KR20180074756A - 도료의 텍스쳐 파라미터의 확인 방법 - Google Patents
도료의 텍스쳐 파라미터의 확인 방법 Download PDFInfo
- Publication number
- KR20180074756A KR20180074756A KR1020187014633A KR20187014633A KR20180074756A KR 20180074756 A KR20180074756 A KR 20180074756A KR 1020187014633 A KR1020187014633 A KR 1020187014633A KR 20187014633 A KR20187014633 A KR 20187014633A KR 20180074756 A KR20180074756 A KR 20180074756A
- Authority
- KR
- South Korea
- Prior art keywords
- paint
- paint formulation
- color
- neural network
- optical
- Prior art date
Links
- 239000003973 paint Substances 0.000 title claims abstract description 209
- 239000000203 mixture Substances 0.000 claims abstract description 140
- 238000009472 formulation Methods 0.000 claims abstract description 136
- 238000013528 artificial neural network Methods 0.000 claims abstract description 82
- 230000003287 optical effect Effects 0.000 claims abstract description 76
- 238000000034 method Methods 0.000 claims abstract description 47
- 230000000007 visual effect Effects 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims description 19
- 238000010521 absorption reaction Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 230000003595 spectral effect Effects 0.000 claims description 11
- 238000001228 spectrum Methods 0.000 claims description 10
- 239000000839 emulsion Substances 0.000 claims 1
- 230000000694 effects Effects 0.000 description 27
- 239000000049 pigment Substances 0.000 description 22
- 239000003086 colorant Substances 0.000 description 14
- 238000000576 coating method Methods 0.000 description 11
- 239000011248 coating agent Substances 0.000 description 10
- 239000008199 coating composition Substances 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 7
- 210000002364 input neuron Anatomy 0.000 description 4
- 229910052751 metal Inorganic materials 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- 210000004205 output neuron Anatomy 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000010422 painting Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 238000007655 standard test method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000000862 absorption spectrum Methods 0.000 description 1
- 230000002730 additional effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- -1 for example Substances 0.000 description 1
- 238000007306 functionalization reaction Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000001454 recorded image Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/46—Measurement of colour; Colour measuring devices, e.g. colorimeters
- G01J3/463—Colour matching
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/46—Measurement of colour; Colour measuring devices, e.g. colorimeters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/46—Measurement of colour; Colour measuring devices, e.g. colorimeters
- G01J3/462—Computing operations in or between colour spaces; Colour management systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/46—Measurement of colour; Colour measuring devices, e.g. colorimeters
- G01J3/50—Measurement of colour; Colour measuring devices, e.g. colorimeters using electric radiation detectors
- G01J3/504—Goniometric colour measurements, for example measurements of metallic or flake based paints
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/29—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using visual detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
- G01N2201/1296—Using chemometrical methods using neural networks
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Spectrometry And Color Measurement (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
본 발명은, 기지의 도료 포뮬레이션(1)을 사용한 도료의 시각적 텍스쳐 파라미터(9)의 예측 방법에 관한 것이다. 도료 포뮬레이션(1)에 사용된 다수의 색 성분에 기초하여, 인공 신경망(7)을 사용하여 도료의 시각적 텍스쳐 파라미터(9)를 확인하고, 물리적 모델(3)을 사용하여 기지의 도료 포뮬레이션(1)에 대해 적어도 하나의 광학적 특성을 기술하는 적어도 하나의 특징 값(5)을 확인하고, 이를 기지의 도료 포뮬레이션(1)에 배정하고, 시각적 텍스쳐 파라미터(9)의 확인을 위해 입력 신호로서 인공 신경망(7)에 전송한다. 기지의 도료 포뮬레이션에 배정된 확인된 값은 도료 포뮬레이션(1)의 다수의 색 성분 중 적어도 일부에 대한 적어도 하나의 광학적 특성을 기술한다. 신경망(7)을 트레이닝하기 위해, 각각의 기지의 도료 포뮬레이션을 갖는 색 샘플을 사용하고, 각각의 색 샘플에 대하여, 각각의 시각적 텍스쳐 파라미터를 측정하고, 이를, 상응하는 각각의 도료 포뮬레이션에 대해 결정된, 각각의 도료 포뮬레이션에 대한 적어도 하나의 광학적 특성을 기술하는 적어도 하나의 특징 값에 배정한다.
Description
본 발명은, 도료의 텍스쳐 파라미터를 결정하고/거나 예측하는 방법, 및 또한 연산 유닛 상에서 본 발명의 방법을 실행하기 위한 상응하는 컴퓨터 프로그램에 관한 것이다.
효과 안료라 불리는 것을 포함하는 도료 피니시는 자동차 산업에서 널리 보급되어 있다. 금속 효과 안료 및 간섭 안료는 효과 안료의 예이다. 이들은, 예를 들어 각도 의존적 명도 및 음영 변화와 같은 추가의 특성을 도료에 부여한다. 이는, 문제의 도료의 명도 또는 음영이 도료를 바라보는 각도에 따라 변화함을 의미한다. 효과 안료는 시각적으로 감지가능한 과립성 또는 입자성 (또한 조대성(coarseness)이라 불림) 및 광채 효과를 제공한다 ["Coloristik fuer Lackanwendungen (Farbe und Lack Edition)", Tasso Baeurle et al., bound edition - March 14, 2012]. 이들 효과는 또한 시각적 텍스쳐로서 언급된다.
현재, 효과 도료를 특성화하기 위해 사용되는 두가지 기술이 존재한다.
제1 기술은 특정 도료 표면을 조명하기 위해 광원을 사용하고, 상이한 각도에서 분광 반사를 측정한다. 얻어진 결과 및 광원의 방사 함수로부터 색도 값, 예를 들어 CIEL*a*b*를 계산할 수 있다 [ASTM E2194 "Standard Test Method for Multiangle Color Measurement of Metal Flake Pigmented Materials", ASTM E2539 "Standard Test Method for Multiangle Color Measurement of Interference Pigments"].
제2 기술의 경우에는, 도료 표면을 한정된 광 조건 하에 한정된 각도에서 사진촬영한다. 이어서, 이미지로부터, 시각적 텍스쳐를 기술하는 텍스쳐 파라미터를 계산할 수 있다. 텍스쳐 파라미터의 예는, 텍스쳐 값 G 확산 또는 Gdiff (입자성 또는 조대성), Si (광채 강도), 및 Sa (광채 면적)이며, 이는 비와이케이-가드너(Byk-Gardner)에 의해 도입된 것이다 ["Beurteilung von Effektlackierungen, Den Gesamtfarbeindruck objektiv messen" (Assessment of effect finishes - objective measurement of overall color impression), Byk-Gardner GmbH, JOT 1.2009, vol. 49, issue 1, pp. 50-52]. 비와이케이-가드너의 텍스쳐 값은 회색 단계 이미지로부터 결정된다. 또한, 텍스쳐 값은 색 이미지의 상이한 색 채널 (예를 들어, 적색 채널, 녹색 채널, 및 청색 채널)에 대하여 개별적으로 측정될 수 있다
색 포뮬라(formula) 계산에서는, 필요한 착색제의 농도를 계산함으로써, 이용가능한 착색제의 혼합물에 의해 색 원본을 재현하기 위한 시도가 이루어진다. 색 포뮬라 계산에서 필수적인 전제 조건은 각각의 색 포뮬레이션(formulation)의 분광 반사의 예측이다. 본 개시내용의 목적상, 색 또는 도료 포뮬레이션 또는 포뮬라는, 한정된 각각의 착색제 농도를 갖는 상이한 착색제 및/또는 색 성분의 특정 조성물을 지칭한다. 이는, 색 또는 도료 포뮬레이션이 일종의 항목들의 목록 (즉, 도료의 개개의 성분, 즉 그의 개개의 색 성분을 포함하는 도료의 정량적 조성물)을 한정함을 의미한다.
하나의 통상적 방법은, 물리적 모델 (예를 들어, 쿠벨카-뭉크(Kubelka-Munk) 등식)에 기초하여 반사 스펙트럼을 계산하는 것이다. 이 방법에서는, 공지된 착색제 모음의 실제 적용에 기초하여, 물리적 모델에 의해 각각의 착색제에 대하여 광학 상수를 결정한다. 이들 광학 상수는 모델-의존적이고, 문제의 착색제를 특성화한다. 광학 상수의 예는 쿠벨카-뭉크 등식의 파라미터 K 및 S이고, 이는 흡수 (파라미터 K) 및 산란 (파라미터 S)을 기술한다. 광학 상수가 사용되는 모든 착색제에 대해 측정되면, 물리적 모델을 사용하여 임의의 요망되는 색 포뮬레이션의 분광 반사가 계산될 수 있다.
도료, 예를 들어 자동차용 착색 도료의 혼합을 위해, 요망되는 색 효과를 갖는 도료를 생성하기 위해 각각의 색 성분의 서로에 대한 혼합 비율을 나타내는 색 포뮬레이션을 사용하는 것이 일반적 관행이다. 예를 들어 금속 도료와 같은 효과 도료의 복제를 위해, 분광 반사 특성 뿐만 아니라, 예를 들어 입자성 또는 조대성과 같은 목표 텍스쳐 파라미터가 상응하는 음영 원본의 광학적 특성의 기술로서 요구된다.
상기에 언급된 바와 같이, 포뮬라 데이터에 기초한 이러한 효과 도료의 시각적 텍스쳐 파라미터의 예측을 위해, 회귀에 기초한 방법이 전형적으로 사용된다. 이러한 방법에서는, 예를 들어 금속 효과 안료 및 간섭 안료와 같은 도료 중에 존재하는 안료 유형의 농도와 같은 특징 파라미터, 예를 들어 물리적 모델에 의해 예측되는 분광 반사, 또는 물리적 모델의 각각의 광학 상수로부터 유도된 변수가 도료 포뮬레이션에 대해 계산된다. 이어서, 이들 파라미터의 선형 조합이 시각적 텍스쳐 파라미터의 예측에 대한 통계적 모델을 형성한다. 선형 조합의 계수는, 문헌 [Kirchner, Ravi, "Predicting and measuring the perceived texture of car paints", Proceedings of the 3rd international conference on Appearance "Predicting Perceptions", Edinburgh, April 17-19, 2012]에 기재된 바와 같이, 회귀 분석에 의해 결정된다.
효과 피니시의 시각적 텍스쳐 파라미터를 예측하는 또 다른 방식은 인공 신경망의 사용에 의한 것이다.
이와 관련하여 사용하기 위한 하나의 신경망은 역전파로서 언급되는 학습 방법에 기초한 것이다. 신경망의 뉴런은 층으로 배열된다. 이들은 입력 뉴런을 갖는 층 (입력 층), 출력 뉴런을 갖는 층 (출력 층), 및 하나 이상의 내부 층을 포함한다. 출력 뉴런은 예측하려는 도료 포뮬레이션의 시각적 텍스쳐 파라미터, 다시말해서 상기 언급된 Si, Sa, 및 Gdiff의 파라미터이다.
효과 도료 포뮬레이션의 분광 반사를 예측하기 위해, 이미 언급된 바와 같이, 물리적 모델이 사용된다.
최초로 공지된 해결 접근에서, 신경망에 사용되는 입력 파라미터 또는 입력 뉴런은 고려되는 특정 도료 포뮬레이션에서 사용된 착색제 또는 색 성분의 농도, 및 물리적 모델에 의해 예측되는 반사 스펙트럼이다.
그러나, 사용되는 착색제의 농도의 입력 파라미터로서의 사용은 하기와 같은 많은 단점을 갖는다:
· 도료 시리즈 내의 착색제의 수가 매우 많고, 따라서 신경망의 입력 층 내의 뉴런의 수가 매우 많다. 텍스쳐 파라미터의 정확한 예측은 다량의 트레이닝 데이터를 필요로 한다.
· 도료 시리즈의 임의의 변화의 경우, 신경망이 재정립되고, 재트레이닝되고, 재시험되어야 한다. 이는 상당한 관리 수고 및 비용을 의미한다.
· 도료 시리즈에 추가의 착색제를 첨가하는 것의 수고 및 비용이 크다: 새로운 착색제의 경우, 수많은 혼합물이 신경망의 트레이닝을 위한 기초로서 생성되어야 한다.
미국 특허 US 6,714,924 B1로부터 신경망을 사용하는 색 조화의 방법 및 장치가 공지되어 있다. 여기서, 색 표준의 색은 색 값으로 나타내어지며, 사용되는 신경망의 입력 신호가 도료 베이스에 관련된다. 또한, 신경망의 입력 층의 입력 노드와 신경망의 출력 층의 출력 노드 사이에 가중 연결이 제공된다. 여기서 초기 가중 연결은 각각의 출력 색 성분에 대한 입력 층의 도료 베이스의 각각의 기여를 결정한다.
US 2009/0157212 A1로부터 효과 안료를 포함하는 도료 포뮬레이션을 결정하기 위한 방법 및 시스템이 공지되어 있다. 시스템은, 예를 들어 자동차의 경우와 같은, 도장된 표면에 인접하여 배치되어야 하는 조도 측정 기기를 포함하며, 여기서 기술자는 디스플레이와 도장된 표면을 비교하여 효과 안료의 조도를 결정한다.
이러한 배경과 관련하여, 기지의 도료 포뮬레이션에 대하여 물리적 모델에 의해 적어도 하나의 광학적 특성을 기술하는 적어도 하나의 특징 변수의 값을 결정하고, 이를 기지의 도료 포뮬레이션에 배정하고, 이를 시각적 텍스쳐 파라미터의 결정 또는 예측을 위한 입력 신호로서 인공 신경망에 전송하고, 여기서 결정되고 기지의 도료 포뮬레이션에 배정된 값은 도료 포뮬레이션의 다수의 색 성분 중 적어도 일부에 대한 적어도 하나의 광학적 특성을 기술하고, 여기서 각각 기지의 도료 포뮬레이션을 갖는 색 원본을 신경망의 트레이닝에 사용하고, 색 원본의 각각에 대하여, 이들의 각각의 시각적 텍스쳐 파라미터를 측정하고, 이를, 상응하는 각각의 도료 포뮬레이션에 대해 결정되거나 계산되고 그 각각의 도료 포뮬레이션에 대한 적어도 하나의 광학적 특성을 기술하는 적어도 하나의 특징 변수의 값에 배정하는 것인,
도료 포뮬레이션에 사용된 또는 사용하려는 다수의 색 성분에 기초하여 인공 신경망에 의해 도료의 시각적 텍스쳐 파라미터를 결정하거나 예측하는, 기지의 도료 포뮬레이션을 갖는 도료의 시각적 텍스쳐 파라미터의 측정 또는 예측 방법이 제공된다.
어구 "적어도 하나의 [...] 특징 변수의 값"을 신경망에 "적어도 하나의 입력 신호로서 전송"한다는 것은, 본 명세서와 관련하여, 특징 변수의 값 자체 뿐만 아니라 특징 변수의 이 값에 기초하여 결정된 변수가 입력 신호로서 제공될 수 있으며, 이것이 신경망에 제공됨을 의미하도록 의도된다.
"기지의 도료 포뮬레이션"은 그에 사용되고 포함된 색 성분의 농도를 알고 있는 색 포뮬라를 의미한다.
하기 본문에서, 용어 "특징 변수의 값" 및 "특징 변수"는 서로 동의어로 사용된다. 이는, 하기 본문에서, "적어도 하나의 특징 변수의 값" 및 "적어도 하나의 특징 변수"가 동의어로 이해되어야 함을 의미한다. "시각적 텍스쳐 파라미터의 값" 및 "시각적 텍스쳐 파라미터"에 대해서도 동일하다.
본 발명의 실시양태는 하기 설명 및 종속 청구항으로부터 명백하다.
제공된 방법은 특히, 역전파로서 언급되는 학습 방법에 기초한 신경망에 의해 기지의 도료 포뮬레이션을 갖는 도료의 시각적 텍스쳐 파라미터를 결정하기 위해 제공된다. 여기서 역전파는 에러 피드백을 갖는 감독 학습 방법에 대한 일반적 용어로서 이해되어야 한다. 다양한 역전파 알고리즘이 존재한다 (예를 들어, Quickprop, Resilient Propagation (RPROP)). 이 방법은 적어도 3개의 층을 포함하는 신경망을 사용한다: 입력 뉴런을 갖는 제1 층, 출력 뉴런을 갖는 제n 층, 및 (n-2)개의 내부 층 (여기서, n은 2 초과의 자연수임). 이러한 신경망에서, 출력 뉴런은 각각의 도료 또는 상응하는 도료 포뮬레이션의 시각적 텍스쳐 파라미터를 예측하기 위해 제공된다.
본 명세서와 관련하여, 용어 "입력 신호", "입력 성분", "입력 변수", 및 "입력 뉴런"은 동의어로 사용된다.
특히, 적어도 하나의 특징 변수의 값, 또는 적어도 하나의 특징 변수를, 각각, 도료 포뮬레이션 또는 도료의 다수의 색 성분 중 적어도 일부의 적어도 하나의 광학 상수로부터 유도하거나 결정하는, 적어도 하나의 특징 변수에 기초하여, 본 발명에 따라 제공되는 신경망에 의해, 도료의 각각의 텍스쳐 파라미터를 결정하는 경우가 제공된다.
가능한 실시양태에서, 적어도 하나의 특징 변수의 값은 도료 포뮬레이션의 모든 색 성분 중 적어도 하나의 각각의 광학 상수로부터 계산된다. 이는, 적어도 하나의 광학 상수가 각 경우에 도료 포뮬레이션의 모든 색 성분에 대한 물리적 모델에 의해 계산되고, 도료 포뮬레이션의 적어도 하나의 특징 변수의 값은 도료 포뮬레이션의 모든 색 성분의 각각의 광학 상수에 기초하여 결정되거나 계산됨을 의미한다.
본 발명과 관련하여 시각적 텍스쳐 파라미터는, 예를 들어, Si, Sa 또는 Gdiff와 같은, 도료의 광채 효과, 입자성 또는 조대성과 관련된 파라미터, 특히 데이터를 의미한다. 앞부분에 이미 기재된 바와 같이, Si ("광채 강도") 및 Sa ("광채 면적")는 도료의 광채 효과를 기술하기 위한 비와이케이-가드너에 의해 도입된 파라미터이다. 파라미터는 직접 정렬 조명 하에 기록된 이미지의 시리즈로부터 결정된다. Gdiff ("입자성 확산")는 입자성을 기술하기 위한 비와이케이-가드너에 의해 도입된 파라미터이다. 파라미터는 확산 조명 하에 기록된 이미지로부터 결정된다. 각각의 도료 표면의 각각의 이미지는 한정된 조명 하에 이미지를 기록하도록 구성된 적절한 카메라를 사용하여 기록된다. 카메라는 일반적으로 분광계의 각 부분이다.
본 개시내용과 관련하여 광학적 특성은, 도료 또는 상응하는 도료 표면에 대한 광 충돌에 영향을 주는, 도료의 특성, 또는 도료의 특성을 기술하기 위한 값 (따라서, 예를 들어, 이 광이 흡수되거나 반사되는 정도, 및 반사되는 경우, 이것이 반사되는 방식)을 의미한다.
제공된 본 발명과 관련하여 신경망은, 도료, 보다 특히 효과 도료의 도료 포뮬레이션의 시각적 텍스쳐 파라미터를 결정하고/거나 예측하기 위한 인공 신경망을 지칭하고, 여기서 신경망은 역전파에 기초한 것이다. 이 시스템에서, 평가되는 신경망의 입력 변수 또는 신호는 각각의 도료 포뮬레이션으로부터의 물리적 및/또는 수학적 모델에 의해 결정되는 중간 변수이다. 이들은 특히, 각각의 도료 포뮬레이션에 배정된 광학 상수, 및 또한, 추가의 실시양태에서는, 이들 상수로부터 계산된 반사 파라미터를 포함한다. 본 발명에 따라 제공되는 신경망은 도료의 개개의 색 성분과 직접 관련되지 갖지 않기 때문에, 본 발명에 따라 제공되는 신경망은 현재까지의 선행 기술에서의 이러한 목적을 위해 사용된 신경망에 비해 그의 정의에 있어 덜 복잡하다. 신경망에 대한 선행 기술에서 사용된 트레이닝 데이터는 포뮬라 데이터, 즉 대략 80 내지 250개의 색 성분 각각에 대한 상이한 농도에 기초하였지만, 본 발명에 따라 사용되는 트레이닝 데이터는 상이한 기지의 도료 포뮬레이션에 대한 광학적 특성 또는 데이터에 기초한다. 따라서, 특정 색 성분과 이들의 각각의 농도 사이에는 더이상 구별이 나타나지 않지만, 대신에 이들이 생성하는 상이한 광학적 거동 사이의 구별이 나타난다. 이들 광학적 거동은 상이한 색 성분의 수에 비해 더 적은 특징 변수에 의해 기술될 수 있기 때문에, 신경망이 덜 복잡하고, 따라서 보다 적은 트레이닝 데이터를 필요로 한다. 또한, 시스템은, 색 성분 변화에 대하여, 즉 이용가능한 색 성분 중 하나 이상의 생략, 변화 또는 추가의 경우에 실질적으로 보다 내성이거나 보다 덜 민감하고, 신경망이 재구성 (입력 신호에 대한 층 변화)되고 재트레이닝될 필요가 없다.
제공된 본 발명과 관련하여 색 성분은, 예를 들어, 색 안료 또는 광채 효과를 생성하기 위한 일정량의 플레이크와 같은, 도료 또는 상응하는 도료 포뮬레이션의 베이스 성분을 의미하는 것으로 이해된다. 용어 "색 성분" 및 "착색제"는 동의어로 사용된다.
제공된 본 발명과 관련하여 입력 신호는, 본 발명에 따라 제공되는 신경망에 의해 도료 포뮬레이션의 각각의 텍스쳐 파라미터를 결정하기 위한 기초로서 제공되는 적어도 하나의 값을 의미한다.
본 발명에 따라 제공되는 신경망을 트레이닝하기 위해서는, 각 경우에 기지의 도료 포뮬레이션을 갖는 색 원본의 각각의 색 성분의 각각의 특징 변수에 대한 기초를 제공하는 광학적 특성 관련 정보만이 필요하며; 이들 색 원본 각각에 대하여, 이들의 각각의 텍스쳐 파라미터가 측정되고, 이것이 특정 색 원본에 대해 결정된 각각의 특징 변수 또는 특징 변수의 각각의 값에 배정된다. 이어서, 고려되는 도료 포뮬레이션의 적어도 하나의 특징 변수 또는 적어도 하나의 특징 변수의 값을 알면, 신경망에 의해, 도료 포뮬레이션의 시각적 텍스쳐 파라미터를 예측하거나 결정할 수 있다. 다른 도료 포뮬레이션의 시각적 텍스쳐 파라미터를 이미 알고 있는 경우, 또한, 시각적 텍스쳐 파라미터의 가능한 한 정확한 예측을 달성하기 위해 필요한 경우 신경망의 기능화를 반복적으로 확인하고 적합화할 수 있다.
제공된 방법은, 품질 정보로서, 도료 포뮬레이션에 대한, 보다 특히 효과 도료에 대한 기존의 포뮬라 알고리즘 내에서, 이후에 또한 사용될 수 있는 주어진 도료 포뮬레이션의 텍스쳐 파라미터의 계산에 특히 적합하다.
제공된 방법의 하나의 가능한 실시양태에서는, 물리적 모델에 의해 계산되는 도료의 분광 반사가 입력 신호로서 포함되는 경우가 제공된다. 입력 신호 결정시, 흡수 및/또는 산란 (임의로 도료의 전방 산란 및 후방 산란으로 분할됨)이 고려될 수 있다. 또한, 기지의 도료 포뮬레이션에 사용되는 플레이크의 평균 변수, 및 또한 편평 효과 안료 (예를 들어, "은화(silver dollar)")와 조대 효과 안료 (예를 들어 "콘플레이크")를 구별하는 표면 구조 특성 및 특정 도료 표면에 대한 효과 안료의 평균 배향을 기술하는 변수를 고려하는 경우를 생각할 수 있다. 일반적으로 0 내지 1에 위치하는 도료의 투과 계수 또한, 입력 신호 결정시 고려될 수 있다.
각각의 도료 포뮬레이션의 시각적 텍스쳐 파라미터 결정을 위해, 본 발명에 따라 고려되는 신경망에 대한 입력 신호로서, 도료 포뮬레이션으로부터, 또한 도료 포뮬레이션의 각각의 색 성분의 광학적 특성으로부터, 즉, 예를 들어, 광학 상수로부터 결정된 중간 변수 또는 특징 변수를 사용함으로써, 본 발명에 따라 제공되는 신경망은 매우 일반적으로 정의되고/거나 트레이닝될 수 있다. 이는, 특정 신경망의 매우 엄격하고 특이적인 실시양태를 생성하는, 고정된 수의 색 성분에 대한 신경망의 특정 트레이닝과 대조적으로, 일반화된 트레이닝은 각각의 도료 포뮬레이션의 광학적 특성에 기초하여 수행될 수 있음을 의미한다. 광학적 특성에 기초한 일반화된 트레이닝의 효과는, 색 성분의 고정된 수 및 선택에 특정적으로 적합화되지는 않지만, 대신에 주어진 도료 포뮬레이션의 각각의 텍스쳐 파라미터를 예측하기 위해, 각각의 색 성분의 전환, 생략 또는 대체의 경우에도 추가의 트레이닝 없이 사용될 수 있는 매우 보편적인 신경망를 생성하는 것이다.
본 발명에 따라 고려되는 신경망에 대한 광학적 특성에 기초하여 결정된 입력 신호를 사용함으로써, 그에 따라 기지의 도료 포뮬레이션의 각각의 색 성분의 농도에 기초한 신경망에 대한 트레이닝의 비용 및 복잡성에 비해, 신경망 트레이닝에 포함되는 수고 및 비용이 상당히 감소된다. 각각의 색 성분의 성질 및 수에 따라, 각각의 색 성분의 농도에 기초한 트레이닝의 경우에는 다수의 파라미터가 고려되어야 하는 반면, 광학적 특성에 기초하여 결정된 입력 신호를 사용하는 경우에는 단지 비교적 적은 수의 파라미터가 필요하고, 그에 따라 본 발명에 따라 제공되는 신경망의 입력 층, 즉, 제1 층 내의 뉴런의 수가 적다.
제공된 방법의 추가의 가능한 실시양태에서는, 도료의 각각의 색 성분이 변화되거나, 대체되거나 또는 제거되는 경우, 신경망의 갱신된 트레이닝 없이도 적어도 하나의 특징 변수 또는 적어도 하나의 특징 변수의 상응하는 값에 의해 시각적 텍스쳐 파라미터가 결정되는 경우가 제공된다.
특히, 본 발명에 따라 고려되는 특징 변수가, 본 발명에 따라 제공되는 신경망이 도료의 또는 도료 포뮬레이션의 각각의 색 성분의 수 또는 실시양태의 변화에 대하여 극히 내성을 갖도록 선택되는 경우가 제공된다. 이를 위해, 특징 변수 또는 적어도 하나의 특징 변수의 기초를 형성하는 광학적 특성이, 이것이 가능한 한 관념적이도록 (즉, 각각의 도료 포뮬레이션의 각각의 색 성분의 농도에 직접 관련되지 않도록), 또한 그럼에도 불구하고 시각적 텍스쳐 파라미터에 대한 색 성분의 영향을 기술하기에 적합하도록 선택되는 경우가 제공된다. 이러한 종류의 특징 변수의 한가지 가능성은, 개개의 색 성분에 대한, 예를 들어, 쿠벨카-뭉크 이론에 따른 흡수 성분 K 및 산란 성분 S의 (도료 포뮬레이션의 각각의 색 성분의 농도에 의해 가중된) 평균과 같은, 특정 도료 포뮬레이션의 광학 상수에 기초한 특징 변수의 선택이다. 추가의 특징 변수는, 예를 들어 L*a*b* 색 공간에서의 좌표와 같은, 상기 언급된 물리적 모델에 의해 예측된 도료 포뮬레이션 반사 스펙트럼으로부터 유도된다.
본 발명에 따라 고려되는 특징 변수는, 신경망의 입력 신호의 변화에 대한 본 발명에 따라 제공되는 신경망에서의 내성을 생성하기 위한 제어 요소로서 제공된다. 특징 변수가 매우 폭좁게, 즉, 각각의 색 성분에 특정적으로 적합화되는 방식으로 선택되면, 상응하는 신경망은, 각각의 도료의 색 성분의 변화의 경우, 보정된 색 성분이 이미 신경망의 트레이닝 데이터의 세트의 일부가 아니라면, 부정확한 또는 무효한 텍스쳐 파라미터를 계산할 것이다. 반면, 선택된 특징 변수가 관념적이면, 즉, 가능한 한 일반적 타당성을 가지면, 상응하는 신경망은, 신경망에 대한 트레이닝 데이터의 세트의 일부가 아닌 색 성분의 변화가 존재하는 경우에도 신뢰성있는 텍스쳐 파라미터를 결정한다.
제공된 방법의 추가의 가능한 실시양태에서는, 적어도 하나의 특징 변수가, 도료 포뮬레이션의 다수의 색 성분 중 적어도 하나의 색 성분의, 적어도 하나의 센서에 의해 측정된 파라미터에 기초한 수학적 및/또는 물리적 모델에 의해 결정되는 경우가 제공된다.
본 발명에 따라 제공되는 특징 변수는 물론, 특징 변수를 본 발명에 따라 제공되는 신경망에 대한 입력 신호로서 사용하기 전에, 중간 단계에 의해, 분광광도계로의 측정과 같은 측정에 기초하여 결정 (예를 들어, 계산)될 수도 있다. 이 경우, 특징 변수는 그 자체가 입력 신호로서 사용될 수 있거나, 또는 입력 신호 결정을 위해 사용될 수 있다 (예를 들어 물리적 및/또는 수학적 모델에 의한 계산에 의해).
제공된 방법의 추가의 가능한 실시양태에서는, 파라미터의 세트가, 도료 또는 도료 포뮬레이션의 다수의 색 성분 중 적어도 일부에 대한 적어도 하나의 광학적 특성을 기술하는 특징 변수로서 선택되는 경우가 제공된다.
본 발명에 따라 고려되는 특징 변수가 다수의 파라미터, 즉, 파라미터의 세트를 포함하는 경우를 생각할 수 있다. 따라서, 예를 들어, 각각의 색 성분의 광학 상수 및 반사 스펙트럼을 함께 사용하여 본 발명에 따라 고려되는 특징 변수를 형성할 수 있다.
제공된 방법의 추가의 가능한 실시양태에서는, 적어도 하나의 특징 변수에 의해 기술되는 적어도 하나의 광학적 특성이 하기 광학적 특성의 목록으로부터 선택되는 경우가 제공된다: 도료 또는 도료 포뮬레이션의 분광 반사, 도료의 다수의 색 성분 중 적어도 하나의 색 성분의 광학 상수, 도료의 적어도 하나의 색 성분에 대한 물리적 모델에 의해 예측된 반사 스펙트럼, 쿠벨카-뭉크 이론에 따른 흡수 성분 K, 쿠벨카-뭉크 이론에 따른 산란 성분 S, 및 도료의 다수의 색 성분의 각각의 광학 상수로부터 계산된 적어도 하나의 광학적 특징 변수. 광학 상수는, 예를 들어, 흡수 계수, 투과 계수 및/또는 산란 계수이다.
일반적으로, 도료의 다수의 색 성분 중 적어도 하나의 색 성분의 광학적 특성을 기술하기 위한 모든 기술적으로 적절한 상세사항이 본 발명에 따라 고려되는 특징 변수의 값을 결정하기에 적합하다. 특히, 다수의 색 성분 중의 색 성분의 각각의 광학 상수로부터 계산된 광학적 특징 변수를 결정하기 위해, 도료의 색 성분의 각각의 흡수 및 산란 계수의 가중 평균을 사용하거나, 또는 도료의 색 성분의 각각의 흡수 및 산란 계수의 가중 평균을 그 자체로 특징 변수로서 선택하는 경우가 고려된다.
제공된 방법의 추가의 가능한 실시양태에서는, 광학적 특성을 기술하는 특징 변수로서, 도료의 적어도 하나의 색 성분의, 물리적 모델에 의해 예측된 반사 스펙트럼으로부터 유도된 색 공간 좌표를 선택하는 경우가 제공된다.
색 공간 좌표는 각각의 도료의 반사 스펙트럼에 대한 각각의 색 성분의 효과를 예측하는 데 적합하다. 따라서, 색 공간 좌표의 상세사항이 각각의 도료의 텍스쳐 파라미터의 결정시 사용될 수도 있다. 유도된 색 공간 좌표로서, 또한 상응하게 본 발명에 따라 제공되는 신경망에 대한 입력 변수로서, 색 성분의 반사 값으로부터, 또한 일반적으로 도료 포뮬레이션의 모든 색 성분의 각각의 반사 값으로부터 계산되는 값은, 하기 값의 목록 또는 이들의 조합으로부터 선택될 수 있다: L*a*b* 색 공간에서의 색 공간 좌표, 적-녹-청 (RGB) 색 공간에서의 색 공간 좌표, 보다 특히 표준 적-녹-청 (sRGB) 색 공간에서의 색 공간 좌표. 또한, 추가로 또는 대안적으로, 도료 포뮬레이션의 색 성분의 평균 반사 값 (R-평균) 및/또는 도료 포뮬레이션의 플롭 인덱스(flop index) (명도 프로파일 및/또는 색 프로파일 또는 이들의 각각의 변화를 나타냄)가 신경망에 대한 입력 변수로서 사용될 수 있다.
또한, 물리적 모델에 의해 계산된, 도료 포뮬레이션의 적어도 하나의 광학적 특성 (즉, 적어도 하나의 색 성분의, 일반적으로는 모든 색 성분의 것)을 기술하는 도료 포뮬레이션의 적어도 하나의 특징 변수의 값으로서, 또한 상응하게 본 발명에 따라 제공되는 신경망의 입력 변수로서, 하기 값의 목록 또는 이들의 조합으로부터 광학 상수에 기초한 값을 선택할 수 있다: 투과 계수, 전방 산란, 후방 산란, 평균 흡수 및/또는 평균 산란 (쿠벨카 및 뭉크에 따른), 및 가상 도료 표면에 대한 존재하는 임의의 플레이크 및/또는 광택 안료의 배향 또는 정렬.
신경망에 대하여 다수의 상이한 입력 변수를 제공하는 경우를 생각할 수 있다.
제공된 방법의 추가의 가능한 실시양태에서는, 다수의 지시된 도료 포뮬레이션에 대해 신경망을 사용하여 예측된 텍스쳐 파라미터에 의해 도료에 대한 도료 포뮬레이션을 결정하고, 여기서 결정된 도료 포뮬레이션은, 그의 텍스쳐 파라미터가 지시된 표적 도료의 텍스쳐 파라미터로부터 가능한 최소의 편차를 나타내는 것인 경우가 제공된다.
본 발명에 따라 고려되는 방법에 의해, 각각의 도료 포뮬레이션에 따른 특정 도료를 생성할 필요 없이 다수의 지시된 도료 포뮬레이션에 대한 텍스쳐 파라미터를 예측할 수 있다. 다수의 도료 포뮬레이션의 텍스쳐 파라미터에 기초하여, 다수의 도료 포뮬레이션으로부터, 그의 텍스쳐 파라미터가 지시된 표적 도료의 텍스쳐 파라미터로부터 가능한 최소의 편차를 나타내는 도료 포뮬레이션을 선택할 수 있다. 이는, 본 발명의 방법을 사용하여, 힘든 시험 시리즈로, 각각의 도료를 다수의 도료 포뮬레이션의 각각의 도료 포뮬레이션에 따라 혼합하고, 이어서 이를 금속 시험 플레이트에 적용하고 광학적 측정에 도입할 필요 없이, 다수의 도료 포뮬레이션에 대한 텍스쳐 파라미터를 예측할 수 있음을 의미한다. 대신에, 본 발명의 방법에 의해 결정된 텍스쳐 파라미터를 사용하여, 예를 들어, 시뮬레이션 목적으로, 다시 말해서 상응하는 도료를 시뮬레이션하기 위해, 전적으로 가상적 방법으로, 다수의 지시된 도료 포뮬레이션으로부터 출발하여, 그의 텍스쳐 파라미터가 표적 도료의 텍스쳐 파라미터로부터 가능한 최소의 편차를 나타내는 특정 도료 포뮬레이션을 결정할 수 있다.
지시된 도료 포뮬레이션에 기초하여, 도료 포뮬레이션에 따른 도료를 실제로 생성할 필요 없이, 도료의 텍스쳐 파라미터를 예측하기 위해서는, 먼저, 물리적 모델, 도료 포뮬레이션에 포함된 각각의 색 성분에 대한 각각의 광학 상수, 및/또는 색 데이터로부터 계산된 변수를 사용하고, 이들 변수로부터, 도료 포뮬레이션에 대한 적어도 하나의 특징 변수를 결정하고/거나 계산한다. 도료 포뮬레이션에 대한 적어도 하나의 특징 변수의 계산에 도입되는 인자는 색 성분의 각각의 광학 상수 뿐만 아니라 일반적으로 도료 포뮬레이션에 의해 지시된 각각의 색 성분의 각각의 농도를 포함하고, 예를 들어, 상기 언급된 쿠벨카-뭉크 모델에 따른 개개의 색 성분의 흡수 성분 및 산란 성분의 평균 값의 경우에서와 같이, 상기 평균 값은 도료 포뮬레이션의 각각의 색 성분의 각각의 농도에 대해 가중된 것이다.
제공된 방법은 특히, 각각의 모(parent) 도료 포뮬레이션에 기초하여 상이한 도료 사이의 순수 가상 비교를 수행함으로써 도료를 시뮬레이션하는 데 사용될 수 있으며, 여기서는 이러한 도료를 각각의 도료 포뮬레이션에 따라 혼합하고 샘플 패널에 적용할 필요가 없다.
본 발명은 추가로, 컴퓨터-판독가능 매체, 및 컴퓨터 프로그램이 연산 유닛 상에서 실행될 때, 상기 기재된 본 발명의 방법의 모든 컴퓨터-시행 단계를 실행하도록 구성된 프로그램 코드 수단을 가지며 컴퓨터-판독가능 매체 상에 저장된 컴퓨터 프로그램을 갖는 컴퓨터 프로그램 제품에 관한 것이다.
제공된 컴퓨터 프로그램 제품은 특히 제공된 방법을 수행하기 위해 제공되며, 컴퓨터 프로그램은, 예를 들어, 컴퓨터-판독가능 데이터 캐리어 상에 저장될 수 있다.
본 발명의 추가의 이점 및 실시양태는 하기 설명 및 첨부된 도면으로부터 명백하다.
상기에 기재되고 또한 하기에서 설명되는 특징은, 본 발명의 범위로부터 벗어나지 않으면서, 기재된 특정 조합으로 뿐만 아니라 다른 조합으로, 또는 이들 자체로 사용될 수 있음을 이해한다.
본 발명을 실시예와 관련하여 도면에 개략적으로 나타내었고, 이를 하기에서 도면과 관련하여 포괄적으로 설명할 것이다.
도 1은 본 발명의 방법의 하나의 실시양태의 개략도를 나타낸다.
도 2는 본 발명의 방법의 추가의 가능한 실시양태의 개략적 순서도를 나타낸다.
도 2는 본 발명의 방법의 추가의 가능한 실시양태의 개략적 순서도를 나타낸다.
도료에 대한 색 또는 도료 포뮬레이션(1)으로부터 출발하여, 물리적 모델(3)을 사용하여, 예를 들어, 쿠벨카-뭉크 산란 성분 S 5_1 및/또는 흡수 성분 K 5_2와 같은, 도료의 또는 도료의 다수의 색 성분의 또는 도료의 다수의 색 성분 중 적어도 일부의 특징적 광학적 특성을 기술하는 특징 변수(5)의 값을 결정한다.
특징 변수(5)의 값에 기초하여, 본 발명에 따라 제공되는 신경망(7)에 대하여 하나 이상의 입력 신호가 생성된다. 신경망은, 예를 들어, 입자성 9_1 (예를 들어 텍스쳐 파라미터 Gdiff로 표시됨), 및/또는 광채 효과 9_2 (예를 들어 텍스쳐 파라미터 Si로 표시됨)와 같은 시각적 텍스쳐 파라미터(9)를 입력 신호(들)에, 그 결과, 도료 포뮬레이션(1)에 배정한다. 신경망(7)에 의해 수행되는 이러한 배정은 도 1에서 뒤섞인 라인으로 표시되어 있다. 따라서, 신경망(7)에 의해, 도료 포뮬레이션(1)으로부터 출발하여, 상응하는 텍스쳐 파라미터(9) 또는 이들의 각각의 값을 결정할 수 있다.
텍스쳐 파라미터(9)는 특징적 물리적 특성, 특히 광학적 특성에 기초하여 결정되거나 예측되기 때문에, 도료 포뮬레이션(1)의 색 성분의 각각의 농도를 사용한 신경망(7)의 정확한 트레이닝은 필요가 없다. 대신에, 텍스쳐 파라미터의 결정을 위해, 기지의 색 또는 도료 포뮬레이션(1)의 다수의 색 성분의 특징적 특성을 아는 것으로 충분하다. 이는, 신경망(7)이 도료 포뮬레이션(1)의 색 성분의 변화에 대하여 강력함을, 또한 특징적 물리적 각각의 색 성분 (임의로 새로 추가된 색 성분)에 관한 정보만이 상응하는 텍스쳐 파라미터(9)를 결정하기 위해 필요함을 의미한다.
도 2는, 제공된 방법의 하나의 실시양태에 대한 흐름도를 나타낸다. 도료 포뮬레이션(11)으로부터 출발하여, 작업 단계(13)에서, 예를 들어, 안료와 같은 각각의 색 성분, 또는 플레이크라 불리는 것, 즉 도료 포뮬레이션(11)의 금속 광채 성분의 물리적 또는 광학적 특성의 물리적 모델에 의해, 각각의 색 성분의 광학적 특성의 특징 변수 또는 특징 변수의 값을 결정하고, 이에 기초하여, 전체 도료 포뮬레이션(11)의 적어도 하나의 광학적 특성을 기술하는 적어도 하나의 특징 변수 또는 그의 값을 결정한다. 이 경우 물리적 모델은, 예를 들어, 예시적으로 등식 (1)로 나타낸 바와 같은, 쿠벨카 및 뭉크에 따른 모델에 기초하여 형성될 수 있다. 도료 포뮬레이션(11)의 광학적 특성을 기술하는 적어도 하나의 특징 변수를 계산하기 위해, 도료 포뮬레이션의 각각의 색 성분의 광학적 특성을 결정하고, 이는, 예를 들어, 도료 포뮬레이션에 의해 지시되는 각각의 색 성분의 농도의 함수로서, 전체 도료 포뮬레이션의 광학적 특성을 예측할 때 고려된다:
등식 (1)에서, "K"는 흡수 성분 또는 흡수 계수를 나타내고, "S"는 도료 포뮬레이션의 산란 성분 또는 산란 계수를 나타내고, "c1", "c2"..., "cs"는 도료 포뮬레이션의 각각의 안료의 농도이고, "k1", "k2"..., "ks"는 각각의 안료의 흡수 계수이고, "s1", "s2"..., "ss"는 각각의 안료의 산란 계수이다.
도료 포뮬레이션의 각각의 색 성분의 물리적 특성에 기초한, 물리적 모델에 의해, 예를 들어, 각각의 도료 포뮬레이션에 기초하여 형성된 도료의 분광 반사와 같은 광학적 특성, 또는 각각의 도료 포뮬레이션의 색 성분의 하나 이상의 각각의 광학 상수, 또는 각각의 도료 포뮬레이션의 적어도 하나의 또는 모든 색 성분의 반사 스펙트럼, 또는 쿠벨카-뭉크에 따른 도료의 흡수 성분 K 또는 쿠벨카-뭉크에 따른 도료의 산란 성분 S를 기술하는 하나 이상의 특징 변수를 결정할 수 있다.
작업 단계(13)에서 결정된 도료 포뮬레이션의 특징 변수 또는 그의 값은, 신경망 형태의 기계 학습기에, 즉 신경망에 입력 신호 또는 입력 변수로서 공급된다.
계산 단계(15)에서, 텍스쳐 파라미터에 대한 각각의 특징 변수의 값의 다수의 기지의 배정에 기초하여 트레이닝된 신경망에 의해, 트레이닝 동안 결정된 체계에 따라, 입력 특징 변수 또는 각각의 특징 변수의 입력 값에 텍스쳐 파라미터가 배정된다. 신경망에 의해 특징 변수에 또는 특징 변수의 입력 값에 배정된 텍스쳐 파라미터는 출력 단계(17)에서 출력되고 메모리에 저장된다. 이는, 본 발명의 방법에 의해, 도료 포뮬레이션에 상응하는 도료의 광학적 파라미터를 측정 기기에 의해 결정할 필요 없이, 도료 포뮬레이션에 대한 텍스쳐 파라미터를 결정하거나 예측할 수 있음을 의미한다.
텍스쳐 파라미터가 도료 포뮬레이션의 광학적 특성을 기술하는 특징 변수에 기초하여 결정되기 때문에, 텍스쳐 파라미터의 결정, 즉, 특징 변수 또는 특징 변수의 각각의 값에 대한 텍스쳐 파라미터의 배정은, 도료 포뮬레이션에 따른 도료의 혼합에 필요한, 예를 들어, 색 성분 (예를 들어 안료 등)의 농도 상세사항과 같은 도료 포뮬레이션(11)의 특정 개개의 구성성분에 대해 독립적으로 일어난다. 도료 포뮬레이션(11)의 개개의 색 성분 및 그의 농도로부터의 텍스쳐 파라미터의 결정의 이러한 언커플링에 기초하여, 본 발명의 방법은, 도료 포뮬레이션의 색 성분 및/또는 그의 농도가 변화되는 경우에도, 동일한 신경망에 의해, 즉, 신경망의 재트레이닝에 대한 임의의 필요성 없이 실행될 수 있다.
신경망 상으로 입력 변수로서 통과되는 특징 변수 또는 그의 값은 도료의 광학적 특성을 기술하고, 이는 예를 들어, 각각의 도료 포뮬레이션에 배정된 광학 상수 및/또는 반사 파라미터 및/또는 그로부터 계산된 흡수 및/또는 산란 성분과 같이, 각각의 도료 포뮬레이션으로부터 물리적 모델에 의해 중간 변수로서 결정된다. 광학적 특성에 기초한 특징 변수를 기초로 하여, 신경망 상으로 통과되는 입력 값, 즉, 특징 변수의 각각의 값은, 입력 변수로서, 사용되는 모든 색 성분에 기초하여, 도료 포뮬레이션의 각각의 텍스쳐 파라미터를 배정하는 신경망의 것들에 비해 현저히 그 수가 감소할 수 있고, 따라서 상응하는 신경망은, 입력 값으로서 색 성분 또는 색 성분의 농도를 사용하여 형성된 신경망에 비해, 덜 복잡하고 따라서 보다 효율적이고, 즉, 보다 빠르고 강력하고, 따라서, 예를 들어, 도료 포뮬레이션의 변화에 대하여 내성을 갖는다.
계산 단계(15)에 선행하는 작업 단계(13)에 의해, 계산 단계(15)는 도료 포뮬레이션(11)의 개개의 구성성분으로부터 디커플링된다. 이러한 디커플링 때문에, 예를 들어, 하나의 안료 부족으로 인한, 도료 포뮬레이션(11)에서의 변화는, 신경망에서의 임의의 변화를 초래하지 않을 것이다. 예를 들어, 원래 지시된 색 포뮬레이션의 색 성분이 부재하는 경우, 또는 이 성분이 상이한 색 성분으로 대체되는 경우, 이는, 작업 단계(13)에서와 같이 조기에, 각각의 색 성분의 광학적 특성의, 또한 그에 기초한 보정된 도료 포뮬레이션의 적어도 하나의 특징 변수의 값의 계산 또는 결정에서 고려된다. 이 경우 특징 변수의 값이 변화하는 경우에도, 신경망에 대한 입력 변수로서 제공되는, 특징 변수의 유형 또는 성질의 변화는 없다 (예를 들어, 이것이 흡수 성분이든 산란 성분이든). 따라서, 신경망이 재구성될 필요가 없고, 유일한 변화는 가능하게는 상응하는 입력 변수의 값이다. 계산 단계(15)에서는, 보정된 도료 포뮬레이션(11)에도 불구하고, 이는, 예를 들어, "광채 강도", "광채 영역", 또는 입자성의 분포, 즉, "입자성 확산"과 같은 텍스쳐 파라미터의 상응하게 정확한 배정을 제공한다.
Claims (12)
- 도료 포뮬레이션(1)에 사용된 다수의 색 성분에 기초하여 인공 신경망(7)에 의해 도료의 시각적 텍스쳐 파라미터(9)를 결정하는, 기지의 도료 포뮬레이션(1)을 갖는 도료의 시각적 텍스쳐 파라미터(9)의 예측 방법이며,
기지의 도료 포뮬레이션(1)에 대하여 물리적 모델(3)에 의해, 적어도 하나의 광학적 특성을 기술하는 적어도 하나의 특징 변수(5)의 값을 결정하고, 이를 기지의 도료 포뮬레이션(1)에 배정하고, 이를 시각적 텍스쳐 파라미터(9)의 결정을 위한 입력 신호로서 인공 신경망(7)에 전송하고, 여기서 결정되고 기지의 도료 포뮬레이션에 배정된 값은 도료 포뮬레이션(1)의 다수의 색 성분 중 적어도 일부에 대한 적어도 하나의 광학적 특성을 기술하고, 여기서 각각 기지의 도료 포뮬레이션을 갖는 색 원본을 신경망(7)의 트레이닝에 사용하고, 색 원본의 각각에 대하여, 이들의 각각의 시각적 텍스쳐 파라미터를 측정하고, 이를, 상응하는 각각의 도료 포뮬레이션에 대해 결정되고 그 각각의 도료 포뮬레이션에 대한 적어도 하나의 광학적 특성을 기술하는 적어도 하나의 특징 변수의 값에 배정하는 것인, 방법. - 제1항에 있어서, 사용되는 입력 신호가, 물리적 모델(3)에 의해 계산된 도료의 산란 성분 및/또는 흡수 성분 및/또는 분광 반사를 포함하는 것인 방법.
- 제1항 또는 제2항에 있어서, 도료의 도료 포뮬레이션의 하나 이상의 색 성분이 변화되거나, 대체되거나 또는 제거되는 경우에도, 신경망(7)의 갱신된 트레이닝 없이 도료의 시각적 텍스쳐 파라미터(9)가 결정되고, 여기서 적어도 하나의 광학적 특성을 기술하는 적어도 하나의 특징 변수(5)의 새로운 값이 도료의 새로운 기지의 도료 포뮬레이션에 대해 결정되고, 이것이 새로운 기지의 도료 포뮬레이션에 배정되고 시각적 텍스쳐 파라미터(9)를 결정하기 위한 입력 신호로서 신경망(7)에 전송되고, 여기서 적어도 하나의 광학적 특성을 기술하는 적어도 하나의 특징 변수(5)의 새로운 값은 새로운 기지의 도료 포뮬레이션의 다수의 색 성분 중 적어도 일부에 대한 적어도 하나의 광학적 특성을 기술하는 것인 방법.
- 제1항 내지 제3항 중 어느 한 항에 있어서, 각각의 기지의 도료 포뮬레이션에 대하여, 적어도 하나의 특징 변수의 각각의 값이, 각각의 기지의 도료 포뮬레이션에 사용된 다수의 색 성분 중 적어도 하나의 색 성분의, 적어도 하나의 센서에 의해 측정된 파라미터에 기초한 물리적 모델(3)에 의해 결정되는 것인 방법.
- 제1항 내지 제4항 중 어느 한 항에 있어서, 각각의 기지의 도료 포뮬레이션의 다수의 색 성분 중 적어도 일부의 적어도 하나의 광학적 특성을 기술하는 파라미터의 세트가 특징 변수(5)로서 선택되는 것인 방법.
- 제1항 내지 제5항 중 어느 한 항에 있어서, 적어도 하나의 광학적 특성이 하기 광학적 특성의 목록으로부터 선택되는 것인 방법: 각각의 도료 포뮬레이션에 기초하여 형성된 도료의 분광 반사, 각각의 도료 포뮬레이션의 적어도 하나의 색 성분의 광학 상수, 각각의 도료 포뮬레이션의 적어도 하나의 색 성분에 대한 물리적 모델에 의해 예측된 반사 스펙트럼, 쿠벨카-뭉크에 따른 흡수 성분 K, 쿠벨카-뭉크에 따른 산란 성분 S, 및 각각의 도료 포뮬레이션의 다수의 색 성분의 각각의 광학 상수로부터 계산된 적어도 하나의 광학적 특징 변수.
- 제6항에 있어서, 각각의 도료 포뮬레이션의 다수의 색 성분의 각각의 흡수 및 산란 계수의 가중 평균이, 각각의 도료 포뮬레이션의 다수의 색 성분의 광학 상수로부터 계산된 적어도 하나의 광학적 특징 변수(5)로서 선택되는 것인 방법.
- 제6항에 있어서, 각각의 도료 포뮬레이션의 적어도 하나의 색 성분의, 물리적 모델(3)에 의해 예측된, 반사 스펙트럼으로부터 유도된 색 공간 좌표가 광학적 특성으로서 선택되는 것인 방법.
- 제1항 내지 제8항 중 어느 한 항에 있어서, 시각적 텍스쳐 파라미터가 하기 텍스쳐 파라미터의 목록 또는 그의 조합으로부터 선택되는 것인 방법: 광채 강도, 광채 영역, 또는 입자성의 분포.
- 제1항 내지 제9항 중 어느 한 항에 있어서, 도료에 대한 도료 포뮬레이션이 다수의 기지의 도료 포뮬레이션에 대해 예측된 텍스쳐 파라미터에 의해 결정되고, 여기서 결정된 도료 포뮬레이션은, 그의 텍스쳐 파라미터가 지시된 표적 도료의 각각의 텍스쳐 파라미터로부터 가능한 최소의 편차를 나타내는 것인 방법.
- 컴퓨터-판독가능 매체, 및 컴퓨터 프로그램이 연산 유닛 상에서 실행될 때 제1항 내지 제10항 중 어느 한 항에 청구된 방법의 모든 컴퓨터-시행 단계를 실행하도록 구성된 프로그램 코드 수단을 가지며 컴퓨터-판독가능 매체 상에 저장된 컴퓨터 프로그램을 포함하는 컴퓨터 프로그램 제품.
- 제11항에 있어서, 컴퓨터 프로그램이 컴퓨터-판독가능 데이터 캐리어 상에 저장된 것인 컴퓨터 프로그램 제품.
Applications Claiming Priority (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201562247837P | 2015-10-29 | 2015-10-29 | |
| DE102015118551.2A DE102015118551A1 (de) | 2015-10-29 | 2015-10-29 | Verfahren zum Ermitteln von Texturparametern eines Lacks |
| DE102015118551.2 | 2015-10-29 | ||
| US62/247,837 | 2015-10-29 | ||
| PCT/EP2016/025131 WO2017071824A1 (de) | 2015-10-29 | 2016-10-27 | Verfahren zum ermitteln von texturparametern eines lacks |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20180074756A true KR20180074756A (ko) | 2018-07-03 |
| KR102073046B1 KR102073046B1 (ko) | 2020-02-04 |
Family
ID=58545905
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020187014633A KR102073046B1 (ko) | 2015-10-29 | 2016-10-27 | 도료의 텍스쳐 파라미터의 확인 방법 |
Country Status (8)
| Country | Link |
|---|---|
| US (1) | US10401224B2 (ko) |
| EP (1) | EP3368872B1 (ko) |
| JP (1) | JP6707637B2 (ko) |
| KR (1) | KR102073046B1 (ko) |
| CN (1) | CN108139271B (ko) |
| DE (1) | DE102015118551A1 (ko) |
| RU (1) | RU2702997C1 (ko) |
| WO (1) | WO2017071824A1 (ko) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7041412B2 (ja) * | 2017-12-22 | 2022-03-24 | 国立大学法人九州工業大学 | 金属複合体の材料混合比推定方法 |
| MX2021009253A (es) * | 2019-01-31 | 2021-08-24 | Basf Coatings Gmbh | Proceso y aparato para encontrar y adaptar formulaciones de color de efecto, que incorporan la comparacion con la percepcion visual de las cualidades de textura. |
| CN109609887B (zh) * | 2019-02-11 | 2021-01-12 | 北京联合涂层技术有限公司 | 一种热喷涂方法及系统 |
| EP3839480A1 (en) * | 2019-12-19 | 2021-06-23 | X-Rite Switzerland GmbH | Texture prediction with machine learning |
| WO2021132654A1 (ja) * | 2019-12-27 | 2021-07-01 | 関西ペイント株式会社 | 塗料の製造方法、色彩データを予測する方法及びコンピュータ調色システム |
| JP6936416B1 (ja) * | 2020-05-26 | 2021-09-15 | 関西ペイント株式会社 | 塗料の製造方法及び色彩データを予測する方法 |
| JP7417789B2 (ja) | 2020-09-04 | 2024-01-18 | サン ケミカル コーポレイション | 完全統合型デジタル色管理システム |
| JP2024521639A (ja) | 2021-05-03 | 2024-06-04 | ビーエーエスエフ コーティングス ゲゼルシャフト ミット ベシュレンクテル ハフツング | 少なくとも１つのカラーコーティング層でコーティングされたオブジェクトの外観をデザインするための方法及びシステム |
| EP4361613A4 (en) * | 2021-06-21 | 2024-05-29 | Nissan Motor | PAINT EVALUATION DEVICE AND PAINT EVALUATION METHOD |
| EP4377899A1 (en) | 2021-07-30 | 2024-06-05 | BASF Coatings GmbH | Method and system for predicting the appearance of objects being coated with at least one colored coating layer under different illumination conditions |
| CN116306225A (zh) * | 2023-01-12 | 2023-06-23 | 中国林业科学研究院木材工业研究所 | 一种实木制品涂料调色方法和系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040073526A1 (en) * | 2001-02-07 | 2004-04-15 | Mcclanahan Craig J. | Computer-implemented neural network color matching formulation system |
| EP2161555A1 (en) * | 2007-06-20 | 2010-03-10 | Kansai Paint Co., Ltd | Coating color database creating method, search method using the database, their system, program, and recording medium |
| WO2012177508A2 (en) * | 2011-06-20 | 2012-12-27 | E.I. Du Pont De Nemours And Company | Method for matching sparkle appearance of coatings |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11228881A (ja) * | 1998-02-16 | 1999-08-24 | Nisshinbo Ind Inc | 調色精度を高めることができる塗料のコンピュータ調色方法 |
| JP2000331076A (ja) * | 1999-05-19 | 2000-11-30 | Nippon Telegr & Teleph Corp <Ntt> | 遠隔取引支援方法及びシステム及び遠隔取引支援プログラムを格納した記憶媒体 |
| DE602005015869D1 (de) | 2004-09-17 | 2009-09-17 | Akzo Nobel Coatings Int Bv | Verfahren zur farbabstimmung |
| US8345252B2 (en) * | 2005-04-25 | 2013-01-01 | X-Rite, Inc. | Method and system for enhanced formulation and visualization rendering |
| US20090157212A1 (en) | 2007-12-12 | 2009-06-18 | Basf Corporation | System and method of determining paint formula having a effect pigment |
| US20140242271A1 (en) * | 2011-09-30 | 2014-08-28 | Axalta Coating Systmes Ip Co., Llc | Method for matching color and appearance of coatings containing effect pigments |
| EP2887275A1 (en) | 2013-12-20 | 2015-06-24 | BASF Coatings GmbH | Method and system for determining a color formula |
-
2015
- 2015-10-29 DE DE102015118551.2A patent/DE102015118551A1/de not_active Withdrawn
-
2016
- 2016-10-27 KR KR1020187014633A patent/KR102073046B1/ko active IP Right Grant
- 2016-10-27 JP JP2018522584A patent/JP6707637B2/ja active Active
- 2016-10-27 RU RU2018118974A patent/RU2702997C1/ru active
- 2016-10-27 CN CN201680061884.9A patent/CN108139271B/zh active Active
- 2016-10-27 US US15/771,577 patent/US10401224B2/en active Active
- 2016-10-27 EP EP16794944.5A patent/EP3368872B1/de active Active
- 2016-10-27 WO PCT/EP2016/025131 patent/WO2017071824A1/de active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040073526A1 (en) * | 2001-02-07 | 2004-04-15 | Mcclanahan Craig J. | Computer-implemented neural network color matching formulation system |
| EP2161555A1 (en) * | 2007-06-20 | 2010-03-10 | Kansai Paint Co., Ltd | Coating color database creating method, search method using the database, their system, program, and recording medium |
| WO2012177508A2 (en) * | 2011-06-20 | 2012-12-27 | E.I. Du Pont De Nemours And Company | Method for matching sparkle appearance of coatings |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3368872A1 (de) | 2018-09-05 |
| US10401224B2 (en) | 2019-09-03 |
| US20190078936A1 (en) | 2019-03-14 |
| EP3368872B1 (de) | 2024-04-17 |
| WO2017071824A1 (de) | 2017-05-04 |
| EP3368872C0 (de) | 2024-04-17 |
| KR102073046B1 (ko) | 2020-02-04 |
| CN108139271B (zh) | 2021-03-16 |
| DE102015118551A1 (de) | 2017-05-04 |
| JP2019500588A (ja) | 2019-01-10 |
| CN108139271A (zh) | 2018-06-08 |
| RU2702997C1 (ru) | 2019-10-15 |
| JP6707637B2 (ja) | 2020-06-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102073046B1 (ko) | 도료의 텍스쳐 파라미터의 확인 방법 | |
| RU2382339C2 (ru) | Способ подбора краски | |
| JP6149113B2 (ja) | 多角の色、不透過度、顔料の特性評価、ならびに、目視技術および／または器具技術を介した塗装表面のテクスチャ解析 | |
| US8339665B2 (en) | Texture map of paint colors, and its production method, production program, production system and data structure | |
| JP6703639B1 (ja) | 塗料の製造方法及び色彩データを予測する方法 | |
| Dekker et al. | Total appearance differences for metallic and pearlescent materials: contributions from color and texture | |
| CN108431561B (zh) | 计算机辅助确定毛发颜色性能的方法和数据处理装置 | |
| US10345100B1 (en) | Apparatus and method for evaluating metal surface texture | |
| JP2022538937A (ja) | メタルデコのデジタルプルーフ工程 | |
| Qiao et al. | Visual determination of hue suprathreshold color‐difference tolerances | |
| Lu et al. | RealPigment: Paint compositing by example | |
| Rivas et al. | Functional experiment design for the analysis of colour changes in granite using new L∗ a∗ b∗ functional colour coordinates | |
| WO2021132654A1 (ja) | 塗料の製造方法、色彩データを予測する方法及びコンピュータ調色システム | |
| Ferrero et al. | Definition of a measurement scale of graininess from reflectance and visual measurements | |
| JP2015225070A (ja) | 混合色材のスペクトルまたは色度の予測および所望のスペクトルまたは色度を有する色材の配合の決定 | |
| WO2004088293A1 (ja) | 塗膜ムラの算出式算出方法及び塗膜ムラの数値化方法 | |
| JP6393911B2 (ja) | 着色材料の使用条件の決定方法 | |
| JP6936416B1 (ja) | 塗料の製造方法及び色彩データを予測する方法 | |
| WO2004096452A1 (ja) | 塗膜ムラの予測方法、塗膜ムラ予測プログラム、コンピュータが読み取り可能な記憶媒体及び塗膜ムラ予測装置 | |
| Wu et al. | Towards a practical metric of surface gloss for metallic coatings from automotive industry | |
| KR20200067851A (ko) | 페인트의 색 제어를 위한 복수의 색 품질 지시자들을 결정하기 위한 방법 및 시스템 | |
| JPWO2021035105A5 (ko) | ||
| JPH0894442A (ja) | コンピュータカラーマッチング方法 | |
| EP3800450B1 (en) | Systems and methods for approximating a 5-angle color difference model | |
| Koirala et al. | Accurate reflectance prediction in multi-angle measurement |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |