СПОСОБ ОПРЕДЕЛЕНИЯ ПАРАМЕТРОВ ТЕКСТУРЫ ЛАКА Российский патент 2019 года по МПК G01J3/46 G01N21/29 

Настоящее изобретение относится к способу определения или прогнозирования параметров текстуры лака, а также соответствующей компьютерной программе для проведения представленного способа на вычислительном блоке.

В автомобильной промышленности широко распространены лакокрасочные покрытия, которые содержат так называемые придающие эффект пигменты. Придающими эффект пигментами являются, например, пигменты с металлическим эффектом и интерференционные пигменты. Они придают лаку дополнительные свойства, такие как, например, зависящие от угла изменения цветового оттенка и яркости. Это означает, что цветовой оттенок или яркость соответствующих лаков изменяется в зависимости от угла наблюдения. Придающие эффект пигменты приводят к визуально заметной грануляции или зернистости или эффекту искрения ["Coloristik Lackanwendungen (Farbe und Lack Edition)", Tasso ., gebundene Ausgabe - 14. 2012]. Эти эффекты также называют визуальной текстурой.

Для характеризации лаков с эффектом в нестоящее время используются два способа.

В первом способе соответствующую поверхность лака освещают источником света, и под разными углами измеряют спектральное отражение. Из полученных измеренных значений и спектрального относительно распределения энергии источника света могут быть вычислены цветовые координаты, например CIEL*a*b [ASTM Е2194 "Standard Test Method for Multiangle Color Measurement of Metal Flake Pigmented Materials", ASTM E2539 "Standard Test Method for Multiangle Color Measurement of Interference Pigments"].

Во втором способе поверхность лака фотографируют при определенных условиях освещения и углах. Затем из изображения могут быть вычислены описывающие визуальную текстуру параметры текстуры. Примерами параметров текстуры являются G diffuse или Gdiff (зернистость), Si (интенсивность блеска) и Sa (поверхность искрения), которые были введены фирмой Byk-Gardner ["Beurteilung von Effektlackierungen, Den Gesamtfarbeindruck objektiv messen", Byk-Gardner GmbH, JOT 1.2009, Vol. 49, issue 1, pp. 50-52]. Текстурные значения Byk-Gardner определяются из полутоновых изображений. Также можно определять текстурные значения индивидуально для разных цветовых каналов цветного изображения, например для красного, зеленого или синего канала.

При расчете красочной рецептуры пытаются создать образец краски посредством смешения красителей, в то время как вычисляются требуемые концентрации красителей. Необходимой предпосылкой при расчете красочной рецептуры является прогнозирование спектрального отражения соответствующей красочной рецептуры. Под красочной или лаковой рецептурой или составом в рамках настоящего раскрытия следует понимать особую композицию из разных красителей или краскообразующих компонентов с соответствующими концентрациями красителей. Это означает, что красочная или лаковая рецептура определяет разновидность спецификации, то есть количественной композиции лака из его отдельных компонентов, то есть его отдельных краскообразующих компонентов.

Распространенным способом является вычисление спектров отражения на основе физических моделей (например, уравнения Кубелки-Мунка (Kubelka-Munk)). В этом способе для каждого красителя на основе окрасок известных наборов красителей посредством физических моделей определяются оптические константы. Эти константы являются зависимыми от модели и характеризуют соответствующий краситель. Примерами оптических констант являются параметры K и S уравнения Кубелки-Мунка, которые описывают поглощение (параметр K) и рассеивание (параметр S). Если для всех подлежащих использованию красителей оптические константы известны, то с помощью физической модели может быть вычислено спектральное отражение любой красочной рецептуры.

Для смешения лака, такого как, например, цветного лака для транспортного средства, как правило, используются красочные рецептуры, которые задают отношение смешения относительно друг друга соответствующих краскообразующих компонентов, чтобы изготовить лак с требуемым цветовым эффектом. Для тиражирования лака с эффектом, например, лака с металлическим эффектом, в качестве описания оптических свойств соответствующего цветового образца наряду со спектральными свойствами отражения дополнительно требуются объективные параметры текстуры, такие как, например, зернистость или крупность.

Для прогнозирования визуальных параметров текстуры таких лаков с эффектом на основании рецептурных данных, как упомянуто выше, традиционно используются основанные на регрессии способы. При этом характерные для лаковой рецептуры параметры, такие как, например, концентрация содержащихся в лаке типов пигментов, таких как, например, пигментов с металлическим эффектом и интерференционных пигментов, спектральное отражение прогнозируют посредством физической модели, или вычисляют из вытекающих из оптических констант физической модели величин. Тогда линейная комбинация этих параметров образует статистическую модель для прогнозирования визуальных параметров текстуры. Коэффициенты линейной комбинации определяют посредством регрессивного анализа, как это описано в Kirchner, Ravi "Predicting and measuring the perceived texture of car paints", Proceedings of the 3rd international conference on Appearance "Predicting Perceptions", Edingburgh 17-19 April 2012.

Прогнозирование визуальных параметров текстуры лакокрасочного покрытия с эффектом может также происходить путем использования искусственных нейронных сетей.

При этом подлежащая использованию нейронная сеть основывается на процессе обучения, называемом обратным распространением ошибки обучения. Нейроны нейронной сети расположены слоями. При этом имеются слой с входными нейронами (входной слой), слой с выходными нейронами (выходной слой) и один или несколько внутренних слоев. Выходные нейроны являются спрогнозированными визуальными параметрами текстуры лаковой рецептуры, то есть уже упомянутыми выше параметрами Si, Sa и Gdiff.

Для прогнозирования спектрального отражения лаковой рецептуры с эффектом, как уже упоминалось, используется физическая модель.

В первом известном подходе к решению в качестве входных параметров или входных нейронов нейронной сети применяются концентрации использованных в соответствующей подлежащей рассмотрению лаковой рецептуре красителей или краскообразующих компонентов и спрогнозированный посредством физической модели спектр отражения.

Использование концентраций подлежащих использованию красителей в качестве входного параметра имеет, однако, много недостатков:

- число красителей в ряду лаков очень большое, так что число нейронов во входном слое нейронной сети весьма велико. Для точного прогнозирования параметров текстуры требуется много тренировочных данных.

- при изменении ряда лаков нейронная сеть должна быть заново определена, обучена и проверена. Это означает значительные системные затраты.

- велики затраты на добавления еще одного красителя в ряд лаков: при новых красителях в качестве основы для тренировки нейронных сетей должны приготавливаться многочисленные смеси.

Из патента США US6,714,924 В1 известны способ и устройство для регулировки цветового баланса, в которых используются нейронные сети. При этом цвет стандартной краски выражается через цветовые тона, причем входные сигналы использованных нейронных сетей задавались относительно основных компонентов краски. Кроме того, предусматриваются взвешенные связи между входными узлами входного слоя нейронной сети и выходными узлами выходного слоя нейронной сети. При этом первые взвешенные связи определяют соответствующий вклад основных компонентов входного слоя в каждый из выходных компонентов краски.

Из US 2009/0157212 А1 известны способ и система для определения красочной рецептуры с придающим эффект пигментом. Система включает в себя инструмент для измерения шероховатости или неровности, который должен помещаться рядом с лакированной поверхностью, такой как, например, поверхностью транспортного средства, причем оператор сравнивает показание с лакированной поверхностью, чтобы определить шероховатость или неровности придающего эффект пигмента.

На этом фоне предлагается способ прогнозирования, или определения, визуальных параметров текстуры лака с известной лаковой рецептурой, в котором на основании нескольких используемых в лаковой рецептуре краскообразующих компонентов посредством искусственной нейронной сети определяют визуальные параметры текстуры лака, причем для известной лаковой рецептуры посредством физической модели определяют значение по меньшей мере одной характеристической величины, описывающей по меньшей мере одно оптическое свойство, выбираемое из следующего перечня оптических свойств: спектральное отражение образованного на основе соответствующей лаковой рецептуры лака, оптическая константа по меньшей мере одного краскообразующего компонента соответствующей лаковой рецептуры, спрогнозированный посредством физической модели спектр отражения по меньшей мере одного краскообразующего компонента соответствующей лаковой рецептуры, компонента K поглощения по Кубелке-Мунку, компонента S рассеяния по Кубелке-Мунку и по меньшей мере одна вычисленная из соответствующих оптических констант нескольких краскообразующих компонентов соответствующей лаковой рецептуры оптическая характеристическая величина, причем значение по меньшей мере одной характеристической величины соотносят с известной лаковой рецептурой и передают в качестве входного сигнала искусственной нейронной сети для определения визуальных параметров текстуры, причем определенное и соотнесенное с известной лаковой рецептурой значение описывает по меньшей мере одно оптическое свойство для, по меньшей мере, части из числа краскообразующих компонентов лаковой рецептуры, причем для обучения нейронной сети используют образцы красок с соответственно известной лаковой рецептурой, причем для каждого из образцов красок измеряют его соответствующие визуальные параметры текстуры и соотносят с определенным для соответственно соответствующей лаковой рецептуры значением по меньшей мере одной характеристической величины, которое описывает по меньшей мере одно оптическое свойство для этой соответствующей лаковой рецептуры.

Формулировка "значение по меньшей мере одной […] характеристической величины" передают нейронной сети "как по меньшей мере один входной сигнал" в рамках настоящего описания должно означать, что как само значение характеристической величины, так и определенная на основании этого значения характеристической величины величина могут служить в качестве входного сигнала и быть предоставленными нейронной сети.

Под известной лаковой рецептурой следует понимать красочную рецептуру с известными концентрациями содержащихся в них или использованных краскообразующих компонентов.

В дальнейшем, понятия "значение характеристической величины" и "характеристическая величина" будут использоваться как синонимы относительно друг друга. Это означает, что в дальнейшем "значение по меньшей мере одной характеристической величины" и "по меньшей мере одна характеристическая величина" следует понимать как имеющими одинаковый смысл. Это же справедливо для "значения визуальных параметров текстуры" и "визуальные параметры текстуры".

Варианты осуществления изобретения следуют из описания и зависимых пунктов формулы изобретения.

Представленный способ служит, прежде всего, для определения визуальных параметром текстуры лака с известный лаковой рецептурой посредством нейронной сети, которая основана на называемом обратным распространением ошибки обучения способе обучения. Под обратным распространением ошибки обучения следует понимать вышестоящее понятие для контролируемого процесса обучения с обратной связью по ошибке. Имеются разные алгоритмы обратного распространения ошибки обучения, например Quickprop (алгоритм быстрого распространения) и ResilientPropagation (алгоритм эластичного распространения, RPROP). При этом используют нейронную сеть, которая содержит по меньшей мере три слоя: первый слой с входными нейронами, n-ный слой с выходными нейронами и n-2 внутренних слоев, причем n является натуральным числом больше 2. При этом выходные нейроны служат для прогнозирования визуальных параметров текстур соответствующего лака или соответствующих лаковых рецептур.

В рамках настоящего описания понятия "входной сигнал", "входной компонент", "входная величина" и "входной нейрон" используются как синонимы.

Прежде всего, предусмотрено, что посредством предусмотренной согласно изобретению нейронной сети определяют соответствующие параметры текстуры лака на основании по меньшей мере одной характеристической величины, причем значение по меньшей мере одной характеристической величины или по меньшей мере одну характеристическую величину выводят или определяют из по меньшей мере одной оптической постоянной, по меньшей мере, части из числа краскообразующих компонентов лаковой рецептуры или лака.

В одном возможном варианте осуществления значение по меньшей мере одной характеристической величины вычисляют из по меньшей мере одной соответствующей оптической константы всех краскообразующих компонентов лаковой рецептуры. Это означает, что посредством физической модели для всех краскообразующих компонентов лаковой рецептуры вычисляют по меньшей мере одну оптическую константу, и на основании соответствующих оптических констант всех краскообразующих компонентов лаковой рецептуры определяют или вычисляют значение по меньшей мере одной характеристической величины лаковой рецептуры.

Под визуальными параметрами текстуры в контексте настоящего изобретения следует понимать параметры, прежде всего данные относительно эффекта блеска, зернистости или крупности лака, например Si, Sa или Gdiff. Как уже описано в начале, Si (интенсивность блеска) и Sa (поверхность искрения) являются введенными фирмой Byk-Gardner параметрами для описание эффекта блеска лака. Параметры определяются из ряда изображений, которые регистрируются при прямом направленном освещении. Gdiff (зернистость) является введенным фирмой Byk-Gardner параметром для описания зернистости. Параметр определяется из изображения, которое регистрируется при рассеянном освещении. Соответствующие изображения соответствующей поверхности лака регистрируются посредством подходящих камер, которые выполнены для того, чтобы регистрировать изображения при определенном освещении. Камеры, как правило, являются частью спектрометра.

Под оптическим свойством в рамках настоящего раскрытия следует понимать свойство лака или значение для описания свойства лака, которое оказывает влияние на падающий на лак или соответствующую лаковую поверхность свет, то есть, например, в какой степени он поглощает или отражает, и если отражает, то как отражает.

Под нейронной сетью в контексте настоящего изобретения следует понимать искусственную нейронную сеть для определения или прогнозирования визуальных параметров текстуры лаковой рецептуры лака, прежде всего лака с эффектом, причем нейронная сеть основана на обратном распространении ошибки обучения. При этом в качестве входных величин или входных сигналов нейронной сети оцениваются промежуточные величины, которые определяются из соответствующей лаковой рецептуры посредством физической или математической модели. К ним относятся, прежде всего, соотнесенные с соответствующей лаковой рецептурой оптические константы, а также в еще одном варианте осуществления вычисленные из них параметры отражения. Поскольку разработанная согласно изобретению нейронная сеть не имеет прямой связи с отдельными краскообразующими компонентами лака, то за счет этого разработанная согласно изобретению нейронная сеть описывается менее сложно, чем использовавшиеся до сих пор согласно уровню техники нейронные сети. В то время как используемые согласно уровню техники данные для обучения для нейронной сети основываются на рецептурных данных, то есть на разных концентрациях для каждого из примерно от 80 до 250 краскообразующих компонентов, подлежащие использованию согласно изобретению данные для обучения основываются на оптических свойствах или данных разных известных лаковых рецептур. Согласно этому больше не делают различий между конкретными краскообразующими компонентами и их соответствующими концентрациями, а скорее всего между вызванным ими различным оптическим поведением. Поскольку это оптическое поведение может описываться меньшим числом характеристических величин, чем число разных краскообразующих компонентов, то нейронная сеть является менее сложной и поэтому требует меньше данных для обучения. Кроме этого, система более терпима или менее чувствительна к изменениям в краскообразующих компонентах, то есть в случае исключения, изменения или добавления одного или нескольких имеющихся в распоряжении краскоообразующих компонентов нейронная сеть должна заново конфигурироваться (изменение слоя для входного сигнала) и обучаться.

Под краскообразующим компонентом в контексте представленного изобретения следует понимать основной компонент лака или соответствующей лаковой рецептуры, такой как, например, цветовой пигмент, или количество чешуек для создания эффекта блеска. Понятия "краскообразующий компонент" или "краситель" следует использовать как синонимы.

Под входным сигналом в контексте представленного изобретения следует понимать по меньшей мере одно значение, которое служит в качестве основы для определения соответствующих параметров текстуры лаковой рецептуры посредством предусмотренной согласно изобретению нейронной сети.

Для обучения предусмотренной согласно изобретению нейронной сети требуется лишь информация о лежащих в основе соответствующей характеристической величины оптических свойствах соответствующих краскообразующих компонентов образцов краски с соответствующей известней лаковой рецептурой, причем для каждого из этих образцов краски измеряют соответствующие характеристической величины текстуры и соотносят с соответствующей характеристической величиной или соответствующим значением характеристической величины, которые были определены для соответствующего образца краски. Затем при знании по меньшей мере одного параметра или величины по меньшей мере одного параметра подлежащей рассмотрению лаковой рецептуры, посредством нейронной сети прогнозируют или определяют визуальные параметры текстуры лаковой рецептуры. Если визуальные параметры текстуры дополнительных лаковых рецептур уже известны, то режим функционирования нейронной сети всегда может также быть проверенным или при необходимости приспособлен для того, чтобы достичь наиболее точного прогнозирования визуальных параметров текстуры.

Представленный способ пригоден, прежде всего, для вычисления параметров текстуры данной лаковой рецептуры, которые затем в свою очередь могут быть использованы в имеющихся рецептурных алгоритмах для лаковой рецептуры, прежде всего для лака с эффектом, в качестве информации по вопросам качества.

В одном возможном варианте осуществления представленного способа предусмотрено, что в качестве входного сигнала привлекают вычисленное посредством физической модели спектральное отражения лака. При определении входного сигнала могут учитывать поглощение и/или рассеяние, при необходимости разделенное на рассеяние вперед и рассеяние назад лака. Также представляется возможным учитывать среднюю величину использованных в известных лаковых композициях чешуек, а также свойство поверхностной структуры, которое делает различие между плоскими придающими оптический эффект пигментами (например, "серебряные доллары") и грубые придающими оптический эффект пигментами (например, "кукурузными хлопьями"), и величину, которая описывает среднюю ориентацию придающего оптический эффект пигмента относительно соответствующей поверхности лака. Также при определении входных сигналов могут учитывать коэффициент пропускания лака, который, как правило, находится между 0 и 1.

За счет использования определенных из лаковых рецептур и оптических свойств, то есть, например, оптических констант, соответствующих краскообразующих компонентов лаковых рецептур, промежуточных величин или характеристических величин в качестве входных сигналов для предусмотренной согласно изобретению нейронной сети для определения визуальных параметров текстуры соответствующих лаковых рецептур, может очень обще определяться или обучаться предусмотренная согласно изобретению нейронная сеть. Это означает, что в противоположность специфическому обучению нейтронной сети на жестко заданное число краскообразующих компонентов, что обуславливает очень жесткое и специфическое оформление соответствующей нейронной сети, может происходить обобщенное обучение на основе оптических свойств соответствующих лаковых композиций. Обобщенное обучение на основе оптических свойств приводит к тому, что возникает очень универсальная нейронная сеть, которая не приспособлена к жестко заданному числа и выбору краскообразующих компонентов, а может быть использована без дополнительного обучения для прогнозирования соответствующих параметром текстуры данной лаковой рецептуры также в случае замены, отмены или обмена соответствующих краскообразующих компонентов.

За счет использования определенных на основании оптических свойств входных сигналов для предусмотренной согласно изобретению нейронной сети, значительно снижаются затраты на обучение нейронной сети по сравнению с затратами на обучение нейронной сети на основании концентраций соответствующих краскообразующих компонентов соответственно известных лаковых рецептур. В то время как в зависимости от числа и вида краскообразующих компонентов при обучении на основании концентраций соответствующих краскообразующих компонентов следует учитывать большое число параметров, при использовании определенных на основании оптических свойств входных сигналов требуется лишь сравнительно небольшое число параметров, которые обуславливают соответственно малое число нейронов во входном слое, то есть первом слое предусмотренной согласно изобретению нейронной сети.

В еще одном возможном варианте осуществления представленного способа предусмотрено, что в случае, когда изменяют, обменивают или удаляют соответствующие краскообразующие компоненты, то визуальные параметры текстуры определяют с помощью по меньшей мере одной характеристической величины или соответствующего значения по меньшей мере одной характеристической величины также без повторного обучения нейтронной сети.

Прежде всего, предусмотрено, что предусмотренную согласно изобретению характеристическую величину выбирают так, что предусмотренная согласно изобретению нейронная сеть становится по возможности толерантной к изменениям в числе или оформлении соответствующих краскообразующих компонентов лака или лаковой рецептуры. Для этого предусмотрено, что характеристическая величина или лежащее в основе по меньшей мере одной характеристической величины оптическое свойство выбирают так, что оно являются по возможности абстрактным, то есть не связано непосредственно с концентрациями соответствующих краскообразующих компонентов соответствующих лаковых рецептур и, тем не менее, пригодно для того, чтобы описывать действия краскообразующих компонентов на визуальные параметры текстуры. Одной возможностью для такой характеристической величины является выбор характеристической величины на основании оптических констант соответствующей лаковой рецептуры, такой как, например, взвешенным по концентрации соответствующих краскообразующих компонентов средним значением компонента K поглощения и компонента S рассеивания для отдельных краскообразующих компонент по теории Кубелки-Мунка. Дополнительные характеристические величины, например координаты в L*a*b* цветовом пространстве, выводят из спрогнозированного с помощью упомянутой ранее физической модели спектра отражения лаковой рецептуры.

Предусмотренная согласно изобретению характеристическая величина служит как исполнительный элемент для установки толерантности предусмотренной согласно изобретению нейронной сети к изменениям во входном сигнале нейронной сети. Если характеристическая величина будет выбрана очень узкой, то есть специально приспособленной к соответствующим краскообразующим компонентам, то соответствующая нейронная сеть при изменениях в краскообразующих компонентах соответствующего лака будет вычислять неправильные или недействительные параметры текстуры, когда измененные краскообразующие компоненты еще не были частью набора данных для обучения нейронной сети. Напротив, если характеристическая величина является абстрактной, то есть выбрана по возможности универсальной, то соответствующая нейронная сеть определит надежный параметр текстуры даже тогда, когда происходят изменения в краскообразующих компонентах, которые не являются частью набора данных для обучения нейронной сети.

В еще одном возможном варианте осуществления настоящего изобретения предусмотрено, что по меньшей мере одну характеристическую величину определяют посредством математической или физической модели на основании измеренного посредством по меньшей мере одного датчика параметра по меньшей мере одного краскообразующего компонента из числа цветообразующих компонентов лаковой рецептуры.

Разумеется, предусмотренную согласно изобретению характеристическую величину могут определять или вычислять также исходя из измерения, например измерения с помощью спектрофотометра, посредством промежуточного шага, прежде чем характеристическую величину используют как входной сигнал для предусмотренной согласно изобретению нейронной сети. При этом саму характеристическую величину могут использовать как входной сигнал или для определения входного сигнала, например, путем вычисления посредством физической или математической модели.

В еще одном возможном варианте осуществления представленного способа предусмотрено, что в качестве характеристической величины выбирают набор параметров, который описывает оптическое свойство по меньшей мере для части из числа краскообразующих компонентов лака или лаковой рецептуры.

Возможно, что предусмотренная согласно изобретению характеристическая величина включает в себя несколько параметров, то есть набор параметров. Так, для образования предусмотренной согласно изобретению характеристической величины могут совместно использовать, например, оптическую константу или спектр отражения соответствующего краскообразующего компонента.

Как указано выше, по меньшей мере одно оптическое свойство, которое описывается по меньшей мере одной характеристической величиной, выбирают из следующего перечня оптических свойств: спектральное отражение лака или лаковой рецептуры, оптическая константа по меньшей мере одного краскообразующего компонента из числа краскообразующих компонентов лака, спрогнозированные посредством физической модели спектр отражения по меньшей мере одной краскообразующего компонента лака, компонент K поглощения по теории Кубелки-Мунка и по меньшей мере одна вычисленная из соответствующих оптических констант нескольких краскообразующих компонентов лака оптическая характеристическая величина. Под оптической константой следует понимать, например, коэффициент поглощения, коэффициент пропускания и/или коэффициент рассеяния.

Обычно все технически пригодные данные для описания оптических свойств по меньшей мере одного краскообразующего компонента из числа краскообразующих компонентов лака для определения значения предусмотренной согласно изобретению характеристической величины. Прежде всего, предусмотрено, что для определения вычисленной из одной из соответствующих оптических констант краскообразующих компонентов из числа краскообразующих компонентов характеристической величины используют взвешенное среднее значение соответствующих коэффициентов поглощения и рассеяния краскообразующих компонентов лака или в качестве характеристической величины выбирают взвешенное среднее значение соответствующих коэффициентов поглощения и рассеивания краскообразующих компонентов самого лака.

В еще одном возможном варианте осуществления представленного способа предусмотрено, что в качестве описывающей оптическое свойство характеристической величины выбирают определенную из спрогнозированного посредством физической модели спектра отражения по меньшей мере одного краскообразующего компонента координату цветового пространства.

Координаты цветового пространства пригодны для прогнозирования действия соответствующих краскообразующих компонентов на спектр отражения соответствующего лака. Соответственно, данные по координатам цветового пространства могут использовать при определении параметров текстуры соответствующего лака. В качестве определенных координат цветового пространства и соответственно в качестве входных величин для предусмотренной согласно изобретению нейронной сети могут выбирать подлежащие вычислению, как правило, из соответствующих значений отражений всех краскообразующих компонентов лаковой рецептуры, значения из следующего перечня значений или их комбинации: координаты цветового пространства в цветовом пространстве L*a*b*, координаты цветового пространства в цветовом пространстве красный-зеленый-синий (RGB), прежде всего цветовые координаты в стандартном цветовом пространстве красный-зеленый-синий (sRGB). Кроме того, дополнительно или факультативно, в качестве входной величины для нейронной сети могут использовать среднее значение отражения краскообразующих компонентов лаковой рецептуры и/или флоп-индекс лаковой рецептуры, который указывает на градиент яркости и/или цвета или соответствующие изменения.

Кроме того, в качестве вычисленных посредством физической модели значений по меньшей мере одной описывающей по меньшей мере одно оптическое свойство характеристической величины лаковой рецептуры, то есть по меньшей мере одного краскообразующего компонента, как правило, всех краскообразующих компонентов лаковой рецептуры, и соответственно в качестве входных величин предусмотренной согласно изобретению нейронной сети могут выбирать основанные на оптических константах значения из следующего перечня значений или их комбинации: коэффициент пропускания, рассеяние вперед, рассеяние назад, среднее поглощение и/или среднее рассеяние по Кубелке и Мунку, и ориентация или направленность имеющихся при необходимости чешуек или придающего блеск пигмента относительно виртуальной поверхности лака.

Можно предусмотреть несколько разных входных величин для нейронной сети.

В еще одном возможном варианте осуществления представленного способа предусмотрено, что посредством спрогнозированного с использованием нейронной сети для нескольких заранее заданных лаковых композиций параметра текстуры могут сделать вывод о лаковой рецептуре для лака, параметры текстуры которого имеют наименьшее отклонение от параметров текстуры заранее заданного целевого лака.

Посредством предусмотренного согласно изобретению способа можно спрогнозировать параметры текстуры для нескольких заранее заданных лаковых рецептур без необходимости приготовления соответствующего лака согласно соответствующим лаковым рецептурам. На основании параметров текстур нескольких лаковых рецептур могут выбрать лаковую рецептуру из нескольких лаковых рецептур, параметры текстуры которого имеют наименьшее отклонение от параметров текстуры заранее заданного целевого лака. Это означает, что с использованием способа согласно изобретению можно спрогнозировать параметры текстуры для нескольких лаковых рецептур без того, что соответствующие лаки должны будут смешаны в соответствии с соответствующими лаковыми рецептурами нескольких лаковых рецептур в дорогостоящих сериях испытаний, нанесены на испытательные пластины и оптически измерены. Более того, с использованием определенных посредством способа согласно изобретению в полностью виртуальном способе, например, с целью моделирования, то есть моделирования соответствующего лака, исходя из нескольких заранее заданных лаковых рецептур, определяют те лаковые рецептуры, параметры текстуры которых имеют наименьшее отклонение от параметров текстуры заранее заданного целевого лака.

Для прогнозирования параметров лака на основании заранее заданной лаковой рецептуры и без необходимости фактического изготовления лака согласно лаковой рецептуре, сначала с использованием физической модели определяют или вычисляют соответствующие оптические константы для соответствующих содержащихся в лаковой рецептуре краскообразующих компонентов и/или вычисленные из данных о красителях величины, и из них по меньшей мере одну характеристическую величину для лаковой рецептуры. В вычисление по меньшей мере одной характеристической величины для лаковой рецептуры входят наряду с соответствующими оптическими константами краскообразующих компонентов, как правило, заданные лаковой композицией соответствующие концентрации соответствующих краскообразующих компонентов, как это, например, имеет место в случае уже упомянутого взвешенного по соответствующим концентрациям соответствующих краскообразующих компонентов лаковой рецептуры взвешенного среднего значения компонент поглощения и компонент рассеяния отдельных краскообразующих компонентов согласно модели Кубелки-Мунка.

Представленный способ может быть использован, прежде всего, для моделирования лаков, при котором чисто виртуально сравнивают друг с другом разные лаки на основе составляющих их лаковых рецептур без того, что соответствующие лаки смешивают согласно соответствующим лаковым рецептурам и наносят на испытательные пластины.

Кроме того, настоящее изобретение относится к компьютерному программному продукту с выполненным с возможностью считывания компьютером носителем информации и сохраненной на выполненном с возможностью считывания компьютером носителе информации компьютерной программе со средствами программного кода, которые сконфигурированы для того, чтобы при выполнении компьютерной программы на вычислительном устройстве выполнять все компьютерно реализованные шаги способа описанного выше способа согласно изобретению.

Представленный компьютерный программный продукт служит, прежде всего, для выполнения представленного способа, и компьютерная программа может быть сохранена, например, на выполненном с возможностью считывания компьютером носителе информации.

Дополнительные преимущества и варианты осуществления изобретения следуют из описания и прилагаемых фигур.

Само собой разумеется, что названные выше и еще подлежащие описанию ниже признаки являются применяемыми не только в указанных сочетаниях, но также в других сочетаниях или индивидуально без выхода за рамки настоящего изобретения.

Изобретение схематически представлено на рисунках посредством примеров осуществления и подробно описывается со ссылкой на фигуры.

На фиг. 1 показан схематический обзор варианта осуществления способа согласно изобретению.

На фиг. 2 показано схематической представление хода выполнения еще одного возможного варианта осуществления способа согласно изобретению.

Исходя из красочной или лаковой рецептуры 1, для лака посредством физической модели 3 определяют характеристические величины 5, которые описывают характеристические оптические свойства лака или нескольких краскообразующих компонентов лака или, по меньшей мере, части из числа краскообразующих компонентов лака, такие как, например, компоненту рассеяния S 5_1 и/или компоненту поглощения K 5_2 по Кубелке-Мунку.

На основании значений характеристических величин 5 вырабатываются выходные сигналы для подготовленной заранее согласно изобретению нейронной сети 7. Нейронная сеть соотносит с входным сигналом или входными сигналами и, вследствие этого, лаковой рецептурой 1 визуальные параметры 9 текстуры, такие как, например, зернистость 9_1, заданную или определенную параметром Gdiff текстуры, и/или эффект 9_2 блеска, заданный или определенный параметром Si текстуры. Это предпринимаемое нейронной сетью 7 соотнесение обозначено на фиг. 1 переплетающимися линиями. Соответственно, посредством нейронной сети 7, исходя из лаковой рецептуры 1, можно делать вывод о соответствующих параметрах 9 текстуры или их соответствующих значениях.

Поскольку параметры 9 текстуры определяют или прогнозируют на основании характеристических физических, прежде всего оптических, свойств, то точное обучение нейронной сети 7 с соответствующими концентрациями краскообразующими компонентов лаковой рецептуры 1 не является необходимым. Более того, для определения параметров текстуры достаточно знание характеристических свойств нескольких краскообразующих компонентом известных красочных или лаковых рецептур 1. Это означает, что нейронная сеть 7 является устойчивой к изменениям краскообразующих компонентов лаковой рецептуры 1 и требует только информацию о характеристических физических свойствах заново добавленных краскообразующих компонентов, чтобы определить соответствующие параметры 9 текстуры.

На фиг. 2 показана последовательность выполнения варианта осуществления представленного способа. Исходя из лаковой рецептуры 11 в рабочем шаге 13 посредством физических моделей физических или оптических свойств соответствующих краскообразующих компонентов, таких как, например, пигментов или так называемых "чешуек", то есть придающих блеск компонентов лаковой рецептуры 11, определяют характеристические величины или значения характеристических величин оптических свойств соответствующих краскообразующих компонентов и, основываясь на них, по меньшей мере одну описывающую по меньшей мере одно оптическое свойство всей лаковой рецептуры 11 характеристическую величину. При этом физическую модель могут образовать, например, на основании модели по Кубелке и Мунку, как это для примера показано уравнением (1). Для того чтобы вычислить по меньшей мере одну характеристическую величину, которая описывает оптические свойства лаковой рецептуры 11, определяют оптические свойства соответствующих краскообразующих компонентов лаковой рецептуры и, например, учитывают в зависимости от заданных лаковой рецептурой концентраций соответствующих краскообразующих компонентов при прогнозировании оптических свойств всей лаковой рецептуры.

В уравнении (1) "K" обозначает компоненту поглощения или коэффициент поглощения и S - компоненту рассеяния или коэффициент рассеяния лаковой рецептуры лака, "c₁", "с₂" …, "c_s" являются концентрациями соответствующих пигментов рецептуры, "k₁", "k₂" …, "k_s" являются коэффициентами поглощения соответствующих пигментов и "s₁", "s₂" …, "s₃" являются коэффициентами рассеяния соответствующих пигментов.

Посредством физических моделей, который основываются на физических свойствах соответствующих краскообразующих компонентов лаковой рецептуры, могут определять одну или несколько характеристических величин, которые описывают оптические свойства, такие как, например, спектральное отражение лака, образованного на основании соответствующей лаковой рецептуры, одну или несколько соответствующих оптических констант краскообразующих компонентов соответствующей лаковой рецептуры, спектр отражения по меньшей мере одного или всех краскообразующих компонентов соответствующей лаковой рецептуры, компоненту K поглощения лака по Кубелке-Мунку или компоненту S рассеяния лака по Кубелке-Мунку.

Определенные в оперативном шаге 13 характеристические величины лаковой рецептуры или их значения подают в качестве входных сигналов или входных величин машинному учащемуся в форме нейронной сети, то есть нейронной сети.

Посредством нейронной сети, которую обучают посредством нескольких известных соотнесений значений соответствующих характеристических величин с параметрами текстуры, в шаге 15 вычисления введенным характеристическим величинам или введенным значениям соответствующих характеристических величин приводят в соответствие согласно определенной во время обучения схеме параметры текстуры. Приведенные посредством нейронной сети в соответствие характеристическим величинам или введенным значениям параметры текстуры выводят в шаге 17 вывода или сохраняют в запоминающем устройстве. Это означает, что посредством способа согласно изобретению могут определять или прогнозировать параметры текстуры для лаковой рецептуры без того, что должны определять оптический параметр соответствующего лаковой рецептуре лака посредством измерительного прибора.

Поскольку параметры текстуры определяют на основании описывающих оптические свойств лаковой рецептуры характеристических величин, то определение параметров текстуры, то есть соотнесение параметров текстуры с характеристическими величинами или с соответствующими значения характеристических величин, происходит независимо от конкретных отдельных составных частей лаковой рецептуры 11, таких как, например, концентрационных данных согласно требуемым лаковой рецептурой для смешения лака краскообразующих компонентов, таких как, например, пигментов. По причине этого устранения связи определения параметров текстуры с отдельными краскообразующими компонентами лаковой рецептуры 11 и их концентрациями, способ согласно изобретению могут выполнять посредством одной и той же нейронной сети, то есть без необходимости повторного обучения нейронной сети, даже тогда, когда изменяются краскообразующие компоненты лаковой рецептуры и/или их концентрации.

Переданные нейронной сети в качестве входных величин характеристические величины или их значения описывают оптические свойства лака и определяются как промежуточные величины посредством физической модели из соответствующей лаковой рецептуры, такие как, например, соотнесенные с соответствующей лаковой рецептурой оптические константы или вычисленные из них параметры отражения или компоненты поглощения и/или рассеивания. По причине базирующихся на оптических свойствах характеристических величин, переданные нейронной сети входные значения, то есть соответствующие значения характеристических величин, по сравнению с нейронной сетью, которая соотносит соответствующий параметр текстуры с лаковой рецептурой на основании всех использованных краскообразующих компонентов, могут быть заметно уменьшены по количеству, так что соответствующая нейронная сеть является менее сложной и соответственно более эффективной, то есть более быстрой и надежной, то есть устойчивой против изменений, например, в лаковой рецептуре, чем образованная с краскообразующими компонентами или концентрациями краскообразующих компонентов в качестве входных значений нейронная сеть.

Посредством включенного перед шагом 15 вычисления оперативного шага 13 происходит развязка шага 15 вычисления от отдельных составных частей лаковой рецептуры 11. По причине этой развязки изменения лаковой рецептуры 11, например по причине отсутствия одного пигмента, не приведут к изменению нейронной сети. Если, например, краскообразующий компонент первоначально заданной красочной рецептуры отсутствует или он заменен на другой краскообразующий компонент, то это будет уже учтено в оперативном шаге 13 при вычислении или определении оптических свойств соответствующих краскообразующих компонентов и, основываясь на этом, значений по меньшей мере одной характеристической величины измененной лаковой рецептуры. Даже если при этом значение характеристической величины изменяется, природа или вид характеристической величины, то есть является ли она компонентой поглощения или компонентой рассеивания, которая служит в качестве входной величины для нейронной сети, не изменяется. Сообразно этому нейронную сеть не должны конфигурировать заново, а при необходимости изменяют только значение соответствующей входной величины. В шаге 15 вычисления это приводит, несмотря на измененную лаковую рецептуру 11, к соответственно правильному соотнесению параметров текстуры, таких как, например, интенсивности блеска, то есть "sparkling intensity", поверхности блеска, то есть "sparkling area", или распределения зернистости, то есть "graininess diffuse".

Изобретение относится к способу прогнозирования визуальных параметров текстуры лака с известной лаковой рецептурой, а также соответствующей компьютерной программе для проведения представленного способа на вычислительном блоке. Заявлен способ прогнозирования визуальных параметров (9) текстуры лака с известной лаковой рецептурой (1), в котором на основании нескольких используемых в лаковой рецептуре (1) краскообразующих компонентов посредством искусственной нейронной сети (7) определяют визуальные параметры (9) текстуры лака. Причем для известной лаковой рецептуры (1) посредством физической модели (3) определяют значение по меньшей мере одной характеристической величины (5), описывающей по меньшей мере одно оптическое свойство, выбираемое из следующего перечня оптических свойств: спектральное отражение образованного на основе соответствующей лаковой рецептуры лака, оптическая константа по меньшей мере одного краскообразующего компонента соответствующей лаковой рецептуры, спрогнозированный посредством физической модели спектр отражения по меньшей мере одного краскообразующего компонента соответствующей лаковой рецептуры, компонента K поглощения по Кубелке-Мунку, компонента S рассеяния по Кубелке-Мунку и по меньшей мере одна вычисленная из соответствующих оптических констант нескольких краскообразующих компонентов соответствующей лаковой рецептуры оптическая характеристическая величина. Причем значение по меньшей мере одной характеристической величины (5) соотносят с известной лаковой рецептурой (1) и передают в качестве входного сигнала искусственной нейронной сети (7) для определения визуальных параметров (9) текстуры. Определенное и соотнесенное с известной лаковой рецептурой значение описывает по меньшей мере одно оптическое свойство для по меньшей мере части из числа краскообразующих компонентов лаковой рецептуры (1). Для обучения нейронной сети (7) используют образцы красок с соответственно известной лаковой рецептурой, причем для каждого из образцов красок измеряют его соответствующие визуальные параметры текстуры и соотносят с определенным для соответственно соответствующей лаковой рецептуры значением по меньшей мере одной характеристической величины, которое описывает по меньшей мере одно оптическое свойство для этой соответствующей лаковой рецептуры. Технический результат – повышение точности прогнозирования визуальных параметров текстуры лака. 2 н. и 8 з.п. ф-лы, 2 ил.

1. Способ прогнозирования визуальных параметров (9) текстуры лака с известной лаковой рецептурой (1), в котором на основании нескольких используемых в лаковой рецептуре (1) краскообразующих компонентов посредством искусственной нейронной сети (7) определяют визуальные параметры (9) текстуры лака, причем для известной лаковой рецептуры (1) посредством физической модели (3) определяют значение по меньшей мере одной характеристической величины (5), описывающей по меньшей мере одно оптическое свойство, выбираемое из следующего перечня оптических свойств: спектральное отражение образованного на основе соответствующей лаковой рецептуры лака, оптическая константа по меньшей мере одного краскообразующего компонента соответствующей лаковой рецептуры, спрогнозированный посредством физической модели спектр отражения по меньшей мере одного краскообразующего компонента соответствующей лаковой рецептуры, компонента K поглощения по Кубелке-Мунку, компонента S рассеяния по Кубелке-Мунку и по меньшей мере одна вычисленная из соответствующих оптических констант нескольких краскообразующих компонентов соответствующей лаковой рецептуры оптическая характеристическая величина, причем значение по меньшей мере одной характеристической величины (5) соотносят с известной лаковой рецептурой (1) и передают в качестве входного сигнала искусственной нейронной сети (7) для определения визуальных параметров (9) текстуры, причем определенное и соотнесенное с известной лаковой рецептурой значение описывает по меньшей мере одно оптическое свойство для по меньшей мере части из числа краскообразующих компонентов лаковой рецептуры (1), причем для обучения нейронной сети (7) используют образцы красок с соответственно известной лаковой рецептурой, причем для каждого из образцов красок измеряют его соответствующие визуальные параметры текстуры и соотносят с определенным для соответственно соответствующей лаковой рецептуры значением по меньшей мере одной характеристической величины, которое описывает по меньшей мере одно оптическое свойство для этой соответствующей лаковой рецептуры.

2. Способ по п. 1, причем в качестве входного сигнала используют вычисленное посредством физической модели (3) спектральное отражение, и/или компоненту поглощения, и/или компоненту рассеяния лака.

3. Способ по п. 1 или 2, причем для случая, когда изменяются, заменяются или удаляются один или несколько краскообразующих компонентов лаковой рецептуры, визуальные параметры (9) текстуры лака определяют без повторного обучения нейронной сети (7), причем для новой известной лаковой рецептуры лака определяют новое значение по меньшей мере одной описывающей по меньшей мере одно оптическое свойство характеристической величины (5), которую соотносят с новой известной лаковой рецептурой и передают в качестве входного сигнала нейронной сети (7) для определения визуальных параметров (9) текстуры, причем новое значение по меньшей мере одной описывающей по меньшей мере одно оптическое свойство характеристической величины (5) описывает по меньшей мере одно оптическое свойство для по меньшей мере части из числа краскообразующих компонентов новой известной лаковой рецептуры.

4. Способ по одному из предшествующих пунктов, в котором для соответствующих известных лаковых рецептур посредством физической модели (3) определяют соответствующее значение по меньшей мере одной характеристической величины на основании измеренного посредством по меньшей мере одного датчика параметра по меньшей мере одного краскообразующего компонента из числа использованных для соответствующей известной лаковой рецептуры краскообразующих компонентов.

5. Способ по одному из предшествующих пунктов, в котором в качестве характеристической величины (5) выбирают набор параметров, который описывает по меньшей мере одно оптическое свойство по меньшей мере части из числа краскообразующих компонентов соответственно известной лаковой рецептуры.

6. Способ по одному из предшествующих пунктов, в котором в качестве по меньшей мере одной вычисленной из оптических констант нескольких краскообразующих компонентов соответствующей лаковой рецептуры оптической характеристической величины (5) выбирают взвешенное среднее значение соответствующих коэффициентов поглощения и рассеяния нескольких краскообразующих компонентов соответствующей лаковой рецептуры.

7. Способ по одному из предшествующих пунктов, в котором в качестве оптического свойства выбирают полученную из спрогнозированного посредством физической модели (3) спектра отражения по меньшей мере одного краскообразующего компонента соответствующей лаковой рецептуры координату цветового пространства.

8. Способ по одному из предшествующих пунктов, в котором визуальные параметры текстуры выбирают из следующего перечня параметров текстуры или их сочетания: интенсивность блеска, поверхность блеска или распределение зернистости.

9. Способ по одному из предшествующих пунктов, в котором посредством заранее спрогнозированных параметров текстур нескольких лаковых рецептур делают вывод о лаковой рецептуре для лака, параметры текстуры которого показывают минимальное отклонение от соответствующих параметров текстуры заданного целевого лака.

10. Выполненный с возможностью считывания компьютером носитель данных с сохраненной на нем компьютерной программой со средствами программного кода, которые сконфигурированы для того, чтобы при выполнении компьютерной программы на вычислительном устройстве выполнять все компьютерно-реализованные шаги способа согласно одному из предшествующих пунктов.