用于涂料配制的紋理評估的系統和方法
【技術領域】
[0001] 在各種實施例中，本發明一般地涉及一種用于評估涂料混合物的比色和物理性能 屬性的系統和方法，以便向用戶提供在配制涂料匹配、在數據存儲（例如數據庫）中搜索涂 料匹配以及在質量保證中使用的紋理質量。
【背景技術】
[0002] 為了提供與使用配制或搜索引擎（或視覺處理）利用目標涂料涂布的目標樣本的 正確的顏色匹配，期望確定目標涂料的正確的染色。如果利用與目標涂料中相同的顏料或 適當的偏移，配制或搜索過程可作出關于目標涂料的配制的明顯的最佳解決方案。然而，如 果由于顏料紋理而存在改變紋理質量的可能性，顏色匹配可能無法精確地提供完全匹配的 樣本。此外，從可用性中或者有意或者無意地排除那些顏料將導致不如最佳的顏色匹配。
[0003] 一些目前的匹配搜索或配制引擎和方法學嘗試經由各種算法來完成（encompass) 顏料選擇和配置。各種顏料識別包和配置引擎采取"野蠻"力，猜測和檢查方式的類型以向 其用戶提供配制和顏料信息。組合的方式一一野蠻力方法一一是頻繁使用的方法，在該方 法中給定最終匹配中期望的顏料的結束編號，以所有可用的組合來組合幾乎所有可用的顏 料。盡管存在在給定具體條件下限制某些顏料的使用的一些方法，但是最終結果是：公式組 合可以驗證（validate against)樣本，并且最接近匹配目標涂料的一個或多個公式的選擇 被提供給用戶。
[0004] 其它解決方案要求用戶向搜索或配制引擎提交調色劑的樣本集，并且還有其它方 法選擇使用調色劑的預定義子集。通常這些方法對于用戶是有負擔的，并且缺乏正確的"直 覺"來為用戶的良好解決方案提供簡化的方法。另外，由于這樣的方法學的性質，可能會排 除匹配目標涂料所必要的適當的顏料。
[0005] 神經網絡已用于從預先生成的可能匹配的現有數據庫選擇顏色匹配，或者本身充 當配制引擎。神經網絡的優勢在于它解決線性和非線性關系二者的能力，但這種優勢以 笨重、不靈活性以及需要顯著的開銷來精心管理有時大的學習數據庫和結構為代價。神 經網絡的不靈活性或剛性操作一般必須用在反饋設計中，以優化導致網絡的隱藏層和在 網絡的隱藏層內的節點權重。神經網絡需要從期望的輸出獲得的這種類型的錯誤的反向 傳播（backpropogation)，以便"學習"。通過基于現有迭代的錯誤對輸入的重復再引入 (repeated reintroduction)和對權重的重復調整，神經網絡的實際學習或訓練是基于給 定期望輸出的計算錯誤的減少。
[0006] 如可從圖1中所見的，常規的神經網絡需要幾乎理想定義的輸入，并且如果錯誤 需要被糾正或需要考慮一塊新的信息，則需要顯著的努力來更新和/或改變各個層（節 點）。雖然與一些現有的模型相比，更少的步驟對于用戶是明顯的，但神經網絡由于其嘗試 在一個大規模步驟中完成對配制或顏色搜索的解決（resolution)的性質而趨向于相對緩 慢和單向。此外，與上文討論的方法學一樣，排除必要的顏料是有可能的。神經網絡還需要 權重、數據庫、計算、復雜和嚴格的過程映射以及有效的實質"訓練"的精確和有點繁瑣的維 護。
[0007] 因此，需要具有靈活性來將處理步驟分割為更小的多方向塊（multidirectional piece)并利用前饋型設計以達到速度和準確度的系統和方法。還需要最小化用戶交互并創 建結合配制引擎的顏料識別和公差的靈活的逐步方法學的系統和方法。
【發明內容】
[0008] 在第一方面，發明的實施例提供一種計算機實現的方法。該方法包括：使用處理器 識別目標涂料中的紋理，其中識別包括應用貝葉斯過程，并且使用處理器分配適于由搜索 引擎和配制引擎之一使用的紋理值。
[0009] 在另一方面，發明的實施例涉及一種系統。該系統包括數據庫和處理器，該處理器 與數據庫通信并且被編程為：識別目標涂料中的紋理，其中識別包括應用貝葉斯過程，并且 分配適于由搜索引擎和配制引擎之一使用的紋理值。
[0010] 在另一方面，發明的實施例提供一種裝置。該裝置包括：用于識別目標涂料中的紋 理的部件，其中識別包括應用貝葉斯過程，以及用于使用處理器分配適于由搜索引擎和配 制引擎之一使用的紋理值的部件。
[0011] 在進一步的方面，發明的實施例提供一種包括軟件的非臨時性計算機可讀介質， 該軟件用于使得處理器：識別目標涂料中的紋理，其中識別包括應用貝葉斯過程；以及分 配適于由搜索引擎和配制引擎之一使用的紋理值。
【附圖說明】
[0012] 圖1圖示常規的神經網絡。
[0013] 圖2圖示常規的貝葉斯系統的示例。
[0014] 圖3圖示根據本發明的各種實施例的紋理規模（texture scale)識別貝葉斯模塊 的尚級表不。
[0015] 圖4圖示根據本發明的各種實施例的公差貝葉斯模塊的高級表示。
[0016] 圖5圖示可用于識別目標樣本的涂料混合物的物理性能屬性的系統的實施例。
[0017] 圖6圖示根據本發明的各種實施例的貝葉斯系統的高級表示。
[0018] 圖7圖示用于識別目標樣本的涂料混合物的物理性能屬性的過程的實施例。
【具體實施方式】
[0019] 在各種實施例中，本發明一般涉及包括貝葉斯置信系統的系統和方法，該貝葉斯 置信系統可以是獨立或從屬的貝葉斯系統和方法。實施例包括可組合使用以識別涂布有未 知目標涂料的樣本的紋理質量的各個模塊。另一方面，該模塊可用于確定已知的樣本和/ 或已知的顏料的紋理性質。
[0020] 雖然本文的描述一般涉及油漆，但是應當理解：設備、系統和方法適用于包括染色 和工業涂料的其它類型的涂料。本發明的所述實施例不應被認為是限制性的。與本發明一 致的方法可在各種各樣的領域中被實踐，諸如服裝和時尚產品的匹配和/或協調。
[0021] 發明的實施例可與計算機系統一起使用或者被合并在計算機系統中，該計算機系 統可以是獨立的單元或者包括經由網絡與中央計算機通信的一個或多個遠程終端或設備， 所述網絡諸如例如因特網或內聯網。這樣，本文中所述的計算機或"處理器"和相關組件可 以是本地計算機系統或遠程計算機或在線系統或其組合的一部分。本文所述的數據庫和軟 件可被存儲在計算機內部存儲器中或非臨時性計算機可讀介質中。
[0022] 貝葉斯系統基于來自貝葉斯定理的概率推理（probabilistic reasoning)，貝葉 斯定理是從條件概率的定義導出的。貝葉斯系統的示例示于圖2中。 等式1:貝葉斯定理 兵干芒U
[0023] 通過利用貝葉斯定理，從屬的和獨立的決策點的系統可用于確定未知樣本的紋理 性質。
[0024] 包括多個決策點的基本貝葉斯系統可用于確定給定樣本具有特定的紋理類型的 屬性的概率（置信）。基本紋理類型可被分為多個定性名詞（qualitative nominal)或有 序種類。例如，一些種類可被標記：非常精細、精細、中等、不太粗糙、粗糙。種類例如可通過 閃光特性來進一步細分，諸如高、中和低。可用于確定目標涂料的紋理的貝葉斯系統內的各 個決策點可包括但不限于 ：比色值（DE，L，a，b，C，h，X，Y，Z)，比色值的對數，跳動指數（flop indices)，相似性指數，行進指數，行進區域，反射比乘積，各種角光譜數據，DE平方的總和， 和/或其組合。
[0025] 在各種實施例中的第一決策點正在確定目標涂料是否包含效應顏料，或者是否僅 存在純色顏料。這可以通過利用決策點來完成，該決策點考慮但不限于色度、亮度和色調。 在給定色度和亮度的情況下，可以求解各個概率公式，以確定樣本包含效應染色或僅包含 單色、純色顏料的概率。如果僅存在純色顏料，紋理可能是由于基片所導致的，并且可通過 在相同基片上放置適當匹配的有色油漆來充分地模仿該紋理。如果存在效應染色，則用貝 葉斯系統和方法進一步估計得出適當的紋理信息可能是必要的。確定貝葉斯模塊的紋理的 高級表示的示例示于圖3中。
[0026] 本發明的實施例利用五角度分光光度計，諸如由X-Rite公司生產的CM64,以為由 儀器提供的數據的每個角度生成各種各樣的加權簡化決策點。例如，對于在15°角處具有 大于10的色度值的樣本的決策點應當包含決策的邏輯集，該決策包括在分析該特