JPH05296836A

JPH05296836A - カラーマッチング方法およびその装置

Info

Publication number: JPH05296836A
Application number: JP4096391A
Authority: JP
Inventors: Yasuyuki Honda; 恭之本田
Original assignee: Kurabo Industries Ltd; Kurashiki Spinning Co Ltd
Current assignee: Kurabo Industries Ltd; Kurashiki Spinning Co Ltd
Priority date: 1992-04-16
Filing date: 1992-04-16
Publication date: 1993-11-12

Abstract

(57)【要約】【目的】処方未知の目標色が学習範囲内に含まれる目
標色であるか否かを容易に判定することができ、処方未
知の目標色に対して精度の高いカラーマッチング処方を
得ることである。【構成】学習回路手段４の入力層に、学習用サンプル
の作成の際に得られた既知の色処方と学習用サンプルが
有している色情報との学習データ対の色処方を入力し、
出力層からの出力色情報と学習データ対の色情報との誤
差が充分に小さくなったときの重み係数を記憶する、学
習用サンプルの既知の色処方に対する色情報を教師とす
る学習を行う。学習後の学習回路手段４を用いて仮の色
処方を入力したときに出力側から得られる色情報と処方
未知の目標色の目標色情報とを比較し、その差が予め設
定した値よりも小さくなるまで入力側の色処方の値を修
正し、その結果得られる色処方の値を処方未知の目標色
の色処方とする。

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)が次の数１および数２に
より求まる。

【０００４】

【数１】

【０００５】

【数２】

【０００６】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。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が行なわれ
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
しておき、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処方未
知の目標色の場合には何ら効果がなかった。

【００１１】ところで、図１５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１６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。

【００１２】上記図１５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３で与えられ
る。

【００１３】

【数３】

【００１４】上記図１６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
ージを図示したもので、第１層３ユニット、第２層５ユ
ニット、第３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１層と第２層の各ユニット
間、および第２層と第３層の各ユニット間は全てネット
で結ばれており、第１層の全てのユニットの出力が第２
層の各ユニットに、第２層の全てのユニットの出力が第
３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１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１層の出力となって第２層の各
ユニットに伝えられる。第２層、第３層の各ユニットで
は、図１５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２層の出力は第３層の各ユニット
に伝えられ、第３層の出力は、そのまま出力１,出力２,
出力３となる。

【００１５】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。

【００１６】本願の発明者等は、層状のニューラルネッ
トワークが有しているこのようなパターン学習能力に着
目し、特願平３−１４９２号において、従来のカラーマ
ッチングにおける上記のような問題を解消するため、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
色処方を得るカラーマッチング方法を提案した。このカ
ラーマッチング方法では、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の学習を行う。その
後、学習済の上記学習回路手段の入力側に未知目標色の
色情報を入力して出力側から処方未知の上記目標色の色
処方を得る。

【００１７】上記のようなニューラルネットワークを用
いたカラーマッチング方法を採用し、色処方濃度に対し
て非線形な着色濃度領域を含むあらかじめ実現可能な数
の学習用サンプルを作成し、これら学習用サンプルの各
々が有している既知の色処方を教師として学習回路手段
上に学習させておけば、学習済の学習回路手段が非線形
な部分を吸収するので、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。しかしながら、ニューラ
ルネットワークを用いた上記カラーマッチング方法は、
なおも次のような問題を有していた。

【００１８】すなわち、ニューラルネットワークを用い
た上記従来のカラーマッチング方法では、学習回路手段
の入力層側に色情報を入力し、出力層側からその色処方
を得ており、かつ、学習済の学習回路手段自体は学習し
た色情報の範囲をチェックする機能を有していない。こ
のため、学習回路手段であるニューラルネットワークが
たとえば紺系の色を中心に学習を終えており、赤系の色
の学習はなされていなかった場合にも、赤系の処方未知
の目標色に対してもなんらかの色処方が得られる。しか
しながら、上記ニューラルネットワークは赤系の色の学
習をなんら行っていないので、得られた処方未知の目標
色の色処方は不正確なものである。このため、上記従来
のカラーマッチング方法では、処方未知の目標色が学習
範囲内のものであるか否かが分からないような場合、得
られた処方未知の目標色の色処方は、一体、その目標色
が学習範囲内のもので正確なものであるか否かが判断で
きないという問題があった。

【００１９】また、ニューラルネットワークを用いた上
記従来のカラーマッチング方法では、ある条件下で色合
せを行なうことを目的に準備した学習回路手段を用い、
その学習済み学習回路手段に色合せを行いたい色情報を
入力し、学習回路手段の出力側から、その入力に応じた
色処方が出力されるので、ある条件下、たとえばＣ光源
下で条件等色しようとした場合に色合せに使ったＣ光源
以外の光源下での予想色差を得ることができないという
問題もあった。

【００２０】なお、条件等色とは、物体の色は、光源と
その物体の分光反射率と観測者によって決定され、２つ
の物体を比較するとき、その分光反射率が一致すれば、
光源や観測者が変わっても、同じ色として観測される
が、分光反射率が異なっていても、ある特別な光源下
で、特別な観測者には同一の色として観測できることが
あり、このように特定の条件の下で、色が一致すること
をいう。

【００２１】また、２つの物体の色を比較する場合、特
定の光源下での標準観測者が観測する色の差をその光源
での色差とよんでおり、本発明でいう色差とは、比較す
る物体が持つ２つの分光反射率の差異を関数変換により
数字で表したもので、たとえば上記のような特定光源下
での色差や分光反射率間の自乗誤差である。

【００２２】本願の請求項１に係る発明の目的は、処方
未知の目標色が学習範囲内に含まれる目標色であるか否
かを容易に判定することができるとともに、学習範囲内
の処方未知の目標色に対して精度の高いカラーマッチン
グ処方を得ることができ、かつ、算出した色処方下での
色と目標色との予想色差を算出す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。

【００２３】本願の請求項２に係る発明の目的は、処方
未知の目標色が学習範囲内に含まれる目標色であるか否
かを判断するとともに、学習範囲内の処方未知の目標色
に対して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。

【００２４】

【課題を解決するための手段】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目標
色の色処方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、各学習用サンプルの作
成の際に得られる既知の色処方とこの既知の色処方によ
り得られる上記学習用サンプルが有している色情報とを
学習データ対として、上記学習回路手段の入力層に学習
データ対の色処方を入力したときに上記出力層から出力
する出力色情報と上記学習データ対の色情報との誤差が
最小となる方向に学習回路手段の上記ユニット間の重み
係数を決定する演算を繰り返し実行し、上記誤差が充分
に小さくなったときの上記重み係数を記憶する上記学習
用サンプルの既知の色処方に対する色情報を教師とする
学習を上記学習回路手段に行わせた後、学習後の上記学
習回路手段を用いてその入力側に仮の色処方を入力した
ときに出力側から得られる色情報と処方未知の目標色の
目標色情報とを比較し、その差が予め設定した値よりも
小さくなるまで入力側の色処方の値を修正し、この修正
の結果得られる色処方の値を処方未知の目標色の色処方
として得ることを特徴とするものである。

【００２５】本願の請求項２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り、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
用サンプルの作成の際に得られる既知の色処方とこの既
知の色処方により得られる学習用サンプルが有している
色情報との学習データ対の色処方を上記入力層に入力し
たときに上記出力層から出力する出力色情報と学習デー
タ対の色情報との誤差が最小となる方向に上記ユニット
間の重み係数を決定する演算を繰り返し実行し、上記誤
差が充分に小さくなったときの上記重み係数を記憶する
上記学習用サンプルの既知の色処方に対する色情報を教
師とする学習を行なう学習回路手段と、この学習回路手
段の上記演算および学習を制御する演算制御手段と、学
習後の学習回路手段の上記入力層に仮の色処方を入力し
たときに上記出力層から出力する色情報と処方未知の目
標色の目標色情報とを比較する比較手段とを備え、この
比較手段の出力が予め設定した値よりも小さくなるまで
上記演算制御手段が入力側の色処方の値を修正し、この
修正により得られる色処方を処方未知の目標色の色処方
として出力するようにしたことを特徴とするものであ
る。

【００２６】

【発明の作用および効果】本願の請求項１に係る発明で
は、学習回路手段の入力層に学習データ対の色処方を入
力したときに学習回路手段の出力層から出力する出力色
情報と学習データ対の色情報との誤差が最小となる方向
に、学習用サンプルの既知の色処方に対する色情報を教
師とする学習を行なった後、学習後の学習回路手段を用
いてその入力側に仮の色処方を入力したときに出力側か
ら得られる色情報と処方未知の目標色の目標色情報との
差が予め設定した値よりも小さくなるまで入力側の色処
方の値を修正し、この修正の結果得られる色処方の値を
処方未知の目標色の色処方として得ている。したがっ
て、学習後の学習回路手段を用いてその入力側に仮の色
処方を入力したときに出力側から得られる色情報と処方
未知の目標色の目標色情報との差から、処方未知の目標
色が学習範囲内に含まれる目標色であるか否かを容易に
判定することができる。また、上記差が予め設定した値
よりも小さくなるまで入力側の色処方の値を修正するこ
とにより色処方を求めているので、学習範囲内の処方未
知の目標色に対して精度の高いカラーマッチング処方を
得ることができるばかりでなく、算出した色処方下での
色と目標色との予想色差を算出することができる。

【００２７】本願の請求項２に係る発明では、比較手段
が学習後の学習回路手段の入力層に仮の色処方を入力し
たときに出力層から出力する色情報と処方未知の目標色
の目標色情報とを比較し、その比較結果が予め設定した
値よりも小さくなるまで演算制御手段が入力側の色処方
の値を修正し、この修正により得られる色処方を処方未
知の目標色の色処方として出力している。これにより、
上記比較手段の出力により、処方未知の目標色が学習範
囲内に含まれる目標色であるか否かを判断することがで
きる。また、制御手段により、上記差が予め設定した値
よりも小さくなるまで入力側の色処方の値を修正して色
処方を求めているので、学習範囲内の処方未知の目標色
に対して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。

【００２８】

【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。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。

【００２９】上記カラーマッチング装置は、測色装置
１、入力装置２、コントロールユニット３を構成してい
るニューラルネットワーク部４および演算制御部５、デ
ータ記憶装置６、出力装置７および上記演算制御部５の
比較回路８から構成される。

【００３０】上記測色装置１は、学習用サンプルや処方
未知の目標色等の測色を行ない、その測色結果を上記コ
ントロールユニット３の演算制御部５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。上記入力装置２からは、ニューラル
ネットワーク部４の学習の終了後に、処方未知の目標色
の仮の色処方が入力される。

【００３１】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、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層状ニューラルネットワーク
からなる。

【００３２】上記コントロールユニット３の演算制御部
５は、ニューラルネットワーク部４の学習段階では、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
習用サンプルの作成の際に得られる既知の色処方とこの
既知の色処方により得られる学習用サンプルが有してい
る色情報との学習データ対の色処方を上記ニューラルネ
ットワーク部４の入力層に入力したときに、上記出力層
から出力する出力色情報と上記学習データ対の色情報と
を比較回路８で比較し、その誤差が最小となる方向に、
上記ユニット間の重み係数を決定する演算を繰り返し実
行する。そして、上記誤差が充分に小さくなったときの
上記重み係数を、データ記憶装置６に記憶させる。すな
わち、上記演算制御部５は、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に対して、上記学習用サン
プルの既知の色処方に対する色情報を教師とする学習を
行なわせる。

【００３３】また、上記コントロールユニット３の演算
制御部５は、ニューラルネットワーク部４の上記学習の
終了後、学習済みのニューラルネトワーク部４の上記入
力層に仮の色処方を入力したときに上記出力層から出力
する色情報と処方未知の目標色の目標色情報とを比較回
路で比較する。そして、この比較回路８の出力が予め設
定した値よりも小さくなるまで入力側の色処方の値を修
正し、この修正により得られる色処方を処方未知の目標
色の色処方として出力装置７に出力させる。

【００３４】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。

【００３５】なお、上記入力装置２としては、たとえば
キーボードが使用され、また、出力装置７としてはＣＲ
Ｔディスプレイやプリンターが使用される。

【００３６】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、２つ
の構成例について説明する。

【００３７】構成例１図２に示すように、第１層(入力層)３ユニット、第２層
(中間層)１０ユニット、第３層(出力層)１６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、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、入力層の１番目のユニットからは
入力１として第１染料の処方濃度を、入力層の２番目の
ユニットからは入力２として第２染料の処方濃度を、ま
た、入力層の３番目のユニットからは入力３として第３
染料の処方濃度をそれぞれ入力する一方、出力側から教
師として４００nmから７００nmまで２０nm間隔で予め測
定した学習用サンプルの分光反射率が得られるように、
各ネットの重みや各ユニットのしきい値を調整し、全て
の学習用サンプルに対して最終的に、次の数４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。

【００３８】

【数４】

【００３９】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

【００４０】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Ｗabや各ユニットの
しきい値θaを次の数５,数６であらわされるΔＷab,Δ
θaだけ修正する。

【００４１】

【数５】

【００４２】

【数６】

【００４３】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

【００４４】入出力パターン対を順次変えながら上記数
５,数６によって、各ネットの重みＷab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５,数６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。また学習法として、誤差
逆伝播法の改良形を用いることも可能である。

【００４５】上記のようにして学習が終了した三層ニュ
ーラルネットワークを使用し、処方未知の目標色の仮の
染料濃度を入力１、入力２、入力３にそれぞれ入力す
る。このときに出力１ないし１６から得られる仮の上記
染料濃度に対する分光反射率と処方未知の目標色の分光
反射率とを比較し、その差が予め設定した値よりも小さ
くなるまで入力側の上記仮の染料濃度を修正し、この修
正の結果得られる仮の染料濃度を処方未知の目標色の色
処方として得る。

【００４６】構成例２図３に示すように、第１層(入力層)３ユニット、第２層
(中間層)７ユニット、第３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、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、入力層の１番目のユニットには入力１
として第１染料の処方濃度を、入力層の２番目のユニッ
トには入力２として第２染料の処方濃度を、入力層の３
番目のユニットには入力３として第３染料の処方濃度を
それぞれ入力し、出力１，出力２および出力３から、教
師としての学習用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が得られるように、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。

【００４７】構成例２によって学習が完了したニューラ
ルネットワークを使用し、図３の入力１,入力２および
入力３に、処方未知の目標色の仮の染料濃度をそれぞれ
入力する。このときに出力１ないし出力３から得られる
上記仮の染料濃度に対応する三刺激値Ｘ_m，Ｙ_m，Ｚ_mと
処方未知の目標色の三刺激値とを比較し、その差が予め
設定した値よりも小さくなるまで入力側の上記仮の染料
濃度を修正し、この修正の結果得られる仮の染料濃度を
処方未知の目標色の色処方として得る。

【００４８】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が、構成例１で示した出力ユニ
ットの数が１６個のものに比べて、ニューラルネットワ
ークの構成が簡単になり、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。

【００４９】次に、図１のカラーマッチング装置による
カラーマッチングの手順を、フローを参照して説明す
る。

【００５０】Ａ．学習用サンプルの学習フローまず、図４ないし図８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。

【００５１】学習手順のフローがスタートすると、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
分光反射率を測色装置１で測色し、その結果をデータ記
憶装置６に記憶する。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Ｒ_i(λ)を測定する。分光反射率Ｒ_i(λ)の添
字iは、i番目の学習用サンプルを表わす。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
Ｒ_i(λ)をデータ記憶装置６に記憶させる。また、ステ
ップＳ２にて、第１ないし第Ｎの学習用サンプルの各々
の既知処方を上記データ記憶装置６に記憶させる。学習
用サンプルの上記分光反射率Ｒ_i(λ)と既知処方とを学
習データ対とする。

【００５２】次いで、ステップＳ３にて、ニューラルネ
ットワーク部４の重みＷ_ab，しきい値Θａの初期値を設
定する。なお、上記重みＷ_abの添字ａ，ｂは、各ニュー
ロンユニットの番号を表す。また、以下の説明におい
て、Ｍは、ニューラルネットワーク部４で利用する出力
側端子（色情報）の総数を表すものとする（図２の例で
はＭ＝１６）。

【００５３】ニューラルネットワーク部４の初期値設定
後、ステップＳ４にて、学習回数ＣＯＵＮＴを０にセッ
トする。

【００５４】ステップＳ５にて、学習用データｉの初期
値を１にセットするとともに、ニューラルネットワーク
部４の学習誤差Ｅを０にセットした後、ステップＳ６に
て、ニューラルネットワーク部４の出力側の端子番号ｊ
を初期値１にセットし、ステップＳ７にて学習回数ＣＯ
ＵＮＴを１アップする。

【００５５】次いで、ステップＳ８にて、ｉ（＝１）番
目の学習データ対をニューラルネットワーク部４にセッ
トし、ステップＳ９にてｉ番目の学習誤差Ｅ_iを０にセ
ットする。ここで、学習データ対の色情報のうち、ｊ番
目の出力端子のセット値をＴ_ijとし、ステップＳ１０に
て、数３に従って、ニューラルネットワーク部４の入力
色処理信号より、全ての中間層ユニットをへてｊ番目の
出力端子からの出力値Ｖ_ijを算出する。

【００５６】上記ｊ番目の出力端子のセット値Ｔ_ijとｊ
番目の出力端子からの出力値Ｖ_ijとを用いてステップＳ
１１を実行し、Ｅ_ij＝１／２（Ｔ_ij−Ｖ_ij）^２を算出し、ステップＳ１２にて、Ｅ_ｉをＥ_i＋Ｅ_ijに更
新する。

【００５７】次いで、ステップＳ１３にて、ニューラル
ネットワーク部４の出力端子番号ｊがニューラルネット
ワーク部４の出力端子番号の最大の番号Ｍよりも小さい
ときは、ステップＳ１４にて、出力端子番号ｊを（ｊ＋
１）に更新した後、ステップＳ１０に戻る。以下、出力
端子番号ｊがＭに達するまでステップＳ１０からステッ
プＳ１４のループを繰り返し実行する。

【００５８】一方、上記ステップＳ１３にて、上記出力
端子番号ｊが上記番号Ｍに達したと判定するとステップ
Ｓ１５を実行し、上記ステップＳ１１にて算出した（Ｔ
_ij−Ｖ_ij）および各ユニットの出力値および各Ｗ_ab，Θ
_o等を用いて、既に説明した誤差逆伝播法に基づき、Δ
Ｗ_abおよびΔΘ_aを算出する。

【００５９】上記ステップＳ１５にて求めたΔＷ_ab，Δ
Θ_aおよびステップＳ１２で求めたＥ_iにより、ステップ
Ｓ１６にて、ニューラルネットワーク部４の重み係数Ｗ
_ab，しきい値Θ_aおよびニューラルネットワーク部４の
学習誤差Ｅをそれぞれ、（Ｗ_ab＋ΔＷ_ab），（Θ_a＋Δ
Θ_a）および（Ｅ＋Ｅ_i）に更新する。

【００６０】ついで、ステップＳ１７にて、学習用デー
タ対の番号ｉが最大番号Ｎに達したか否かを判定し、学
習用データ対の番号ｉが上記最大番号Ｎよりも小さいと
きは、ステップＳ１８にて、学習用データ対の番号ｉを
（ｉ＋１）に更新し、ステップＳ６に戻る。以下、学習
用データ対の番号ｉが最大番号Ｎに達するまで、ステッ
プＳ６ないしステップＳ１８のループを繰り返し実行す
る。

【００６１】上記学習用データ対の番号ｉが最大番号Ｎ
に達すると、ステップＳ１９にて、ニューラルネットワ
ーク部４の学習誤差Ｅが学習誤差の目標値Ｑよりも大き
いか否かを判定するとともに、学習回数ＣＯＵＮＴが学
習終了回数ＴＯＴＡＬに達したか否かを判定する。上記
ステップＳ１９にて、ニューラルネットワーク部４の学
習誤差Ｅが学習誤差の目標値Ｑよりも大きく、かつ学習
回数ＣＯＵＮＴが学習終了回数ＴＯＴＡＬに達していな
いのであれば、ステップＳ５の実行に戻り、ステップＳ
５からステップＳ１９のループを繰り返し実行する。

【００６２】ステップＳ１９にて、ニューラルネットワ
ーク部４の学習誤差Ｅが学習誤差の目標値Ｑ以下となる
か、または、学習回数ＣＯＵＮＴが学習終了回数ＴＯＴ
ＡＬに達したと判定すると、ステップＳ２０にて、学習
済みの重み係数Ｗ_abおよびしきい値Θ_aを記憶装置６に
記憶し、学習を終了する。

【００６３】Ｂ．目標色処方算出フロー次に、図９および図１０に示したフローにしたがって、
処方未知の目標色の目標色処方算出手順を説明する。

【００６４】目標色処方算出のフローがスタートする
と、ステップＳ２１にて、測色装置１が目標色の分光反
射率Ｒの測色を行ない、ステップＳ２２にて、処方算出
する目標色の染料の種類、本数を入力装置２から入力す
る。この染料を、以下ではたとえば３染料配合でＤＹＥ
１，ＤＹＥ２，ＤＹＥ３とする。また、ステップＳ２３
にて、上記入力装置２より、色合せ条件を入力する。こ
の色合せ条件を、以下ではたとえばＣ光源下での三刺激
値マッチングとする。なお、上記ステップＳ２２および
ステップＳ２３で入力した条件での学習は既に行なって
あって（入力＝ＤＹＥ１，ＤＹＥ２，ＤＹＥ３の処方、
出力＝分光反射率）、その学習データはデータ記憶装置
６に記憶しているものとする。

【００６５】その後、ステップＳ２４にて、目標色のＣ
光源下三刺激値Ｘ，Ｙ，Ｚを算出する。また、ステップ
Ｓ２５にて、ステップＳ２０で記憶した学習済みデータ
をニューラルネットワーク部４にセットする。

【００６６】次いで、ステップＳ２６にて、目標色のＤ
ＹＥ１，ＤＹＥ２，ＤＹＥ３の予想するそれぞれの量を
Ｃ１，Ｃ２，Ｃ３とし、この予想処方の初期値をニュー
ラルネットワーク部４の入力側にセットし、ステップＳ
２７にて、ニューラルネットワーク部４から上記予想処
方による目標色Ｒ′を算出する。この目標色Ｒ′の三刺
激値Ｘ′，Ｙ′，Ｚ′と上記目標色のＣ光源下三刺激値
Ｘ，Ｙ，Ｚとから、Ｃ光源下での色差を算出する。色差
の方向および差に基づきＣ１，Ｃ２，Ｃ３に対応する処
方補正量ΔＣ１，ΔＣ２，ΔＣ３を算出する。

【００６７】上記ステップＳ２８にて算出した色差は、
ステップＳ２９にて、希望値内か否かを判定し、希望値
外であれば、ステップＳ２６に戻り、予想処方をＣ１＝Ｃ１＋ΔＣ１Ｃ２＝Ｃ２＋ΔＣ２Ｃ３＝Ｃ３＋ΔＣ３のように修正しつつステップＳ２６ないしステップＳ２
９のループを繰り返し実行する。

【００６８】予想処方の修正により、色差が希望値内に
なると、ステップＳ３０にて、Ｃ光源下での結果色差お
よび結果処方を出力装置７に出力し、目標色処方算出の
ためのフローを終了する。所望により上記ループ回数を
設定してフローを終了することもできる。

【００６９】Ｃ．修正処方算出フロー次に、図１１ないし図１４に示した修正処方算出フロー
により、修正処方算出手順を説明する。

【００７０】修正処方算出フローがスタートすると、ま
ずステップＳ３１にて、処方未知の目標色の分光反射率
Ｒ₀を測色し、次いで、ステップＳ３２にて、参考色の
分光反射率Ｒ₁を測色する。

【００７１】ステップＳ３３にて、入力装置２より、参
考色ＤＹＥ１，ＤＹＥ２，ＤＹＥ３の処方Ｃ１，Ｃ２，
Ｃ３を入力する。また、ステップＳ３４にて、上記入力
装置２より、色合せ条件を入力する。この色合せ条件は
以下では例えばＣ光源下での三刺激値マッチングとす
る。

【００７２】なお、上記ステップＳ３３およびステップ
Ｓ３４で入力した条件での学習は既に行ってあって（入
力＝ＤＹＥ１，ＤＹＥ２，ＤＹＥ３の処方、出力＝分光
反射率）、その学習データはデータ記憶装置６に記憶し
ているものとする。

【００７３】その後、ステップＳ３５にて、目標色のＣ
光源下三刺激値Ｘ₀，Ｙ₀，Ｚ₀をステップＳ３１のＲ₀よ
り算出し、次いで、ステップＳ３６にて、参考色のＣ光
源下三刺激値Ｘ₁，Ｙ₁，Ｚ₁をステップＳ３２のＲ₁より
算出する。

【００７４】次いで、ステップＳ３７にて、データ記憶
装置６に記憶した学習済みデータをニューラルネットワ
ーク部４にセットし、ステップＳ３８にて、参考色の処
方Ｃ１，Ｃ２，Ｃ３をニューラルネットワーク部４の入
力側にセットし、ステップＳ３９にて、ニューラルネッ
トワーク部４の出力値Ｒ₂を算出する。

【００７５】上記ステップＳ３９にて算出した出力値Ｒ
₂に基づき、ステップＳ４０にて、Ｃ光源下三刺激値
Ｘ₂，Ｙ₂，Ｚ₂を算出し、ステップＳ４１にて、処方補
正量ΔＣ１，ΔＣ２，ΔＣ３の初期値をセットする。そ
の後、ステップＳ４２にて、Ｃ１＋ΔＣ１，Ｃ２＋ΔＣ
２，Ｃ３＋ΔＣ３をニューラルネットワーク部４の入力
側にセットし、ステップＳ４３にて、ニューラルネット
ワーク部４の出力値Ｒ₃を算出する。次いで、Ｒ₃のＣ光
源下での三刺激値Ｘ₃，Ｙ₃，Ｚ₃を算出する。

【００７６】上記三刺激値Ｘ₃，Ｙ₃，Ｚ₃に基づき、ス
テップＳ４５にて、次式により、予想三刺激値Ｘ′，
Ｙ′，Ｚ′を算出する。Ｘ′＝Ｘ₁＋（Ｘ₃−Ｘ₂）Ｙ′＝Ｙ₁＋（Ｙ₃−Ｙ₂）Ｚ′＝Ｚ₁＋（Ｚ₃−Ｚ₂）

【００７７】この目標色の予想三刺激値Ｘ′，Ｙ′，
Ｚ′と上記目標色のＣ光源下三刺激値Ｘ₀，Ｙ₀，Ｚ₀と
から、ステップＳ４６にて、Ｃ光源下での色差を算出
し、色差の方向および差に基づき加減値ΔΔＣ１，ΔΔ
Ｃ２，ΔΔＣ３を算出する。

【００７８】上記ステップＳ４６にて算出した色差は、
ステップＳ４７にて、希望値内か否かを判定し、この色
差が希望値に満たない場合は、ステップＳ４２に戻り、
次式 ΔＣ１＝ΔＣ１＋ΔΔＣ１， ΔＣ２＝ΔＣ２＋ΔΔＣ２， ΔＣ３＝ΔＣ３＋ΔΔＣ３により処方補正量を修正しつつステップＳ４２ないしス
テップＳ４７のループを繰り返し実行する。また、所望
によりループ回数を設定してもよい。

【００７９】処方補正量の修正により色差が希望値内と
なるか、ループ回数が設定値に至るとステップＳ４８に
てＣ光源下での色差を出力し、ステップＳ４９にて、Ｃ
光源下での結果色差および結果処方Ｃ１＝Ｃ１＋ΔＣ１，Ｃ２＝Ｃ２＋ΔＣ２，Ｃ３＝Ｃ３＋ΔＣ３，を出力装置７に出力し、修正処方算出のためのフローを
終了する。

【００８０】実験結果次に、以上に説明したカラーマッチングの実験結果を以
下に示す。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−７
ｅ）を用いた。

【００８１】Ａ．学習範囲内の目標色についての実験結
果本発明に係るカラーマッチング方法により求めた処方、
本願出願人の出願（特願平特願平３−１４９２号）に係
る先願発明により求めた処方および従来のコンピュータ
カラーマッチング（ＣＣＭ）による処方、および本発明
による補正を行った処方についての実験結果を次の表１
および表２に示す。

【００８２】

【表１】

【００８３】

【表２】

【００８４】なお、上記表１および表２に結果を示した
実験において、ニューラルネットワーク部４の学習にお
いて使用した学習用サンプルは、４８点のネービ系のも
の（ＮＡＶＹ，ＲＵＢＩＮＥ，ＹＥＬＬＯＷの分散染
料）を使用した。学習サンプルおよび学習条件は、先願
での実験と同じである。上記実験での処方は、入力値を
手動で動かしたもので、表１および表２で示した予想色
差が充分小さくなった時（０．５以下で適時）に終了し
た。

【００８５】上記表１および表２からわかるように、本
発明に係るカラーマッチング方法によれば、従来のコン
ピュータカラーマッチングの結果よりも色差でやや良好
な結果を得ており、本発明の先願発明の結果とほぼ同等
の結果を得た。

【００８６】本発明に係るカラーマッチング方法の利点
のひとつは、目標色に近い既知処方サンプルを用いて補
正計算ができる点にある。目標番号１の目標色について
は、本発明により近似色からの補正計算を行ったが、本
実験だけではその有効性は判断できなかった。しかし、
対象とする染織布が学習用サンプルと異なる場合、目的
の染織布で近似色の既知サンプルが存在すれば補正計算
が可能なことは、処方予測の点で非常に有益なことであ
る。なお、補正計算で用いた参考色の既知処方は、次の
通りであった。ＮＡＶＹ４．０ＲＵＢＩＮＥ０．４ＹＥＬＬＯＷ０．２

【００８７】本発明のいまひとつの利点は、結果色差の
予想ができる点にあり、処方は本願の先願発明の方法で
求め、予想色差を本願発明により求める等、本発明の先
願発明と本発明との併用も考えられる。このことを次の
学習範囲外の目標色についての実験結果を示す。

【００８８】Ｂ．学習範囲外の目標色についての実験結
果目標色として、次の表３（学習範囲外目標色）に示すＣ
光源下ＣＩＥ７６ＬＡＢ表色系で示す９点のサンプルを
用いてテストを行った。これら９点は、全て学習サンプ
ルとして用意したサンプルの色範囲外にあたる。

【００８９】

【表３】

【００９０】なお、学習用サンプルは、本発明の先願発
明の実験で用いたもので、Ｃ光源下ＣＩＥ７６ＬＡＢ表
色系で、１６．０３≦Ｌ≦２０．３７１．００≦Ａ≦ ７．００ −１５．００≦Ｂ≦−４．００の範囲にあたる４８点の紺系色のサンプルを用いた。

【００９１】本発明の先願発明により求めたこれら目標
色（ＮＯ．１ないしＮＯ．９）に対する処方を、表４に
示す。

【００９２】

【表４】

【００９３】上記表４から、本発明の先願発明による学
習範囲外の目標色の結果処方は、ＹＥＬＬＯＷ染料を除
いてほぼ同一の結果となっていることが分かる。たとえ
ば、ＮＯ．３とＮＯ．４の結果に着目すると、先願発明
の方法により求めた結果処方は、殆ど同じになったが、
実際の目標色は表３に示したように、全く別のものであ
り、表４に示したＮＯ．３もしくはＮＯ．４の処方で
は、目標色の色がどちらか一方または両方とも再現出来
ないことは明らかである。

【００９４】このように、本発明の先願発明は、学習範
囲外の目標色に対し、その結果処方が信頼できない可能
性がある場合、その信頼性のチェックを何らかの補助的
手段を用いて行わないと、予想処方の手続としては、不
充分である。

【００９５】次の表５は、本発明の先願発明により求め
た結果処方を、先願と同一の学習用サンプルを用いて学
習を行った図１のニューラルネットワーク部４に入力し
たときの出力層より出力した反射率と目標色反射率（表
３）とのＣ光源下での色差である。

【００９６】

【表５】

【００９７】上記表５によれば、ＮＯ．１からＮＯ．９
の目標色に対し、本発明の先願発明により求めた結果処
方を、図１のニューラルネットワーク部４に入力して
も、予想する色差が充分小さくなっていないことが分か
る。

【００９８】すなわち、学習範囲外の目標色に対し、本
発明の先願発明により求めた処方について、本発明を併
用すると求められた処方の信頼度をチェックできる。

【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】学習用サンプルの学習手順のフローの一部で
ある。

【図５】学習用サンプルの学習手順のフローの一部で
ある。

【図６】学習用サンプルの学習手順のフローの一部で
ある。

【図７】学習用サンプルの学習手順のフローの一部で
ある。

【図８】学習用サンプルの学習手順のフローの一部で
ある。

【図９】目標色処方算出手順のフローの一部である。

【図１０】目標色処方算出手順のフローの一部であ
る。

【図１１】修正処方算出手順のフローの一部である。

【図１２】修正処方算出手順のフローの一部である。

【図１３】修正処方算出手順のフローの一部である。

【図１４】修正処方算出手順のフローの一部である。

【図１５】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１６】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８比較回路

───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.⁵ 識別記号庁内整理番号ＦＩ技術表示箇所Ｇ０６Ｆ 15/70 ３１０ 9071−5ＬＧ０６Ｇ 7/60

Claims

【特許請求の範囲】

【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
いて目標色の色処方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、各学習用サン
プルの作成の際に得られる既知の色処方とこの既知の色
処方により得られる上記学習用サンプルが有している色
情報とを学習データ対として、上記学習回路手段の入力
層に学習データ対の色処方を入力したときに上記出力層
から出力する出力色情報と上記学習データ対の色情報と
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
間の重み係数を決定する演算を繰り返し実行し、上記誤
差が充分に小さくなったときの上記重み係数を記憶する
上記学習用サンプルの既知の色処方に対する色情報を教
師とする学習を上記学習回路手段に行わせた後、学習後
の上記学習回路手段を用いてその入力側に仮の色処方を
入力したときに出力側から得られる色情報と処方未知の
目標色の目標色情報とを比較し、その差が予め設定した
値よりも小さくなるまで入力側の色処方の値を修正し、
この修正の結果得られる色処方の値を処方未知の目標色
の色処方として得ることを特徴とするカラーマッチング
方法。
【請求項２】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
よび出力層からなり、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の作成の際に得ら
れる既知の色処方とこの既知の色処方により得られる学
習用サンプルが有している色情報との学習データ対の色
処方を上記入力層に入力したときに上記出力層から出力
する出力色情報と学習データ対の色情報との誤差が最小
となる方向に上記ユニット間の重み係数を決定する演算
を繰り返し実行し、上記誤差が充分に小さくなったとき
の上記重み係数を記憶する上記学習用サンプルの既知の
色処方に対する色情報を教師とする学習を行なう学習回
路手段と、この学習回路手段の上記演算および学習を制
御する演算制御手段と、学習後の学習回路手段の上記入
力層に仮の色処方を入力したときに上記出力層から出力
する色情報と処方未知の目標色の目標色情報とを比較す
る比較手段とを備え、この比較手段の出力が予め設定し
た値よりも小さくなるまで上記演算制御手段が入力側の
色処方の値を修正し、この修正により得られる色処方を
処方未知の目標色の色処方として出力するようにしたこ
とを特徴とするカラーマッチング装置。