The invention discloses a method and system of paint color modification based on machine learning. The implementation steps of the invention include establishing a basic sample card in advance and completing the mapping of formula concentration to three stimulus values based on machine learning model training; acquiring the reflectivity of the target color block and calculating its three stimulus values; and inputting the machine learning model to obtain the current situation. According to the current formula results, make a sample and calculate the color difference. If the color difference is greater than the preset threshold, get the tristimulus value of the sample and input the machine learning model to get the new formula results. According to the current formula results and the new formula results, calculate the new revised formula results as the new current formula results. Formula results. The invention can effectively solve the problems of long time-consuming, high cost and poor effect existing in the paint color dressing industry. By introducing the method of machine learning, the system obtains satisfactory color dressing results in continuous evolutionary learning, and has the advantages of high intelligence, high scalability and high precision.
【技术实现步骤摘要】
一种基于机器学习的涂料修色方法及系统
本专利技术涉及涂料行业中的涂料修色技术,具体涉及一种基于机器学习的涂料修色方法及系统。
技术介绍
计算机配色通过利用颜色学理论精确地描述色料的颜色属性,能够为具体生产实践提供指导,简化配色过程。计算机配色可以广泛应用于涂料、纺织、成衣和汽车等涉及颜色的行业领域。计算机配色技术始于20世纪30年代,CIE(国际照明委员)创立了三刺激值色度学系统,Hardy成功设计出自动记录式反射率多角度分光光度计;1931年Kubelka-Munk提出光线在不透明介质中被吸收和散射的理论,也就是现时期大多数计算机配色系统的理论基础——Kubelka-Munk理论,简称K-M理论,K-M理论联系了物体的反射率R与吸收系数K和散射系数S的关系,为实现计算机配色奠定了基础。涂料行业的配色主要是预测各个色料浓度与目标色样的光学数据之间的关系。目前主要有两种方式,一种是通过上文介绍的K-M理论以及之后出现的多通道理论,这些理论都建立了色料浓度与目标色样间的数学模型,通过这些数学模型可以对颜色进行预测,目前也是被广泛采用的方法,但是缺点也很明显,模型存在误差同时模型中的基本参数不容易确定。另外一种是考虑到配色问题实际上是一个解决两个空间非线性映射问题,故出现了很多把人工神经网络的方法用于计算机配色的研究。人工神经网络进行配色预测相对传统的数学建模方法不需要固定建立单个涂料的样本库,可以直接采用现存的数据库进行学习,同时随着用户的使用可以不断的学习,使得系统更加精确。但目前简单应用的人工神经网络以及一些增强的神经网络效果还不理想,很难达到工业应用对色 ...
【技术保护点】
1.一种基于机器学习的涂料修色方法,其特征在于实施步骤包括:1)预先建立基础样卡,并基于机器学习模型训练完成基础样卡的配方浓度C[C1,C2,C3]到三刺激值[X,Y,Z]的映射;当需要针对目标色块进行涂料修色时跳转执行下一步;2)获取目标色块的反射率Rt并计算其三刺激值[X,Y,Z],将计算得到的三刺激值[X,Y,Z]输入机器学习模型得到当前的配方结果;3)根据当前的配方结果做出小样并利用分光光度计对其进行色差测算得到其色差△E;4)判断色差△E是否大于预设阈值,如果大于预设阈值,则获取当前的配方结果做出的小样的反射率Rs,根据反射率Rs计算其三刺激值[X,Y,Z],将计算得到的三刺激值[X,Y,Z]输入机器学习模型得到新的配方结果,根据当前的配方结果、新的配方结果计算出新的修正后的配方结果作为新的当前的配方结果,跳转执行步骤2);否则,判定当前的配方结果不需要修色,结束并退出。
【技术特征摘要】
1.一种基于机器学习的涂料修色方法,其特征在于实施步骤包括:1)预先建立基础样卡,并基于机器学习模型训练完成基础样卡的配方浓度C[C1,C2,C3]到三刺激值[X,Y,Z]的映射;当需要针对目标色块进行涂料修色时跳转执行下一步;2)获取目标色块的反射率Rt并计算其三刺激值[X,Y,Z],将计算得到的三刺激值[X,Y,Z]输入机器学习模型得到当前的配方结果;3)根据当前的配方结果做出小样并利用分光光度计对其进行色差测算得到其色差△E;4)判断色差△E是否大于预设阈值,如果大于预设阈值,则获取当前的配方结果做出的小样的反射率Rs,根据反射率Rs计算其三刺激值[X,Y,Z],将计算得到的三刺激值[X,Y,Z]输入机器学习模型得到新的配方结果,根据当前的配方结果、新的配方结果计算出新的修正后的配方结果作为新的当前的配方结果,跳转执行步骤2);否则,判定当前的配方结果不需要修色,结束并退出。2.根据权利要求1所述的基于机器学习的涂料修色方法,其特征在于,步骤1)中建立基础样卡的详细步骤包括:建立基础的涂料配方数据库,根据涂料的类别进行分类,不同类别的涂料设定不同梯度点,梯度点选取的原则是让不同的梯度点能够覆盖大部分配方所用的浓度范围,然后根据配方组成中的涂料对这些梯度点进行组合产生基础样卡,接着将这些基础样卡做出小样。3.根据权利要求2所述的基于机器学习的涂料修色方法,其特征在于,所述根据涂料的类别进行分类的详细步骤包括:将100%浓度的涂料制作100%纯样黑白底卡;通过分光光度计分别检测获取100%纯样黑白底卡上的反射率R0,R1,其中R0表示黑底卡上的反射率,R1表示白底卡上的反射率;根据反射率R0,R1计算100%浓度的色漆的遮盖率I,并根据遮盖率I将所有的100%浓度的色漆进行分类。4.根据权利要求3所述的基于机器学习的涂料修色方法,其特征在于,所述计算100%浓度的色漆的遮盖率I的函数表达式如式(1)所示;式(1)中,I表示100%浓度的色漆的遮盖率,N表示100%纯样黑白底卡上的检测采样点,表示在第i个可见光波段黑底卡上的反射率,表示在第i个可见光波段白底卡上的反射率。5.根据权利要求4所述的基于机器学习的涂料修色方法,其特征在于,所述根据遮盖率I将所有的100%浓度的色漆进行分类时,分类的结果包括低、中、高三类,针对遮盖率分类为高的色漆浓度取值范围为[0.10.20.512],针对遮盖率分类为中的色漆浓度取值范围为[0.20.5126],针对遮盖率分类为低的色漆浓度取值范围为[0.512614],一个配方中有b种涂料,进行组合从而得到5b种配方,其中b为配方中包含不同色漆的数量。6.根据权利要求1所述的基于机器学习的涂料修色方法,其特征在于,步骤2)获取目标色块的反射率Rt并计算其三刺激值[X,Y,Z]以及步骤4)中根据反射率Rs计算其三刺激值[X,Y,Z]的详细步骤包括:首先根据式(2)计算反射率对应的K/S值;然后根据式(3)计算K/S值对应的三刺激值[X,Y,Z];式(2)中,K/S表示反射率对应的K/S值,R表示输...
【专利技术属性】
技术研发人员:吴鹏,洪铁,
申请(专利权)人:魔金真彩网络科技长沙有限公司,
类型:发明
国别省市:湖南,43
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。