用于近似5角度色差模型的系统和方法技术方案

提供了用于近似5角度色差模型的系统和方法，其中，5角度色差模型利用5角度等式。在示例性实施方式中，装置包括：存储设备，其用于存储指令；以及一个或更多个处理器，其被配置成执行指令。处理器被配置成接收3角度标准颜色测量和3角度测试颜色测量，并且将3角度标准测量输入到神经网络经验模型中。该神经网络经验模型包括多个输入节点、连接到输入节点的多个隐藏节点以及连接到隐藏节点的多个输出节点。该神经网络经验模型被配置成输出3角度公差值，并且使用5角度等式、使用3角度标准颜色测量和3角度测试颜色测量以及3角度公差值、针对3个颜色测量角度中的至少一个来计算3角度色差值。

【技术实现步骤摘要】
用于近似5角度色差模型的系统和方法相关申请的交叉引用本申请要求2019年9月20日提交的美国临时申请第62/903,072号的权益，该美国临时申请的全文由此通过引用被并入。
本
涉及涂层技术，并且更特别地涉及用于基于3角度颜色测量来近似5角度色差模型的系统和方法。
技术介绍
汽车、交通工具和其他物品通常涂有油漆以提供防腐蚀保护，以及提供吸引人的外观。然而，不同批次的涂层可能具有略微不同的着色。在涂覆操作期间改变批次可能导致基板上的不匹配区域。然而，由于不匹配的考虑而丢弃一部分批次的涂层是浪费的。而且，不同的生产设备可能生产具有稍微不同着色的产品。因此，用于确定类似涂层或颜色的差异的技术为生产者和消费者提供了益处。不同涂层之间的差异的量化可以帮助OEM制造商或整修操作提供精确的颜色匹配操作。在一个实施方式中，已经开发了5角度色差模型，其通常被接受为提供在测量角度下两个涂层之间的色差的合理且一致的量化。这种5角度色差模型可以被称为“色差等式”。两个涂层之间的色差通常取决于视角，因此在一个视角下可能基本上一致的涂层在不同的视角下可能具有显著的区别。如果涂层具有效应颜料或“深度”，则这种色差尤其明显。5角度色差模型使用5个不同的角度来捕获在5个不同角度下的表观色差。5角度色差模型的一些方面利用在不同角度下测量的颜色特性，因此结果取决于来自其他角度的测量。然而，即使5角度色差模型不是所有角度下的色差的完美预测器，但它确实提供了可以被感兴趣的实体接受和利用的对色差的一致且可重复的度量。一些涂料制造商提供利用3角度的颜色测量设备，因此5角度色差模型不能被适当地实现。即使利用相同的视角，三角度色差计算也可能提供与来自5角度色差计算的结果不同的结果，因为5角度色差模型的某些方面使用可能未被包括在3角度模型中的其他角度。例如，对于单一标准样品(本文中称为“标准涂层”或“标准颜色”)涂层和测试样品(本文中称为“测试涂层”或“测试颜色”)，在15°下(其中5角度是15°、25°、45°、75°和110°)来自色差5角度等式的色差值将不同于在15°下(其中3角度是15°、45°和110°)相同标准涂层和测试涂层的3角度差异计算。这种对于相同的标准涂层、相同的测试涂层和相同的测量角度缺乏一致的结果，使得难以比较来自利用不同数量的颜色测量角度的不同制造商的涂层。因此，希望提供用于使用3角度颜色测量系统来近似5角度色差模型的系统和方法。5角度色差模型中的缺陷在使用3角度颜色测量的新模型内应该是可重复的，因此对3角度颜色测量工具和5角度颜色测量工具两者的使用可以在针对相同标准颜色、测试颜色和测量角度具有一致的色差值估计的情况下使用。另外，根据随后的
技术实现思路
和具体实施方式以及所附权利要求书并结合附图和本
技术介绍
理解，其他期望的特征和特性将变得明显。
技术实现思路
提供了用于近似5角度色差模型的装置和方法，其中5角度色差模型利用5角度等式。在示例性实施方式中，一种装置包括：存储设备，其用于存储指令；以及一个或更多个处理器，其被配置成执行指令。处理器被配置成接收3角度标准颜色测量和测试颜色测量，并且将以下中的一个输入到神经网络经验模型中：(i)3角度标准测量或(ii)标准颜色测量和测试颜色测量的亮度和色度的几何平均值。该神经网络经验模型包括多个输入节点、连接到输入节点的多个隐藏节点以及连接到隐藏节点的多个输出节点。该神经网络经验模型被配置成输出3角度公差值，并且使用5角度等式、使用3角度标准颜色测量和3角度测试颜色测量和3角度公差值、针对3个颜色测量角度中的至少一个计算3角度色差值。在另一实施方式中提供了一种利用3角度测量数据近似5角度色差模型的方法。该方法包括接收在3个颜色测量角度中的每一个角度下的3角度标准颜色测量和测试颜色测量，并且将以下中的一个输入到神经网络经验模型中：(i)3角度标准颜色测量或(ii)标准颜色测量和测试颜色测量的亮度和色度的几何平均值。该神经网络经验模型包括多个输入节点、连接到多个输入节点的多个隐藏节点以及连接到隐藏节点的多个输出节点。该神经网络经验模型输出针对3个颜色测量角度中的每一个的3角度公差值，并且计算针对3个颜色测量角度中的至少一个的3角度色差值。除了使用3角度公差值来代替5角度等式通常使用的5角度公差值之外，该神经网络经验模型使用与5角度色差模型所使用的等式相同的5角度等式。在又一实施方式中提供了一种产生近似5角度色差模型的3角度色差模型的方法。该方法包括接收在5个颜色测量角度中的每一个颜色测量角度下的标准颜色的5角度标准颜色测量，并且计算多个5角度公差值。在3个颜色测量角度中的每一个颜色测量角度下接收标准颜色的3角度标准颜色测量，其中3个颜色测量角度是5个颜色测量角度的子集。产生神经网络经验模型，其包括多个输入节点、连接到多个输入节点的多个隐藏节点以及连接到多个隐藏节点的多个输出节点，其中该神经网络经验模型被配置成输出3个颜色测量角度中的每一个颜色测量角度下的3角度公差值。用(1)5角度标准颜色测量、(2)3角度标准颜色测量和(3)5角度公差值来训练神经网络经验模型，使得由神经网络经验模型输出的3角度公差值与3个颜色测量角度中的每一个颜色测量角度下的5角度公差值大约相同。附图说明所公开主题的其他优点将是容易领会的，因为通过参考结合附图考虑时的以下具体实施方式该其他优点将变得更好被理解，在附图中：图1是使用15°、45°和110°的颜色测量角度的示例性神经网络经验模型的训练数据和验证数据的盒形图；图2是使用15°、45°和110°的颜色测量角度的示例性神经网络经验模型的训练数据和验证数据的直方图；图3是总结使用15°、45°和110°的颜色测量角度的示例性神经网络经验模型的训练数据和验证数据的表；图4是使用25°、45°和110°的颜色测量角度的示例性神经网络经验模型的训练数据和验证数据的盒形图；图5是使用25°、45°和110°的颜色测量角度的示例性神经网络经验模型的训练数据和验证数据的直方图；以及图6是总结使用25°、45°和110°的颜色测量角度的示例性神经网络经验模型的训练数据和验证数据的表。具体实施方式以下详细描述不旨在限制本描述或其应用和用途。此外，不意在受前面的
技术介绍
或以下详细描述中所提出的任何理论限制。应当理解，在整个附图中，相应的附图标记指示相同的或相应的部件和特征。通过阅读以下详细描述，本领域的普通技术人员将更容易理解本公开内容中标识的特征和优点。应当领会的是，为了清楚起见上文和下文在不同实施方式的上下文下描述的某些特征也可以在单个实施方式中组合提供。反之，为了简洁起见在单个实施方式的上下文下描述的各种特征也可以分别提供或以任何子组合的形式提供。另外，除非上下文另有明确说明，否则单数形式的提及也可以包括复数(例如，“一”和“一个”可以指一个，或一个或更多个)。对于本领域技术人员来说，可以理解，偏置节点可以存在于除了输出层之外的任何层中。因本文档来自技高网...

【技术保护点】
1.一种用于近似5角度色差模型的处理器实现的装置，所述装置包括：/n存储设备，其用于存储用于所述5角度色差模型的近似的指令，其中，所述5角度色差模型包括5角度等式(A)，其中，所述5角度等式(A)是：/n(A)dE

【技术特征摘要】
20190920 US 62/903,072;20200916 US 17/022,5611.一种用于近似5角度色差模型的处理器实现的装置，所述装置包括：
存储设备，其用于存储用于所述5角度色差模型的近似的指令，其中，所述5角度色差模型包括5角度等式(A)，其中，所述5角度等式(A)是：
(A)dEΥi＝((dL*Υi/kL·S5L，Υi)2+(dC*Υi/kc·S5c，Υi)2+(dH*Υi/kH·S5H，Υi)2)的平方根，其中，dEΥi是5角度色差值，dL*是标准颜色-测试颜色对之间的亮度差，Υ是测量角度，i是测量角度的迭代，dC*是标准颜色-测试颜色对之间的色度差，dH*是标准颜色-测试颜色对之间的色调差，KL、Kc和KH是接受极限，S5L、S5c和S5H分别是特定颜色位置处亮度、色度和色调的5角度公差值；以及
一个或更多个数据处理器，其被配置成执行所述指令以：
接收在3个颜色测量角度中的每一个颜色测量角度下的标准颜色的3角度标准颜色测量；
接收在所述3个颜色测量角度中的每一个颜色测量角度下的测试颜色的3角度测试颜色测量；
将以下中的一个输入到神经网络经验模型中：(i)所述3角度标准颜色测量；或者(ii)标准颜色测量和测试颜色测量的亮度L*和色度C*的几何平均值；所述神经网络经验模型包括多个输入节点、连接到所述多个输入节点的多个隐藏节点以及连接到所述隐藏节点的多个输出节点，其中，所述神经网络经验模型被配置成输出针对所述3个颜色测量角度中的每一个的3角度公差值S3L、S3c、以及S3H；以及
使用所述5角度等式(A)利用所述3角度标准颜色测量、所述3角度测试颜色测量和所述3角度公差值来计算针对所述3个颜色测量角度中的至少一个的3角度色差值，其中，所述3角度公差值用于代替所述5角度等式(A)中的所述5角度公差值。


2.根据权利要求1所述的装置，其中：
通过等式(B)、(C)和(D)计算所述5角度公差值S5L、S5C和S5H，
(B)S5LΥi＝1.000·((|L*Υi-L*Υi+1|)/(Υi+1-Υi))2/3+0.002·C*45+0.33；
(C)S5CΥi＝1.478·((|C*Υi-C*Υi+1|)/(Υi+1-Υi))+0.014·C*45+0.27；以及
(D)S5HΥi＝0.800·((|C*Υi-C*Υi+1|)/(Υi+1-Υi))+0.004·C*45+0.30；
其中，L*、C*以及H*是所述标准颜色的亮度、色度以及色调，并且其中，C*45是在45度下测量的所述标准颜色的色度。


3.根据权利要求2所述的装置，其中，针对多个标准颜色的公差值差的标准偏差为约0.1或更小，其中，所述公差值差是针对每个标准颜色的每个3角度测量角度的3角度公差值与5角度公差值之间的差。


4.根据权利要求1所述的装置，其中，所述神经网络经验模型的输入节点包括亮度节点(L*)、红绿色节点(a*)和蓝黄色节点(b*)。


5.根据权利要求1所述的装置，其中，所述神经网络经验模型包括13个输入节点、25个隐藏节点和9个输出节点。


6.根据权利要求5所述的装置，其中，所述13个输入节点包括：用于所述3个颜色测量角度中的每一个的输入节点L*、用于所述3个颜色测量角度中的每一个的输入节点a*、用于所述3个颜色测量角度中的每一个的输入节点b*、用于所述3个颜色测量角度中的每一个的色度输入节点(C*)以及动态色指数。


7.根据权利要求6所述的装置，其中，单层神经网络的函数形式是Y＝fi+1(fi(X·Wi+bi)·Wi+1+bi+1)，其中，W和b分别是用于所述模型的权重和偏置。


8.根据权利要求7所述的装置，其中，在运用所述神经网络经验模型之前，将所述3角度标准颜色测量和所述3角度测试颜色测量缩放到从0.1至0.9的范围，使得每个3角度测试颜色测量的最小值被缩放到0.1，并且每个3角度测试颜色测量的最大值被缩放到0.9。


9.根据权利要求1所述的装置，其中，所述3个颜色测量角度是15°、45°和110°。


10.根据权利要求1所述的装置，其中，所述3个颜色测量角度是25°、45°和110°。


11.一种利用3角度测量数据近似5角度色差模型的方法，所述方法包括以下步骤：
接收在3个颜色测量角度中的每一个颜色测量角度下的标准颜色的3角度标准颜色测量；
接收在所述3个颜色测量角度中的每一个颜色测量角度下的测试颜色的3角度测试颜色测量；
将以下中的一个输入到神经网络经验模型中：(i)所述3角度标准颜色测量；或者(ii)标准颜色测量和测试颜色测量的亮度L*和色度C*的几何平均值；所述神经网络经验模型包括多个输入...

【专利技术属性】
技术研发人员：拉里·E·斯蒂恩胡克，多米尼克·V·波埃里奥，
申请(专利权)人：艾仕得涂料系统有限责任公司，
类型：发明
国别省市：瑞士;CH