JP3212101B2 - カラーマッチング方法およびその装置 - Google Patents

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、生体の神経網を模擬し
たいわゆるニューラルネットワークと呼ばれる回路網を
用いて繊維製品等を所望の目標色に染めるための染料等
の配合処方を得るカラーマッチング方法およびその装置
に関する。

【０００２】

【従来の技術】従来より、繊維製品を目標色に染めるた
めの染料の配合処方を求めるカラーマッチング方法とし
ては、単染料階調サンプルに基づく次のような方法が周
知である。

【０００３】下地色の所定波長λの下での反射率をＲ
₀(λ)とし、また複数の種類(i＝１,２,３,…n)の染料を
用い、上記下地色を所定階調Ｃj(jは正の定数)で染色し
た染料階調サンプルの所定波長λの下での反射率をＲi
(Ｃj,λ)とするとき、下地の吸収散乱特性f₀(λ)を f₀(λ)＝[１−Ｒ₀(λ)]²／２Ｒ₀(λ)、 また、各染料の各階調下の吸収散乱特性fi(Ｃj,λ)を fi(Ｃj,λ)＝[１−Ｒi(Ｃj,λ)]²／２Ｒi(Ｃj,λ)−f₀(λ)、 とすると、下記の仮定１および仮定２のもとで、任意配
合処方下での計算反射率Ｒ(λ)が次の２つの式により求
まる。

【０００４】

【数１】 Ｋi: 各染料の色処方濃度 Ｒ(λ)＝f(λ)＋１−[f²(λ)＋２f(λ)]¹／^２

【０００５】仮定１ 染料階調サンプル間の任意
の濃度下での吸収散乱特性ｆｉ（Ｋi,λ)は直線性を有
し、適当なfi(Ｃj,λ)からの補間演算により求まるもの
とする。

【０００６】仮定２ 各吸収散乱特性f₀(λ),fi(Ｋi,
λ)は加法性を有し、任意処方で配合した染料により染
色したサンプルの吸収散乱特性はこれらの加算により求
めるものとする。

【０００７】従来のカラーマッチングは、このようにし
て計算により求めた反射率Ｒ(λ)が、目標色の反射率
Ｒ'(λ)と等しくなるか、または、計算反射率Ｒ(λ)か
ら算出される三刺激値Ｘ,Ｙ,Ｚが目標色の三刺激値Ｘ',
Ｙ',Ｚ'と等しくなるように配合処方を求めていた。

【０００８】

【発明が解決しようとする課題】このように色処方濃度
に線形的に対応すると仮定した吸収散乱特性f(λ)を用
いることにより従来のカラーマッチング計算は行なわれ
ていたが、色処方濃度に対して染着濃度が必ずしも線形
にならない領域(濃色)や他の配合染料の影響を受けやす
い不安定な染料が処方に含まれている場合、あるいは染
料が小さな比率で処方に含まれている場合(鮮明色)には
先の仮定からはずれて計算結果がかなり不正確なものに
なっていた。

【０００９】また、従来はこのようなカラーマッチング
計算が苦手とした領域では、あらかじめサンプルを作成
して、その染色処方をコンピュータに登録しておくこと
により対応を行なっていた。

【００１０】しかし、このような既知処方登録方式で
は、コンピュータにあらかじめ登録されていない目標色
の場合に何ら効果がなかった。

【００１１】本発明の一つの目的は、従来の手法による
カラーマッチングが困難であった染着濃度が色処方濃度
に対して必ずしも線形にならない領域を有する目標色に
対しても精度の高いカラーマッチング処方を得ることが
できるカラーマッチング方法を提供することである。

【００１２】本発明のいま一つの目的は、目標色が有し
ている色情報を入力するだけで、精度の高いカラーマッ
チング処方を簡単かつ容易に得ることができるカラーマ
ッチング装置を提供することである。

【００１３】

【課題を解決するための手段】ところで、図１２に示す
人間の神経機能をモデル化したニューロンユニットを、
図１３に示すように層状に組み合わせた、いわゆる層状
ニューラルネットワークには、入出力パターンを学習す
る能力があることが知られている。そして、学習を終え
た上記層状ニューラルネットワークは、未知の入力がそ
の入力ユニットに与えられた場合にも、学習した入出力
パターンから類推した結果を出力ユニットから出力する
特徴を有していることが知られている。

【００１４】上記図１２は１個のニューロンユニットＮ
Ｕの動作特性を図示したもので、このニューロンユニッ
トＮＵは、与えられた複数の入力Ｉ₁〜Ｉnにそれぞれネ
ットの重みω₁〜ωnを乗じ、これらの総和からしきい値
θを減じ、その結果をシグモイド関数g(x): １／(１＋e
xp(−x))により変換して出力Ｏを得る。すなわち、この
ニューロンユニットの出力Ｏは、次の数２で与えられ
る。

【００１５】

【数２】

【００１６】上記図１３は複数のニューロンユニットＮ
Ｕで構成された、層状のニューラルネットワークのイメ
ージを図示しており、第一層３ユニット、第二層５ユニ
ット、第三層３ユニットからなる三層ニューラルネット
ワークを示している。第一層と第二層の各ユニット間、
および第二層と第三層の各ユニット間は全てネットで結
ばれており、第一層の全てのユニットの出力が第二層の
各ユニットに、第二層の全てのユニットの出力が第三層
の各ユニットに、それぞれ入力されることを示してい
る。また、第一層の３個のユニットでは、入力１,入力
２,入力３の値は、上記したシグモイド関数による変換
を受けず、そのまま第一層の出力となって第二層の各ユ
ニットに伝えられる。第二層、第三層の各ユニットで
は、図１２で示した特性にしたがって、各々のユニット
の出力が算出され、第二層の出力は第三層の各ユニット
に伝えられ、第三層の出力は、そのまま出力１,出力２,
出力３となる。

【００１７】このような二層以上のネットワーク構造を
もったニューラルネットワークでは、入出力パターンを
次々に教示し、教示した入出力特性が得られるように各
ユニットのネットの重みや、しきい値を調整する方法が
知られており、特に中間層のセルの数を増やせば、教示
パターンはより多く必要になるが、より複雑な入出力関
係を層状ニューラルネットワークにより再現させること
が可能になってくる。

【００１８】本発明は、層状ニューラルネットワークの
このようなパターン学習能力に注目してなされたもので
ある。

【００１９】すなわち、本願の請求項１に係る発明は、
各々がニューロンに対応する信号処理を行なう複数のユ
ニットから構成される入力層、中間層および出力層から
なる学習機能を有する学習回路手段を用いて未知目標色
の色処方濃度を得るカラーマッチング方法であって、色
処方濃度に対して非線形な着色濃度領域を含む複数の学
習用サンプルを予め作成しておき、これら学習用サンプ
ルの各々についてその作成の際に得られる既知の色処方
濃度を教師信号としてこの教師信号に対する学習用サン
プルが有している分光反射率又は表色値の色情報を上記
学習回路手段の入力層に入力したときに出力層から出力
する色処方濃度出力の誤差が最小となる方向に学習回路
手段の上記ユニット間の結合の強さの係数を決定する演
算を繰り返して実行し、上記誤差が最小となったときの
上記係数を記憶手段に記憶させる色処方濃度の学習を行
なった後、学習済の上記学習回路手段の入力側に未知目
標色の分光反射率又は表色値の色情報を入力して出力側
から上記目標色の色処方濃度を得ることを特徴としてい
る。

【００２０】本願の請求項２に係る発明は、色処方濃度
に対して非線形な着色濃度領域を含む学習用サンプルが
有している分光反射率又は表色値の色情報および未知目
標色の分光反射率又は表色値の色情報を入力する色情報
入力手段と、上記学習用サンプルの作成の際に得られる
既知の色処方濃度を教師信号として入力する処方入力手
段と、各々がニューロンに対応する信号処理を行なう複
数のユニットから構成される入力層、中間層および出力
層を有し、学習用サンプルが有している分光反射率又は
表色値の色情報が上記入力層に入力されて、上記出力層
から色処方濃度が出力し、上記教師信号に対する色処方
濃度出力の誤差が最小となる方向に上記ユニット間の結
合の強さの係数を決定する演算を行なう学習回路手段
と、上記誤差が最小となったときの上記結合係数を記憶
する記憶手段と、上記色情報入力手段に未知の目標色を
入力したときに学習回路手段から目標色の色処方濃度を
出力する出力手段とを備えたことを特徴としている。

【００２１】

【発明の作用・効果】本発明によれば、あらかじめ実現
可能な数の色処方濃度に対して非線形な着色濃度領域を
含む学習用サンプルを作成し、これら学習用サンプルの
色処方を学習回路手段上に学習させておくことによっ
て、学習済の学習回路手段が非線形な部分を吸収するの
で、従来の手法によるカラーマッチングが苦手とした染
着濃度が色処方濃度と非線形な関係になる領域であって
も、精度の高いカラーマッチングを実現することができ
る。

【００２２】また、本発明によれば、学習していない未
知の目標色に対しても、学習回路手段の類推作用によ
り、その色処方が学習したデータより導かれて出力され
るので、学習回路手段上に学習される学習用サンプル数
(入出力教示データ対の数)が多くなるほど、未知目標色
に対する色処方算出精度が高くなり、学習させるデータ
数の調整や、学習させるデータの分布状態を調整するこ
とにより、目的とする色処方算出精度を任意に確保でき
るようになる。

【００２３】さらに、本発明によれば、学習回路手段の
学習終了時の誤差や、学習回路手段に学習させた学習用
サンプルデータの中に目標色近傍のデータがどの程度含
まれているかを評価することによって、ニューラルネッ
トワーク出力値の信頼度の算出、すなわち、本発明方法
による色出力処方の信頼度を求めることができる。

【００２４】さらにまた、本発明によれば、学習回路手
段は、あらかじめ実現可能な数の色処方濃度に対して非
線形な着色濃度領域を含む学習用サンプルにより、学習
用サンプルの色処方を学習し、未知目標色に対して学習
から類推した結果を出力するので、処方を求める未知目
標色が色処方濃度に対して非線形な着色濃度領域を含ん
でいても、学習を終えた学習回路手段に未知目標色が有
している色情報データを入力するだけで、簡単に未知目
標色の正確な処方データを得ることができる。

【００２５】

【実施例】以下、添付の図面を参照して本発明の実施例
を説明する。

【００２６】本発明に係るカラーマッチング装置の一実
施例のシステム構成を図１に示す。

【００２７】上記カラーマッチング装置は、測色装置
１、処方入力装置２、ニューラルネットワーク部４およ
び演算制御部５からなるコントロールユニット３、デー
タ記憶装置６および出力装置７から構成される。

【００２８】上記測色装置１は、学習用サンプルや目標
色等の測色を行ない、学習用サンプルが有している色情
報を検出し、コントロールユニット３に出力する。上記
測色装置１としては、たとえば周知の分光光度計を使用
することができる。上記処方入力装置２には、学習用サ
ンプルの処方やシステムの制御命令が入力される。

【００２９】なお、学習用サンプルの色情報が分光反射
率ではなく、一般的な表色系を用いた表色値であった
り、従来法のカラーマッチングによる結果処方であった
りする場合には、上記処方入力装置２よりコントロール
ユニット３の演算制御部５に、上記表色値や結果処方が
直接、入力される。しかし、学習用サンプルの測色が可
能な場合には、測色装置１により、学習用サンプルの分
光反射率を測色した後、コントロールユニット３の演算
制御部５において一般に用いられる理論計算式によって
求める入力値に変換される。

【００３０】上記コントロールユニット３の演算制御部
５は、測色装置１から入力する測色データ、処方入力装
置２から入力する学習用サンプルの処方データやシステ
ムの制御命令等の各種データの関数演算処理およびシス
テム全体の制御を行なう。上記コントロールユニット３
のニューラルネットワーク部４は、演算制御部５からの
指令やデータ信号に基づいて、ニューラルネットワーク
の学習やニューラルネットワークの入出力演算を行な
う。上記データ記憶装置６は、ニューラルネットワーク
学習用データやニューラルネットワークの学習済のネッ
トの重みやしきい値を記憶する。上記出力装置７は、未
知目標色に対する結果処方を出力する。

【００３１】上記コントロールユニット３は一般に用い
られるディジタルコンピュータ(マイクロコンピュー
タ、パーソナルコンピュータを含む)であるので詳しい
説明を省略する。また、ニューラルネットワーク部４
は、一般的にコントロールユニット３に組み込む方法が
提案されているので、ニューラルネットワーク部４のコ
ントロールユニット３への組込みの詳しい説明も省略す
る。

【００３２】上記処方入力装置２としては、たとえばキ
ーボードを使用することができ、また、出力装置７とし
てはＣＲＴディスプレイやプリンターを用いることがで
きる。

【００３３】次に、コントロールユニット３の上記ニュ
ーラルネットワーク部４の構成について、以下に、４つ
の具体的な構成例について説明する。

【００３４】構成例１ 図２に示すように、第一層(入力層)１６ユニット、第二
層(中間層)１０ユニット、第三層(中間層)３ユニットか
らなる三層ニューラルネットワークにおいて、入力側に
４００nmから７００nmまで２０nm間隔で測定した学習用
サンプルの分光反射率を入力１ないし入力nに入力して
教示するとともに、学習用サンプルは特定の３染料の任
意の処方であらかじめ染色されたものであるとき、出力
層の１番目のユニットからは出力１として第１染料の処
方濃度が、出力層の２番目のユニットからは出力２とし
て第２染料の処方濃度が、出力層の３番目のユニットか
らは出力３として第３染料の処方濃度がそれぞれ出力す
るように各ネットの重みや各ユニットのしきい値を調整
し、全ての学習用サンプルに対して最終的に、次の数３
であらわされる誤差関数Ｅが最小になる方向に学習させ
る。

【００３５】

【数３】 Ｔij: i番目のサンプルのj番目の出力ユニットへの教示
データ Ｖij: i番目のサンプルのj番目の出力ユニットから出力
される値

【００３６】このときの学習方法は、学習させる入力パ
ターンを順次繰返して入力していき、入力するごとにＥ
が小さくなるように各ネットの重みωabや各ユニットの
しきい値θaを次の数４,数５であらわされるΔωab,Δ
θaだけ修正する。

【００３７】

【数４】

【００３８】

【数５】 n,η: 修正の大きさを変えるパラメータで正の小さな値 a,b: ユニットの番号

【００３９】入出力パターン対を順次変えながら上記数
４,数５によって、各ネットの重みωabや各ユニットの
しきい値θaを少しずつ修正していくと、最終的には与
えられた複数のサンプルのパターン対の学習が終了す
る。上記数４,数５において特に偏微分の値を求める際
に、シグモイド関数がg(x):１／(１＋exp(−x))の形を
とっていると、単純な形の関数形になる。このような学
習法は一般に誤差逆伝播法として周知であるので、これ
以上の詳しい説明は省略する。

【００４０】上記構成例１における１６波長分光反射率
対染色処方のニューラルネットワーク教示の例を表１お
よび表２に示す。

【００４１】

【表１】

【００４２】

【表２】

【００４３】上記学習法によって学習が完了した学習済
のニューラルネットワークの入力側ユニットに、目標色
の分光反射率である１６波長の各反射率を第１ユニット
から第１６ユニットにそれぞれ入力すると、出力側の３
個のユニットから本発明によるカラーマッチングの結果
処方が得られる。

【００４４】上記構成例１によれば、従来の理論計算に
よるカラーマッチングの手順をまったく介することな
く、学習した学習用サンプルの処方からの類推による、
従来法とは異なった手法でのカラーマッチングが行なえ
る。処方精度の面では、従来法の欠点であった吸収錯乱
特性f(λ)が非線形な領域においても、また、線形な領
域においても良質な処方を得ることができる。

【００４５】構成例２ 図３に示すように、第一層(入力層)３ユニット、第二層
(中間層)７ユニット、第三層(出力層)３ユニットからな
る三層ニューラルネットワークにおいて、入力１,入力
２および入力３にサンプルの特定光源(たとえばＣ光源)
下での三刺激値Ｘ,Ｙ,Ｚをそれぞれ入力するとともに、
学習用サンプルは特定の３染料の任意の処方であらかじ
め染色されたものであるとき、出力層の１番目のユニッ
トからは出力１として第１染料の処方濃度が、出力層の
２番目のユニットからは出力２として第２染料の処方濃
度が、出力層の３番目のユニットからは出力３として第
３染料の処方濃度がそれぞれ出力されるように各ネット
の重みや各ユニットのしきい値を調整し、全ての教示サ
ンプルに対して最終的に誤差関数Ｅが最小になる方向に
学習させる。この学習法は、構成例１で既に説明したも
のと同じであるので、その説明は省略する。

【００４６】構成例２によって学習が完了したニューラ
ルネットワークの図３の入力１,入力２および入力３
に、目標色の三刺激値Ｘm,Ｙm,Ｚmをそれぞれ入力する
と、出力側の３個のユニットからカラーマッチングの結
果処方が出力１,出力２および出力３より得られる。

【００４７】構成例２では、構成例１で示した効果とほ
ぼ同等の効果が得られるとともに、３個の入力ユニット
に入力する三刺激値Ｘ,Ｙ,Ｚが一致すれば、１６波長の
分光反射率がいかようであったとしても、特定光源下で
同一色となるので、構成例１で示した入力ユニットの数
が１６個のものに比べて、学習させるサンプルデータを
非常に少なくすることができる。すなわち、実用的なサ
ンプル数の学習によって、特定光源下での目標色に対す
るカラーマッチングを従来の理論計算式を用いずに行な
うことができる。

【００４８】構成例３ 図４に示すように、第一層(入力層)３ユニット、第二層
(中間層)７ユニット、第三層(出力層)３ユニットからな
る三層ニューラルネットワークにおいて、あらかじめ教
示用サンプルを特定の３染料の任意の配合処方で染色作
成し、入力側の３個のユニットに、従来方法による特定
光源下(たとえばＣ光源)でのカラーマッチング計算結果
処方を、ニューラルネットワーク入力用に正規化(例え
ば、対数をとった後、定数を加えて最大値で除算)して
０〜１の値に変換して入力し、出力層の１番目のユニッ
トからの出力１に第１染料の実染色処方濃度を従来法カ
ラーマッチング結果処方濃度で除算した値が、また、出
力層の第２ユニットからの出力２、第３ユニットからの
出力３にもそれぞれの染料の処方濃度の比が出力される
ように各ネットの重みや各ユニットのしきい値を調整
し、全ての教示サンプルに対して最終的に誤差関数Ｅが
最小になる方向に学習させる。この学習法も、構成例１
で既に説明した方法と同一なので、その説明は省略す
る。

【００４９】上記構成例３によって学習が完了したニュ
ーラルネットワークの入力側ユニットに、目標色の従来
法カラーマッチング計算によって求めた処方濃度を正規
化してそれぞれ入力すると、出力側の３個のユニットか
ら従来法計算処方に対する各染料のファクター値がそれ
ぞれ出力され、これによりカラーマッチングの結果処方
が得られる。

【００５０】上記構成例３によれば、未知目標色に対す
る従来法計算処方と実処方とのかい離の度合をファクタ
ーで予想することができ、特に３染料のうち、２染料の
従来法計算結果処方を固定したときの、残りの１染料の
従来法計算処方濃度の動きに対する、その染料のファク
ターを各染料おのおの３枚のグラフ上に表わす等、従来
法計算処方の信頼区間を視覚化することができるので、
従来法のカラーマッチングを本発明と併用する際に非常
に有効な方法となる。また、上記構成例３も実用的なサ
ンプル数の学習により高精度の処方が得られる。

【００５１】ただし、構成例３の方法において従来法計
算処方でゼロの濃度が得られた場合、そのファクターが
意味を失い、そのようになる領域の色に対しては、構成
例３は実現できないので、構成例１や構成例２等を適用
する必要がある。

【００５２】構成例４ この構成例４は、構成例３と実質的に同等の効果をねら
ったものである。図５に示すように、入力層４ユニット
と、中間層５ユニットと、出力層２ユニットとからなる
３層ニューラルネットワークにて、入力側の第１ユニッ
トに従来法カラーマッチング方法により求めた対象とし
ている１つの染料の処方濃度を入力し、入力側の第２ユ
ニットにその染料配合比を、第３、第４の入力側ユニッ
トには他の２つの染料の配合比をそれぞれ入力する。そ
して、出力側に学習用サンプルの対象としている染料の
染色処方を従来法カラーマッチング処方で除算したファ
クタ値をＦとすると、ファクタ値Ｆが、図６に示される
ように、２つの変換値Ｏa,Ｏbより出力されるように、
ニューラルネットワークのネットの重みやしきい値を学
習させる。変換値Ｏa,変換値Ｏbとファクタ値Ｆとの間
には次の関係がある。

【００５３】 Ｏa＝１−０．７Ｆ(Ｆ＜１／０．７),Ｏa＝０(Ｆ≧１／０．７)

【００５４】 Ｏb＝１−０．７／Ｆ(Ｆ＞０．７),Ｏb＝０(Ｆ≦０．７)

【００５５】上記構成例４では、染料毎に同一のニュー
ラルネットワークを構成する必要があり、３染料配合の
場合は、図５に示したニューラルネットワークが３ネッ
ト必要となるが、各ネットの重みが効率よく各々の染料
ファクタ値を学習するので、ニューラルネットワークの
構成としては相関関係のとれやすいものとなる。

【００５６】次に、以上に説明した４つの構成例１ない
し構成例４のうち、図３において説明した構成例２によ
るカラーマッチング方法を、図７,図８,図９および図１
０に示すフローを参照して説明する。

【００５７】まず、図７,図８および図９に示したフロ
ーにしたがって、カラーマッチングを行なうための準備
として、ニューラルネットワークの学習用サンプルの学
習までの手順を説明する。

【００５８】ステップＳ１にて、第１から第Ｎの学習用
サンプルの各々の分光反射率を測色し、その結果を記憶
する。この測色には、たとえばタングステンランプを用
いた分光光度計を用い、波長４００nm〜７００nmの領域
を２０nm毎に波長に分割し、各波長毎に分光反射率Ｒi
(λ)を測定する。分光反射率Ｒi(λ)の添字のiは、i番
目の学習用サンプルを表わすもので、このステップＳ１
で全学習用サンプル１,２,…,i,…,Ｎの分光反射率Ｒi
(λ)が次々に測色される。なお、学習用サンプルの三刺
激値Ｘ,Ｙ,Ｚが、分光反射率Ｒi(λ)の測色を行なわ
ず、他の一般に用いられる方法で求められる場合は、上
記ステップＳ１と次のステップＳ２が省略される。

【００５９】ステップＳ２にて、一般に行なわれるとお
り、上記分光反射率Ｒi(λ)から、次式にしたがって各
学習用サンプルの特定光源下での三刺激値Ｘi,Ｙi,Ｚi
を求める。

【００６０】

【数６】

【００６１】

【数７】

【００６２】

【数８】 Ｃ(λ): 光源の分光エネルギー Ｘ(λ),Ｙ(λ),Ｚ(λ): 観測者の等色関数

【００６３】このステップＳ２にて、第１から第Ｎの全
学習データの三刺激値が次々に算出される。

【００６４】ステップＳ３にて、各ユニットをつなぐネ
ットの重みωab、各ユニットのしきい値θaの初期値を
乱数により設定するとともにＥ＝０，i＝１とする。

【００６５】ステップＳ４にて、i番目の学習用サンプ
ルの三刺激値Ｘi,Ｙi,Ｚiを規格変換(たとえば、完全拡
散反射面の値で除算)した後、図３のニューラルネット
ワークの入力側の３個のユニットにそれぞれ入力する、
又ei＝０，j＝１とする。

【００６６】ステップＳ５にて、ニューラルネットワー
クの入力値に対し、上記ネットの重みωabを乗じて、そ
れらの和をとり、求めるユニットのしきい値θaを引い
た後、シグモイド関数により変換して、各中間ユニット
出力値をそれぞれ求め、さらに同様にして、i番目の学
習用サンプルの三刺激値を入力したときのj番目(j＝１,
２,…,m)の出力ユニットから出力される値である出力ユ
ニットの値Ｖijを算出する。ただし、３染料処方出力の
場合はm＝３である。

【００６７】ステップ６にて、i番目の学習用サンプル
のj番目の出力ユニットへの教示データtijと上記値Ｖij
とから、j番目の出力ユニットの２乗誤差 eij＝(１／２)(tij−Ｖij)² を算出する。

【００６８】次いで、ステップ７にて、前回までの２乗
誤差eiを、ei＋eijに置き換える。つまり、前回までの
２乗誤差eiに今回計算した２乗誤差eijを加算する。そ
して、次のステップＳ８にてj＜mか否かを判定し、j＜m
であれば、ステップ９にてjを(j＋１)として、再び、ス
テップＳ５に戻り、以下、jがmとなるまで、ステップＳ
５からステップＳ９のループを繰り返し実行する。

【００６９】これにより、次の数９であらわされる、ニ
ューラルネットワークのi番目の学習用サンプルの２乗
誤差eiを算出する。

【００７０】

【数９】

【００７１】ステップＳ８にて、j＝mと判定すると、ス
テップＳ１０を実行し、上記２乗誤差が減少する方向
に、ニューラルネットワーク上の各ネットの重み係数ω
abおよび各ユニットのしきい値θaを次の数１０,数１１
にしたがって修正する。

【００７２】

【数１０】

【００７３】

【数１１】

【００７４】ステップＳ１１では、前回までのニューラ
ルネットワークの学習誤差ＥをＥ＋eiにおきかえる。つ
まり、前回までの学習誤差Ｅに今回の学習誤差eiを加算
する。そして、次のステップＳ１２にて、i＜Ｎか否か
を判定し、i＜Ｎであれば、ステップ１３にて、iを(i＋
１)として、再び、ステップＳ４に戻り、以下、iがＮと
なるまで、ステップＳ４からステップＳ１３のループを
繰り返し実行し、すでにのべた数３によりあらわされる
ニューラルネットワークの学習誤差Ｅが算出される。

【００７５】次に、ステップＳ１４にて、上記学習誤差
Ｅと目的とする学習終了誤差Ｑとの大小を比較し、Ｅ≦
Ｑでないときは、i＝１，Ｅ＝０として再び、ステップ
Ｓ４に戻り、Ｅ≦Ｑとなるまで、ステップＳ４ないしス
テップＳ１４を実行し、学習用データの教示が繰り返さ
れる。そして、Ｅ≦Ｑとなると、教示用サンプルの学習
が打ち切られ、ステップＳ１５にて、学習済のニューラ
ルネットワークの各ネットの重み係数ωabおよび各ユニ
ットのしきい値θaをデータ記憶装置６に記憶する。

【００７６】次に、図１０に示したフローチャートにし
たがって、学習済のニューラルネットワークに目標色デ
ータを入力して、目標色の算出処方を得るまでのフロー
を説明する。

【００７７】ステップＳ２１にて、目標色の分光反射率
を測色する。ここでの測色は図７に示すフローチャート
のステップＳ１で行なわれた測色と同様に行なわれる。
また、目標色の三刺激値が、分光反射率の測色以外の一
般に用いられる測定方法で求められる場合は、ステップ
Ｓ２１,Ｓ２２が省略される。

【００７８】ステップＳ２１にて、上記測色によって得
られた反射率に基づいて一般に用いられる方法で、目標
色の三刺激値Ｘ,Ｙ,Ｚを算出する。このときの計算光源
としてはたとえばＣ光源を用いる。

【００７９】ステップＳ２３では、図９に示す手順中の
ステップＳ１５で保存されたニューラルネットワークの
学習後のネットの重みωabおよびしきい値θaが再度ニ
ューラルネットワークのもとの位置に戻される。このス
テップによってニューラルネットワークが学習した入出
力特性を再現することができるようになる。

【００８０】ステップＳ２４では、先に得られた目標色
の三刺激値Ｘ,Ｙ,Ｚをニューラルネットワーク入力用に
規格変換した後に、ニューラルネットワークの入力側の
３つのユニットにそれぞれ入力する。

【００８１】ステップＳ２５では、ニューラルネットワ
ークの入力値に対し、各ユニットをつなぐ学習済のネッ
トの重みとしきい値から図８のフローチャートのステッ
プＳ５と同等の方法によって各出力ユニットの値Ｖjが
求められる。

【００８２】ステップＳ２６では、各ステップから最終
的に得られたＶjに基づいて、目標色に対する処方を出
力装置７に出力する。

【００８３】実験結果 次に、以上に説明した図１のニューラルネットワーク部
４の構成例２によるカラーマッチング方法に基づいて実
際にカラーマッチングを行なった実験結果について説明
する。なお、本実験においては、測色装置は倉敷紡績株
式会社製の分光光度計(製品名ＣＯＬＯＲ−７e)を用い
た。

【００８４】ニューラルネットワーク学習の結果 図３に示したニューラルネットワークに、 n₁(１６．０３)≦Ｌ≦(２０．３７)n₂ n₃(１．００)≦a≦(７．００)n₄ n₅(−１５．００)≦b≦(−４．００)n₆ 一般に、n₁…n₆は任意の実数 の色範囲に存在する Ｎavy２ＧＬ, Ｒubine, Ｙellowか
らなる分散染料の配合処方により、無着色ポリエステル
地に染色した学習用サンプル４８点を、サンプル色のＣ
ＩＥ７６Ｌab表色系で示されるＬ,a,b値を入力側に、サ
ンプルの染色処方を出力側にそれぞれ正規化した値で教
示し、学習を行なった。その教示データを次の表３に示
す

【００８５】

【表３】

【００８６】学習は、東芝社製のワークステーション
(製品名ＡＳ４３３０)を用い、学習用プログラムはＣ言
語により記述して別途作成した。その学習の様子を図１
１に示す。

【００８７】本実験によると、５００００回のデータ教
示に対して約２０分の学習時間を要し、その結果ニュー
ラルネットワークの平均２乗誤差は０．００５４となっ
た。

【００８８】なお、ニューラルネットワークに残った誤
差は、染色の再現性によるものや測色装置の測色誤差に
よるものが含まれているともに、特定光源下でのＬab値
を同一にする染色処方がとくに存在することに起因する
ものである。

【００８９】とくに、最後の問題については、入力側の
Ｌab値を特定光源下に限らず、２種類以上の光源下のＬ
ab値を入力するか、１６波長の分光反射率を直接入力す
るようにすれば解決される。

【００９０】また、染色の測色によって生じたデータ誤
差については、学習のサンプルのうち特に学習率の悪い
ものをチェックするとともに、そのサンプルのデータ誤
差が明らかに大きいと判断できる場合には学習サンプル
から除去するか再作成することにより減少させることが
できる。

【００９１】ニューラルネットワークカラーマッチング
結果 本発明にかかるカラーマッチング方法の有効性を調べる
ために、先の学習用サンプルを作成した方法と同一の方
法で、先の色範囲に存在する目標色とするサンプル６点
を作成し、先に学習用サンプル４８点で学習させたニュ
ーラルネットワークにＣ光源下でのＬab値を入力値とし
て入力し、その結果、得られたニューラルネットワーク
処方と、実際の処方との誤差を表４に示す。

【００９２】

【表４】

【００９３】また、得られたカラーマッチング処方によ
って実際に染色試験を行い、染め上がった試染サンプル
と目標色の色差をとった結果の従来法との比較を表５に
示す。

【００９４】

【表５】

【００９５】上記から分かるように、とくに本実験を行
った領域は従来法カラーマッチング方法によって色再現
の難しい範囲であるが、結果は従来法カラーマッチング
方法によるものよりも良好な結果が得られた。

【図面の簡単な説明】

【図１】本発明に係るカラーマッチング装置の一実施例
のシステム構成図である。

【図２】本発明に係るカラーマッチング装置のニューラ
ルネットワーク部の構成例１の説明図である。

【図３】本発明に係るカラーマッチング装置のニューラ
ルネットワーク部の構成例２の説明図である。

【図４】本発明に係るカラーマッチング装置のニューラ
ルネットワーク部の構成例３の説明図である。

【図５】本発明に係るカラーマッチング装置のニューラ
ルネットワーク部の構成例４の説明図である。

【図６】本発明に係るカラーマッチング装置のニューラ
ルネットワーク部の構成例４のの出力から実ファクタＦ
をもとめる説明図である。

【図７】本発明に係るカラーマッチング方法による代表
例の学習ステップの一部のフローである。

【図８】本発明に係るカラーマッチング方法による代表
例の学習ステップの一部のフローである。

【図９】本発明に係るカラーマッチング方法による代表
例の学習ステップの一部のフローである。

【図１０】本発明に係るカラーマッチング方法による目
標色の処方算出のステップのフローである。

【図１１】学習用サンプル４８点をそのＬ,a,b値をニュ
ーラルネットワークの入力側に、染料処方を出力側にそ
れぞれ教示し、５００００回の学習を行ったときの各サ
ンプルの学習の様子を、各サンプルの学習誤差と平均学
習誤差の減少の経過を示すグラフである。

【図１２】ニューラルネットワークを構成する各ニュー
ロンユニットの機能を示すイメージ図である。

【図１３】学習機能をもった一般的な層状ニューラルネ
ットワークの構成図である。

【符号の説明】

１ 測色装置 ２ 処方入力装置 ３ コントロールユニット ４ ニューラルネットワーク ５ 演算制御部 ６ 記憶装置 ７ 出力装置

フロントページの続き (56)参考文献 特開 平１−129123（ＪＰ，Ａ) 特開 昭62−142242（ＪＰ，Ａ) 特開 平４−27832（ＪＰ，Ａ) 特開 平４−113236（ＪＰ，Ａ) 特開 平１−320565（ＪＰ，Ａ) 特開 平１−243169（ＪＰ，Ａ) 特開 平１−233579（ＪＰ，Ａ) 画像電子学会研究会講演予稿，Ｖｏ ｌ．110（1989）ｐ13−18 画像電子学会研究会講演予稿，Ｖｏ ｌ．114（1990）ｐ19−24 (58)調査した分野(Int.Cl.⁷，ＤＢ名) G01J 3/00 - 3/52 D06P 5/00 G06F 15/18 ＪＩＣＳＴファイル（ＪＯＩＳ)

Claims (2)

(57)【特許請求の範囲】
1. 【請求項１】 各々がニューロンに対応する信号処理を
   行なう複数のユニットから構成される入力層、中間層お
   よび出力層からなる学習機能を有する学習回路手段を用
   いて未知目標色の色処方濃度を得るカラーマッチング方
   法であって、 色処方濃度に対して非線形な着色濃度領域を含む複数の
   学習用サンプルを予め作成しておき、 これら学習用サンプルの各々についてその作成の際に得
   られる既知の色処方濃度を教師信号としてこの教師信号
   に対する学習用サンプルが有している分光反射率又は表
   色値の色情報を上記学習回路手段の入力層に入力したと
   きに出力層から出力する色処方濃度出力の誤差が最小と
   なる方向に学習回路手段の上記ユニット間の結合の強さ
   の係数を決定する演算を繰り返して実行し、 上記誤差が最小となったときの上記係数を記憶手段に記
   憶させる色処方濃度の学習を行なった後、 学習済の上記学習回路手段の入力側に未知目標色の分光
   反射率又は表色値の色情報を入力して出力側から上記目
   標色の色処方濃度を得ることを特徴とするカラーマッチ
   ング方法。
2. 【請求項２】 色処方濃度に対して非線形な着色濃度領
   域を含む学習用サンプルが有している分光反射率又は表
   色値の色情報および未知目標色の分光反射率又は表色値
   の色情報を入力する色情報入力手段と、 上記学習用サンプルの作成の際に得られる既知の色処方
   濃度を教師信号として入力する処方入力手段と、 各々がニューロンに対応する信号処理を行なう複数のユ
   ニットから構成される入力層、中間層および出力層を有
   し、学習用サンプルが有している分光反射率又は表色値
   の色情報が上記入力層に入力されて、上記出力層から色
   処方濃度が出力し、上記教師信号に対する色処方濃度出
   力の誤差が最小となる方向に上記ユニット間の結合の強
   さの係数を決定する演算を行なう学習回路手段と、 上記誤差が最小となったときの上記結合係数を記憶する
   記憶手段と、 上記色情報入力手段に未知の目標色を入力したときに学
   習回路手段から目標色の色処方濃度を出力する出力手段
   とを備えたことを特徴とするカラーマッチング装置。