KR20220043975A - 지도 학습 기반 반사율 예측 방법 - Google Patents

지도 학습 기반 반사율 예측 방법 Download PDF

Info

Publication number
KR20220043975A
KR20220043975A KR1020200126124A KR20200126124A KR20220043975A KR 20220043975 A KR20220043975 A KR 20220043975A KR 1020200126124 A KR1020200126124 A KR 1020200126124A KR 20200126124 A KR20200126124 A KR 20200126124A KR 20220043975 A KR20220043975 A KR 20220043975A
Authority
KR
South Korea
Prior art keywords
learning data
information
ink
data
reflectance
Prior art date
Application number
KR1020200126124A
Other languages
English (en)
Other versions
KR102465872B1 (ko
Inventor
태현철
Original Assignee
한국생산기술연구원
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 한국생산기술연구원 filed Critical 한국생산기술연구원
Priority to KR1020200126124A priority Critical patent/KR102465872B1/ko
Publication of KR20220043975A publication Critical patent/KR20220043975A/ko
Application granted granted Critical
Publication of KR102465872B1 publication Critical patent/KR102465872B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/00681—Detecting the presence, position or size of a sheet or correcting its position before scanning
    • H04N1/00684—Object of the detection
    • H04N1/00724—Type of sheet, e.g. colour of paper or transparency
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/00681—Detecting the presence, position or size of a sheet or correcting its position before scanning
    • H04N1/00684—Object of the detection
    • H04N1/00726—Other properties of the sheet, e.g. curvature or reflectivity
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/46—Colour picture communication systems
    • H04N1/56—Processing of colour picture signals
    • H04N1/60—Colour correction or control
    • H04N1/6083—Colour correction or control controlled by factors external to the apparatus
    • H04N1/6091—Colour correction or control controlled by factors external to the apparatus by environmental factors, e.g. temperature or humidity
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/46—Colour picture communication systems
    • H04N1/56—Processing of colour picture signals
    • H04N1/60—Colour correction or control
    • H04N1/6097—Colour correction or control depending on the characteristics of the output medium, e.g. glossy paper, matt paper, transparency or fabrics

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Environmental & Geological Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Toxicology (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Spectrometry And Color Measurement (AREA)

Abstract

본 발명은 출력되는 인쇄물의 색상을 결정하는 제1 학습 데이터와 상기 제1 학습 데이터를 이용하여 인쇄된 인쇄물의 파장대별 반사율에 대한 정보인 제2 학습 데이터를 이용하여 반사율 예측 모델을 생성하는 방법으로서, 상기 제1 학습 데이터(10)는 잉크 정보(11)를 포함하고, 상기 잉크 정보(11)는 잉크 색상 별 배합비율, 잉크 두께 및 잉크 종류를 포함하고, 상기 제1 학습 데이터(10)와 상기 제2 학습데이터(20)는 각각 대응되고, (a) 모델링부(100)에 다수의 제1 학습 데이터(10)와, 상기 다수의 제1 학습 데이터(10)와 각각 대응되는 다수의 제2 학습 데이터(20)가 입력되는 단계; 및 (b) 상기 모델링부(100)는 상기 (a) 단계에서 입력된 상기 다수의 제1 학습 데이터(10)를 각각 입력 데이터(input data)로 설정하고, 상기 각각의 입력 데이터와 대응되는 상기 제2 학습 데이터(20)를 상기 각각의 입력 데이터의 레이블 데이터(label data)로 하여 지도 학습(supervised learning)하는 상기 반사율 예측 모델을 생성하는 단계; 를 포함하는 방법에 관한 것이다.

Description

지도 학습 기반 반사율 예측 방법{Supervised learning-based reflectance prediction method}
본 발명은 지도 학습 기반 반사율 예측 방법에 관한 것이다.
인쇄되는 인쇄물의 색상은 다양한 변인의 영향을 받으며, 변인이 조절됨에 따라 인쇄되는 인쇄물의 색상이 달라진다.
인쇄물의 색상은 예를 들어, 잉크의 배합비율을 비롯하여 인쇄되는 잉크의 두께, 잉크의 종류, 종이 종류, 종이의 광학적 특징, 주변 환경의 영향 등 다양한 변인의 영향을 받는다.
또한, 인쇄된 인쇄물의 색상은 인쇄물이 빛을 흡수하는 비율에 따라 평가될 수 있다. 인쇄된 인쇄물의 색상에 따라, 인쇄물이 빛을 흡수하는 비율이 달라지는 바, 일정한 조건 하에 인쇄물이 반사하는 빛을 측정하여 수치를 확인하면, 인쇄된 인쇄물의 색상을 정확하게 평가할 수 있다.
종래에는, 잉크의 배합비율과 반사율을 데이터베이스화하여, 인쇄되는 인쇄물의 색상을 예측하는 것에 대한 인식은 있었다. 다만, 종래에는 인쇄물의 색상을 조절하는 다양한 변인을 고려하고 있지 않아, 정확하게 인쇄물의 색상과 반사율 간의 관계를 구하기는 어려웠고, 인쇄물의 정확한 색상과 반사율을 예측하기는 어려운 문제점이 있었다.
예를 들어, 일본등록특허공보 제6623679호는 색상 예측 시스템 및 색상 예측 방법에 관한 것으로, 원색 잉크 별 흡수 계수 및 산란 계수가 미리 기록 되어서 기억되어 있는 제1 흡수 계수 산란 계수 데이터베이스와 색 견본에서 측정한 측색값에 가까운 측색값을 가지는 원색 잉크의 조합으로 색상을 예측할 수 있으나, 잉크의 두께, 용지의 종류 등 인쇄물의 색상에 영향을 끼치는 요소를 다양하게 고려하고 있지는 않아 정확한 색상의 예측이 어려운 문제점이 있다.
다른 예를 들어, 일본등록특허공보 제2686003호는 인쇄 잉크의 조색 계량 장치에 관한 것으로, 계량 장치에 학습된 인쇄된 색상의 파장 패턴과 그 때의 배합비 등이 데이터베이스화되어 있고, 입력 파장 패턴과 등록 파장 패턴과 비교 연산 하여 잉크의 배합비를 구할 수 있으나, 망점 농도, 잉크 두께, 용지의 종류 등 인쇄물의 색상에 영향을 끼치는 요소를 다양하게 고려하고 있지는 않아 정확한 색상의 예측이 어려운 문제점이 있다.
(특허문헌 1) 일본등록특허공보 제6623679호
(특허문헌 2) 일본등록특허공보 제2686003호
(특허문헌 3) 일본공개특허공보 제2003-216401호
본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것이다.
구체적으로, 본 발명은 인쇄되는 인쇄물의 색상을 결정하는 다양한 변인과 그 때의 반사율을 고려하여, 반사율 예측 모델을 생성하기 위함이다.
상기와 같은 과제를 해결하기 위한 본 발명의 일 실시예는, 출력되는 인쇄물의 색상을 결정하는 제1 학습 데이터와 상기 제1 학습 데이터를 이용하여 인쇄된 인쇄물의 파장대별 반사율에 대한 정보인 제2 학습 데이터를 이용하여 반사율 예측 모델을 생성하는 방법으로서, 상기 제1 학습 데이터(10)는 잉크 정보(11)를 포함하고, 상기 잉크 정보(11)는 잉크 색상 별 배합비율, 잉크 두께 및 잉크 종류를 포함하고, 상기 제1 학습 데이터(10)와 상기 제2 학습데이터(20)는 각각 대응되고, (a) 모델링부(100)에 다수의 제1 학습 데이터(10)와, 상기 다수의 제1 학습 데이터(10)와 각각 대응되는 다수의 제2 학습 데이터(20)가 입력되는 단계; 및 (b) 상기 모델링부(100)는 상기 (a) 단계에서 입력된 상기 다수의 제1 학습 데이터(10)를 각각 입력 데이터(input data)로 설정하고, 상기 각각의 입력 데이터와 대응되는 상기 제2 학습 데이터(20)를 상기 각각의 입력 데이터의 레이블 데이터(label data)로 하여 지도 학습(supervised learning)하는 상기 반사율 예측 모델을 생성하는 단계; 를 포함하는 방법을 제공한다.
일 실시예는, 상기 다수의 제1 학습 데이터(10)는 각각 인쇄되는 종이의 광학적 특징 및 종이 종류를 포함하는 종이 정보(12)를 더 포함하고, 상기 종이의 광학적 특징은 종이의 광택도(Gloss), 백색도(Whiteness) 및 불투명도(Opacity)중 어느 하나 이상을 포함할 수 있다.
일 실시예는, 상기 다수의 제1 학습 데이터(10)는 각각 인쇄 정보(13)를 더 포함할 수 있다.
일 실시예는, 상기 다수의 제1 학습 데이터(10)는 각각 잉크에 포함되는 첨가물 비율을 포함하는 첨가물 정보(14)에 대한 정보를 더 포함할 수 있다.
일 실시예는, 상기 다수의 제1 학습 데이터(10)는 각각 인쇄기가 위치되는 환경의 온습도 정보(15)를 더 포함할 수 있다.
일 실시예는, 상기 다수의 제1 학습 데이터(10)는 각각 인쇄기가 포함하는 수분량 정보(16)를 더 포함할 수 있다.
일 실시예는, 상기 (b)단계 이후, 상기 (b)단계에서 생성된 상기 반사율 예측 모델에 상기 다수의 제1 학습 데이터(10)의 종류 중 어느 하나 이상의 정보를 입력하면, 상기 입력된 정보로부터 반사율을 예측하는 단계;를 더 포함할 수 있다.
본 발명에 따라, 다음과 같은 효과가 달성된다.
본 발명은 인쇄되는 인쇄물의 색상을 결정하는 다양한 변인과 그 때의 반사율을 고려하여, 반사율 예측 모델을 생성하는바, 인쇄물의 색상 및 품질의 예측의 정확도가 증대될 수 있다.
도 1은 본 발명에 따른 반사율 예측 모델을 생성할 때 사용되는 제1 학습 데이터와 제2 학습 데이터를 설명하기 위한 도면이다.
도 2는 본 발명에 따른 반사율 예측 모델을 생성하는 것을 설명하기 위한 모식도이다.
도 3 및 도 4는 본 발명에 따른 제1 학습 데이터와 제2 학습 데이터의 수치를 예시적으로 설명하기 위한 도면이다.
몇몇 경우, 본 발명의 개념이 모호해지는 것을 피하기 위하여 공지의 구조 및 장치는 생략되거나, 각 구조 및 장치의 핵심기능을 중심으로 한 블록도 형식으로 도시될 수 있다.
또한, 본 발명의 실시예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도 1 내지 도 4를 참조하여, 본 발명에 따른 반사율 예측 모델을 생성하는 방법을 설명한다.
본원 발명은 제1 학습 데이터(10)는 인쇄물의 색상에 영향을 끼칠 수 있는 정보를 포함하고, 제2 학습 데이터(20)를 인쇄물에서 반사되는 파장 별 반사율에 대한 정보를 포함하여, 모델링부(100)가 제1 학습 데이터(10)와 제2 학습 데이터(20)를 지도 학습(supervised learning)하여 반사율 예측 모델을 생성하기 위함이다.
이 때, 지도 학습이란 제1 학습 데이터(10)와 이에 대한 제2 학습 데이터(20)가 있는 상태에서 학습을 시키는 방법으로서, 지도 학습은 이미 공지된 기술인 바 이에 대한 자세한 설명은 생략한다.
제1 학습 데이터(10)는 반사율 예측 모델을 생성할 때 입력되는 입력 데이터(input data)를 의미하며, 제2 학습 데이터(20)는 입력 데이터의 레이블 데이터(label data)를 의미한다.
이 때, 레이블 데이터(label data)는 입력 데이터(input data)에 대한 정답 데이터를 의미하는 것으로, 지도 학습에서 사용되는 데이터의 명칭을 의미한다. 이는 이미 공지된 기술로 이에 대한 자세한 설명은 생략한다.
도 1 및 도 2를 참조하여 본 발명에 따른 반사율 예측 모델을 생성할 때 사용되는 제1 학습 데이터(10)와 제2 학습 데이터(20)를 구체적으로 설명한다.
제1 학습 데이터(10)는 인쇄되는 인쇄물의 색상에 영향을 끼칠 수 있는 정보를 포함한다.
제1 학습 데이터(10)는 잉크 정보(11), 종이 정보(12), 인쇄 정보(13), 첨가물 정보(14), 온습도 정보(15) 및 수분량 정보(16)을 포함한다.
모델링부(100)는 제1 학습 데이터(10) 중 어느 하나 이상을 포함하여 학습될 수 있다. 이에 대하여는 후술한다.
모델링부(100)는 잉크 색상 별 배합비율, 잉크 두께 및 잉크 종류 중 어느 하나 이상을 포함하는 잉크 정보(11)를 포함하는 제1 학습 데이터(10)와, 이 때의 제1 학습 데이터(10)와 대응되는 제2 학습 데이터(20)인 파장 별 반사율로 지도 학습될 수 있다.
잉크 정보(11)는 잉크 색상 별 배합비율, 잉크 두께 및 잉크 종류 중 어느 하나 이상을 포함한다.
즉, 후술하는 바와 같이 제1 학습 데이터(10)에 포함되는 잉크 정보(11)는 잉크 색상 별 배합비율, 잉크 두께 및 잉크 종류 중 어느 하나를 포함할 수 있고, 이에 대한 제2 학습 데이터(20)로 지도 학습될 수 있다.
잉크 색상 별 배합비율은 인쇄하는데 사용되는 잉크 색상인 시안(Cyan), 마젠타(Magenta), 노랑(Yellow) 및 검정(Black, KE)의 비율을 의미한다.
잉크 두께는 인쇄물에 인쇄되는 잉크층의 두께값을 의미한다.
잉크 종류는 사용되는 잉크의 종류를 의미한다. 예를 들어 일반 잉크를 사용한 것인지, UV 잉크를 사용한 것인지에 대한 잉크의 종류를 의미한다.
또한, 잉크 종류는 잉크 제조사 별에 따라 달라지는 잉크의 종류를 의미할 수 있다. 가령, 같은 노란색의 잉크라도 잉크 제조사에 따라 색상이 달라질 수 있는 바, 잉크 제조사 별 잉크 색상 배합 비율을 고려할 수 있다. 예를 들어, 도 4에는 각 잉크 색상 별 제조사를 표시한다.
또한, 모델링부(100)는 잉크 정보(11)와 종이 정보(12)를 포함하는 제1 학습 데이터(10)와, 이 때의 제1 학습 데이터(10)와 대응되는 제2 학습 데이터(20)인 파장 별 반사율로 지도 학습될 수 있다.
종이 정보(12)는 종이의 광학적 특징 및 종이 종류 중 어느 하나 이상을 포함한다.
종이의 광학적 특징은 종이의 광택도(Gloss), 백색도(Whiteness) 및 불투명도(Opacity)를 포함할 수 있다.
이 때, 종이의 광택도는 종이의 광택을 계측하여 수치로 표시한 것이다.
이 때, 종이의 백색도는 종이의 표면색의 흰 정도를 1차원적으로 나타낸 수치이다.
이 때, 종이의 불투명도는 종이의 불투명도를 계측하여 수치로 표시한 것으로, 투명에 근접하면 불투명도가 0에 근접한다.
종이 종류는 사용되는 종이의 재질에 따른 종류를 의미한다. 예를 들어 종이가 백상지, 아트지, 코트지 및 매트지인지 등의 종이의 종류를 의미한다.
이 때, 종이 정보(12)에는 인쇄된 인쇄물의 LAB좌표가 더 포함될 수 있고, LAB좌표는 이미 공지된 기술인 바 이에 대한 자세한 설명은 생략하기로 한다.
또한, 모델링부(100)는 잉크 정보(11), 종이 정보(12) 및 인쇄 정보(13)를 포함하는 제1 학습 데이터(10)와, 이 때의 제1 학습 데이터(10)와 대응되는 제2 학습 데이터(20)인 파장 별 반사율로 지도 학습될 수 있다.
인쇄 정보(13)는 단위면적 당 인쇄되는 망점의 개수인 망점 농도를 포함할 수 있다. 설정된 망점 농도에 따라 인쇄되는 색상이 다르게 보인다.
또한, 모델링부(100)는 잉크 정보(11), 종이 정보(12), 인쇄 정보(13) 및 첨가물 정보(14)를 포함하는 제1 학습 데이터(10)와, 이 때의 제1 학습 데이터(10)와 대응되는 제2 학습 데이터(20)인 파장 별 반사율로 지도 학습될 수 있다.
첨가물 정보(14)는 잉크에 첨가되는 첨가물에 대한 정보를 의미하며, 첨가물 정보(14)는 첨가물 비율을 포함한다.
첨가물 비율은 잉크에 별도로 첨가된 첨가물의 비율로, 첨가물 비율이 달라지면 인쇄물의 색상과 품질이 달라진다. 이 때, 잉크에는 잉크가 잘 섞이도록 유화제와 같은 첨가물이 첨가될 수 있으나 이에 제한되는 것은 아니다.
또한, 모델링부(100)는 잉크 정보(11), 종이 정보(12), 인쇄 정보(13), 첨가물 정보(14) 및 온습도 정보(15)를 포함하는 제1 학습 데이터(10)와, 이 때의 제1 학습 데이터(10)와 대응되는 제2 학습 데이터(20)인 파장 별 반사율로 지도 학습될 수 있다
온습도 정보(15)는 인쇄되는 인쇄물이 위치되는 환경의 온도 및 습도를 의미한다. 온도 및 습도에 따라 잉크의 끈적임이 달라지고 인쇄되는 인쇄물 색상이 달라진다.
또한, 모델링부(100)는 잉크 정보(11), 종이 정보(12), 인쇄 정보(13), 첨가물 정보(14), 온습도 정보(15) 및 수분량 정보(16)를 포함하는 제1 학습 데이터(10)와, 이 때의 제1 학습 데이터(10)와 대응되는 제2 학습 데이터(20)인 파장 별 반사율로 지도 학습될 수 있다
수분량 정보(16)은 물을 사용하는 인쇄기의 경우 포함될 수 있는 제1 학습 데이터(10)이다. 물을 사용하는 인쇄기의 경우 포함하고 있는 수분량에 따라, 출력되는 인쇄물의 색상 또는 품질이 달라질 수 있다.
예를 들어, 인쇄기 중 오프셋 인쇄기는 물을 사용하는 바, 인쇄기에 포함되는 수분량 정보(16)을 제1 학습 데이터(10)로 사용하여 학습할 수 있다.
제2 학습 데이터(20)는 제1 학습 데이터(10)를 이용하여 인쇄된 인쇄물의 파장대별 반사율에 대한 정보를 포함한다.
파장 별 반사율에 대한 정보는 다수의 파장을 인쇄물에 조사할 때, 반사되는 빛의 반사율을 의미하는 것이다.
파장 별 반사율에 대한 정보는 인쇄물의 색상에 따라 달라지는 바, 제2 학습 데이터(20)는 제1 학습 데이터(10)에 따라 달라진다.
제2 학습 데이터(20)는 다수의 제1 학습 데이터(10)마다 각각 생성되며, 각각의 제1 학습 데이터(10)로 인쇄되는 인쇄물에서 특정 파장을 조사할 때, 반사되는 빛의 반사율을 포함한다.
이 때, 제2 학습 데이터(20)에서 조사하는 파장 값은 특정한 값에 제한되는 것은 아니다.
이후 제1 학습 데이터(10)와 제2 학습 데이터(20)는 모델링부(100)에 한 쌍으로 입력된다.
모델링부(100)에는 제1 학습 데이터(10)와 제2 학습 데이터(20)가 한 쌍으로 입력되며, 다수의 쌍이 입력된다.
모델링부(100)는 다수의 제1 학습 데이터(10)를 각각 입력 데이터(input data)로 설정하고, 각각의 입력 데이터와 대응되는 상기 제2 학습 데이터(20)를 레이블 데이터(label data)로 설정하여, 지도 학습하고, 반사율 예측 모델을 생성할 수 있다.
이 때, 모델링부(100)에서 수행되는 지도 학습의 종류는 특정한 방법에 제한되는 것은 아니다.
본 발명에서는 모델링부(100)에 입력되는 제1 학습 데이터(10)로 인쇄물의 색상에 영향을 미칠 수 있는 구체적이고 다수의 변수를 이용하여 학습되는 바, 보다 정확하게 인쇄물의 색상 및 품질을 평가할 수 있다.
본 발명에 따라 지도 학습되어 생성된 반사율 예측 모델은 다양한 값을 추산할 수 있다.
이 하, X값은 반사율 예측 모델에 입력되는 정보를 의미하며, 전술한 제1 학습데이터(10)가 포함하는 정보의 종류 중 특정한 정보 또는 수치를 의미한다. 즉, X값은 학습 데이터(10)가 포함하는 종류 중 어느 하나 이상의 정보일 수 있다. 다만, X값은 학습 데이터(10)와 동일한 정보 또는 수치일 수도 있으나, 학습 데이터(10)와 다른 정보 또는 수치일 수 있다. Y값은 반사율 예측 모델로부터 출력되며 예측되는 값을 의미한다. 예를 들어, 반사율 예측 모델에 잉크 색상 별 배합비율과 종이 종류, 잉크 두께 및 망점 농도에 대한 정보인 X값을 입력하면, 반사율인 Y값이 특정한 값으로 예측될 수 있다.
이 때, 입력되는 X값의 정보가 많을수록 반사율인 Y값이 정확하게 예측될 수 있다.
다른 예를 들어, 반사율 예측 모델에 잉크 색상 별 배합비율인 X값과 반사율인 Y값을 넣어주면 종이 종류, 잉크 두께 및 망점 농도와 같은 다른 X값이 예측될 수 있다.
즉, 학습된 반사율 예측 모델을 통하여, X값으로 Y값을 예측하는 것이나 일부의 X값과 Y값으로 전체 X값을 예측할 수도 있다.
도 3을 참조하여, 본원 발명의 반사율 예측 모델을 생성하는데 사용되는 제1 학습 데이터(10)와 제2 학습 데이터(20)의 수치를 예시적으로 설명한다.
제1 학습 데이터(10)로 잉크 정보(10) 중 잉크 색상 별 배합비율 및 잉크 두께를 포함하며, 종이 정보(20)로 종이 종류를 포함하며, 망점 농도(30)를 포함한다. 제2 학습 데이터(20)는 이 때의 제1 학습 데이터(10) 정보로 반사되는 빛의 반사율로서, 예시적으로 100nm파장과 150nm파장을 조사하였을 때 반사율을 설명하나, 이에 제한되는 것은 아니다.
도 3의 제1 열에서 제1 학습 데이터(10)로 잉크 색상 별 배합비율은 시안(Cyan), 마젠타(Magenta), 노랑(Yellow), 검정(Black, KE)은 각각 0.2, 0.5, 0.1, 0.2이며, 잉크 두께는 1이고, 종이 종류는 백상지이고, 망점 농도는 45%로 도시된다. 또한, 도 3의 제1 열에서 제2 학습 데이터(20)로 100nm의 파장을 조사할 때, 해당 제1 학습 데이터(10)에서의 반사율이 10이며, 150nm의 파장을 조사할 때, 해당 제1 학습 데이터(10)에서의 반사율이 20인 것을 설명한다.
또한, 도 3의 제2 열에서 제1 학습 데이터(10)로 잉크 색상 별 배합비율은 시안(Cyan), 마젠타(Magenta), 노랑(Yellow), 검정(Black, KE)은 각각 0.4, 0.2, 0.2, 0.2이며, 잉크 두께는 0.8이고, 종이 종류는 백상지이고, 망점 농도는 80%로 도시된다. 또한, 도 3의 제1 열에서 제2 학습 데이터(20)로 100nm의 파장을 조사할 때, 해당 제1 학습 데이터(10)에서의 반사율이 15이며, 150nm의 파장을 조사할 때, 해당 제1 학습 데이터(10)에서의 반사율이 24인 것을 설명한다.
도 4를 참조하여, 본원 발명의 반사율 예측 모델을 생성하는데 사용되는 제1 학습 데이터(10)와 제2 학습 데이터(20)의 수치를 예시적으로 설명한다.
도 4에서는 제1 학습 데이터(10)로 잉크 정보(10) 중 잉크 색상 별 배합비율, 잉크 두께 및 잉크 종류를 포함하며, 종이 정보(20)로 종이 종류와 종이의 LAB좌표를 포함하고, 인쇄 정보(30)로 단위면적 당 망점의 개수를 포함한다. 제2 학습 데이터(20)는 이 때의 제1 학습 데이터(10) 정보로 반사되는 빛의 반사율로서, 예시적으로 380nm파장 내지 750nm파장을 조사하였을 때 반사율을 설명한다.
이상, 본 발명에 따르면 제1 학습 데이터(10)와 제2 학습 데이터(20)를 이용하여 반사율 예측 모델을 생성할 수 있고, 생성된 반사율 예측 모델을 통해 특정한 X값을 입력하면, Y값인 반사율을 예측할 수 있다.
이상, 본 명세서에는 본 발명을 당업자가 용이하게 이해하고 재현할 수 있도록 도면에 도시한 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 당업자라면 본 발명의 실시예로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 보호범위는 특허청구범위에 의해서 정해져야 할 것이다.
10: 제1 학습 데이터
11: 잉크 정보
12: 종이 정보
13: 인쇄 정보
14: 첨가물 정보
15: 온습도 정보
16: 수분량 정보
20: 제2 학습 데이터
100: 모델링부

Claims (7)

  1. 출력되는 인쇄물의 색상을 결정하는 제1 학습 데이터와 상기 제1 학습 데이터를 이용하여 인쇄된 인쇄물의 파장대별 반사율에 대한 정보인 제2 학습 데이터를 이용하여 반사율 예측 모델을 생성하는 방법으로서,
    상기 제1 학습 데이터(10)는 잉크 정보(11)를 포함하고,
    상기 잉크 정보(11)는 잉크 색상 별 배합비율, 잉크 두께 및 잉크 종류를 포함하고,
    상기 제1 학습 데이터(10)와 상기 제2 학습데이터(20)는 각각 대응되고,
    (a) 모델링부(100)에 다수의 제1 학습 데이터(10)와, 상기 다수의 제1 학습 데이터(10)와 각각 대응되는 다수의 제2 학습 데이터(20)가 입력되는 단계; 및
    (b) 상기 모델링부(100)는 상기 (a) 단계에서 입력된 상기 다수의 제1 학습 데이터(10)를 각각 입력 데이터(input data)로 설정하고, 상기 각각의 입력 데이터와 대응되는 상기 제2 학습 데이터(20)를 상기 각각의 입력 데이터의 레이블 데이터(label data)로 하여 지도 학습(supervised learning)하는 상기 반사율 예측 모델을 생성하는 단계; 를 포함하는,
    방법.
  2. 제1항에 있어서,
    상기 다수의 제1 학습 데이터(10)는 각각 인쇄되는 종이의 광학적 특징 및 종이 종류를 포함하는 종이 정보(12)를 더 포함하고,
    상기 종이의 광학적 특징은 종이의 광택도(Gloss), 백색도(Whiteness) 및 불투명도(Opacity)중 어느 하나 이상을 포함하는,
    방법.
  3. 제2항에 있어서,
    상기 다수의 제1 학습 데이터(10)는 각각 망점 농도를 포함하는 인쇄 정보(13)를 더 포함하는,
    방법.
  4. 제1항에 있어서,
    상기 다수의 제1 학습 데이터(10)는 각각 잉크에 포함되는 첨가물 비율을 포함하는 첨가물 정보(14)에 대한 정보를 더 포함하는,
    방법.
  5. 제1항에 있어서,
    상기 다수의 제1 학습 데이터(10)는 각각 인쇄기가 위치되는 환경의 온습도 정보(15)를 더 포함하는,
    방법.
  6. 제1항에 있어서,
    상기 다수의 제1 학습 데이터(10)는 각각 인쇄기가 포함하는 수분량 정보(16)를 더 포함하는,
    방법.
  7. 제1항에 있어서,
    상기 (b)단계 이후,
    상기 (b)단계에서 생성된 상기 반사율 예측 모델에 상기 다수의 제1 학습 데이터(10)의 종류 중 어느 하나 이상의 정보를 입력하면, 상기 입력된 정보로부터 반사율을 예측하는 단계;를 더 포함하는,
    방법.
KR1020200126124A 2020-09-28 2020-09-28 지도 학습 기반 반사율 예측 방법 KR102465872B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200126124A KR102465872B1 (ko) 2020-09-28 2020-09-28 지도 학습 기반 반사율 예측 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200126124A KR102465872B1 (ko) 2020-09-28 2020-09-28 지도 학습 기반 반사율 예측 방법

Publications (2)

Publication Number Publication Date
KR20220043975A true KR20220043975A (ko) 2022-04-06
KR102465872B1 KR102465872B1 (ko) 2022-11-14

Family

ID=81211726

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200126124A KR102465872B1 (ko) 2020-09-28 2020-09-28 지도 학습 기반 반사율 예측 방법

Country Status (1)

Country Link
KR (1) KR102465872B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11235810A (ja) * 1997-10-03 1999-08-31 Nisshinbo Ind Inc 印刷用調色支援システム
JP2007260936A (ja) * 2006-03-27 2007-10-11 Seiko Epson Corp 印刷結果予測装置、印刷結果予測方法および印刷結果予測プログラム
JP2007336198A (ja) * 2006-06-14 2007-12-27 Seiko Epson Corp 印刷用色変換プロファイルの生成
CN103870689A (zh) * 2014-03-11 2014-06-18 武汉大学 一种打印印刷系统光谱预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11235810A (ja) * 1997-10-03 1999-08-31 Nisshinbo Ind Inc 印刷用調色支援システム
JP2007260936A (ja) * 2006-03-27 2007-10-11 Seiko Epson Corp 印刷結果予測装置、印刷結果予測方法および印刷結果予測プログラム
JP2007336198A (ja) * 2006-06-14 2007-12-27 Seiko Epson Corp 印刷用色変換プロファイルの生成
CN103870689A (zh) * 2014-03-11 2014-06-18 武汉大学 一种打印印刷系统光谱预测方法

Also Published As

Publication number Publication date
KR102465872B1 (ko) 2022-11-14

Similar Documents

Publication Publication Date Title
US7423778B2 (en) Prediction model for color separation, calibration and control of printers
JP6510659B2 (ja) 色の較正
EP1489831B1 (en) Color management system using distributed profiles for color printing systems
US11044384B2 (en) Color prediction method
US7173733B2 (en) Method for modeling color halftones
JP2872059B2 (ja) インキ供給の制御方法
EP3675476B1 (en) Color prediction model construction method and color prediction model construction program
KR102465872B1 (ko) 지도 학습 기반 반사율 예측 방법
Zorenko et al. Influence of the surface characteristics of corrugated cardboard on the quality of inkjet printing
Hersch et al. Deducing ink thickness variations by a spectral prediction model
Nébouy et al. Prediction of the spectral reflectance of laser-generated color prints by combination of an optical model and learning methods
CN103209836A (zh) 图像处理设备和图像处理方法
KR102630072B1 (ko) 인쇄 방식에 따른 색상 차이 학습 방법
Milder et al. The Artificial Neural Network Structure Selection Algorithm in the Direct Task of Spectral Reflection Prediction
US11659131B2 (en) Method and computer program product for predicting spectral characteristics of ink applied to a base material
JP2004328716A (ja) 画像情報処理方法、画像形成システム及びプログラム
JP2004291604A (ja) 画像形成方法及び画像出力システム
JP2019181863A (ja) 印刷結果予測用数式の作成方法、予測方法、及び予測システム
JP2017085266A (ja) 色予測システムおよび色予測方法
JP5524430B1 (ja) インキの中間調の色彩値予測システム、方法及びプログラム
KR20230059885A (ko) 드라이다운에 따른 색상 변화 예측 모델 학습 방법
ETH Color predicting model for electrophotographic prints on common office paper
Milder et al. On the Direct Problem of Spectral Reflection Prediction by Artificial Neural Networks: Framework Selection
Ogasahara Optimization of Subtractive Color Dyes for Dye-Based Color Inkjet Printer
Morovič et al. Spectral and color prediction for arbitrary halftone patterns: a drop-by-drop, WYSIWYG,“ink on display” print preview

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant