021-09-24 | 東海光学株式会社 | Method for determining class of optical lens |
| JP7460122B2 (en) | 2020-03-11 | 2024-04-02 | 東海光学株式会社 | Methods for classifying optical lenses |
| JP7493776B2 (en) | 2020-09-02 | 2024-06-03 | 東海光学株式会社 | Coloring method, type of coloring agent, and calculation method for amount used |
Also Published As
| Publication number | Publication date |
|---|---|
| JP6889473B2 (en) | 2021-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dupont | Study of the reconstruction of reflectance curves based on tristimulus values: comparison of methods of optimization | |
| CA2439839C (en) | System and method for organizing color values using an artificial intelligence based cluster model | |
| JP6703639B1 (en) | Paint manufacturing method and method for predicting color data | |
| TWI575230B (en) | Systems and methods for texture assessment of a coating formulation | |
| Jawahar et al. | Artificial neural networks for colour prediction in leather dyeing on the basis of a tristimulus system | |
| US20020184168A1 (en) | System and method for determining acceptability of proposed color solution using an artificial intelligence based tolerance model | |
| CN108431561B (en) | Method and data processing device for computer-aided determination of hair color properties | |
| US6993512B2 (en) | System and method for converting a color formula using an artificial intelligence based conversion model | |
| JP6889473B2 (en) | Calculation method of blending amount of coloring material | |
| JP2019500588A (en) | Method for determining the texture parameter of a paint surface | |
| WO2021132654A1 (en) | Method for producing paint material, method for predicting hue data, and computer color-mixing system | |
| Ruiz et al. | A learning system for adjustment processes based on human sensory perceptions | |
| CN113536687A (en) | Construction method of monochrome cotton fabric color and dye concentration prediction model based on PSO-LSSVM | |
| CN103645142B (en) | The method of prediction textile dyeing formula | |
| JP6393911B2 (en) | Method for determining usage conditions of coloring materials | |
| JP6936416B1 (en) | How to make paint and how to predict color data | |
| JPH04235322A (en) | Method and apparatus for color matching | |
| JP7493776B2 (en) | Coloring method, type of coloring agent, and calculation method for amount used | |
| Draus et al. | Formulation of colors using a genetic algorithm | |
| Tam et al. | Research on Textile Dyeing Formulation Based on Young's Double-Slit Interference Experiment Optimization Algorithm | |
| de Jesus Silva | Optimization of Color Adjustment in the Ceramic Industry using Genetic Algorithms | |
| WO2021054972A1 (en) | Color matching for prints on colored substrates | |
| Sandro et al. | Color recipe specification in the textile print shop using radial basis function networks | |
| Rautenberg et al. | The use of fuzzy sets for color recipe specification in the textile print shop | |
| Ruiz et al. | A Qualitative Learning System to acquire Human Sensory Abilities in Adjustment Tasks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200129 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20201221 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210106 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210226 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210331 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210416 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210512 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210514 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6889473 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |