本发明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。
背景技术
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差的需求，容易出现局部最小值和拟合过度等问题。
涂料修色是指第一次配色得到的配方有时不能满足精度的需要，这时需要进行配方修正的计算，比较按照配方制作的小样卡与目标样卡的差异，计算出涂料的调整量，得到一个新的、更精确的配方。通常采用的配方修正算法，是基于色差的配方修正算法，即根据原样卡与目标样卡的三刺激值差异△x△y△z来列方程组，对方程组求解，最终求出各色料的添加量。这样就需要建立三刺激值与配方用量之间的关联关系，进而确定更为精确的解。
大数据指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。涂料行业由于每天产生大量的配方，而这些配方数据往往都没有得到有效的利用。在需要对某个颜色进行配色时，人工也会产生较多的小样数据，这些数据往往都被人为舍弃。机器学习方法的出现成为利用这些海量数据作配方预测提供了一种解决方案，目前应用广泛的支持向量机从较小的数据样本开始学习，随着数据的大量增加不断的优化学习从而获取更高的精度。机器学习模型(supportvectormachine)是vapnik等人在多年研究统计学习理论基础上对线性分类器提出了另一种设计最佳准则。其原理也从线性可分说起，然后扩展到线性不可分的情况，甚至扩展到使用非线性函数中去。svm方法是通过一个非线性映射p，把样本空间映射到一个高维乃至无穷维的特征空间中(hilbert空间)，使得在原来的样本空间中非线性可分的问题转化为在特征空间中的线性可分的问题。简单地说，就是升维和线性化。升维，就是把样本向高维空间做映射，一般情况下这会增加计算的复杂性，甚至会引起“维数灾难”，因而人们很少问津。但是作为分类、回归等问题来说，很可能在低维样本空间无法线性处理的样本集，在高维特征空间中却可以通过一个线性超平面实现线性划分(或回归)。一般的升维都会带来计算的复杂化，svm方法巧妙地解决了这个难题：应用核函数的展开定理，就不需要知道非线性映射的显式表达式。由于是在高维特征空间中建立线性学习机，所以与线性模型相比，不但几乎不增加计算的复杂性，而且在某种程度上避免了“维数灾难”，这一切要归功于核函数的展开和计算理论。svm自提出后，广泛应用在算法研究、设计和实现上。
技术实现要素：
本发明要解决的技术问题：针对当前涂料修色行业中在现有的配色模型第一次配色产生的色差过大等问题，提供一种基于机器学习的涂料修色方法及系统，本发明通过引入可精密测量色彩数据的分光光度计，针对涂料行业提出了基于粒子群算法和基于机器学习相结合的方法来准确预测配方并实现修色功能，能够实现涂料行业高精度的计算机修色。
为了解决上述技术问题，本发明采用的技术方案为：
一种基于机器学习的涂料修色方法，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。
优选地，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。
优选地，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。
优选地，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，
优选地，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。
优选地，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表示输入的反射率；
式(3)中，x,y,z表示目标色块的三刺激值，e表示cie-1931中广谱能量分布常量，
优选地，步骤1)中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]的映射的详细步骤包括：
s1)针对所有的基础样卡获取其反射率rt并计算三刺激值[x,y,z]，将所有的基础样卡的浓度[c0，c1，c2]及其对应的三刺激值[x,y,z]建立一一对应关系，并将这些数据分为训练集和验证集；
s2)将粒子群算法模块进行初始化，将机器学习模型的可调参数(c,σ)作为粒子群算法的目标，且将可调参数(c,σ)作为机器学习模型的初始化参数，利用训练集对机器学习模型进行训练，并根据验证集对机器学习模型进行评估，如误差满足要求则跳转执行下一步；否则，跳转重新执行步骤s1)；
s3)判断所有配方是否遍历完毕，如果尚未遍历完毕，则遍历选择下一个配方作为当前配方，跳转执行步骤s1)；否则，结束并退出。
优选地，步骤3)中进行色差测算得到其色差△e时，色差△e的计算函数表达式如式(4)所示；
式(4)中，x0、y0和z0是cie标准照明体的三刺激值，x,y,z为当前的配方结果做出小样的三刺激值，l表示物体在lab颜色模型下的颜色深度，lt表示目标色块在lab颜色模型下的颜色深度，ls表示小样在lab颜色模型下的颜色深度，△l表示目标色块和小样在lab颜色模型下的颜色深度差值，a表示物体在lab颜色模型下的绿色到红色颜色通道的值，at表示目标色块在lab颜色模型下的绿色到红色颜色通道的值，as表示小样在lab颜色模型下的绿色到红色颜色通道的值，△a表示目标色块和小样在lab颜色模型下的绿色到红色颜色通道的差值，b表示物体在lab颜色模型下的蓝色到黄色颜色通道的值，bt表示目标色块在lab颜色模型下的蓝色到黄色颜色通道的值，bs表示小样在lab颜色模型下的蓝色到黄色颜色通道的值，△b表示目标色块和小样在lab颜色模型下的蓝色到黄色颜色通道的差值。
优选地，步骤4)中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的计算函数表达式如式(5)所示；
式(5)中，p0[c1c2c3]为当前的配方结果，p1[c1’c2’c3’]为新的配方结果，p2[c1”c2”c3”]为计算得到的新的当前的配方结果。
本发明还提供一种基于机器学习的涂料修色系统，包括计算机系统，所述计算机系统被编程以执行本发明基于机器学习的涂料修色方法的步骤。
和现有技术相比，本发明具有下述优点：本发明基于机器学习的涂料修色方法利用颜色学理论精确地描述涂料的颜色属性，先建立涂料的基础数据库，学习后存储在数据库中，需要进行计算机配色预测时，读取目标颜色数据，调取数据库中相关颜色的数据，进行准确的预测计算，若第一次计算的配方存在色差大的问题，则继续进行配方修正，直至满足用户对色差的要求。本发明能够有效解决涂料行业中存在的人工配色耗时长、成本高和效果差的问题，通过引入可精密测量色彩数据的分光光度计，以实现高精度的配色预测功能，并且随着使用用户不断的增加，大量的验证数据增加，使得系统的学习能力更加强大，不断进化，甚至能达到减少人工误差的配色精度要求。
附图说明
图1为本发明实施例方法的基本流程示意图。
图2为本发明实施例中机器学习模型的训练流程示意图。
图3为本发明实施例中建立学习数据库的流程示意图。
图4为本发明实施例中配方修正的流程示意图。
图5为本发明实施例方法的系统结构示意图。
具体实施方式
涂料漆一般分为三类：白漆、清漆和色漆。白漆是基础色漆，主要是二氧化钛，价格相对便宜；清漆主要树脂等添加剂，对颜色的反射率影响非常弱；色漆指各种颜色的涂料，如黄、红、蓝、绿、紫、黑等，负责调整色相。下文将以白漆作为配色的基础漆，对本发明一种基于机器学习的涂料修色方法做进一步的详细说明。
如图1所示，本实施例基于机器学习的涂料修色方法的实施步骤包括：
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(本实施例中取值为1.0)，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。
本实施例中，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。
本实施例中，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。
本实施例中，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，
本实施例中，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。本实施例中，根据人工经验对涂料编号所组成的配方形式按照其出现的频率进行划分，如p1＝{5,9,11}为常用配方组成等。一般大量使用的配方组合数不超过30，每个配方中的涂料不超过三个，按照使用频率的高低分为编号为[p0,p1,p2…pn]；本实施例中，配方中包含不同色漆的数量为3，即b＝3，因此根据组合数可以做出基础样卡5*5*5＝125个作为基础学习库。
本实施例中，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表示输入的反射率；
式(3)中，x,y,z表示目标色块的三刺激值，e表示cie-1931中广谱能量分布常量，
如图2所示，本实施例中针对一个配方125个基础样卡进行处理建立基础的涂料配方数据库的详细步骤如下：
a1)在需要建库的涂料配方库中选取一个配方i；
a2)针对配方pi，假设由色漆(d2，d5，d8)组成，d2假设为遮盖高的色漆，d5假设为遮盖中的色漆，d8为遮盖低的色漆；
a3)用100克白漆与0.1克d2、0.2克d5和0.5克d8色漆混合制作成样板，用分光光度计读取其黑白底卡上反射率数据r0,r1，然后计算得到真正的反射率ri以及混合后配方的k/s值(k/s)1。
a4)用100克白漆与0.1克d2、0.2克d5和1.0克d8色漆混合制作成样板，用分光光度计读取其黑白底卡上反射率数据r1、r0，然后根据公式(3)计算得到真正的反射率rt，根据公式(4)进一步计算得到混合后配方的k/s值(k/s)2；
……
a126)用100克白漆与2.0克d2、6.0克d5和14.0克d8色漆混合制作成样板，用分光光度计读取其黑白底卡上反射率数据r1、r0，然后根据公式(3)计算得到真正的反射率rt，根据公式(1)进一步计算得到混合后配方的k/s值(k/s)125。
如图3所示，本实施例步骤1)中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]的映射的详细步骤包括：
s1)针对所有的基础样卡获取其反射率rt并计算三刺激值[x,y,z]，将所有的基础样卡的浓度[c0，c1，c2]及其对应的三刺激值[x,y,z]建立一一对应关系，并将这些数据分为训练集和验证集；
s2)将粒子群算法模块进行初始化，将机器学习模型的可调参数(c,σ)作为粒子群算法的目标，且将可调参数(c,σ)作为机器学习模型的初始化参数，利用训练集对机器学习模型进行训练，并根据验证集对机器学习模型进行评估，如误差满足要求则跳转执行下一步；否则，跳转重新执行步骤s1)；本实施例中，机器学习模型具体采用支持向量机svm，毫无疑问在此启发下，本领域技术人员也可以根据需要选择其他机器学习模型。
s3)判断所有配方是否遍历完毕，如果尚未遍历完毕，则遍历选择下一个配方作为当前配方，跳转执行步骤s1)；否则，结束并退出。
本实施例中，步骤3)中进行色差测算得到其色差△e时，色差△e的计算函数表达式如式(4)所示；
式(4)中，x0、y0和z0是cie标准照明体的三刺激值，x,y,z为当前的配方结果做出小样的三刺激值。l、a、b分别是物体在lab颜色模型下的三要素。lab颜色模型由三个要素组成，一个要素是亮度(l)表示颜色深浅，a和b是两个颜色通道，a包括的颜色是从绿色到红色；b是从蓝色到黄色，上述式(4)中：l表示物体在lab颜色模型下的颜色深度，lt表示目标色块在lab颜色模型下的颜色深度，ls表示小样在lab颜色模型下的颜色深度，△l表示目标色块和小样在lab颜色模型下的颜色深度差值，a表示物体在lab颜色模型下的绿色到红色颜色通道的值，at表示目标色块在lab颜色模型下的绿色到红色颜色通道的值，as表示小样在lab颜色模型下的绿色到红色颜色通道的值，△a表示目标色块和小样在lab颜色模型下的绿色到红色颜色通道的差值，b表示物体在lab颜色模型下的蓝色到黄色颜色通道的值，bt表示目标色块在lab颜色模型下的蓝色到黄色颜色通道的值，bs表示小样在lab颜色模型下的蓝色到黄色颜色通道的值，△b表示目标色块和小样在lab颜色模型下的蓝色到黄色颜色通道的差值。
本实施例中，步骤4)中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的计算函数表达式如式(5)所示；
式(5)中，p0[c1c2c3]为当前的配方结果，p1[c1’c2’c3’]为新的配方结果，p2[c1”c2”c3”]为计算得到的新的当前的配方结果。如图4所示，每得到一个当前的配方结果p0[c1c2c3]时，如果色差△e大于预设阈值1.0，则获取当前的配方结果p0[c1c2c3]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p1[c1’c2’c3’]，根据当前的配方结果p0[c1c2c3]、新的配方结果p1[c1’c2’c3’]计算出新的修正后的配方结果p2[c1”c2”c3”]作为新的当前的配方结果。
综上所述，本实施例公开了一种针对涂料行业的基于机器学习的涂料修色方法，该方法利用颜色学理论、大数据分析和机器学习成果相结合，首先通过基础样本学习训练建立起基础颜色的光学数据和浓度之间的非线性映射关系，随着系统数据量的不断增加，产生大量的数据不断对学习模型进行优化，从而使得预测精度更加精确。在需要进行智能化配色预测时，首先读取目标的颜色数据，然后调取大数据库中相关数据，进行配方的预测计算，若预测出的配方经过小样验证色差过大，则进行配色修正功能，产生新的配方。本发明能够有效解决涂料配色行业中存在的耗时长、成本高和效果差的问题，通过引入机器学习的方法，使得系统在不断进化学习中获得满意的配色结果，具有高智能、高可扩展性和高精度的优点。
本实施例还提供一种基于机器学习的涂料修色系统，包括计算机系统，该计算机系统被编程以执行本实施例基于机器学习的涂料修色方法的步骤，该计算机系统可以是大型计算机系统、小型计算机系统、工控计算机、普通计算机或者嵌入式计算机设备，既可以包含多计算节点也可以包含单计算节点，在此不再赘述。如图5所示，计算机系统通过com端口连接有分光光度计(用于获取反射率)，软件模块则用于执行本实施例基于机器学习的涂料修色方法的步骤，软件模块可划分为基础数据库模块、建库算法、学习算法、配色算法、修色算法等模块，基础数据库模块用于存储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，建库算法用于建立基础数据库，学习算法用于训练机器学习模型，配色算法用于将分光光度计输入的反射率进行计算并通过机器学习模型得到对应的配方浓度，修色算法用于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。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。