JP2021188046A - Production method of coating material and prediction method of color data - Google Patents
Production method of coating material and prediction method of color data Download PDFInfo
- Publication number
- JP2021188046A JP2021188046A JP2021087886A JP2021087886A JP2021188046A JP 2021188046 A JP2021188046 A JP 2021188046A JP 2021087886 A JP2021087886 A JP 2021087886A JP 2021087886 A JP2021087886 A JP 2021087886A JP 2021188046 A JP2021188046 A JP 2021188046A
- Authority
- JP
- Japan
- Prior art keywords
- data
- color
- color data
- computer
- artificial intelligence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000576 coating method Methods 0.000 title claims abstract description 106
- 239000011248 coating agent Substances 0.000 title claims abstract description 105
- 239000000463 material Substances 0.000 title claims abstract description 65
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims description 155
- 239000000203 mixture Substances 0.000 claims abstract description 309
- 239000003086 colorant Substances 0.000 claims abstract description 51
- 238000004364 calculation method Methods 0.000 claims abstract description 40
- 238000013473 artificial intelligence Methods 0.000 claims description 176
- 239000003973 paint Substances 0.000 claims description 172
- 238000013329 compounding Methods 0.000 claims description 161
- 239000000049 pigment Substances 0.000 claims description 127
- 230000008569 process Effects 0.000 claims description 57
- 238000002156 mixing Methods 0.000 claims description 56
- 238000004040 coloring Methods 0.000 claims description 39
- 238000005259 measurement Methods 0.000 claims description 31
- 230000008439 repair process Effects 0.000 claims description 23
- 239000013022 formulation composition Substances 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 22
- 238000010801 machine learning Methods 0.000 claims description 21
- 238000010422 painting Methods 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 15
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 15
- 239000003795 chemical substances by application Substances 0.000 claims description 11
- 230000003287 optical effect Effects 0.000 abstract description 21
- 150000001875 compounds Chemical class 0.000 abstract description 4
- 239000010410 layer Substances 0.000 description 35
- 230000003595 spectral effect Effects 0.000 description 25
- 238000013528 artificial neural network Methods 0.000 description 24
- 239000002245 particle Substances 0.000 description 19
- 230000035807 sensation Effects 0.000 description 17
- 235000019615 sensations Nutrition 0.000 description 17
- 238000004891 communication Methods 0.000 description 15
- 238000001228 spectrum Methods 0.000 description 15
- 238000009826 distribution Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 238000000149 argon plasma sintering Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 11
- 230000031700 light absorption Effects 0.000 description 11
- 239000002184 metal Substances 0.000 description 10
- 229910052751 metal Inorganic materials 0.000 description 10
- 238000003066 decision tree Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000009467 reduction Effects 0.000 description 9
- OQIGMSGDHDTSFA-UHFFFAOYSA-N 3-(2-iodacetamido)-PROXYL Chemical compound CC1(C)CC(NC(=O)CI)C(C)(C)N1[O] OQIGMSGDHDTSFA-UHFFFAOYSA-N 0.000 description 8
- 229920000178 Acrylic resin Polymers 0.000 description 7
- 239000004925 Acrylic resin Substances 0.000 description 7
- 230000000052 comparative effect Effects 0.000 description 7
- 238000009472 formulation Methods 0.000 description 7
- 238000001035 drying Methods 0.000 description 6
- 230000002452 interceptive effect Effects 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 6
- 239000000654 additive Substances 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000005286 illumination Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000009500 colour coating Methods 0.000 description 4
- 238000010191 image analysis Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 238000007477 logistic regression Methods 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 230000001953 sensory effect Effects 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 239000011230 binding agent Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 239000003960 organic solvent Substances 0.000 description 3
- 239000000377 silicon dioxide Substances 0.000 description 3
- 206010039509 Scab Diseases 0.000 description 2
- PNEYBMLMFCGWSK-UHFFFAOYSA-N aluminium oxide Inorganic materials [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 description 2
- 239000008199 coating composition Substances 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000001678 irradiating effect Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 239000011164 primary particle Substances 0.000 description 2
- 239000011347 resin Substances 0.000 description 2
- 229920005989 resin Polymers 0.000 description 2
- 239000011163 secondary particle Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 239000004640 Melamine resin Substances 0.000 description 1
- 229920000877 Melamine resin Polymers 0.000 description 1
- 206010049155 Visual brightness Diseases 0.000 description 1
- 238000011000 absolute method Methods 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 201000000760 cerebral cavernous malformation Diseases 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000007865 diluting Methods 0.000 description 1
- 238000002845 discoloration Methods 0.000 description 1
- 239000003822 epoxy resin Substances 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000010445 mica Substances 0.000 description 1
- 229910052618 mica group Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003472 neutralizing effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 239000002985 plastic film Substances 0.000 description 1
- 229920006255 plastic film Polymers 0.000 description 1
- 229920000647 polyepoxide Polymers 0.000 description 1
- 239000004645 polyester resin Substances 0.000 description 1
- 229920001225 polyester resin Polymers 0.000 description 1
- 229920001228 polyisocyanate Polymers 0.000 description 1
- 239000005056 polyisocyanate Substances 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009257 reactivity Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 239000004094 surface-active agent Substances 0.000 description 1
- 235000019640 taste Nutrition 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 229920002803 thermoplastic polyurethane Polymers 0.000 description 1
- 238000001429 visible spectrum Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Paints Or Removers (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Spectrometry And Color Measurement (AREA)
- Application Of Or Painting With Fluid Materials (AREA)
Abstract
Description
本発明は、塗料の製造方法及び色彩データを予測する方法に関する。詳しくは、コンピュータ調色に基づく塗料の製造方法及び塗膜の色彩データを予測するシステムに関する。また、本発明は、コンピュータ調色システム、塗膜の色彩データを予測するシステム、及び、これらのシステムを制御し動作させるためのアプリケーションソフトウェアに関する。 The present invention relates to a method for producing a paint and a method for predicting color data. More specifically, the present invention relates to a method for manufacturing a paint based on computer toning and a system for predicting color data of a coating film. The present invention also relates to a computer toning system, a system for predicting color data of a coating film, and application software for controlling and operating these systems.
近年、個人の好みの多様化、美粧性の向上の点等から、各種の工業製品、特に、自動車の色彩として、金属粉や光輝性マイカ等の光輝性顔料に基づく光輝性の色彩が増加している。このような光輝性の色彩に対して補修等を行う際には、光輝性顔料を含む補修用塗料を補修部分に塗布することが一般的に行われている。 In recent years, due to the diversification of personal tastes and the improvement of cosmetics, the number of bright colors based on bright pigments such as metal powder and bright mica has increased as the color of various industrial products, especially automobiles. ing. When repairing such a brilliant color, it is common practice to apply a repair paint containing a brilliant pigment to the repaired portion.
光輝性の色彩の補修に際しては、色調だけではなく、光輝感も調整することで、補修箇所等が目立たないようにする必要がある。しかし、色調と光輝感の両方を満たす光輝性の色彩の補修用塗料を調製する際には、熟練の作業者であっても、試行錯誤を繰り返して多数の補修用塗料を試作する必要が生じる場合もあった。さらに、経験の少ない作業者にとっては、熟練の作業者以上に試行錯誤を繰り返して多数の補修用塗料を試作する必要があり、非常に困難な作業となっていた。
作業者が試行錯誤を繰り返すことにより、作業時間が長時間となり、補修期間の長期化、効率の低下といった問題に加え、試作したものの使用できない補修用塗料に基づくコストや廃棄の問題等も生じる。
When repairing a brilliant color, it is necessary to adjust not only the color tone but also the brilliant feeling so that the repaired part or the like is inconspicuous. However, when preparing a repair paint for a brilliant color that satisfies both the color tone and the brilliant feeling, even a skilled worker needs to repeat trial and error to prototype a large number of repair paints. In some cases. Further, for an inexperienced worker, it is necessary to repeat trial and error more than a skilled worker to make a large number of prototypes of repair paint, which is a very difficult task.
As the operator repeats trial and error, the work time becomes long, and in addition to the problems of lengthening the repair period and reducing efficiency, there are also problems such as cost and disposal based on the repair paint that cannot be used even though it is prototyped.
このため、作業者の熟練度等の要因によらずに、補修用塗料を迅速かつ効率よく作製するために多数の検討がなされてきた。その中の一つとして、測色計での測色により得られた目標とする色彩の色彩データと、配合組成が既知である色見本の色彩データとから、コンピュータを用いて目標とする色彩の配合組成を得るコンピュータ・カラーマッチング（ＣＣＭ）システムを用いる検討がなされてきた。しかし、光輝性の色彩、例えば、光輝性顔料を含むメタリック塗色は、分光反射率の角度依存性を有しており、従来のＣＣＭにおいて対応することが困難であった。
また、これまでの補修用塗料の調色においては、近似する塗料調色配合（近似配合と略す場合がある）を得た後に、これを出発点としてさらに微調色を行なう必要が生じることが多く、特に、光輝性の色彩となる補修用塗料の調製にあたっては、従来のＣＣＭでは最近似配合の精度、再現性に限界があり、作業者による調色の試行錯誤を繰り返す工数が依然として多く発生しており、補修用塗料を迅速かつ効率よく作製することに問題があった。
For this reason, many studies have been made in order to quickly and efficiently produce the repair paint regardless of factors such as the skill level of the operator. As one of them, the color data of the target color obtained by color measurement with a colorimeter and the color data of the color sample whose compounding composition is known are used to obtain the target color using a computer. Studies have been made on the use of computer color matching (CCM) systems to obtain compounding compositions. However, a brilliant color, for example, a metallic coating color containing a brilliant pigment has an angle dependence of the spectral reflectance, and it is difficult to cope with it in the conventional CCM.
In addition, in the toning of repair paints so far, it is often necessary to perform finer toning with this as a starting point after obtaining an approximate paint toning composition (sometimes abbreviated as an approximate composition). In particular, in the preparation of repair paints that produce brilliant colors, conventional CCMs have limitations in the accuracy and reproducibility of the closest blending, and many man-made steps are still required to repeat trial and error of toning by the operator. Therefore, there was a problem in producing the repair paint quickly and efficiently.
特許文献１には、コンピュータ利用による色合わせシステムにおいて、未知の色パネルの全スペクトル反射率を分光光度計によって決定し、この反射率データをコンピュータに送り、コンピュータは顔料のＫ値（光吸収係数）及びＳ値（光散乱係数）を表す予め記録されたデータを数学的に処理し、論理的色合わせを行う方法が開示されている。
特許文献２には、測色計と、ミクロ光輝感測定器と、複数の塗料配合、該各塗料配合に対応した色データとミクロ光輝感データ、複数の原色塗料の色特性データとミクロ光輝感特性データが登録されており、色合わせ計算ロジックが作動するコンピュータと、から構成されてなるコンピュータ調色装置及びそれを用いた調色方法が開示されている。
特許文献３には、測色計と、ミクロ光輝感見本色票と、複数の塗料配合、該各塗料配合に対応した色データとミクロ光輝感データ、複数の原色塗料の色特性データとミクロ光輝感特性データが登録されており、色合わせ計算ロジックが作動するコンピュータと、から構成されてなるコンピュータ調色装置を用いた調色方法が開示されている。
In
Patent Document 3 describes a colorimeter, a micro-brilliance sample color tag, a plurality of paint formulations, color data and micro-brilliance data corresponding to each paint formulation, and color characteristic data and micro-brilliance of a plurality of primary color paints. Sensation characteristic data is registered, and a color matching method using a computer toning device composed of a computer on which a color matching calculation logic is operated and a computer toning device are disclosed.
特許文献４には、補修用塗料の最終微調色として有用なメタリック系塗色の調色方法として、正面色とスカシ色とを目視で比較した際の違いに基づいて、メタリック塗料の調色配合を変更する際に、塗色の正面色とスカシ色との尺度に基づく特徴と、正面色の明度が変化しない各メタリック原色塗料の配合変換指数を用いることが記載されている。
特許文献５には、塗料の視覚的質感パラメータを、塗料配分組成に使用される色成分に基づく人工ニューラルネットワークによって決定又は予測することが記載されている。しかし、分光反射特性等の光学特性については、既知の塗料配分組成に対する物理モデルによって決定又は予測するものである。光学特性の予測が難しい光輝性の色彩に対する補修用塗料を調製する際には、多くの試行錯誤を要することが予測される。
特許文献６には、光輝性塗膜等において、所望の質感を有する塗色又は所望の色カテゴリに属する塗色を決定するために、塗色の分光反射率やミクロ光輝感等のデータを用いてニューラルネットワークを学習させるステップを含む、塗色データベース作成方法及び該データベースを用いた塗色の検索方法が記載されている。しかし、光学特性の予測が難しい光輝性の色彩に対する補修用塗料を調製する際の具体的操作等については、何ら開示されていない。
In Patent Document 4, as a toning method of a metallic paint color useful as a final fine toning of a repair paint, a toning combination of a metallic paint is based on a difference when a front color and a scab color are visually compared. It is stated that when changing the color, the characteristics based on the scale of the front color and the scab color of the paint color and the compounding conversion index of each metallic primary color paint in which the brightness of the front color does not change are used.
Patent Document 5 describes determining or predicting the visual texture parameters of a paint by an artificial neural network based on the color components used in the paint distribution composition. However, optical properties such as spectral reflection properties are determined or predicted by a physical model for a known paint distribution composition. It is expected that a lot of trial and error will be required when preparing a repair paint for bright colors whose optical characteristics are difficult to predict.
In Patent Document 6, in order to determine a coating color having a desired texture or a coating color belonging to a desired color category in a brilliant coating film or the like, data such as the spectral reflectance of the coating color and the micro-brilliance feeling are used. A method of creating a paint color database and a method of searching for a paint color using the database are described, including a step of learning a neural network. However, no specific operation or the like when preparing a repair paint for a brilliant color whose optical characteristics are difficult to predict is not disclosed.
本発明の目的は、光学特性の予測が難しい光輝性の色彩を含む、多種多様な色彩の塗色を得るための塗料の製造方法であって、作業者の熟練度によらず、少ない試作回数で調色を終了させることができるコンピュータ調色に基づく塗料の製造方法を提供することである。
本発明の目的は、光輝性顔料等を含む多種多様な組成の塗料の塗膜について、その色彩データを高精度で予測できる塗膜の色彩データを予測する方法を提供することである。
本発明の目的は、光学特性の予測が難しい光輝性の色彩を含む、多種多様な色彩の塗色を得るための塗料を調製するためのコンピュータ調色システムであって、作業者の熟練度によらず、少ない試作回数で調色を終了させることができるコンピュータ調色システムを提供することである。
本発明の目的は、光輝性顔料等を含む多種多様な組成の塗料の塗膜について、その色彩データを高精度で予測できる塗膜の色彩データを予測するシステムを提供することである。
An object of the present invention is a method for manufacturing a paint for obtaining a wide variety of paint colors, including bright colors whose optical characteristics are difficult to predict, and the number of trial manufactures is small regardless of the skill level of the operator. It is to provide a method of manufacturing a paint based on computer toning which can finish toning with.
An object of the present invention is to provide a method for predicting the color data of a coating film capable of predicting the color data of the coating film of a coating film having a wide variety of compositions including a bright pigment and the like with high accuracy.
An object of the present invention is a computer toning system for preparing a paint for obtaining a wide variety of paint colors, including bright colors whose optical characteristics are difficult to predict, and for the skill level of an operator. Regardless, it is to provide a computer toning system that can finish toning with a small number of trial productions.
An object of the present invention is to provide a system for predicting the color data of a coating film capable of predicting the color data of the coating film of a coating film having a wide variety of compositions including a bright pigment and the like with high accuracy.
本発明者らは、上記課題を解決すべく鋭意検討を行い、以下のような構成とすることで、上記の課題を解決することができることを見出し、本発明を完成するに至った。
具体的には、以下のとおりである。
［項１］
１種類以上の色材を含有する組成物の配合組成データＹ及び対応する色彩データＸが少なくとも登録されたデータベースと、該データベースに登録されたデータを利用した色合わせ計算ロジックが作動するコンピュータと、を備える装置を用いるコンピュータ調色に基づく塗料の製造方法であって、下記Ｓ１０１〜Ｓ１１１工程を含む、前記塗料の製造方法：
（Ｓ１０１）前記データベースに登録されたデータを用い、学習用データを前記コンピュータに入力する工程、
（Ｓ１０２）前記学習用データを機械学習させ、配合組成データＹから色彩データＸを推定する人工知能モデルの少なくとも１種、を含む学習した人工知能モデルを生成する工程、
（Ｓ１０３）目標とする色彩の目標色彩データＸｔを得る工程、
（Ｓ１０４）前記目標色彩データＸｔを、前記コンピュータに入力する工程、
（Ｓ１０５）コンピュータを用いた検索により、前記目標色彩データＸｔに近似する検索色彩データＸｎ１及び検索色彩データＸｎ１に対応する近似配合組成データＹｎ１を得るとともに、前記目標色彩データＸｔと前記検索色彩データＸｎ１とを比較し合否を判定する工程、
（Ｓ１０６）前記Ｓ１０５工程において合格しない場合に、コンピュータを用いて目標色彩データＸｔを与えると予測される候補配合組成データＹｎｉを得た後、前記少なくとも１種の学習した人工知能モデル及び／又は前記人工知能モデル以外の予測式を用いて、候補配合組成データＹｎｉから予測される予測色彩データＸｎｉを得るとともに、前記色彩データＸｔと前記予測色彩データＸｎｉとを比較し、合否を判定する工程、
（Ｓ１０７）前記Ｓ１０６工程において合格しない場合に、コンピュータを用いて目標色彩データＸｔを与えると予測される候補配合組成データＹｎｉを得た後、前記少なくとも１種の学習した人工知能モデル及び／又は前記人工知能モデル以外の予測式を用いて、候補配合組成データＹｎｉから予測される予測色彩データＸｎｉを得るとともに、前記色彩データＸｔと前記予測色彩データＸｎｉとを比較し、合否を判定する工程を、合格するまで繰り返す工程、
（Ｓ１０８）前記Ｓ１０５〜Ｓ１０７工程のいずれかで合格した際の、合格配合組成データＹＣ１を得る工程、
（Ｓ１０９）前記合格配合組成データＹＣ１に基づき、実候補塗料ＣＭＣｉを調製し、該実候補塗料ＣＭＣｉの塗装板を得て、実測色彩データＸＣｉを取得する工程、
（Ｓ１１０）前記色彩データＸｔと前記実測色彩データＸＣｉとの比較、及び／又は、前記目標とする色彩と前記実候補塗料ＣＭＣｉの塗装板の色彩との比較により、合否を判定する工程、
（Ｓ１１１）前記Ｓ１１０工程において合格しない場合に、前記Ｓ１０６〜Ｓ１１０工程を繰り返す工程。
The present inventors have diligently studied to solve the above-mentioned problems, and have found that the above-mentioned problems can be solved by adopting the following configuration, and have completed the present invention.
Specifically, it is as follows.
[Item 1]
A database in which at least the compounding composition data Y and the corresponding color data X of the composition containing one or more kinds of color materials are registered, a computer in which the color matching calculation logic using the data registered in the database is operated, and a computer. A method for producing a paint based on computer toning using an apparatus comprising the following, the method for producing the paint, which comprises the following steps S101 to S111:
(S101) A step of inputting learning data into the computer using the data registered in the database.
(S102) A step of machine-learning the learning data to generate a learned artificial intelligence model including at least one type of artificial intelligence model that estimates color data X from compounding composition data Y.
(S103) to obtain the target color data X t of color as a target,
(S104) A step of inputting the target color data Xt into the computer,
(S105) The search using a computer, together with obtaining the target color data X t approximation to find the color data X n1 and search color approximation formulation composition data Y n1 corresponding to the data X n1, and the target color data X t A step of comparing with the search color data X n1 and determining pass / fail,
(S106) when not pass in the S105 step, after obtaining the candidate formulation composition data Y ni predicted to give a target color data X t using a computer, said at least one learned artificial intelligence model and / or using said artificial intelligence model non-predictive type, with obtaining a predicted color data X ni predicted from the candidate blend composition data Y ni, comparing with the color data X t and the predicted color data X ni, acceptance Judgment process,
(S107) when not pass in the S106 step, after obtaining the candidate formulation composition data Y ni predicted to give a target color data X t using a computer, said at least one learned artificial intelligence model and / or using said artificial intelligence model non-predictive type, with obtaining a predicted color data X ni predicted from the candidate blend composition data Y ni, comparing with the color data X t and the predicted color data X ni, acceptance The process of repeating the process of determining the result until it passes,
(S108) A step of obtaining pass compounding composition data Y C1 when passing any of the steps S105 to S107.
(S109) A step of preparing an actual candidate paint CM Ci based on the accepted compounding composition data Y C1 , obtaining a coated plate of the actual candidate paint CM Ci , and acquiring actual color data X Ci.
(S110) the comparison of the color data X t and the measured color data X Ci, and / or by comparison with color paint plate color and the actual candidate paint CM Ci to the target, step of determining acceptance ,
(S111) A step of repeating the steps S106 to S110 when the step of the step S110 is not passed.
［項２］
前記Ｓ１０３工程において、目標色彩データＸｔが、光輝性顔料を含む塗膜の色彩データである、項１に記載の方法。
［項３］
前記Ｓ１１１工程において合格しない場合において、前記予測色彩データＸｎｉと前記実測色彩データＸＣｉの差分Δを補正係数αとしてコンピュータに入力した後に、前記Ｓ１０６〜Ｓ１１１工程が繰り返される、項１又は２に記載の方法。
［項４］
前記判定する工程で合格しない場合において、人工知能モデル以外の予測式を用いるように切り替える工程が前記繰り返す工程に含まれる、項１〜３のいずれか１項に記載の方法。
［項５］
前記Ｓ１１０工程における判定が、コンピュータを用いて行われる、請求項１〜４のいずれか１項に記載の方法。
[Item 2]
[Item 3]
[Item 4]
Item 6. The method according to any one of
[Item 5]
The method according to any one of
［項６］
１種類以上の色材を含有する組成物の配合組成データＹ及び対応する色彩データＸが少なくとも登録されたデータベースと、該データベースに登録されたデータを利用した色合わせ計算ロジックが作動するコンピュータと、を備える装置を用いる塗膜の色彩データを予測する方法であって、下記Ｓ２０１〜Ｓ２０７工程を含む、前記方法：
（Ｓ２０１）前記データベースに登録されたデータを用い、学習用データを前記コンピュータに入力する工程、
（Ｓ２０２）前記学習用データを機械学習させ、配合組成データＹから色彩データＸを推定する人工知能モデルの少なくとも１種を生成する工程、
（Ｓ２０３）塗膜の色彩データを予測する塗料ＣＭｔの配合組成データＹＣＭを得る工程、
（Ｓ２０４）前記配合組成データＹＣＭを、前記コンピュータに入力する工程、
（Ｓ２０５）必要に応じて、コンピュータを用いた検索により、前記配合組成データＹＣＭに対応する検索色彩データＸｎ１を取得する工程、
（Ｓ２０６）前記Ｓ２０５工程で対応する検索色彩データＸｎ１が検索されなかった場合、又は、前記Ｓ２０５工程を行わなかった場合において、前記配合組成データＹＣＭから、前記少なくとも１種の学習した人工知能モデル、又は、前記少なくとも１種の学習した人工知能モデルと前記人工知能モデル以外の予測式とを用いて、予測色彩データＸｍ１を得る工程、
（Ｓ２０７）必要に応じて、前記塗料ＣＭｔを塗装した塗装板の実測色彩データＸＣＭを取得し、前記予測色彩データＸｍ１と比較する工程。
[Item 6]
A database in which at least the compounding composition data Y and the corresponding color data X of the composition containing one or more kinds of color materials are registered, a computer in which the color matching calculation logic using the data registered in the database is operated, and a computer. A method for predicting color data of a coating film using an apparatus comprising the above method, which comprises the following steps S201 to S207.
(S201) A step of inputting learning data into the computer using the data registered in the database.
(S202) A step of machine-learning the learning data to generate at least one type of artificial intelligence model that estimates color data X from compounding composition data Y.
(S203) Step of obtaining compounding composition data Y CM of paint CM t for predicting color data of coating film,
(S204) the blending composition data Y CM, step of inputting to the computer,
(S205) If necessary, the search using a computer, the step of obtaining search color data X n1 corresponding to the blending composition data Y CM,
(S206) the S205 when the corresponding search color data X n1 is not found in step, or, in the case of not performed the S205 step, from the blend composition data Y CM, wherein at least one of the learned artificial intelligence A step of obtaining predicted color data X m1 using a model or at least one learned artificial intelligence model and a prediction formula other than the artificial intelligence model.
(S207) A step of acquiring measured color data X CM of a coated plate coated with the paint CM t and comparing it with the predicted color data X m1 as needed.
［項７］
前記人工知能モデルの少なくとも１種を生成する工程が、
（ｉ）光輝性顔料を含まない組成物の１種類以上に係る、各配合組成データＹ及び各色彩データＸを学習用データとして用い、人工知能モデルを学習させる工程と、
（ｉｉ）光輝性顔料を含む組成物の１種類以上に係る、各配合組成データＹ及び各色彩データＸを学習用データとして用い、人工知能モデルを学習させる工程と、
を含む、項１〜６のいずれか１項に記載の方法。
［項８］
前記人工知能モデルの少なくとも１種を生成する工程が、
組成物中の光反射性顔料の含有量、光干渉性顔料の含有量、配向制御剤の含有量、組成物中の光反射性顔料の各色相別の含有量、光干渉性顔料の各色相別の含有量、着色剤の各色相別の含有量、及び、それらの含有量の２つ以上の合計から選ばれる１種類以上のデータ、及び／又は、
組成物に含まれる色材の形状データ、
を学習用データとして用い、人工知能モデルを学習させる工程を含む、項１〜７のいずれか１項に記載の方法。
［項９］
前記データベースに登録された１種類以上の色材を含有する組成物の配合組成データＹ及び対応する色彩データＸは、実測データ、又は、実測データと実測データに基づき算出されたデータとを含む、項１〜８のいずれか１項に記載の方法。
［項１０］
車両の補修塗装を行う際に用いられる、項１〜９のいずれか１項に記載の方法。
[Item 7]
The step of generating at least one of the artificial intelligence models is
(I) A step of learning an artificial intelligence model by using each compounding composition data Y and each color data X as learning data relating to one or more kinds of compositions containing no brilliant pigment.
(Ii) A step of learning an artificial intelligence model by using each compounding composition data Y and each color data X as learning data relating to one or more kinds of compositions containing a brilliant pigment.
Item 4. The method according to any one of
[Item 8]
The step of generating at least one of the artificial intelligence models is
The content of the light-reflecting pigment in the composition, the content of the light-interfering pigment, the content of the orientation control agent, the content of each hue of the light-reflecting pigment in the composition, and each hue of the light-interfering pigment. One or more data selected from different contents, the content of each hue of the colorant, and the sum of two or more of those contents, and / or.
Shape data of the coloring material contained in the composition,
Item 4. The method according to any one of
[Item 9]
The compounding composition data Y and the corresponding color data X of the composition containing one or more kinds of colorants registered in the database include actual measurement data or data calculated based on the actual measurement data and the actual measurement data.
[Item 10]
Item 6. The method according to any one of
［項１１］
１種類以上の色材を含有する組成物の配合組成データＹ及び対応する色彩データＸが少なくとも登録されたデータベースと、該データベースに登録されたデータを利用した色合わせ計算ロジックが作動するコンピュータと、を備えるコンピュータ調色システムであって、下記手段Ｓ３０１〜Ｓ３１１を含む、前記システム：
（Ｓ３０１）前記データベースに登録されたデータを用い、学習用データを前記コンピュータに入力する手段、
（Ｓ３０２）前記学習用データを機械学習させ、配合組成データＹから色彩データＸを推定する人工知能モデルの少なくとも１種、を含む学習した人工知能モデルを生成する手段、
（Ｓ３０３）目標とする色彩の目標色彩データＸｔを得る手段、
（Ｓ３０４）前記目標色彩データＸｔを、前記コンピュータに入力する手段、
（Ｓ３０５）コンピュータを用いた検索により、前記目標色彩データＸｔに近似する検索色彩データＸｎ１及び検索色彩データＸｎ１に対応する近似配合組成データＹｎ１を得るとともに、前記目標色彩データＸｔと前記検索色彩データＸｎ１とを比較し合否を判定する手段、
（Ｓ３０６）前記手段Ｓ３０５において合格しない場合に、コンピュータを用いて目標色彩データＸｔを与えると予測される候補配合組成データＹｎｉを得た後、前記少なくとも１種の学習した人工知能モデル及び／又は前記人工知能モデル以外の予測式を用いて、候補配合組成データＹｎｉから予測される予測色彩データＸｎｉを得るとともに、前記色彩データＸｔと前記予測色彩データＸｎｉとを比較し、合否を判定する手段、
（Ｓ３０７）前記手段Ｓ３０６において合格しない場合に、コンピュータを用いて目標色彩データＸｔを与えると予測される候補配合組成データＹｎｉを得た後、前記少なくとも１種の学習した人工知能モデル及び／又は前記人工知能モデル以外の予測式を用いて、候補配合組成データＹｎｉから予測される予測色彩データＸｎｉを得るとともに、前記色彩データＸｔと前記予測色彩データＸｎｉとを比較し、合否を判定する手段を、合格するまで繰り返す手段、
（Ｓ３０８）前記手段Ｓ３０５〜Ｓ３０７のいずれかで合格した際の、合格配合組成データＹＣ１を得る手段、
（Ｓ３０９）前記合格配合組成データＹＣ１に基づき、実候補塗料ＣＭＣｉを調製し、該実候補塗料ＣＭＣｉの塗装板を得て、実測色彩データＸＣｉを取得する手段、
（Ｓ３１０）前記色彩データＸｔと前記実測色彩データＸＣｉとの比較、及び／又は、前記目標とする色彩と前記実候補塗料ＣＭＣｉの塗装板の色彩との比較により、合否を判定する手段、
（Ｓ３１１）前記手段Ｓ３１０において合格しない場合に、前記手段Ｓ３０６〜Ｓ３１０を繰り返す手段。
[Item 11]
A database in which at least the compounding composition data Y and the corresponding color data X of the composition containing one or more kinds of color materials are registered, a computer in which the color matching calculation logic using the data registered in the database is operated, and a computer. A computer toning system comprising the following means S301 to S311.
(S301) A means for inputting learning data into the computer using the data registered in the database.
(S302) A means for generating a learned artificial intelligence model including at least one kind of artificial intelligence model that estimates color data X from compounding composition data Y by machine learning the training data.
(S303) means for obtaining a target color data X t of color as a target,
(S304) A means for inputting the target color data Xt into the computer,
(S305) The search using a computer, together with obtaining the target color data X t approximation to find the color data X n1 and search color approximation formulation composition data Y n1 corresponding to the data X n1, and the target color data X t A means for determining pass / fail by comparing with the search color data X n1.
(S306) when not pass in said means S305, after obtaining the candidate formulation composition data Y ni predicted to give a target color data X t using a computer, artificial intelligence model said at least one of learning and / or using said artificial intelligence model non-predictive type, with obtaining a predicted color data X ni predicted from the candidate blend composition data Y ni, comparing with the color data X t and the predicted color data X ni, acceptance Means to determine,
(S307) when not pass in said means S306, after obtaining the candidate formulation composition data Y ni predicted to give a target color data X t using a computer, artificial intelligence model said at least one of learning and / or using said artificial intelligence model non-predictive type, with obtaining a predicted color data X ni predicted from the candidate blend composition data Y ni, comparing with the color data X t and the predicted color data X ni, acceptance Means to repeat the means to judge until it passes,
(S308) A means for obtaining pass compounding composition data Y C1 when any of the above means S305 to S307 is passed.
(S309) A means for preparing an actual candidate paint CM Ci based on the accepted compounding composition data Y C1 , obtaining a coated plate of the actual candidate paint CM Ci , and acquiring actual color data X Ci.
(S310) the comparison of the color data X t and the measured color data X Ci, and / or by comparison with color paint plate color and the actual candidate paint CM Ci to the target, means for determining the acceptability ,
(S311) A means for repeating the means S306 to S310 when the means S310 does not pass.
［項１２］
１種類以上の色材を含有する組成物の配合組成データＹ及び対応する色彩データＸが少なくとも登録されたデータベースと、該データベースに登録されたデータを利用した色合わせ計算ロジックが作動するコンピュータと、を備える装置を用いる塗膜の色彩データを予測するシステムであって、下記手段Ｓ４０１〜Ｓ４０７を含む、前記システム：
（Ｓ４０１）前記データベースに登録されたデータを用い、学習用データを前記コンピュータに入力する手段、
（Ｓ４０２）前記学習用データを機械学習させ、配合組成データＹから色彩データＸを推定する人工知能モデルの少なくとも１種を生成する手段、
（Ｓ４０３）塗膜の色彩データを予測する塗料ＣＭｔの配合組成データＹＣＭを得る手段、
（Ｓ４０４）前記配合組成データＹＣＭを、前記コンピュータに入力する手段、
（Ｓ４０５）必要に応じて、コンピュータを用いた検索により、前記配合組成データＹＣＭに対応する検索色彩データＸｎ１を取得する手段、
（Ｓ４０６）前記手段Ｓ４０５で対応する検索色彩データＸｎ１が検索されなかった場合、又は、前記手段Ｓ４０５を行わなかった場合において、前記配合組成データＹＣＭから、前記少なくとも１種の学習した人工知能モデル、又は、前記少なくとも１種の学習した人工知能モデルと前記人工知能モデル以外の予測式とを用いて、予測色彩データＸｍ１を得る手段、
（Ｓ４０７）必要に応じて、前記塗料ＣＭｔを塗装した塗装板の実測色彩データＸＣＭを取得し、前記予測色彩データＸｍ１と比較する手段。
［項１３］
前記システムが、得られた配合組成データに基づき自動調合して調色配合を行う自動調合手段を備えている、項１１又は１２に記載のシステム。
［項１４］
項１１〜１３のいずれか１項に記載のシステムを制御し動作させるためのアプリケーションソフトウェア。
[Item 12]
A database in which at least the compounding composition data Y and the corresponding color data X of the composition containing one or more kinds of color materials are registered, a computer in which the color matching calculation logic using the data registered in the database is operated, and a computer. A system for predicting color data of a coating film using an apparatus comprising the following means: S401 to S407.
(S401) A means for inputting learning data into the computer using the data registered in the database.
(S402) A means for machine-learning the learning data to generate at least one type of artificial intelligence model that estimates color data X from compounding composition data Y.
(S403) A means for obtaining compounding composition data Y CM of a paint CM t that predicts color data of a coating film.
(S404) the blending composition data Y CM, means for inputting into said computer,
(S405) If necessary, the search using a computer, means for obtaining a search color data X n1 corresponding to the blending composition data Y CM,
(S406) If the search color data X n1 corresponding with said means S405 is not found, or, in the case of not performed the means S405, from the blend composition data Y CM, wherein at least one of the learned artificial intelligence A means for obtaining predicted color data X m1 using a model or a predicted formula other than the artificial intelligence model learned at least one of the artificial intelligence models.
(S407) A means for acquiring measured color data X CM of a coated plate coated with the paint CM t and comparing it with the predicted color data X m1 as needed.
[Item 13]
[Item 14]
Item Software for controlling and operating the system according to any one of Items 11 to 13.
本発明によれば、光学特性の予測が難しい光輝性の色彩を含む、多種多様な色彩の塗色を得るための塗料の製造方法であって、作業者の熟練度によらず、少ない試作回数で調色を終了させることができるコンピュータ調色に基づく塗料の製造方法が提供される。本発明の塗料の製造方法は、特に、（ｉ）光輝性顔料を含む塗料、（ｉｉ）光輝性顔料として、パール顔料等の光干渉性顔料、又は、光干渉性顔料と金属顔料等の光反射性顔料との両者、を含む塗料、（ｉｉｉ）アクリル系樹脂を含み、光輝性顔料を含んでいてもよい補修用塗料、の１種以上の塗料の製造方法として有用である。
本発明によれば、光輝性顔料等を含む多種多様な組成の塗料の塗膜について、その色彩データを高精度で予測できる塗膜の色彩データを予測する方法が提供される。本発明の塗膜の色彩データを予測する方法は、特に、前記（ｉ）〜（ｉｉｉ）の塗料の１種以上の塗料の塗膜について、その色彩データを高精度で予測でき有用である。
本発明によれば、光学特性の予測が難しい光輝性の色彩を含む、多種多様な色彩の塗色を得るための塗料を調製するためのコンピュータ調色システムであって、作業者の熟練度によらず、少ない試作回数で調色を終了させることができるコンピュータ調色システムが提供される。本発明のコンピュータ調色システムは、特に、前記（ｉ）〜（ｉｉｉ）の塗料の１種以上の塗料の調製に際して有用である。
本発明によれば、光輝性顔料等を含む多種多様な組成の塗料の塗膜について、その色彩データを高精度で予測できる塗膜の色彩データを予測するシステムが提供される。本発明の塗膜の色彩データを予測するシステムは、特に、前記（ｉ）〜（ｉｉｉ）の塗料の１種以上の塗料の塗膜について、その色彩データを高精度で予測でき有用である。
これらにより、作業時間の減少や調色回数等の工数削減による作業者の負担軽減、作製する塗料数の削減による廃棄物の低減や省エネルギー化、作業者のスキルに左右されずに安定した調色や色調予測が実施できることによる作業性の向上等の効果を得ることができ、産業上極めて有用である。
According to the present invention, it is a method for manufacturing a paint for obtaining a wide variety of paint colors including bright colors whose optical characteristics are difficult to predict, and the number of trial manufactures is small regardless of the skill level of the operator. Provided is a method of manufacturing a paint based on computer toning, which can be completed with. The method for producing a paint of the present invention is, in particular, (i) a paint containing a bright pigment, (ii) a light-interfering pigment such as a pearl pigment as a bright pigment, or light such as a light-interfering pigment and a metal pigment. It is useful as a method for producing one or more kinds of paints, which are a paint containing both of a reflective pigment and a repair paint containing (iii) an acrylic resin and may contain a brilliant pigment.
INDUSTRIAL APPLICABILITY According to the present invention, there is provided a method for predicting the color data of a coating film capable of predicting the color data of the coating film of a coating film having a wide variety of compositions including a bright pigment and the like with high accuracy. The method of predicting the color data of the coating film of the present invention is particularly useful because the color data of one or more of the coating films of the paints (i) to (iii) can be predicted with high accuracy.
According to the present invention, it is a computer toning system for preparing a paint for obtaining a paint color of a wide variety of colors including a brilliant color whose optical characteristics are difficult to predict, and the skill level of the operator is increased. Regardless, a computer toning system that can finish toning with a small number of trial productions is provided. The computer toning system of the present invention is particularly useful in preparing one or more of the above-mentioned paints (i) to (iii).
INDUSTRIAL APPLICABILITY According to the present invention, there is provided a system for predicting the color data of a coating film capable of predicting the color data of the coating film of a coating film having a wide variety of compositions including a bright pigment and the like with high accuracy. The system for predicting the color data of the coating film of the present invention is particularly useful because the color data of one or more of the coating films of the paints (i) to (iii) can be predicted with high accuracy.
As a result, the burden on the worker is reduced by reducing the work time and the number of man-hours such as the number of tonings, the reduction of waste and energy saving by reducing the number of paints to be produced, and stable toning regardless of the skill of the worker. It is extremely useful in industry because it is possible to obtain effects such as improvement of workability by being able to perform color tone prediction.
本発明の方法、システム及びアプリケーションソフトウェアの構成及び動作を、図１〜図７を用い、以下に例示される実施形態により詳細に説明する。本明細書中における手段および工程は、それら手段および工程について説明した動作、機能または工程を果たすことができる限り何ら限定されない。また、本発明は、本発明の要旨を逸脱しない限り以下に例示される実施形態により何ら制限されない。 The configuration and operation of the method, system and application software of the present invention will be described in detail with reference to FIGS. 1 to 7 and by embodiments exemplified below. The means and processes herein are not limited in any way as long as they can perform the operations, functions or processes described for those means and processes. Further, the present invention is not limited by the embodiments exemplified below as long as it does not deviate from the gist of the present invention.
［装置］
本発明のコンピュータ調色に基づく塗料の製造方法及び塗膜の色彩データを予測する方法は、１種類以上の色材を含有する組成物の色彩データＸ及び配合組成データＹが少なくとも登録されたデータベースと、該データベースに登録されたデータを利用した色合わせ計算ロジックが作動するコンピュータと、を備える装置を用いる。
また、本発明のコンピュータ調色システム及び塗膜の色彩データを予測するシステムは、前記データベースと、前記色合わせ計算ロジックが作動するコンピュータと、を備える装置を有する。
[Device]
The method for producing a paint based on the computer toning of the present invention and the method for predicting the color data of a coating film are a database in which at least the color data X and the compounding composition data Y of a composition containing one or more kinds of colorants are registered. A device including a computer on which a color matching calculation logic using the data registered in the database is operated is used.
Further, the computer toning system of the present invention and the system for predicting the color data of the coating film include a device including the database and a computer on which the color matching calculation logic is operated.
図１及び図２は、本発明のコンピュータ調色に基づく塗料の製造方法及び塗膜の色彩データを予測する方法で用いられる装置の実施形態を示す概略構成図である。この装置は、本発明のコンピュータ調色システム及び塗膜の色彩データを予測するシステムが備える装置としても用いられる。
図１及び図２に示すように、装置Ｄは、データベース１と、コンピュータ２とを備えている。
本発明において、装置Ｄは、データベース１を２つ以上備えていてもよく、また、コンピュータ２を２つ以上備えていてもよい。また、データベース１とコンピュータ２とが一体化されていてもよい。
さらに、本発明で用いられる装置Ｄは、必要に応じて、入力装置３１（３２）、出力装置４１（４２）、表示装置５１（５２）、測色計６１（６２）、撮像機器７１（７２）、（自動）調合機８１（８２）等の機能の１つ以上を有する機器を１つ以上備えていてもよい。また、これらの機器の１つ以上とデータベース及び／又はコンピュータとが一体化されていてもよい。
1 and 2 are schematic configuration diagrams showing embodiments of an apparatus used in a method for producing a paint based on the computer toning of the present invention and a method for predicting color data of a coating film. This device is also used as a device included in the computer toning system of the present invention and the system for predicting the color data of the coating film.
As shown in FIGS. 1 and 2, the apparatus D includes a
In the present invention, the apparatus D may include two or
Further, the device D used in the present invention includes an input device 31 (32), an output device 41 (42), a display device 51 (52), a colorimeter 61 (62), and an image pickup device 71 (72), if necessary. ), (Automatic) compounding machine 81 (82), etc. may be provided with one or more devices having one or more functions. Further, one or more of these devices may be integrated with a database and / or a computer.
ここで、データベース１は、例えば、公知の記録装置やサーバ等を用いることができる。また、コンピュータ２は、市販のパーソナルコンピュータ、携帯端末、スマートフォン等を用いることができる。
入力装置３１（３２）は、キーボード、タッチパネル、読取装置等の公知の入力装置を、出力装置４１（４２）としては、印刷装置、データ書込装置等の公知の出力装置を、表示装置５１（５２）としては、ディスプレイ等の公知の表示装置を、それぞれ用いることができる。
測色計６１（６２）としては、（多角度）分光光度計、色彩計、色差計等の公知の測色計を、撮像機器７１（７２）としては、ＣＣＤカメラ、固体撮像装置、（近）赤外線分光撮像装置等の公知の撮像装置を、（自動）調合機８１（８２）としては、電子天秤装置等を含む公知の（自動）調合機を、それぞれ用いることができる。
本発明で用いられる装置において、データベース、コンピュータ及び前記機器は、有線、無線又はこれらの組み合わせの通信手段や、記録媒体を介した手段により、互いにデータを送受信することができるように接続されている。通信手段としては、例えば、ＬＡＮ（ローカルエリアネットワーク）、ＷＡＮ（ワイドエリアネットワーク）、インターネット、電話網等の様々な通信ネットワークの１つ以上の組み合わせがあげられる。
Here, for the
The input device 31 (32) is a known input device such as a keyboard, a touch panel, and a reading device, and the output device 41 (42) is a known output device such as a printing device and a data writing device. As 52), known display devices such as displays can be used.
The colorimeter 61 (62) is a known colorimeter such as a (multi-angle) spectrophotometer, a colorimeter, and a color difference meter, and the image pickup device 71 (72) is a CCD camera, a solid-state imager, (nearby). A known imaging device such as an infrared spectroscopic image pickup device can be used, and as the (automatic) compounding machine 81 (82), a known (automatic) compounding machine including an electronic balance device or the like can be used.
In the apparatus used in the present invention, the database, the computer and the device are connected so as to be able to send and receive data to and from each other by a communication means of wired, wireless or a combination thereof, or a means via a recording medium. .. Examples of the communication means include one or more combinations of various communication networks such as LAN (local area network), WAN (wide area network), the Internet, and a telephone network.
図１は、１つのデータベース１と、１つのコンピュータ２とが、互いにデータを送受信することができるように接続されている装置の例である。データベース１には、入力装置３１、出力装置４１、表示装置５１、測色計６１、撮像機器７１及び（自動）調合機８１のいずれか１つ以上の機器が接続されていてもよく、コンピュータ２にも、入力装置３２、出力装置４２、表示装置５２、測色計６２、撮像機器７２及び（自動）調合機８２のいずれか１つ以上の機器が接続されていてもよい。データベース１又はコンピュータ２と接続している測色計６１、６２、撮像機器７１、７２及び（自動）調合機８１、８２の１つ以上は、データベース１又はコンピュータ２からの指令により、測定や調合等を行うものである。また、測定したデータ等をデータベース１又はコンピュータ２に送信し、最終的にデータベースにデータを登録することができる。
図１の装置において、データベース１は、コンピュータ２内の記録装置に形成されたものでもよく、このような場合には、データベース１との通信を行うことなく、この装置単独で、独立してコンピュータ調色及び塗膜の色彩データの予測を行うことができる。また、必要に応じて、データベースに登録されたデータを適当なタイミングで更新（アップデート）することで、データベースのメンテナンスを行うことができ、これにより作業者は最新のデータに基づいて作業を行うことができる。
FIG. 1 is an example of a device in which one
In the device of FIG. 1, the
図２は、１つのデータベース１に対して、２つ以上のコンピュータ２１〜２Ｘが接続されている装置の例である。図２においては、４つのコンピュータ２１〜２４が接続された例が示されている。データベース１は、２つ以上のデータベース１が通信可能に接続されたものであってもよい。データベース１の数を増やすことにより、通信可能に接続できるコンピュータの数を増やすことが可能である。
図２において、データベース１には、入力装置３１、出力装置４１及び表示装置５１が接続されていてもよく、図示していない測色計、撮像機器及び（自動）調合機のいずれか一つ以上の機器が接続されていてもよい。
図２において、コンピュータ２１〜２４には、入力装置３２、出力装置４２、表示装置５２、測色計６２、撮像機器７２及び（自動）調合機８２のいずれか一つ以上の機器が接続されていてもよい。
図２の装置は、データベース１をサーバとして、複数のコンピュータ２を接続したものに相当する。例えば、塗料会社等が管理するデータベース１に、作業者（ユーザー）のコンピュータ２が通信回線（例えば、インターネット回線、電話回線等）を通じて接続され、データ通信し得るように構成することができる。
FIG. 2 is an example of a device in which two or
In FIG. 2, an
In FIG. 2,
The device of FIG. 2 corresponds to a device in which a
図３は、配合組成データＹから色彩データＸを推定する人工知能モデルにおけるニューラルネットワーク９（脳の神経細胞の働きをプログラムで再現したもの）を示す概略構成図である。人工知能モデルは、データベースに登録されたデータを用い、学習用データをコンピュータに入力するとともに学習用データを機械学習させることで生成される。図３に示すように、ニューラルネットワーク９は、入力層９１、隠れ層９２及び出力層９３の３つの処理層（３つのニューロン層）を含むものとして構成されている。
入力層９１は、入力ノード９１１〜９１ｉと呼ばれる少なくとも１〜ｉ個の処理要素を含有し、ネットワークの隠れ層の隠れノード９２１〜９２ｊに結合されている。入力層９１の各ユニットは、配合組成データＹに係る１種類以上の特徴量に対応している。
隠れ層９２は、隠れノード９２１〜９２ｊと呼ばれる少なくとも１〜ｊ個の処理要素を有し、ネットワークの出力層９３の出力ノード９３１に結合されている。各隠れ層９２（隠れノード９２１〜９２ｊ）は、入力層９１（入力ノード９１１〜９１ｉ）と出力層９３（出力ノード９３１〜９３ｋ）との間に存在する。隠れノード９２１〜９２ｊの数は、入出力関係の複雑さをモデル化するために、ネットワーク機能に加えられた隠れノードの数を増やすことにより変えることができる。
出力層９３は、出力ノード９３１〜９３ｋと呼ばれる少なくとも１〜ｋ個の処理要素を有するように組織されている。処理要素又はノードは、ネットワーク実行時に配合組成データと色彩データとの間の関係を計算できるように相互結合されている。出力層９３の各ユニットは、色彩データＸに係る１種類以上の各成分量に対応している。
なお、ニューラルネットワーク９内ではデータは１方向にのみ流れることとなり、各ノードは信号を１つ以上のノードへ送信するだけでフィードバックを受け取ることはない。
FIG. 3 is a schematic configuration diagram showing a neural network 9 (a programmatic reproduction of the function of nerve cells in the brain) in an artificial intelligence model that estimates color data X from compounding composition data Y. The artificial intelligence model is generated by using the data registered in the database, inputting the training data to the computer, and machine learning the training data. As shown in FIG. 3, the
The
The hidden
The
In the
人工知能モデルにおいて、入力層９１における入力ノード９１１〜９１ｉは、各配合組成データにおける１つの入力変数（入力要素；パラメータ）に対し１個の入力ノードが対応する。また、出力層９３における出力ノード９３１〜９３ｋは、各色彩データにおける１つの出力変数（出力要素；パラメータ）に対して１個の出力ノードが対応する。
人工知能モデルにおいて、隠れ層９２における隠れノード９２１〜９２ｊの数は、入出力関係の複雑さに応じて増減させることができる。入力層９１の各入力ノード間、入力ノードと隠れノード間、隠れノードと出力ノード間、出力層９３の各出力ノード間のそれぞれの結合は、それに関連する結合重みを有しており、さらに、隠れノード９２及び出力ノード９３のそれぞれについては、一つ以上の追加の閾値重みを有していてもよい。
ニューラルネットワーク９を使用する人工知能は、分析が複雑であり、かつコンピュータ専門システムで使用するために人間の知識からモデルを導き出すことが面倒な仕事になる複雑なシステムまたは現象において特に有利である。
なお、ニューラルネットワーク９は、例えば図２のような装置においては、データベースを構成するサーバコンピュータ側に生成させることができる。これにより、接続した作業者（ユーザー）は、地理的要件等に左右されることなく、いつでも高品質のデータの提供を受けることができる。また、サーバコンピュータのセキュリティを向上させることにより、不正アクセスによるデータの改変・ニューラルネットワークの破壊等を防止することができる。
In the artificial intelligence model, the
In the artificial intelligence model, the number of hidden
Artificial intelligence using
The
＜データベース＞
本発明におけるデータベースは、色彩データと配合組成データとを対応させて登録（記録）することで構成される。本発明のデータベースには、色彩データ、配合組成データに加えて、色彩又は組成に関係する各種データを対応させて登録することができる。本発明においては、データベースに登録されるデータは、非常に多数のデータ（いわゆる、ビッグデータ）であることが好ましい。具体的には、５千組以上、１万組以上、より好ましくは２万組以上である。これらのデータは、任意に、追加・変更・削除が可能である。
データベースに登録された１種類以上の色材を含有する組成物の配合組成データＹ及び対応する色彩データＸは、実測データ、又は、実測データと実測データに基づき算出されたデータとを含む。実測データに基づき算出されたデータとしては、実測データを用い所定の数式等を用いて算出される各種パラメータ値、実測データに基づき算出できる予測値等があげられる。
データベースは、単一のデータベースであってもよく、また、少なくとも一つの共通情報要素により互いに関連付けられた複数のデータベース又は関連付けられていない複数のデータベースであってもよい。
データベースは、コンピュータと通信可能で遠隔操作できるサーバに設けることができる。また、データベースは、その少なくとも一部が、コンピュータや、測色計、ミクロ光輝感測定装置、自動調合機、その他データベースに登録されるデータを取得または使用する装置における記録部（メモリ等）に設けることができる。
データベースが複数ある場合には、各データベースは有線又は無線により接続されていてもよい。また、データベースは、コンピュータ、測色計、ミクロ光輝感測定装置、自動調合機、その他データベースに登録されるデータを取得または使用する装置の一つ以上と、有線又は無線により接続されていてもよい。
データベースは、塗料の製造方法における各工程で得られた各種のデータを全て自動的に取り込むものであってもよく、一部のデータのみを自動的に取り込むものであってもよい。また、任意のデータを手動で取り込むものであってもよい。さらに、取り込むデータの判別手段等を有していてもよい。
<Database>
The database in the present invention is configured by registering (recording) color data and compounding composition data in association with each other. In addition to color data and compounding composition data, various data related to color or composition can be registered in the database of the present invention in association with each other. In the present invention, it is preferable that the data registered in the database is a very large number of data (so-called big data). Specifically, it is 5,000 or more, 10,000 or more, and more preferably 20,000 or more. These data can be added, changed, or deleted at will.
The compounding composition data Y and the corresponding color data X of the composition containing one or more kinds of colorants registered in the database include actual measurement data or data calculated based on the actual measurement data and the actual measurement data. Examples of the data calculated based on the measured data include various parameter values calculated using the measured data and using a predetermined mathematical formula, and predicted values that can be calculated based on the measured data.
The database may be a single database, or may be a plurality of databases associated with each other by at least one common information element or a plurality of databases not associated with each other.
The database can be installed on a server that can communicate with a computer and can be operated remotely. In addition, at least a part of the database is provided in the recording unit (memory, etc.) of a computer, a colorimeter, a micro-brightness measuring device, an automatic compounding machine, and other devices that acquire or use data registered in the database. be able to.
When there are a plurality of databases, each database may be connected by wire or wirelessly. In addition, the database may be connected by wire or wirelessly to one or more of a computer, a colorimeter, a micro-brightness measuring device, an automatic compounding machine, and other devices for acquiring or using data registered in the database. ..
The database may automatically capture all of the various data obtained in each step of the paint manufacturing method, or may automatically capture only a part of the data. Further, arbitrary data may be manually captured. Further, it may have a means for discriminating the data to be captured.
（１種類以上の色材を含有する組成物）
本発明の１種類以上の色材を含有する組成物に含まれる色材は、例えば、着色顔料、染料、光輝性顔料（光反射性顔料、光干渉性顔料等）等、組成物を発色させる機能を有する材料である。
本発明の組成物は、１つ以上の原色塗料を含む原材料を混合して所望の色に色合わせされた塗料であってもよい。また、本発明の組成物は、着色顔料ペースト、光輝性顔料ペースト、配向制御剤、艶制御剤及びその他塗料分野等で用いられている各種の添加剤等を含有していてもよい。
(Composition containing one or more kinds of coloring materials)
The coloring material contained in the composition containing one or more kinds of coloring materials of the present invention causes the composition to develop a color, for example, a coloring pigment, a dye, a bright pigment (light reflecting pigment, light interfering pigment, etc.). It is a material with a function.
The composition of the present invention may be a paint obtained by mixing raw materials including one or more primary color paints and color-matching them to a desired color. Further, the composition of the present invention may contain a coloring pigment paste, a bright pigment paste, an orientation control agent, a gloss control agent, and various additives used in the field of paints and the like.
（色彩データ）
本発明において、データベースに登録される色彩データは、色に係るデータや、質感、光輝感、光沢等の外観特性に係るデータを含む。これらのデータは、１種類以上の色材を含有する組成物から得られる塗膜を、測色計や撮像機器等の機器を用い測定して取得できる。また、各種機器を用いて取得した１つ以上の画像データ、又は当該画像データを必要に応じて解析・変換・補正等することで得られたデータであってもよい。さらに、測定により得られた各種の色彩データの少なくとも一部や、測定によって得られた画像データを処理することで得られる各種のデータの少なくとも一部を、演算処理して算出されたものでもよい。なお、機器を用いて測定して得られたデータは、必要に応じて、測定機器間又は測定変動等に起因する誤差等を補正したものであってもよい。
また、組成物自体のＫ値（光吸収係数）及びＳ値（光散乱係数）を、色彩データとして用いてもよい。Ｋ値及びＳ値は、例えば、組成物及び組成物を薄めた色の測色データを数値処理して得ることができる。
色に係るデータ及び／又は外観特性に係るデータは、例えば、色彩計、多角度分光光度計、レーザー式メタリック感測定機器、変角分光光度計、光沢計、ミクロ光輝感測定器等の測定機器を用いた測定により直接取得されたものであるか、測定により取得されたデータから算出されたものである。
また、色に係るデータ及び／又は外観特性に係るデータは、１つ又は複数の照明角度、１つ又は複数の観察角度、又はこれらの組合せに関係したデータを含むことができる。
色彩データを得るための計器としては、光輝塗膜（メタリック塗膜、パールカラー塗膜等）、ソリッドカラー塗膜等の色彩を測定し、色彩データを取得することができる計器であれば、測定原理、測定値を用いた色彩データの算出方法等に特に制限はなく、従来公知のものを使用することができる。例えば、被測色表面を照射する光源を備えている、単角度分光光度計、多角度分光光度計、色彩計、色差計、変角分光光度計等の測色計、撮像装置、ミクロ光輝感測定器等の機器、色見本板等の計器の１つ以上を用いることができる。また、それらの計器から得られた各種の色彩データを処理するデータ処理装置を任意に用いることができる。
(Color data)
In the present invention, the color data registered in the database includes data related to color and data related to appearance characteristics such as texture, brilliance, and gloss. These data can be obtained by measuring a coating film obtained from a composition containing one or more kinds of coloring materials using a device such as a colorimeter or an imaging device. Further, it may be one or more image data acquired by using various devices, or data obtained by analyzing, converting, correcting, or the like as necessary. Further, at least a part of various color data obtained by the measurement and at least a part of various data obtained by processing the image data obtained by the measurement may be calculated by arithmetic processing. .. The data obtained by measuring using the equipment may be, if necessary, corrected for an error or the like caused by the measurement equipment or the measurement fluctuation or the like.
Further, the K value (light absorption coefficient) and the S value (light scattering coefficient) of the composition itself may be used as color data. The K value and the S value can be obtained, for example, by numerically processing the composition and the color measurement data of the color obtained by diluting the composition.
The data related to color and / or the data related to appearance characteristics are, for example, measuring devices such as a colorimeter, a multi-angle spectrophotometer, a laser metallic sensation measuring device, a variable-angle spectrophotometer, a gloss meter, and a micro brilliance measuring instrument. It is either directly acquired by the measurement using or calculated from the data acquired by the measurement.
Further, the data related to color and / or the data related to appearance characteristics may include data related to one or more illumination angles, one or more observation angles, or a combination thereof.
As an instrument for obtaining color data, if it is an instrument that can measure the color of a bright coating film (metallic coating film, pearl color coating film, etc.), solid color coating film, etc. and acquire color data, it will be measured. There are no particular restrictions on the principle, the method of calculating color data using measured values, and the like, and conventionally known ones can be used. For example, a colorimeter such as a single-angle spectrophotometer, a multi-angle spectrophotometer, a colorimeter, a color difference meter, a variable-angle spectrophotometer, an image pickup device, and a micro-brightness equipped with a light source that illuminates the surface to be measured. One or more devices such as measuring instruments and instruments such as color swatch plates can be used. Further, a data processing device for processing various color data obtained from those instruments can be arbitrarily used.
データベースに登録される色彩データのうち、色に係るデータとしては、明度、彩度、色相を表すもの又は計算によって色を特定できるものがあげられる。例えば、ＸＹＺ表色系（Ｘ、Ｙ、Ｚ値）、ＲＧＢ表色系、Ｌ＊ａ＊ｂ＊表色系（Ｌ＊、ａ＊、ｂ＊値）、ハンターＬａｂ表色系（Ｌ、ａ、ｂ値）、ＣＩＥ（１９９４）に規定されるＬ＊Ｃ＊ｈ表色系（Ｌ＊、Ｃ＊、ｈ値）、マンセル表色系（Ｈ、Ｖ、Ｃ値）等の表色系に基づくものとすることができる。本発明において、データベースに登録される色彩データのうち色に係るデータは、これらのうち任意の１以上の表色系に基づくデータとすることができる。好ましくは、補修塗装分野を含む各種の分野において広く用いられている、Ｌ＊ａ＊ｂ＊表色系又はＬ＊Ｃ＊ｈ表色系に基づくデータである。
データベースに登録される色彩データのうち、外観特性に係るデータとしては、例えば、光輝性顔料を含む塗膜等の被測色表面を観察した際に感じられる質感であって、巨視的な観察で知覚される質感であるマクロ光輝感、微視的な観察で知覚される質感であるミクロ光輝感、奥行感覚（深み感）、鮮明度等があげられる。
Among the color data registered in the database, the data related to the color includes data representing the lightness, saturation, and hue, or data in which the color can be specified by calculation. For example, XYZ color system (X, Y, Z value), RGB color system, L * a * b * color system (L *, a *, b * value), Hunter Lab color system (L, a). , B value), L * C * h color system (L *, C *, h value) specified in CIE (1994), Mansell color system (H, V, C value), etc. Can be based. In the present invention, among the color data registered in the database, the data related to color can be data based on any one or more color systems. Preferably, the data is based on the L * a * b * color system or the L * C * h color system, which is widely used in various fields including the repair coating field.
Among the color data registered in the database, the data related to the appearance characteristics is, for example, the texture felt when observing the surface to be measured such as a coating film containing a brilliant pigment, and is macroscopically observed. Macroscopic brilliance, which is the perceived texture, microbrilliance, which is the texture perceived by microscopic observation, depth sensation (depth sensation), sharpness, etc. can be mentioned.
−マクロ光輝感−
マクロ光輝感としては、被測色表面を均一な光で照射し、反射する光を角度毎に受光して色を測定することによって得られる多角度分光反射率があげられる。また、測色表面を遠距離から観察した際に、照明と観察角度の加減で色（明度、彩度、色相）が変化するフリップフロップ現象を表すＦＦ値（フリップフロップ値）、入射光の反対側に現れる正反射光からの開き角度１０度から２５度の間におけるハイライト側の目視での明るさを表すＩＶ値（intensity value値）、ハイライト側の正面の明度を示すＳＶ値（scatter value値）、ｃＦＦ値、メタル感指数、深み感指数、鮮明度、光沢を表す光沢値等があげられる。
マクロ光輝感は、例えば、多角度分光光度計、レーザー式メタリック感測定機器、変角分光光度計、光沢計等を用いることで直接取得でき、また、これらから算出することができる。例えば、多角度分光光度計としては、ＢＹＫ−Ｍａｃ ｉ（商品名、ＢＹＫ社製）、ＭＡ−６８II（商品名、Ｘ−Ｒｉｔｅ社製）等を用いることができる。レーザー式メタリック感測定装置アルコープ（登録商標）ＬＭＲ−２００（商品名、関西ペイント社製）を用いることで、ＦＦ値、ＩＶ値及びＳＶ値を求めることもできる。
-Macro brilliance-
As the macroscopic brilliance, the multi-angle spectral reflectance obtained by irradiating the surface to be measured with uniform light and receiving the reflected light at each angle to measure the color can be mentioned. In addition, the FF value (flipflop value), which represents the flipflop phenomenon in which the color (brightness, saturation, hue) changes depending on the illumination and observation angle when the colorimetric surface is observed from a long distance, is the opposite of the incident light. The IV value (intensity value value) that indicates the visual brightness of the highlight side between 10 and 25 degrees of the opening angle from the positively reflected light that appears on the side, and the SV value (scatter) that indicates the brightness of the front of the highlight side. value value), cFF value, metal feeling index, depth feeling index, sharpness, gloss value indicating gloss, and the like.
The macroscopic brilliance can be directly obtained by using, for example, a multi-angle spectrophotometer, a laser metallic sensation measuring device, a variable-angle spectrophotometer, a gloss meter, or the like, and can be calculated from these. For example, as the multi-angle spectrophotometer, BYK-Mac i (trade name, manufactured by BYK), MA-68II (trade name, manufactured by X-Rite) and the like can be used. The FF value, IV value and SV value can also be obtained by using the laser type metallic feeling measuring device Alcorp (registered trademark) LMR-200 (trade name, manufactured by Kansai Paint Co., Ltd.).
多角度分光反射率は、多角度測色可能な分光光度計で測定した分光反射率であって、Ｒ（ｘ，λ）で表される。ここで、Ｒは分光反射率（Reflectance）であり、測定機付属の校正板で校正した分光反射率％で表される。ｘは受光角度であり、正反射光からの偏角で表す。λは波長であり、可視光範囲４００〜７００ｎｍを１０ｎｍ間隔（波長数３１個）で測定する。入射角度としては、一般に標準とされる−４５度である。
本発明において、受光角度ｘは、入射角度を４５度とした際に、ハイライト（high−light）（２５度、１５度、−１５度）、フェース（face）（４５度）からシェード（shade）（７５度、１１０度）のいずれか１角度以上、好ましくは３角度以上である。好ましくは、図４で表されるように、受光角度−１５度、１５度、２５度、４５度、７５度及び１１０度の６角度とすることができる。また、図５で表されるように、受光角度１５度、２５度、４５度、７５度及び１１０度の５角度とすることができる。特に、データのバラツキを少なくすることができ、精度を向上させる観点から、受光角度１５度、２５度、４５度、７５度の中から選ばれる３角度とすることができる。本発明においては、受光角度が３角度であったとしても、精度よく調色作業を行うことが可能である。
The multi-angle spectral reflectance is a spectral reflectance measured by a spectrophotometer capable of multi-angle colorimetric measurement, and is represented by R (x, λ). Here, R is the spectral reflectance, and is represented by the spectral reflectance% calibrated by the calibration plate attached to the measuring instrument. x is the light receiving angle and is represented by the declination from the specularly reflected light. λ is a wavelength, and the visible light range of 400 to 700 nm is measured at intervals of 10 nm (number of wavelengths: 31). The angle of incidence is -45 degrees, which is generally standard.
In the present invention, the light receiving angle x is shaded from the highlight (25 degrees, 15 degrees, -15 degrees) and the face (45 degrees) when the incident angle is 45 degrees. ) (75 degrees, 110 degrees), whichever is 1 angle or more, preferably 3 angles or more. Preferably, as shown in FIG. 4, the light receiving angle can be 6 angles of -15 degrees, 15 degrees, 25 degrees, 45 degrees, 75 degrees and 110 degrees. Further, as shown in FIG. 5, the light receiving angles can be set to 5 angles of 15 degrees, 25 degrees, 45 degrees, 75 degrees and 110 degrees. In particular, from the viewpoint of reducing the variation in data and improving the accuracy, the light receiving angle can be set to 3 angles selected from 15 degrees, 25 degrees, 45 degrees, and 75 degrees. In the present invention, even if the light receiving angle is 3 angles, it is possible to perform the color matching work with high accuracy.
ＦＦ値（フリップフロップ値）は、観察角度（受光角）によるＬ値（明度）の変化の程度を示すものである。フリップフロップは、ハイライト方向(光の正反射方向に近い方向)とシェード方向(光の正反射方向から離れた方向)における明度差に相応する。ＦＦ値が大きいほど、観察角度（受光角）によるＬ値（明度）の変化が大きく、フリップフロップ性に優れていることを示す。
ＦＦ値は、被測色表面について、多角度分光測色計を用いて、４５度の角度から光を照射し、受光角１５度及び受光角１１０度のＬ値（明度）を測定し、下記の式によって求めることができる。
ＦＦ値＝受光角１５度のＬ値／受光角１１０度のＬ値。
The FF value (flip-flop value) indicates the degree of change in the L value (brightness) depending on the observation angle (light receiving angle). The flip flop corresponds to the difference in brightness between the highlight direction (the direction closer to the specular reflection direction of light) and the shade direction (the direction away from the specular reflection direction of light). The larger the FF value, the larger the change in the L value (brightness) depending on the observation angle (light receiving angle), indicating that the flip-flop property is excellent.
The FF value is determined by irradiating the surface to be measured with light from an angle of 45 degrees using a multi-angle spectrophotometer, and measuring the L value (brightness) of a light receiving angle of 15 degrees and a light receiving angle of 110 degrees. It can be calculated by the formula of.
FF value = L value with a light receiving angle of 15 degrees / L value with a light receiving angle of 110 degrees.
ＩＶ値は、偏角が１５度の方向から測定した分光反射率から求めたＸＹＺ表色系におけるＹ値である。
ＳＶ値は、偏角が４５度の方向から測定した分光反射率から求めたＸＹＺ表色系におけるＹ値である。
ＦＦ値は、偏角が１５度の方向から測定した分光反射率から求めたＸＹＺ表色系におけるＹ値をＹ15とし、偏角が４５度の方向から測定した分光反射率から求めたＸＹＺ表色系におけるＹ値をＹ45として、２×（Ｙ15−Ｙ45）／（Ｙ15＋Ｙ45）によって求められる。
ｃＦＦ値は、偏角が１５度の方向から測定した分光反射率から求めたＬ＊ｃ＊ｈ表色系におけるｃ＊値をｃ*15とし、偏角が４５度の方向から測定した分光反射率から求めたＬ＊ｃ＊ｈ表色系におけるｃ＊値をｃ*45として、２×（ｃ*15−ｃ*45）／（ｃ*15＋ｃ*45
）によって求められる。
メタル感指数は、前記Ｙ15及びＦＦから、Ｙ15×ＦＦ２によって求められる。
深み感指数は、光輝性顔料によって付与される奥行感覚を表し、代表角度での分光反射率から求めたＬ＊ｃ＊ｈ表色系におけるＬ＊値及びｃ＊値をそれぞれＬ*R及びｃ*Rとし、これらを用いてｃ*R／Ｌ*Rによって求められる。例えば、多角度分光測色計を用い、４５度の角度から光を照射し、受光角７５度におけるｃ＊値であるｃ*75と、受光角７５度におけるＬ＊値であるＬ*75を測定し、下記の式によって求められるシェードの深み感を用いることができる。
シェードの深み感＝Ｃ*75／Ｌ*75
鮮明度は、前記Ｌ*R及びｃ*Rを用いてsqrt（Ｌ*R2＋ｃ*R2）によって求められる。
The IV value is a Y value in the XYZ color system obtained from the spectral reflectance measured from the direction in which the declination angle is 15 degrees.
The SV value is a Y value in the XYZ color system obtained from the spectral reflectance measured from the direction in which the declination angle is 45 degrees.
The FF value is the XYZ color obtained from the spectral reflectance measured from the direction of the deviation angle of 45 degrees, where the Y value in the XYZ color system obtained from the spectral reflectance measured from the direction of the deviation angle of 15 degrees is Y15. The Y value in the system is Y45, and it is obtained by 2 × (Y15-Y45) / (Y15 + Y45).
The cFF value is the spectral reflection measured from the direction of the deviation angle of 45 degrees, where the c * value in the L * c * h color system obtained from the spectral reflectance measured from the direction of the deviation angle of 15 degrees is c * 15. 2 × (c * 15-c * 45) / (c * 15 + c * 45), where c * 45 is the c * value in the L * c * h color system obtained from the rate.
).
The metal feeling index is obtained from Y15 and FF by Y15 × FF 2.
The depth feeling index represents the depth sensation given by the brilliant pigment, and the L * and c * values in the L * c * h color system obtained from the spectral reflectance at the representative angle are L * R and c, respectively. It is defined as * R and is obtained by c * R / L * R using these. For example, using a multi-angle spectrophotometer, light is irradiated from an angle of 45 degrees, and c * 75, which is a c * value at a light receiving angle of 75 degrees, and L * 75, which is an L * value at a light receiving angle of 75 degrees, are obtained. It can be measured and the depth of the shade obtained by the following formula can be used.
Shade depth = C * 75 /
The sharpness is determined by sqrt (L * R2 + c * R2) using the above L * R and c * R.
−ミクロ光輝感−
ミクロ光輝感は、測色表面を近距離から観察した際に、被測色表面中の光輝性顔料によって発現する、キラキラ感や粒子感といった二次元的な輝度の不均一に関する感性である。
-Micro brilliance-
The micro-brilliance sensation is a sensation regarding two-dimensional luminance non-uniformity such as a brilliant sensation and a particle sensation, which is expressed by a brilliant pigment in the surface to be measured when the color-measured surface is observed from a short distance.
ミクロ光輝感は、ミクロ光輝感測定器を用いて取得することができる。ミクロ光輝感測定器としては、例えば、光輝塗膜面に光を照射する光照射装置、光照射された塗膜面を照射光が入射しない角度にて撮影して画像を形成するＣＣＤカメラ、該ＣＣＤカメラに接続され該画像を解析する画像解析装置を具備したミクロ光輝感測定器があげられる。 The micro-brightness can be obtained by using a micro-brightness measuring instrument. Examples of the micro-brilliance measuring device include a light irradiation device that irradiates a bright coating surface with light, a CCD camera that captures an image of the irradiated coating surface at an angle at which the irradiation light does not incident, and the like. Examples thereof include a micro-brightness measuring device which is connected to a CCD camera and equipped with an image analysis device for analyzing the image.
ミクロ光輝感測定器を用いて被測色表面のミクロ光輝感を測定するには、まず被測色表面に疑似（人工）太陽光を照射する。被測色表面への光照射角度は被測色表面の鉛直線に基づいて、通常５〜６０度、好ましくは１０〜２０度の範囲内が適しており、特に鉛直線に対して１５度程度が好適である。また、光の照射領域の形状は特に限定されるものではないが、通常、円形であり、被測色表面上における照射面積は通常、被測色表面の１〜１０，０００ｍｍ２の範囲内が適しているが、この範囲に制限されるものではない。照射光の照度は、通常、１００〜２，０００ルクス（lux）の範囲内が好ましい。 To measure the micro-brightness of the surface to be measured using a micro-brightness measuring device, first, the surface to be measured is irradiated with pseudo (artificial) sunlight. The light irradiation angle to the surface to be measured is usually in the range of 5 to 60 degrees, preferably 10 to 20 degrees based on the vertical line of the surface to be measured, and particularly about 15 degrees with respect to the vertical line. Is preferable. The shape of the light irradiation region is not particularly limited, but it is usually circular, and the irradiation area on the surface to be measured is usually within the range of 1 to 10,000 mm 2 of the surface to be measured. Suitable, but not limited to this range. The illuminance of the irradiation light is usually preferably in the range of 100 to 2,000 lux.
被測色表面に光照射し、それに基づく反射光のうち、正反射光が入射しない角度で、光が照射されている被測色表面をＣＣＤ（Charge Couple Device）カメラで撮影する。この撮影角度は正反射光が入射しない角度であればよいが、被測色表面に対して鉛直方向が特に好適である。また、ＣＣＤカメラの撮影方向と正反射光との角度は１０〜６０度の範囲内にあることが好ましい。光照射された被測色表面におけるＣＣＤカメラでの測定範囲は、均一に光が照射されている範囲であれば特に限定されるものではないが、通常、照射部分の中央部を含み、測定面積が１〜１０，０００ｍｍ２、好ましくは１０〜６００ｍｍ２の範囲内であることが適当である。 The surface to be measured is irradiated with light, and among the reflected light based on the light, the surface to be measured to be irradiated with light is photographed with a CCD (Charge Couple Device) camera at an angle at which the specular reflected light is not incident. The shooting angle may be any angle at which the specularly reflected light does not enter, but the vertical direction with respect to the surface to be measured is particularly preferable. Further, the angle between the shooting direction of the CCD camera and the specularly reflected light is preferably in the range of 10 to 60 degrees. The measurement range of the surface to be measured that is irradiated with light by the CCD camera is not particularly limited as long as it is uniformly irradiated with light, but usually includes the central portion of the irradiated portion and the measurement area. Is preferably in the range of 1 to 10,000 mm 2 , preferably 10 to 600 mm 2.
上記ＣＣＤカメラで撮影された画像は、２次元画像であり、多数（通常１０，０００〜１，０００，０００個）の区画（ピクセル、画素）に分割され、それぞれの区画における輝度を測定する。本発明において、「輝度」とは、「ＣＣＤカメラによって撮影して得られた２次元画像の区画毎の濃淡値を示すデジタル階調であり、被写体の明るさに対応するデジタル量」を意味する。８ビット分解能のＣＣＤカメラから出力される区画毎の輝度を意味するデジタル階調は０〜２５５の値を示す。 The image taken by the CCD camera is a two-dimensional image, which is divided into a large number (usually 10,000 to 1,000,000) sections (pixels, pixels), and the brightness in each section is measured. In the present invention, "brightness" means "a digital gradation indicating a shading value for each section of a two-dimensional image obtained by taking a picture with a CCD camera, and a digital amount corresponding to the brightness of the subject". .. The digital gradation, which means the brightness of each section output from the 8-bit resolution CCD camera, shows a value of 0 to 255.
上記ＣＣＤカメラで撮影された２次元画像において、光輝性顔料の反射光が強い部分に相当する区画はキラキラ感が強いので輝度が高く、そうでない部分に相当する区画では輝度は低くなる。また光輝性顔料の反射光が強い部分に相当する区画であっても、光輝性顔料の大きさ、形状、角度、材質などによって輝度が変化する。つまり区画ごとに輝度を表示でき、本発明ではそれぞれの区画における輝度に基づいてＣＣＤカメラで撮影した２次元画像の輝度分布を三次元に表示することが可能である。この輝度の三次元分布図は、山、谷および平地の部分に分けられ、山の高さや大きさは光輝性顔料による光輝感の程度を示し、山が高くなるほど光輝感が顕著であることを示し、谷及び平地部分は光輝感が無いか小さいことを示し、主として着色顔料又は素地による光の反射を示す。 In the two-dimensional image taken by the CCD camera, the section corresponding to the portion where the reflected light of the brilliant pigment is strong has a strong glittering feeling, so that the brightness is high, and the section corresponding to the portion where the reflected light is not so is low in brightness. Further, even in the section corresponding to the portion where the reflected light of the bright pigment is strong, the brightness changes depending on the size, shape, angle, material and the like of the bright pigment. That is, the brightness can be displayed for each section, and in the present invention, the brightness distribution of the two-dimensional image taken by the CCD camera can be displayed three-dimensionally based on the brightness in each section. This three-dimensional distribution map of brightness is divided into mountains, valleys and flat areas, and the height and size of the mountains indicate the degree of brilliance due to the brilliant pigment, and the higher the hills, the more brilliant the sensation. Shown, valleys and flat areas show no or little brilliance and show reflection of light primarily by colored pigments or substrates.
上記ＣＣＤカメラで撮影された画像の解析は、ＣＣＤカメラに接続された画像解析装置によって行うことができる。この画像解析装置に用いられる画像解析ソフトとしては、例えばＷｉｎＲｏｏｆ（商品名、三谷商事社製）などが好適である。
画像の解析においては、「キラキラ感」（被測色表面の中の光輝性顔料から正反射された光によって生じる不規則で微細な輝きの知覚）と「粒子感」（できるだけキラキラ感が発現しにくい照明条件下において被測色表面を観察したときに、光輝材含有被測色表面中の光輝性顔料の配向・重なりで起きる不規則・無方向性の模様（ランダムパターン）から発する知覚）とをそれぞれ別々に定量的に評価することが目視観察における官能評価との相関も高く、測定時の個人差によるバラツキが小さいことから好適である。
The image taken by the CCD camera can be analyzed by an image analysis device connected to the CCD camera. As the image analysis software used in this image analysis apparatus, for example, WinLoof (trade name, manufactured by Mitani Corporation) is suitable.
In image analysis, "glitter" (perception of irregular and fine brilliance caused by the light directly reflected from the bright pigment in the surface to be measured) and "graininess" (glitter as much as possible) are expressed. When observing the surface to be measured under difficult lighting conditions, the perception generated from the irregular / non-directional pattern (random pattern) caused by the orientation and overlap of the bright pigments in the surface to be measured containing the bright material). It is preferable to quantitatively evaluate each of these separately because the correlation with the sensory evaluation in visual observation is high and the variation due to individual differences at the time of measurement is small.
キラキラ感を定量的に測定する好適な方法としては、例えば、下記の測定方法を挙げることができる。光照射された被測色表面をＣＣＤカメラで撮影してなる２次元画像を多数の区画に分割し、該区画のそれぞれの輝度を該区画の全てにわたり合計して総計値を得て、この総計値を全区画数で割り算して平均輝度ｘを求め、この平均輝度ｘ以上の値に閾値αを設定する。閾値αは、通常、平均輝度ｘとｙ（ｙは、２４〜４０の数、好ましくは２８〜３６、さらに好ましくは３２）との和であることが適当である。 As a suitable method for quantitatively measuring the feeling of glitter, for example, the following measuring method can be mentioned. A two-dimensional image obtained by photographing the surface of the color to be measured irradiated with light with a CCD camera is divided into a large number of sections, and the brightness of each section is summed over all of the sections to obtain a total value. The value is divided by the total number of sections to obtain the average luminance x, and the threshold value α is set to the value equal to or greater than the average luminance x. It is usually appropriate that the threshold value α is the sum of the average luminance x and y (y is a number of 24 to 40, preferably 28 to 36, more preferably 32).
ついで、上記区画のそれぞれの輝度から閾値αの値を減算し、その減算値が正の値である該減算値を総計し、その総和である総体積Ｖを得る。また、閾値α以上の輝度を有する区画の総数（閾値αで２値化を行うことによって得られる上記閾値α以上の区画の総数）である総面積Ｓを得る。輝度ピークの平均高さＰＨａｖαは、輝度ピークが円錐、角錐に近似できると考えられることから、総体積Ｖを総面積Ｓで割った値を３倍すること、すなわち下記式
ＰＨａｖα＝３Ｖ／Ｓ
によって得られる値とする。
また、上記平均輝度ｘ以上であり上記閾値α以下である閾値βを設定する。閾値βは、閾値α以下であり通常、平均輝度ｘとｚ（ｚは、１６〜３２の数、好ましくは２０〜２８、さらに好ましくは２４）との和であることが適当である。
Then, the value of the threshold value α is subtracted from each luminance of the above-mentioned section, and the subtracted values whose subtracted values are positive values are summed up to obtain the total volume V which is the total sum. Further, the total area S, which is the total number of compartments having brightness equal to or higher than the threshold value α (the total number of compartments having the threshold value α or higher obtained by binarizing at the threshold value α), is obtained. Since it is considered that the luminance peak can be approximated to a cone or a pyramid, the average height PHavα of the luminance peak is obtained by multiplying the value obtained by dividing the total volume V by the total area S, that is, the following equation PHavα = 3V / S.
The value obtained by.
Further, a threshold value β which is equal to or higher than the average brightness x and equal to or lower than the threshold value α is set. The threshold value β is equal to or less than the threshold value α, and it is usually appropriate that the average luminance x and z (z is a number of 16 to 32, preferably 20 to 28, more preferably 24).
ついで、上記区画のそれぞれの輝度から閾値βの値を減算し、その減算値が正の値である該減算値を総計し、その総和である総体積Ｗを得る。また、閾値β以上の輝度を有する区画の総数（閾値βで２値化を行うことによって得られる上記閾値β以上の区画の総数）である総面積Ａを得る。閾値βでの輝度ピークの平均高さＰＨａｖβは、輝度ピークが円錐、角錐に近似できると考えられることから、総体積Ｗを総面積Ａで割った値を３倍すること、すなわち下記式
ＰＨａｖβ＝３Ｗ／Ａ
によって得られる値とすることができる。
Then, the value of the threshold value β is subtracted from each luminance of the above-mentioned section, and the subtracted values whose subtracted values are positive values are summed up to obtain the total volume W which is the total sum. Further, the total area A, which is the total number of compartments having brightness equal to or higher than the threshold value β (the total number of compartments having the threshold value β or higher obtained by binarizing with the threshold value β), is obtained. Since the average height PHavβ of the luminance peak at the threshold value β is considered to be similar to a cone or a pyramid, the value obtained by dividing the total volume W by the total area A is tripled, that is, the following equation PHavβ =. 3W / A
Can be the value obtained by.
また、閾値βでの総面積Ａと閾値β以上の輝度を示す光学粒子の個数Ｃとから光学粒子の平均粒子面積を求めることができる。本発明において、「光学粒子」とは、「２次元画像上で輝度が閾値以上である独立した連続体」を意味するものとする。上記光学粒子の形状を円と仮定し、平均粒子面積と同じ面積を有する円の直径Ｄを、下記式 Further, the average particle area of the optical particles can be obtained from the total area A at the threshold value β and the number C of optical particles exhibiting brightness equal to or higher than the threshold value β. In the present invention, the "optical particle" means "an independent continuum whose brightness is equal to or higher than a threshold value on a two-dimensional image". Assuming that the shape of the optical particles is a circle, the diameter D of the circle having the same area as the average particle area is calculated by the following formula.
によって求め、上記ＰＨａｖβとＬとから輝度ピークの平均裾広がり率ＰＳａｖを下記式
ＰＳａｖ＝Ｄ／ＰＨａｖβ
によって得る。
The average skirt spread rate PSav of the luminance peak is calculated from the above PHavβ and L by the following formula PSav = D / PHavβ.
Get by.
前記のようにして求めた輝度ピーク平均高さＰＨａｖαと上記のようにして求めた輝度ピークの平均裾広がり率ＰＳａｖとから輝き値ＢＶを下記式
ＢＶ＝ＰＨａｖα＋ａ・ＰＳａｖ
（式中、ａは、ＰＨａｖαが２５未満の場合には３００であり、ＰＨａｖαが４５を超える場合には１０５０であり、ＰＨａｖαが２５〜４５の数である場合には、下記式
ａ＝３００＋３７．５×（ＰＨａｖα−２５）
で示される値である）
によって近似的に算出することができる。
The brightness value BV is calculated by the following formula BV = PHavα + a · PSav from the brightness peak average height PHavα obtained as described above and the average skirt spread ratio PSav of the luminance peak obtained as described above.
(In the formula, a is 300 when PHavα is less than 25, 1050 when PHavα exceeds 45, and when PHavα is a number of 25 to 45, the following formula a = 300 + 37. 5 × (PHavα-25)
Is the value indicated by)
Can be calculated approximately by.
本発明の好適な方法において、上記のようにして求めた輝き値ＢＶによって、光輝塗膜の「キラキラ感」を定量的に測定することができ、輝き値ＢＶと目視観察による「キラキラ感」の官能評価結果との相関性は、塗膜における光輝材の濃度差、明度差が大きい場合においても高いものである。 In the preferred method of the present invention, the "glittering feeling" of the bright coating film can be quantitatively measured by the brilliance value BV obtained as described above, and the brilliance value BV and the "glittering feeling" by visual observation can be measured. The correlation with the sensory evaluation result is high even when the difference in the concentration and the difference in brightness of the bright material in the coating film is large.
粒子感は、ＭＧＲ値によって表される。ＭＧＲ値は、微視的に観察した場合における質感であるミクロ光輝感の尺度の一つで、ハイライト（複層塗膜を入射光に対して正反射近傍から観察）における粒子感を表わすパラメータである。ＭＧＲ値は、複層塗膜を入射角１５度／受光角０度にてＣＣＤカメラで塗膜を撮像し、得られたデジタル画像データ、すなわち２次元の輝度分布データを２次元フーリエ変換処理し、得られたパワースペクトル画像から、粒子感に対応する空間周波数領域のみを抽出し、算出した計測パラメータを、さらに０から１００の数値を取り且つ粒子感との間に直線的な関係が保たれるように変換して得られる測定値である。粒子感のないものは０とし、最も粒子感のあるものはほぼ１００となる。 The graininess is represented by the MGR value. The MGR value is one of the measures of microscopic brilliance, which is the texture when observed microscopically, and is a parameter that expresses the particle sensation in highlights (observing the multi-layer coating film from the vicinity of specular reflection with respect to incident light). Is. For the MGR value, the coating film is imaged with a CCD camera at an incident angle of 15 degrees / light receiving angle of 0 degrees for the multi-layer coating film, and the obtained digital image data, that is, the two-dimensional brightness distribution data is subjected to two-dimensional Fourier conversion processing. From the obtained power spectrum image, only the spatial frequency region corresponding to the grain feeling was extracted, and the calculated measurement parameters were further taken from 0 to 100, and a linear relationship with the grain feeling was maintained. It is a measured value obtained by converting it so as to be. The one without a grainy feeling is set to 0, and the one with the most grainy feeling is almost 100.
「粒子感」を定量的に測定する好適な方法としては、前記のようにして、光照射された光輝塗膜面をＣＣＤカメラで撮影して２次元画像を得て、この２次元画像を２次元フーリエ変換してなる空間周波数スペクトルから低空間周波数成分のパワーを積分及び直流成分で正規化して得られる２次元パワースペクトル積分値を得て、この２次元パワースペクトル積分値から塗膜の粒子感を定量的に評価する方法があげられる。
２次元フーリエ変換後の空間周波数スペクトルの画像から低空間周波数成分を抽出して、積分及び直流成分での正規化を行なって得られる２次元パワースペクトル積分値を測定するにあたり、空間周波数スペクトルの画像から抽出する低空間周波数成分の抽出領域を、解像度を表す線密度が、下限値０本／ｍｍ〜上限値２〜１３．４本／ｍｍの範囲のいずれかの数値である領域、好ましくは０本／ｍｍ〜４．４本／ｍｍの領域とすることが、目視観察による「粒子感」の官能評価結果との相関性を高いものとする観点から適している。２次元パワースペクトル積分値が大きいほど粒子感が大きくなる。
As a suitable method for quantitatively measuring the "grain feeling", as described above, the surface of the bright coating film irradiated with light is photographed with a CCD camera to obtain a two-dimensional image, and the two-dimensional image is obtained by 2D. A two-dimensional power spectrum integrated value obtained by integrating the power of a low spatial frequency component and normalizing it with a DC component is obtained from the spatial frequency spectrum obtained by dimensional Fourier conversion, and the particle feeling of the coating film is obtained from this two-dimensional power spectrum integrated value. There is a method of quantitatively evaluating.
An image of the spatial frequency spectrum when measuring the two-dimensional power spectrum integrated value obtained by extracting the low spatial frequency component from the image of the spatial frequency spectrum after the two-dimensional Fourier conversion and performing integration and normalization with the DC component. The extraction region of the low spatial frequency component extracted from is a region in which the linear density representing the resolution is a numerical value in the range of the lower limit value of 0 lines / mm to the upper limit value of 2 to 13.4 lines / mm, preferably 0. The range of lines / mm to 4.4 lines / mm is suitable from the viewpoint of increasing the correlation with the sensory evaluation result of "grain feeling" by visual observation. The larger the two-dimensional power spectrum integral value, the greater the graininess.
２次元パワースペクトル積分値（以下、「ＩＰＳＬ」と略称することがある）は次式によって求めることができる。 The two-dimensional power spectrum integral value (hereinafter, may be abbreviated as "IPSL") can be obtained by the following equation.
（式中、νは空間周波数、θは角度、Ｐはパワースペクトル、０〜Ｌは抽出した低空間周波数領域であり、Ｌは抽出した周波数の上限を意味する）
また、前記輝き値ＢＶをもとに、下記一次式
ＭＢＶ＝（ＢＶ−５０）／２
により計算したＭＢＶの値により「キラキラ感」を評価することもできる。
ＭＢＶの値は、キラキラ感のないものは０とし、最もキラキラ感のあるものはほぼ１００とした値であって、「キラキラ感」のあるものほど大きな数値を示す。ＭＢＶの値はＨＢ値（Hi−light Brilliant値）と称されることもある。
(In the equation, ν is the spatial frequency, θ is the angle, P is the power spectrum, 0 to L is the extracted low spatial frequency region, and L is the upper limit of the extracted frequency.)
Further, based on the brilliance value BV, the following linear expression MBV = (BV-50) / 2
It is also possible to evaluate the "glittering feeling" by the value of MBV calculated by.
The value of MBV is 0 for those without a feeling of glitter and almost 100 for those with the most glittering feeling, and the larger the value is, the larger the value is. The value of MBV is sometimes referred to as the HB value (Hi-light Brilliant value).
また、前記２次元パワースペクトル積分値（ＩＰＳＬ）をもとに、下記一次式により計算したＭＧＲの値により「粒子感」を評価することもできる。
ＩＰＳＬの値が、０．３２以上の場合は、
ＭＧＲ＝［（ＩＰＳＬ×１０００）−２８５］／２とし、
ＩＰＳＬの値が、０．１５＜ＩＰＳＬ＜０．３２の範囲内にある場合は、
ＭＧＲ＝［ＩＰＳＬ×（３５／０．１７）−（５２５／１７）］／２とし、
ＩＰＳＬの値が、０．１５以下の場合は、ＭＧＲ＝０とする。
上記ＭＧＲの値は、光輝材の粒子感のないものを０とし、最も光輝材の粒子感のあるものをほぼ１００とした値であって、「粒子感」のあるものほど大きな数値を示す。ＭＧＲの値はＨＧ値（Hi−light Graininess値）と称されることもある。
Further, the "particle feeling" can be evaluated by the value of MGR calculated by the following linear equation based on the two-dimensional power spectrum integral value (IPSL).
If the IPSL value is 0.32 or more,
MGR = [(IPSL × 1000) -285] / 2
If the IPSL value is in the range 0.15 <IPSL <0.32,
MGR = [IPSL × (35 / 0.17)-(525/17)] / 2
If the IPSL value is 0.15 or less, MGR = 0.
The value of the MGR is 0 when the bright material has no grain feeling, and is almost 100 when the bright material has the most grain feeling, and the larger the value is, the larger the value is. The value of MGR is sometimes referred to as an HG value (Hi-light Graininess value).
また、さらに上記ＭＢＶ及びＭＧＲの値に基づいて総合的にミクロ光輝感を表す、下記式により計算したミクロ光輝感を指数化した数値（ミクロ光輝感指数）によってミクロ光輝感を評価することができる。
ミクロ光輝感指数＝（ＭＧＲ＋α・ＭＢＶ）／（１＋α）
多くの光輝感を有する被測色表面についての検討から、上記αの値としては、好ましくは１．８０〜１．４０、より好ましくは１．６３とすると、目視でのミクロ光輝感とよく合致した結果を得ることができる。ミクロ光輝感指数は、光輝感のないもの（キラキラ感も粒子感もない）場合は０となり、光輝感の最もある（キラキラ感も粒子感も最もある）ものはほぼ１００となる値である。
Further, the micro-brightness can be evaluated by a numerical value (micro-brightness index) obtained by indexing the micro-brightness calculated by the following formula, which comprehensively expresses the micro-brightness based on the above-mentioned MBV and MGR values. ..
Micro brilliance index = (MGR + α ・ MBV) / (1 + α)
From the examination of the surface to be measured having many brilliant sensations, the value of α is preferably 1.80 to 1.40, more preferably 1.63, which matches well with the visual brilliant sensation. You can get the result. The micro-brilliance index is 0 when there is no brilliance (no brilliance or particle sensation), and the value where the brilliance is most (the brilliance and particle sensation are the most) is almost 100.
（配合組成データ）
前記データベースには、１種類以上の色材を含有する組成物の配合組成データが登録されている。
配合組成データは、前記組成物に含有される１種類以上の色材、バインダー、添加剤等の各配合成分及びそれぞれの配合量に係るデータが含まれる。また、組成物として市販品を用いる場合等において、商品名（品番）を配合組成データとして用いることができる。例えば、配合組成データが不明の市販品を用いる場合や、組成物を品番で管理している場合等の場合に用いることができる。
本発明では、組成物に含有される１種類以上の色材、バインダー、添加剤等の各成分について、その形状、化学的特性等についても配合組成データとして登録することができる。形状としては、色材等の形状（球状、鱗片状、繊維状等）、平均一次粒子径、平均二次粒子径、平均分散粒子径、粒子径分布、アスペクト比、厚さ等があげられる。化学的特性としては、分子量、分子量分布、変色温度、反応性等があげられる。
(Mixed composition data)
In the database, compounding composition data of a composition containing one or more kinds of coloring materials is registered.
The compounding composition data includes data relating to each compounding component such as one or more kinds of coloring materials, binders, additives and the like contained in the composition, and the amount of each compounding. Further, when a commercially available product is used as the composition, the product name (product number) can be used as the compounding composition data. For example, it can be used when a commercially available product whose compounding composition data is unknown is used, or when the composition is controlled by the product number.
In the present invention, the shape, chemical properties, and the like of each component such as one or more kinds of coloring materials, binders, and additives contained in the composition can be registered as compounding composition data. Examples of the shape include the shape of a coloring material (spherical, scaly, fibrous, etc.), average primary particle size, average secondary particle size, average dispersed particle size, particle size distribution, aspect ratio, thickness, and the like. Chemical properties include molecular weight, molecular weight distribution, discoloration temperature, reactivity and the like.
本発明においては、前記組成物に光反射性顔料や光干渉性顔料といった光輝性顔料が含まれる場合、光反射性顔料の含有量、光干渉性顔料の含有量、光輝性顔料の配向を制御する配向制御剤の含有量についても、配合組成データとしてデータベースに登録される。
さらに、前記組成物に含まれる、着色剤の各色相別の含有量、光反射性顔料の各色相別の含有量、光干渉性顔料の各色相別の含有量についても、配合組成データとしてデータベースに登録される。
ここで、各色相の定義は、１９７６年に国際照明委員会で規定されＪＩＳ Ｚ ８７２９にも採用されている、Ｌ＊ａ＊ｂ＊表色系をベースに考案されたＬ＊Ｃ＊ｈ表色系において行うことができる。
例えば、塗膜に対して４５度から照射した光を正反射光に対して４５度で受光したときの分光反射率に基づいて計算されたＬ＊Ｃ＊ｈ表色系色度図において、赤系の色は、色相角度ｈがａ＊赤方向を０度とした場合に−４５度以上、４５度未満の範囲内である色として定義される。同様に、橙系の色は、色相角度ｈがａ＊赤方向を０度とした場合に４５度以上、６７．５度未満の範囲内である色として、黄系の色は、色相角度ｈがａ＊赤方向を０度とした場合に６７．５度以上、１３５度未満の範囲内である色として、緑系の色は、色相角度ｈがａ＊赤方向を０度とした場合に１３５度以上、−１３５度未満の範囲内である色として、青系の色とは、色相角度ｈがａ＊赤方向を０度とした場合に−１３５度以上、−４５度未満の範囲内である色として、それぞれ定義される。
In the present invention, when the composition contains a bright pigment such as a light-reflecting pigment or a light-interfering pigment, the content of the light-reflecting pigment, the content of the light-interfering pigment, and the orientation of the bright pigment are controlled. The content of the orientation control agent to be used is also registered in the database as compounding composition data.
Further, the content of each hue of the colorant, the content of each hue of the light-reflecting pigment, and the content of each hue of the light-interfering pigment contained in the composition are also stored in the database as compounding composition data. To be registered in.
Here, the definition of each hue is the L * C * h table devised based on the L * a * b * color system, which was defined by the International Commission on Illumination in 1976 and adopted in JIS Z 8729. It can be done in a color system.
For example, in the L * C * h colorimetric hue diagram calculated based on the spectral reflectance when light emitted from 45 degrees to the coating film is received at 45 degrees to the positively reflected light, red is used. The system color is defined as a color in which the hue angle h is within the range of −45 degrees or more and less than 45 degrees when a * red direction is 0 degree. Similarly, the orange color is a color in which the hue angle h is within the range of 45 degrees or more and less than 67.5 degrees when the hue angle h is 0 degrees in the red direction, and the yellow color is the hue angle h. Is within the range of 67.5 degrees or more and less than 135 degrees when a * red direction is 0 degrees, and greenish colors are when the hue angle h is a * red direction is 0 degrees. As a color within the range of 135 degrees or more and less than -135 degrees, a bluish color is within the range of -135 degrees or more and less than -45 degrees when the hue angle h is a * red direction is 0 degrees. Each is defined as a color that is.
（塗装条件データ）
前記データベースには、さらに塗装条件データＫが登録されていてもよい。
塗装条件データＫは、塗装に関するあらゆるデータであり、例えば、塗装に使用する塗装器具情報（塗装器具の種類、塗装器具のメーカー、型番等）、塗装条件情報（塗装温度、塗装時湿度、乾燥膜厚、塗料固形分、塗装距離、塗装速度等）、塗装者情報（氏名、塗装スキル、塗装傾向、癖等）、乾燥条件情報（乾燥温度、乾燥湿度、乾燥装置メーカー、乾燥装置型番）等があげられる。
(Painting condition data)
The coating condition data K may be further registered in the database.
The painting condition data K is all data related to painting, for example, painting equipment information (type of painting equipment, manufacturer of painting equipment, model number, etc.), painting condition information (painting temperature, humidity at the time of painting, dry film, etc.). Thickness, paint solid content, painting distance, painting speed, etc.), painter information (name, painting skill, painting tendency, habit, etc.), drying condition information (drying temperature, drying humidity, drying device manufacturer, drying device model number), etc. can give.
＜コンピュータ＞
本発明で用いられる装置が備えているコンピュータは、スーパーコンピュータ（スパコン）、デスクトップコンピュータ、ラップトップコンピュータ、モバイルコンピュータ等のパソコン、タブレット端末、スマートフォン等の演算機能及び情報処理機能を有する電子装置を意味している。コンピュータは、作業現場を含む任意の場所に設置されていてもよく、作業者等が携帯するものであってもよい。
<Computer>
The computer included in the device used in the present invention means an electronic device having a calculation function and an information processing function such as a supercomputer (supercomputer), a desktop computer, a laptop computer, a personal computer such as a mobile computer, a tablet terminal, and a smartphone. is doing. The computer may be installed at any place including the work site, or may be carried by a worker or the like.
コンピュータは、記録部、演算部、制御部を備えており、さらに、入出力部、通信部等を備えていてもよい。また、本発明においては、記録、演算、制御、入出力機能などを備える測色計等に組み込むことにより、測色計等と一体として実現することも可能である。また、コンピュータの記録部に色彩データ及び配合組成データを記録し、記録部にデータベースを設けることもできる。
データベースがコンピュータの外部に設けられている場合、コンピュータは、データベースと有線又は無線で接続されている。
コンピュータは、さらに、色に係るデータ及び／又は外観特性に係るデータを測定するための各種装置、自動調合機、他の演算装置、キーボード、マウス、バーコードリーダ、タッチパネル、画像認識装置等の入力装置、モニタ画面や印刷装置等の出力装置等と有線又は無線で接続されていてもよい。
コンピュータには、必要に応じて、本発明の方法を実行するための又は本発明のシステムを制御し動作させるためのアプリケーションソフトウェア（プログラム）がインストールされ、必要な制御や動作が行われるようにされていてもよい。
The computer includes a recording unit, a calculation unit, a control unit, and may further include an input / output unit, a communication unit, and the like. Further, in the present invention, by incorporating it into a colorimeter or the like having recording, calculation, control, input / output functions, etc., it can be realized integrally with the colorimeter or the like. Further, it is also possible to record color data and compounding composition data in a recording unit of a computer and provide a database in the recording unit.
If the database is located outside the computer, the computer is connected to the database by wire or wirelessly.
The computer further inputs various devices for measuring data related to color and / or data related to appearance characteristics, an automatic compounding machine, other arithmetic devices, a keyboard, a mouse, a bar code reader, a touch panel, an image recognition device, and the like. It may be connected to an device, a monitor screen, an output device such as a printing device, or the like by wire or wirelessly.
If necessary, application software (program) for executing the method of the present invention or controlling and operating the system of the present invention is installed in the computer so that necessary control and operation can be performed. You may be.
＜自動調合機＞
前記装置は、配合組成データに基づいて各配合成分を自動調合して調色を行う自動調合機を備えていてもよい。自動調合機は、前記コンピュータ又はデータベースと、有線又は無線で接続することができる。
自動調合機は、各色材等配合成分の重量又は容量を自動秤量する電子天秤と、秤量された各配合成分を調合機に注入する注入器を少なくとも有している。
前記自動調合機を用いることで、高精度の秤量を自動で行うことが可能となり、調合に際しての人的エラーを減少することができ、迅速に調合を行うことができ、任意の量の調色済み塗料を容易に調製することができる。また、調合作業の記録により生産管理を容易にすることができる。自動調合機は、調合に係るすべての作業を自動化するものでもよく、また、微調色等の一部を作業者が行えるようになっていてもよい。
<Automatic compounding machine>
The apparatus may include an automatic compounding machine that automatically mixes and adjusts each compounding component based on the compounding composition data. The automatic compounding machine can be connected to the computer or database by wire or wirelessly.
The automatic compounding machine has at least an electronic balance for automatically weighing the weight or capacity of each compounding component such as a coloring material, and an injector for injecting each weighed compounding component into the compounding machine.
By using the automatic compounding machine, high-precision weighing can be performed automatically, human error in compounding can be reduced, compounding can be performed quickly, and any amount of toning can be adjusted. Finished paint can be easily prepared. In addition, production control can be facilitated by recording the compounding work. The automatic compounding machine may be one that automates all the operations related to compounding, and may be capable of allowing the operator to perform a part of fine color adjustment and the like.
［コンピュータ調色に基づく塗料の製造方法］
図６は、本発明のコンピュータ調色に基づく塗料の製造方法を実行する際のフローチャートである。なお、図６に示されるフローは、本発明の一実施の形態にすぎない。
本発明のコンピュータ調色に基づく塗料の製造方法は、１種類以上の色材を含有する組成物の色彩データＸ及び配合組成データＹが少なくとも登録されたデータベースと、該データベースに登録されたデータを利用した色合わせ計算ロジックが作動するコンピュータと、を備えるコンピュータ調色装置を用い、下記Ｓ１０１〜Ｓ１１１工程を含む方法である。
以下、Ｓ１０１〜Ｓ１１１工程について、詳細に説明する。
[Manufacturing method of paint based on computer toning]
FIG. 6 is a flowchart for executing the method for producing a paint based on the computer toning of the present invention. The flow shown in FIG. 6 is only one embodiment of the present invention.
In the method for producing a paint based on computer toning of the present invention, a database in which at least the color data X and the compounding composition data Y of a composition containing one or more kinds of coloring materials are registered, and the data registered in the database are used. It is a method including the following steps S101 to S111 using a computer toning device including a computer on which the used color matching calculation logic is operated.
Hereinafter, the steps S101 to S111 will be described in detail.
＜Ｓ１０１工程＞
Ｓ１０１工程は、前記データベースに登録されたデータを用い、学習用データを前記コンピュータに入力する工程である。
<S101 process>
The step S101 is a step of inputting learning data into the computer using the data registered in the database.
本発明においては、１種類以上の色材を含有する組成物であって光輝性顔料を含まない組成物の配合組成データ及び色彩データを用いた学習用データと、１種類以上の色材と１種類以上の光輝性顔料とを含有する組成物の配合組成データ及び色彩データを用いた学習用データとを、別々に作成するとともに、これらを別々に入力することが好ましい。
本発明者らは、光輝性顔料の有無に基づいて、別々の学習用データを作成し、これらを別々に入力することで、コンピュータ調色における適合率が格段に向上することを見出した。
In the present invention, a composition containing one or more kinds of coloring materials and not containing a brilliant pigment, learning data using compounding composition data and color data, and one or more kinds of coloring materials and 1 It is preferable to separately create the compounding composition data of the composition containing the brilliant pigments of more than one kind and the learning data using the color data, and input them separately.
The present inventors have found that by creating separate learning data based on the presence or absence of a bright pigment and inputting them separately, the matching rate in computer toning is significantly improved.
本発明においては、１種類以上の色材と１種類以上の光輝性顔料とを含有する組成物の配合組成データを学習用データとする際、光反射性顔料の含有量、光干渉性顔料の含有量、配向制御剤の含有量及びそれらの一つ以上の合計から選ばれる１種類以上のデータを学習用データとして用いることが好ましい。 In the present invention, when the compounding composition data of a composition containing one or more kinds of coloring materials and one or more kinds of bright pigments is used as learning data, the content of the light-reflecting pigment and the light-interfering pigment are used. It is preferable to use one or more types of data selected from the content, the content of the orientation control agent, and the sum of one or more of them as training data.
本発明においては、１種類以上の色材と１種類以上の光輝性顔料とを含有する組成物の配合組成データを学習用データとする際、光輝性顔料の色相別の含有量のデータを学習用データとすることが好ましい。具体的には、組成物中の光反射性顔料の各色相別の含有量、光干渉性顔料の各色相別の含有量及び着色剤の各色相別の含有量から選ばれる１種類以上のデータを学習用データとして用いることが好ましい。
光輝性顔料の色の定義は、１９７６年に国際照明委員会で規定されＪＩＳ Ｚ ８７２９にも採用されている、Ｌ＊ａ＊ｂ＊表色系をベースに考案されたＬ＊Ｃ＊ｈ表色系において行うことができる。
In the present invention, when the compounding composition data of the composition containing one or more kinds of coloring materials and one or more kinds of bright pigments is used as learning data, the data of the content of the bright pigments for each hue is learned. It is preferable to use the data for use. Specifically, one or more types of data selected from the content of each hue of the light-reflecting pigment, the content of each hue of the light-interfering pigment, and the content of each hue of the colorant in the composition. Is preferably used as training data.
The definition of the color of the bright pigment is the L * C * h table devised based on the L * a * b * color system, which was defined by the International Commission on Illumination in 1976 and adopted in JIS Z 8729. It can be done in a color system.
例えば、塗膜に対して４５度から照射した光を正反射光に対して４５度で受光したときの分光反射率に基づいて計算されたＬ＊Ｃ＊ｈ表色系色度図において、赤系の色は、色相角度ｈがａ＊赤方向を０度とした場合に−４５度以上、４５度未満の範囲内である色として定義される。同様に、橙系の色は、色相角度ｈがａ＊赤方向を０度とした場合に４５度以上、６７．５度未満の範囲内である色として、黄系の色は、色相角度ｈがａ＊赤方向を０度とした場合に６７．５度以上、１３５度未満の範囲内である色として、緑系の色は、色相角度ｈがａ＊赤方向を０度とした場合に１３５度以上、−１３５度未満の範囲内である色として、青系の色とは、色相角度ｈがａ＊赤方向を０度とした場合に−１３５度以上、−４５度未満の範囲内である色として、それぞれ定義される。 For example, in the L * C * h colorimetric hue diagram calculated based on the spectral reflectance when light emitted from 45 degrees to the coating film is received at 45 degrees to the positively reflected light, red is used. The system color is defined as a color in which the hue angle h is within the range of −45 degrees or more and less than 45 degrees when a * red direction is 0 degree. Similarly, the orange color is a color in which the hue angle h is within the range of 45 degrees or more and less than 67.5 degrees when the hue angle h is 0 degrees in the red direction, and the yellow color is the hue angle h. Is within the range of 67.5 degrees or more and less than 135 degrees when a * red direction is 0 degrees, and greenish colors are when the hue angle h is a * red direction is 0 degrees. As a color within the range of 135 degrees or more and less than -135 degrees, a bluish color is within the range of -135 degrees or more and less than -45 degrees when the hue angle h is a * red direction is 0 degrees. Each is defined as a color that is.
本発明においては、１種類以上の色材を含有する組成物の配合組成データを学習用データとする際、組成物に含まれる色材の形状データを学習用データとすることが好ましい。具体的には、着色顔料や光輝性顔料等の色材の形状（球状、鱗片状、繊維状等）、色材の平均一次粒子径、平均二次粒子径、平均分散粒子径、粒子径分布、アスペクト比、厚さ等の形状データを学習用データとして用いることが好ましい。 In the present invention, when the compounding composition data of a composition containing one or more kinds of coloring materials is used as learning data, it is preferable to use the shape data of the coloring materials contained in the composition as learning data. Specifically, the shape of the coloring material such as a coloring pigment or a bright pigment (spherical, scaly, fibrous, etc.), the average primary particle size, the average secondary particle size, the average dispersed particle size, and the particle size distribution of the coloring material. , Aspect ratio, thickness and other shape data are preferably used as training data.
コンピュータへの入力は、有線、無線又はこれらの組み合わせの通信手段や、記録媒体を介した手段により、データを送信することで行うことができる。通信手段を用いた入力としては、例えば、ＬＡＮ（ローカルエリアネットワーク）、ＷＡＮ（ワイドエリアネットワーク）、インターネット、電話網等の様々な通信ネットワークの１つ以上の組み合わせがあげられる。記録媒体を介した手段による入力としては、磁気記録媒体、光学式記録媒体、紙記録媒体等の記録媒体を、適当な読取手段を用いてデータを読み込むことにより行うことができる。 The input to the computer can be performed by transmitting data by a communication means of wired, wireless or a combination thereof, or a means via a recording medium. Examples of the input using the communication means include one or more combinations of various communication networks such as LAN (local area network), WAN (wide area network), the Internet, and a telephone network. Input by means via a recording medium can be performed by reading data from a recording medium such as a magnetic recording medium, an optical recording medium, or a paper recording medium by using an appropriate reading means.
＜Ｓ１０２工程＞
Ｓ１０２工程は、前記学習用データを機械学習させ、組成データＹから色彩データＸを推定する人工知能モデルの少なくとも１種、を含む学習した人工知能モデルを生成する工程である。本発明における人工知能モデルとしては、例えば、勾配ブースティングを用いた決定木、線形回帰、ロジスティック回帰、単純パーセプトロン、ＭＬＰ、ニューラルネットワーク、サポートベクターマシン、ランダムフォレスト、ガウス過程、ベイジアンネットワーク、ｋ近傍法、その他機械学習で用いられるアルゴリズムを使用した人工知能モデルで構成することができる。本発明においては、ニューラルネットワーク、サポートベクターマシン、勾配ブースティングを用いた決定木又はガウス過程で構成することが好ましく、ニューラルネットワーク及び勾配ブースティングを用いた決定木又はガウス過程なる群より選ばれる１種類以上のアルゴリズムを使用した人工知能モデルであることが特に好ましい。また、本願において、人工知能モデルとして、後述するファジィ推論のみのものは含まれないものとする。
本発明においては、ニューラルネットワーク等の特定のアルゴリズムに基づいて人工知能モデルを構成し、Ｓ１０１工程で入力された学習用データを用いて人工知能モデルを学習させることにより、組成データＹから色彩データＸを推定する人工知能モデルの少なくとも１種、を含む学習した人工知能モデルを生成することができる。
<S102 process>
The step S102 is a step of machine learning the learning data to generate a learned artificial intelligence model including at least one kind of artificial intelligence model that estimates color data X from composition data Y. Examples of the artificial intelligence model in the present invention include decision trees using gradient boosting, linear regression, logistic regression, simple perceptron, MLP, neural network, support vector machine, random forest, Gaussian process, Bayesian network, and k-nearest neighbor method. , And other artificial intelligence models using algorithms used in machine learning. In the present invention, it is preferable to construct it by a neural network, a support vector machine, a decision tree or a Gaussian process using gradient boosting, and it is selected from a group of a decision tree or Gaussian process using a neural network and gradient boosting 1. It is particularly preferable that the artificial intelligence model uses more than one kind of algorithm. Further, in the present application, it is assumed that the artificial intelligence model does not include only the fuzzy reasoning described later.
In the present invention, an artificial intelligence model is constructed based on a specific algorithm such as a neural network, and the artificial intelligence model is trained using the training data input in the step S101, whereby the composition data Y to the color data X It is possible to generate a trained artificial intelligence model that includes at least one of the artificial intelligence models that estimate.
人工知能モデルの学習は、Ｓ１０１工程でコンピュータに入力された学習用データを用いて行われる。学習用データは、１種類以上の色材を含有する組成物に係る色彩データＸと組成配合データＹとが少なくとも用いられる。人工知能モデルのアルゴリズムとして、教師付き学習方法の一つである公知の誤差逆伝播法を使用することができる。学習速度を表すパラメータである学習率（０〜１の間の実数値）、学習における出力値の誤差の許容値である許容誤差（０〜１の間の実数値）を設定して、人工知能モデルを学習させる。これにより、配合組成データＹに係る１種類以上の特徴量と、当該配合組成データＹに基づく塗料の塗膜の色彩データＸに係る１種類以上の特徴量とを関連付けることができる。学習された人工知能モデルを用いて、フィードフォワード計算により、色彩データを満たす組成配合データ、組成配合データに基づく色彩データを予測することができる。学習された人工知能モデルは、費用や時間等の工数のかかる実験的な確認を行わずにこれらの予測を行うことができる。 The learning of the artificial intelligence model is performed using the learning data input to the computer in the step S101. As the learning data, at least the color data X and the composition compounding data Y relating to the composition containing one or more kinds of coloring materials are used. As an algorithm of the artificial intelligence model, a known backpropagation method, which is one of the supervised learning methods, can be used. Artificial intelligence by setting the learning rate (real value between 0 and 1), which is a parameter representing the learning speed, and the margin of error (real value between 0 and 1), which is the permissible value of the error of the output value in learning. Train the model. Thereby, one or more kinds of feature amounts related to the blended composition data Y can be associated with one or more kinds of feature quantities related to the color data X of the coating film of the paint film based on the blended composition data Y. Using the trained artificial intelligence model, feedforward calculation can predict composition data that satisfies the color data and color data based on the composition data. The trained artificial intelligence model can make these predictions without performing labor-intensive experimental confirmations such as cost and time.
本発明において、前記人工知能モデルの少なくとも１種、を含む学習した人工知能モデルを生成する工程は、（ｉ）光輝性顔料を含まない組成物の１種類以上に係る、各配合組成データＹ及び各色彩データＸを学習用データとして用い、人工知能モデルを学習させる工程と、（ｉｉ）光輝性顔料を含む組成物の１種類以上に係る、各配合組成データＹ及び各色彩データＸを学習用データとして用い、人工知能モデルを学習させる工程と、を含むことが好ましい。その際、工程（ｉｉ）は、組成物中の光反射性顔料の含有量、光干渉性顔料の含有量、配向制御剤の含有量及びそれらの１つ以上の合計から選ばれる１種類以上のデータを学習用データとして用い、人工知能モデルを学習させる工程を含むことが好ましい。
人工知能モデルを学習させる工程において、前記工程（ｉ）と工程（ｉｉ）の順序は、特に制限されず、工程（ｉ）の後に工程（ｉｉ）を行ってもよく、工程（ｉｉ）の後に工程（ｉ）を行ってもよい。本発明においては、学習用データを組成物が光輝性顔料を含むか否かとの観点で別個のものとして作成し、これを学習させることで、より高精度の予測を行うことができる人工知能モデルを生成することができる。
In the present invention, the step of generating the learned artificial intelligence model including at least one of the artificial intelligence models is (i) each compounding composition data Y and one or more kinds of compositions not containing a glittering pigment. Each color data X is used as learning data, and each compounding composition data Y and each color data X relating to (ii) one or more types of compositions containing a bright pigment are used for learning, and a step of training an artificial intelligence model. It is preferable to include a step of using it as data and training an artificial intelligence model. At that time, in step (ii), one or more kinds selected from the content of the light-reflecting pigment, the content of the light-interfering pigment, the content of the orientation control agent, and the sum of one or more of them in the composition. It is preferable to include a step of using the data as training data and training an artificial intelligence model.
In the step of training the artificial intelligence model, the order of the steps (i) and the step (ii) is not particularly limited, and the step (ii) may be performed after the step (i), or after the step (ii). Step (i) may be performed. In the present invention, an artificial intelligence model capable of making more accurate predictions by creating learning data separately from the viewpoint of whether or not the composition contains a bright pigment and training the data. Can be generated.
本発明においては、前記人工知能モデルの少なくとも１種、を含む学習した人工知能モデルを生成する工程が、組成物中の着色顔料の含有量、光反射性顔料の含有量、光干渉性顔料の含有量、不定形シリカ等の配向制御剤の含有量及びそれらの１つ以上好ましくは３つ以上の合計から選ばれる１種類以上のデータを学習用データとして用い、人工知能モデルを学習させる工程を含むことが好ましい。これにより、特に光輝性顔料を含む被測色表面の色彩データに、精度よく適合させることができる配合組成データを得ることができる。 In the present invention, the step of generating the learned artificial intelligence model including at least one of the artificial intelligence models is the content of the coloring pigment, the content of the light-reflecting pigment, and the light-interfering pigment in the composition. A step of training an artificial intelligence model using one or more types of data selected from the content, the content of an orientation control agent such as amorphous silica, and one or more of them, preferably a total of three or more, as learning data. It is preferable to include it. As a result, it is possible to obtain compounding composition data that can be accurately adapted to the color data of the surface to be measured, which particularly contains a brilliant pigment.
本発明においては、前記人工知能モデルの少なくとも１種、を含む学習した人工知能モデルを生成する工程が、組成物中の光反射性顔料の各色相別の含有量、光干渉性顔料の各色相別の含有量及び着色剤の各色相別の含有量から選ばれる１種類以上のデータを学習用データとして用い、人工知能モデルを学習させる工程を含むことが好ましい。これにより、特に光輝性顔料を含む被測色表面の色彩データに、より精度よく適合させることができる配合組成データを得ることができる。 In the present invention, the step of generating a learned artificial intelligence model including at least one of the artificial intelligence models is the content of each hue of the light-reflecting pigment in the composition and each hue of the photo-interfering pigment. It is preferable to include a step of learning an artificial intelligence model by using one or more kinds of data selected from different contents and contents of each hue of the colorant as learning data. As a result, it is possible to obtain compounding composition data that can be more accurately adapted to the color data of the surface to be measured, which particularly contains a brilliant pigment.
本発明においては、前記人工知能モデルの少なくとも１種、を含む学習した人工知能モデルを生成する工程が、組成物に含まれる色材の形状データを学習用データとして用い、人工知能モデルを学習させる工程を含むことが好ましい。これにより、被測色表面の色彩データにおける粒子に起因する感性を、より精度よく適合させることができる。
本発明において、色材は、無機着色顔料や有機着色顔料等の通常の着色剤だけでなく、粒子状やフレーク状（鱗片状）のガラス、金属、シリカ、アルミナ等の光輝性顔料や、フレーク状であり干渉性を有するガラス（例えば、シリカ被覆ガラスフレーク等）、シリカ、アルミナ等の光干渉性顔料を含む。また、形状データは、球状、フレーク状、繊維状等の形状外観、粒子径、粒度分布、厚み、アスペクト比、繊維長、繊維径等のデータを含む。
In the present invention, the step of generating a learned artificial intelligence model including at least one of the artificial intelligence models uses the shape data of the coloring material contained in the composition as learning data to train the artificial intelligence model. It is preferable to include a step. This makes it possible to more accurately match the sensibilities caused by the particles in the color data of the surface to be measured.
In the present invention, the coloring material is not only an ordinary coloring agent such as an inorganic coloring pigment or an organic coloring pigment, but also a brilliant pigment such as particle-like or flake-like (scaly) glass, metal, silica, or alumina, and flakes. It contains light-interfering pigments such as glass (eg, silica-coated glass flakes, etc.), silica, alumina, etc., which are shaped and have interfering properties. Further, the shape data includes data such as shape appearance such as spherical shape, flake shape, fiber shape, particle size, particle size distribution, thickness, aspect ratio, fiber length, fiber diameter and the like.
＜Ｓ１０３工程＞
Ｓ１０３工程は、目標とする色彩の目標色彩データＸｔを得る工程である。
目標色彩データＸｔとしては、塗装物、成形品、自然構造物等が有しているあらゆる色彩についての色彩データがあげられる。特に、塗装物の色彩データとすることが好ましい。
本発明は、これまでコンピュータ調色が困難であった、光輝性顔料を含む塗膜の色彩データを目標色彩データＸｔとしても、精度よく調色を行うことができる。このため、Ｓ１０３工程における目標色彩データＸｔは、光輝性顔料を含む塗膜の色彩データであることが好ましい。もちろん、Ｓ１０３工程における目標色彩データＸｔは、光輝性顔料を含まない塗膜の色彩データであってもよい。
<S103 process>
S103 is a step of obtaining a target color data X t colors a target.
Examples of the target color data Xt include color data for all colors possessed by painted objects, molded products, natural structures, and the like. In particular, it is preferable to use the color data of the painted object.
The present invention has thus far computer toning was difficult, as the target color data X t color data of the coating film containing the bright pigment can be performed accurately toned. Thus, S103 is the target color data X t in step, it is preferable that the color data of the coating film containing the bright pigment. Of course, the target color data X t at S103 step may be color data of the coating film not containing the bright pigment.
目標色彩データを構成する要素は、データベースに登録されている色彩データを構成する要素と同様のものにすることができる。例えば、計器により測定された色彩データや、そこから算出された色彩データとすることができる。
色彩データを得るための計器としては、光輝塗膜（メタリック塗膜、パールカラー塗膜等）、ソリッドカラー塗膜等の色彩を測定し、色彩データを取得することができる計器であれば、測定原理、測定値を用いた色彩データの算出方法等に特に制限はなく、従来公知のものを使用することができる。例えば、被測色表面を照射する光源を備えている、単角度分光光度計、多角度分光光度計、色彩計、色差計、変角分光光度計等の測色計、撮像装置、ミクロ光輝感測定器等の測定機器、色見本板等の計器の１つ以上を用いることができる。また、それらの計器から得られた各種の色彩データを処理するデータ処理装置を任意に用いることができる。
The elements constituting the target color data can be the same as the elements constituting the color data registered in the database. For example, it can be color data measured by an instrument or color data calculated from the color data.
As an instrument for obtaining color data, if it is an instrument that can measure the color of a bright coating film (metallic coating film, pearl color coating film, etc.), solid color coating film, etc. and acquire color data, it will be measured. There are no particular restrictions on the principle, the method of calculating color data using measured values, and the like, and conventionally known ones can be used. For example, a colorimeter such as a single-angle spectrophotometer, a multi-angle spectrophotometer, a colorimeter, a color difference meter, a variable-angle spectrophotometer, an image pickup device, and a micro-brightness equipped with a light source that illuminates the surface to be measured. One or more measuring instruments such as measuring instruments and instruments such as color swatch plates can be used. Further, a data processing device for processing various color data obtained from those instruments can be arbitrarily used.
目標色彩データＸｔは、作業者が各種計器を用いることで、被測色物を直接測定して得ることができる。また、各種計器がプログラム等に基づき自動的に取得したものであってもよい。さらに、これらの測色データに基づいて算出されたものでもよい。
本発明においては、多角度分光光度計を用いて被測色表面の測定を行い、目標色彩データＸｔを取得することが好ましい。
Target color data X t is the worker by using the various instruments, can be obtained by measuring the detected material directly. Further, it may be automatically acquired by various instruments based on a program or the like. Further, it may be calculated based on these color measurement data.
In the present invention, performs a measurement of the color measurement surface using a multi-angle spectrophotometer, it is preferable to obtain the target color data X t.
また、目標色彩データＸｔが、被測色物を直接測定して得られないものである場合、被測色物の商品名等から得られる色彩データを、目標色彩データＸｔとして用いることができる。例えば、目標色彩データＸｔが自動車に関係する色彩データである場合には、自動車の商品名、型番、年式、製造番号等から得られる塗料データに基づいて目標色彩データを設定することができる。 Further, when the target color data X t cannot be obtained by directly measuring the object to be measured, the color data obtained from the product name of the object to be measured or the like can be used as the target color data X t. can. For example, when the target color data Xt is color data related to an automobile, the target color data can be set based on the paint data obtained from the product name, model number, year, serial number, etc. of the automobile. ..
＜Ｓ１０４工程＞
Ｓ１０４工程は、前記目標色彩データＸｔを、前記コンピュータに入力する工程である。
コンピュータへの入力は、有線、無線又はこれらの組み合わせの通信手段や、記録媒体を介した手段により、色彩データＸｔを測定及び／又は算出する各種装置からデータを送信しコンピュータに受信させることで行うことができる。通信手段を用いた入力としては、例えば、ＬＡＮ（ローカルエリアネットワーク）、ＷＡＮ（ワイドエリアネットワーク）、インターネット、電話網等の様々な通信ネットワークの１つ以上の組み合わせがあげられる。記録媒体を介した手段による入力としては、磁気記録媒体、光学式記録媒体、紙記録媒体等の記録媒体を、適当な読取手段を用いてデータを読み込むことにより行うことができる。
また、キーボード、マウス、バーコードリーダ、タッチパネル、音声入力装置、画像認識装置等の、前記コンピュータと接続又はコンピュータが備えている入力手段を用い入力することができる。
<S104 process>
The step S104 is a step of inputting the target color data Xt into the computer.
The input to the computer, wired, and communication means of the wireless or a combination thereof, by means through the recording medium, by receiving the transmitted data computer from various devices for measuring and / or calculating the color data X t It can be carried out. Examples of the input using the communication means include one or more combinations of various communication networks such as LAN (local area network), WAN (wide area network), the Internet, and a telephone network. Input by means via a recording medium can be performed by reading data from a recording medium such as a magnetic recording medium, an optical recording medium, or a paper recording medium by using an appropriate reading means.
Further, input can be performed using a keyboard, a mouse, a bar code reader, a touch panel, a voice input device, an image recognition device, or any other input means connected to the computer or provided with the computer.
＜Ｓ１０５工程＞
Ｓ１０５工程は、コンピュータを用いた検索により、前記目標色彩データＸｔに近似する検索色彩データＸｎ１及び検索色彩データＸｎ１に対応する近似配合組成データＹｎ１を得るとともに、前記目標色彩データＸｔと前記検索色彩データＸｎ１とを比較し合否を判定する工程である。
<S105 process>
S105 step, the search using a computer, together with obtaining the target color data X t approximation to find the color data X n1 and search color approximation formulation composition data Y n1 corresponding to the data X n1, the target color data X t This is a step of comparing the search color data X n1 with the search color data X n1 to determine pass / fail.
Ｓ１０５工程は、コンピュータカラーサーチ（ＣＣＳ）に相当する工程とすることができ、データベースに登録されている多数の色彩データの中から、目標色彩データＸｔと近似する色彩データを検索し、検索色彩データＸｎ１として取得するものである。
ここで、データベースに登録されている色彩データは、例えば、公知の色見本帳の色彩データ、過去作製した塗板の色彩データ等で、いずれも色彩データと対応する配合組成データとが関連付けられている。したがって、検索色彩データＸｎ１を得ることで、対応する配合組成データである近似配合組成データＹｎ１も容易に得ることができる。
S105 step may be a step corresponding to the computer color search (CCS), among many color data registered in the database, retrieves the color data which approximates the target color data X t, search Color It is acquired as data X n1.
Here, the color data registered in the database is, for example, the color data of a known color sample book, the color data of a coated plate produced in the past, and the like, all of which are associated with the color data and the corresponding compounding composition data. .. Therefore, by obtaining the search color data X n1 , it is possible to easily obtain the approximate compounding composition data Y n1 which is the corresponding compounding composition data.
検索色彩データＸｎ１は、色彩データを構成する要素の１つ以上（例えば、Ｌ＊ａ＊ｂ＊表色系における各値等）のそれぞれについて、目標色彩データＸｔを構成する対応する要素と対比し、値の差分、一致度、誤差率等が一定の範囲内であるものを検索して得ることができる。前記一定の範囲は、作業者が経験等を踏まえて設定してもよく、また、コンピュータにより設定することもできる。 The search color data X n1 is a corresponding element constituting the target color data X t for each of one or more elements (for example, each value in the L * a * b * color system) constituting the color data. It can be obtained by comparing and searching for values whose difference, degree of agreement, error rate, etc. are within a certain range. The fixed range may be set by the operator based on experience or the like, or may be set by a computer.
Ｓ１０５工程において、目標色彩データＸｔと前記検索色彩データＸｎ１とを比較して合否の判定を行う際には、検索色彩データＸｎ１を構成する要素の１つ以上と、目標色彩データＸｔを構成する要素の１つ以上とに着目し、それぞれ対応する各構成要素を比較することで行うことができる。合否の判定に際しては、例えば、各構成要素における差分、一致度、誤差率等について閾値を設け、これを参考にして機器又は作業者により合否の判定を行うようにしてもよい。その際、熟練作業者の観点等を反映させて、各構成要素間で重みづけを行ってもよい。 In the step S105, when a pass / fail judgment is made by comparing the target color data X t with the search color data X n1 , one or more of the elements constituting the search color data X n1 and the target color data X t This can be done by focusing on one or more of the constituent elements and comparing each corresponding constituent element. In the pass / fail determination, for example, a threshold value may be set for the difference, the degree of agreement, the error rate, etc. in each component, and the pass / fail determination may be made by the device or the operator with reference to the threshold value. At that time, weighting may be performed among the components, reflecting the viewpoint of a skilled worker and the like.
＜Ｓ１０６工程＞
Ｓ１０６工程は、前記Ｓ１０５工程において合格しない場合に、コンピュータを用いて目標色彩データＸｔを与えると予測される候補配合組成データＹｎｉを得た後、前記少なくとも１種の学習した人工知能モデル及び／又は前記人工知能モデル以外の予測式を用いて、候補配合組成データＹｎｉから予測される予測色彩データＸｎｉを得るとともに、前記色彩データＸｔと前記予測色彩データＸｎｉとを比較し、合否を判定する工程である。
<S106 process>
S106 process, if it does not pass in the S105 step, the target color after obtaining provide data X t and the predicted candidate blending composition data Y ni, said at least one learned artificial intelligence model and using a computer / or by using a prediction expression other than the artificial intelligence model, along with obtaining a predicted color data X ni predicted from the candidate blend composition data Y ni, comparing the predicted color data X ni and the color data X t, This is the process of determining pass / fail.
コンピュータを用いて目標色彩データＸｔを与えると予測される候補配合組成データＹｎｉを得る方法としては、例えば、コンピュータ・カラーマッチング（ＣＣＭ）として知られている手法であって、コンピュータを用いる色合わせ計算ロジックに基づく算出や、数理最適化による算出があげられる。
コンピュータを用いる色合わせ計算ロジックに基づく算出は、例えば、前記データベースに登録された各種色彩データ及びそれと対応した組成配合データに基づき、目標色彩データＸｔと前記各種色彩データとを比較して、差分、一致度等が一定の範囲となるように計算することで、最も合理的と考えられる一つ以上の配合組成を候補配合組成データＹｎｉと決定するものである。計算ロジックを構成する各種の関数を利用し、任意の配合組成や近似配合組成を小さな反復工程で修正することで行うことができる。その際に、規則の形での論理的指令を作成して、計算速度や調整アルゴリズムの精度を補助することができる。
As a method for obtaining candidate formulation composition data Y ni predicted to give a target color data X t using a computer, for example, a technique known as computer color matching (CCM), a color using the computer Calculations based on combined calculation logic and calculations by mathematical optimization can be mentioned.
Calculated based on the color matching calculation logic using computer, for example, on the basis of various color data and composition formulation data corresponding to that registered in the database, and comparing the target color data X t various color data, the difference , One or more blending compositions considered to be the most rational are determined as the candidate blending composition data Y ni by calculating so that the degree of agreement and the like are within a certain range. It can be done by using various functions constituting the calculation logic and modifying an arbitrary composition or an approximate composition in a small iterative process. At that time, a logical command in the form of a rule can be created to assist the calculation speed and the accuracy of the adjustment algorithm.
数理最適化による算出は、候補配合組成データＹｎｉは、例えば、データベースに記録されている色彩データを参照して、近似配合組成により得られる色彩データを構成する座標軸ごとに、誤差を減らす方向に作用する特性情報を有する成分を検索し得ることができる。例えば、Ｌ＊ａ＊ｂ＊表色系において、誤差をΔＬ＊＝Ｌ＊２−Ｌ＊１、Δａ＊＝ａ＊２−ａ＊１、Δｂ＊＝ｂ＊２−ｂ＊１とした場合に、Ｌ＊軸上の誤差ΔＬ＊が正の値である場合にはＬ＊２の値を減少させる方向に作用する特性情報を有する成分を検索し、Ｌ＊軸上の誤差ΔＬ＊が負の値である場合にはＬ＊２の値を増加させる特性情報を有する成分を検索する。同様に、ａ＊軸上の誤差Δａ＊が正の値である場合にはａ＊２の値を減少させる特性情報（緑）を有する成分を、ａ＊軸上の誤差Δａ＊が負の値である場合にはａ＊２の値を増加させる特性情報（赤）を有する成分を、ｂ＊軸上の誤差Δｂ＊が正の値である場合にはｂ＊２の値を減少させる特性情報（青）を有する成分を、ｂ＊軸上の誤差Δｂ＊が負の値である場合にはｂ＊２の値を増加させる特性情報（黄）を有する成分を、それぞれ検索する。これにより、近似配合組成において、色空間を構成する表色系の座標軸ごとに、誤差を減らす方向に作用させる、すなわち、所定の特性情報を付与するための成分を追加することにより、目標とする色彩に近付けた候補配合組成データＹｎｉを得ることができる。
仮に、誤差を減らす方向に作用する特性情報を有する成分が検索されない場合には、目標色彩データＸｔに基づいて、より適切な新たな近似配合組成を得た後に、候補配合組成データを得ることができる。
For the calculation by mathematical optimization, the candidate compounding composition data Y ni refers to the color data recorded in the database, for example, in the direction of reducing the error for each coordinate axis constituting the color data obtained by the approximate compounding composition. It is possible to search for components that have property information that acts. For example, in the L * a * b * color system, when the error is ΔL * = L * 2- L * 1 , Δa * = a * 2- a * 1 , and Δb * = b * 2- b * 1. In addition, when the error ΔL * on the L * axis is a positive value, a component having characteristic information acting in the direction of decreasing the value of L * 2 is searched, and the error ΔL * on the L * axis is negative. If the value is, the component having the characteristic information that increases the value of L * 2 is searched. Similarly, when the error Δa * on the a * axis is a positive value, the component having the characteristic information (green) that reduces the value of a * 2 is the component, and the error Δa * on the a * axis is a negative value. If the component has characteristic information (red) that increases the value of a * 2 , the characteristic information that decreases the value of b * 2 when the error Δb * on the b * axis is a positive value. A component having (blue) is searched, and a component having characteristic information (yellow) that increases the value of b * 2 when the error Δb * on the b * axis is a negative value is searched. As a result, in the approximate blending composition, each coordinate axis of the color system constituting the color space is made to act in a direction of reducing an error, that is, by adding a component for imparting predetermined characteristic information, the target is achieved. Candidate compounding composition data Y ni that is close to the color can be obtained.
If, when the components having the characteristic information that acts in a direction to reduce the error is not found, it based on the target color data X t, after obtaining a more suitable new approximation blending composition, obtaining a candidate formulation composition data Can be done.
また、候補配合組成データＹｎｉは、ＣＣＭにより得られた配合組成データに、作業者による修正（例えば、公知の色見本帳の色彩データ、過去作製した塗板の色彩データ、自らの経験等を参考にして行う作業者による修正）、前記コンピュータによる修正、人工知能モデルによる修正等を行うことで得ることもできる。
さらに、自動車修理工場等の作業現場において、使用可能な色材又は組成物が制限されている場合等においては、作業現場において使用可能な色材又は組成物のみに基づいて、候補配合組成データＹｎｉを得ることもできる。例えば、組成物中の着色顔料の含有量、光反射性顔料の含有量、光干渉性顔料の含有量、不定形シリカ等の配向制御剤の含有量及びそれらの１つ以上好ましくは３つ以上の合計から選ばれる１種類以上を含んでいる組成物により構成することがより早くかつ調色精度を向上させる観点から好ましい。
Further, the candidate compounding composition data Y ni refers to the compounding composition data obtained by CCM with reference to corrections by the operator (for example, color data of a known color sample book, color data of a coated plate produced in the past, own experience, etc.). It can also be obtained by making corrections by the operator), making corrections using the computer, making corrections using an artificial intelligence model, and the like.
Further, when the color material or composition that can be used is limited at a work site such as an automobile repair shop, the candidate compounding composition data Y is based only on the color material or composition that can be used at the work site. You can also get ni. For example, the content of the coloring pigment in the composition, the content of the light-reflecting pigment, the content of the light-interfering pigment, the content of the orientation control agent such as amorphous silica, and one or more of them, preferably three or more thereof. It is preferable to compose with a composition containing one or more kinds selected from the total of the above from the viewpoint of faster and improving the toning accuracy.
候補配合組成データＹｎｉは、表示手段や印刷手段等により出力することができる。また、出力することなく、コンピュータから次の工程を実施する機器等に送信することができる。 The candidate compounding composition data Y ni can be output by a display means, a printing means, or the like. In addition, it can be transmitted from a computer to a device or the like that carries out the next process without outputting.
Ｓ１０６工程において予測色彩データＸｎｉを得る際には、人工知能モデル及び／又は人工知能モデル以外の予測式が用いられる。本発明においては、人工知能モデルを用いるか、人工知能モデル以外の予測式を用いるかを切り替え可能とすることができる。
本発明においては、Ｓ１０６工程を、少なくとも１種の人工知能モデルのみを用いて、予測色彩データＸｎｉを得る工程とすることができる。また、２回目以降のＳ１０６工程においては、人工知能モデルを用いることなく、予測色彩データＸｎｉを得る工程とすることができる。
Ｓ１０６工程で得ることができる予測色彩データＸｎｉとしては、前記データベースに記録させた多種多様な色彩データが挙げられる。本発明において、予測色彩データＸｎｉは、多角度の分光反射率及び／又は光輝感パラメータを含むものであることが好ましい。予測色彩データＸｎｉが多角度の分光反射率及び／又は光輝感パラメータを含むことで、光学特性の予測が難しい光輝性の色彩に対しても、より精度の高い調色を行うことができる。
When the predicted color data X ni is obtained in the step S106, a prediction formula other than the artificial intelligence model and / or the artificial intelligence model is used. In the present invention, it is possible to switch between using an artificial intelligence model and using a prediction formula other than the artificial intelligence model.
In the present invention, the step S106 can be a step of obtaining the predicted color data X ni by using only one kind of artificial intelligence model. Further, in the second and subsequent steps S106, it is possible to obtain the predicted color data X ni without using the artificial intelligence model.
Examples of the predicted color data X ni that can be obtained in the step S106 include a wide variety of color data recorded in the database. In the present invention, the predicted color data X ni preferably includes multi-angle spectral reflectance and / or brilliance parameters. Since the predicted color data X ni includes a multi-angle spectral reflectance and / or a brilliant feeling parameter, it is possible to perform more accurate toning even for a brilliant color whose optical characteristics are difficult to predict.
Ｓ１０６工程において、学習された人工知能モデルを用いて予測色彩データＸｎｉを得る方法としては、学習された人工知能モデル、例えば、ニューラルネットワークにおける入力層の各ユニットに、候補配合組成データＹｎｉの特徴量を入力すればよい。入力層に入力された候補配合組成データＹｎｉは、各ノード及び各層の間を重みづけされながら送信され、出力層の各ユニットから色彩データとして出力されることとなる。 In the step S106, as a method of obtaining the predicted color data X ni using the trained artificial intelligence model, a trained artificial intelligence model, for example, a candidate compounding composition data Y ni can be obtained in each unit of the input layer in the neural network. All you have to do is enter the feature amount. The candidate compounding composition data Y ni input to the input layer is transmitted while being weighted between each node and each layer, and is output as color data from each unit of the output layer.
Ｓ１０６工程において、学習された人工知能モデル以外の予測式を用いて予測色彩データＸｎｉを得る方法としては、ＣＣＭによる調色の分野で公知の各種の予測式を用いることができる。このような予測式としては、例えば、クベルカ・ムンクの光学濃度式と、ダンカンの混色理論式による２定数法の予測式を用いる方法、ファジィ推論を用いる方法、その他、色彩データ又は配合組成データをコンピュータにて比較し、それぞれの整合の度合いを指数化する方法等があげられる。 In the step S106, as a method for obtaining the predicted color data X ni using a prediction formula other than the learned artificial intelligence model, various prediction formulas known in the field of toning by CCM can be used. As such a prediction formula, for example, a method using a Kubelka-Munk optical density formula, a method using a two-constant method prediction formula based on Duncan's color mixing theory formula, a method using fuzzy reasoning, and other color data or compounding composition data. A method of comparing with a computer and indexing the degree of each matching can be mentioned.
クベルカ・ムンクの光学濃度式と、ダンカンの混色理論式とを用いる方法は、以下のようなものである。１種類以上の色材を含有する組成物に含まれる各色材それぞれの光散乱係数及び光吸収係数と、各色材の配合比率を求め、クベルカ・ムンクの光学濃度式から「混色後の光吸収係数／混色後の光散乱係数」を算出し、この値を用いてダンカンの混色理論式を用いて分光反射率を求めることができる。また、目標とする色彩の分光反射率から「光吸収係数／光散乱係数」を算出し、これに色を合わせるために必要な色材や組成物等各原色塗料の配合比を求めることができる。この計算を可視スペクトルの各波長について行なうことで、目標とする色彩にするための顔料配合比を決定することができる。 The method using the Kubelka-Munch optical density formula and Duncan's color mixing formula is as follows. The light scattering coefficient and the light absorption coefficient of each color material contained in the composition containing one or more kinds of color materials and the compounding ratio of each color material were obtained, and the "light absorption coefficient after color mixing" was obtained from the optical density formula of Kubelka Munk. / "Light scattering coefficient after color mixing" is calculated, and this value can be used to obtain the spectral reflectance using Duncan's color mixing theory formula. In addition, the "light absorption coefficient / light scattering coefficient" can be calculated from the spectral reflectance of the target color, and the blending ratio of each primary color paint such as a color material or composition required for matching the color can be obtained. .. By performing this calculation for each wavelength of the visible spectrum, it is possible to determine the pigment compounding ratio for achieving the target color.
ここで、クベルカ・ムンクの光学濃度式は、以下のとおりである。
（Ｋ／Ｓ）λ：波長λにおけるクベルカ・ムンクの光学濃度関数
Ｋ ：光吸収係数
Ｓ ：光散乱係数
Ｒλ ：波長λにおける反射率
λ ：波長
(K / S) λ : Kubelka-Munch optical density function at wavelength λ K : Light absorption coefficient S : Light scattering coefficient R λ : Reflectance at wavelength λ λ: Wavelength
また、ダンカンの混色理論式は、以下のとおりである。
Ｓｍ：混色後の光散乱係数
Ｋｉ：着色剤ｉの光吸収係数
Ｓｉ：着色剤ｉの光散乱係数
Ｐｉ：着色剤ｉの配合比率
Duncan's color mixing formula is as follows.
クベルカ・ムンクの光学濃度式は、光吸収係数と光散乱係数の比を分光反射率から計算して求めるもので、ダンカンの混色理論式を用いて混色計算を行うためには、光吸収係数及び光散乱係数の各々を求めておく必要がある。光吸収係数及び光散乱係数を求める方法としては公知の方法を用いることができ、例えば相対法や絶対法を用いることができる。
この際、より予測精度を向上させるために、塗料を形成する樹脂層と空気層の界面にて生じる内部鏡面反射や屈折率差による、分光反射率の測定に対する影響を補正するため、サンダーソンの式を用いて理想状態の反射率に変換した後、混色計算を行うことができる。また、着色剤の配合を目標色に合致させるために、着色剤の配合比を調整する方法には、ニュートン・ラプソン法による反復計算を用いることができ、目標反射率と予測反射率の色彩一致性の評価には、反射率から計算される色彩値ＸＹＺ、Ｌ＊ａ＊ｂ＊等を利用し、目標値と予測値の差を評価しつつニュートン・ラプソン法にて収束計算を行うメタメリック法や、目標反射率と予測反射率の差の２乗和を評価しつつ収束計算を行うアイソメリック法を用いることができる。
The optical density formula of Kubelka Munk is obtained by calculating the ratio of the light absorption coefficient and the light scattering coefficient from the spectral reflectance. In order to perform the color mixing calculation using Duncan's color mixing theory formula, the light absorption coefficient and the light scattering coefficient It is necessary to obtain each of the light scattering coefficients. As a method for obtaining the light absorption coefficient and the light scattering coefficient, a known method can be used, and for example, a relative method or an absolute method can be used.
At this time, in order to further improve the prediction accuracy, in order to correct the influence on the measurement of the spectral reflectance due to the internal specular reflection and the difference in the refractive index generated at the interface between the resin layer and the air layer forming the paint, Sanderson's After converting to the ideal state reflectance using the formula, the color mixture calculation can be performed. In addition, iterative calculation by the Newton-Rapson method can be used as a method of adjusting the blending ratio of the colorant in order to match the blending of the colorant with the target color, and the color matching between the target reflectance and the predicted reflectance can be used. For the evaluation of sex, the color values XYZ, L * a * b *, etc. calculated from the reflectance are used, and the convergence calculation is performed by the Newton-Rapson method while evaluating the difference between the target value and the predicted value. Alternatively, an isometric method can be used in which the convergence calculation is performed while evaluating the sum of squares of the difference between the target reflectance and the predicted reflectance.
ファジィ推論は、曖昧性をファジィ集合論におけるメンバーシップ関数を用いることで定義する方法がとられる。ファジィ推論の具体的な方法としては、これまで多数の提案がなされており、本発明においては、いずれの方法を用いてもよい。例えば、マンダーニによって考案されたファジィ推論方法を用いることができる。 Fuzzy reasoning is a method of defining ambiguity by using the membership function in fuzzy set theory. As a specific method of fuzzy reasoning, many proposals have been made so far, and in the present invention, any method may be used. For example, the fuzzy reasoning method devised by Mandani can be used.
合否の判定は、例えば、色彩データＸｔを構成する各要素と、予測色彩データＸｎｉを構成する各要素とを、それぞれ個別に対比して行うことができる。例えば、色彩データＸｔ及び予測色彩データＸｎｉがＬ＊ａ＊ｂ＊表色系を用いた要素及びそれから得られる要素を含む場合、Ｌ＊、ａ＊及びｂ＊それぞれに加え、色差ΔＥについても対比して、合否判定を行うことができる。その際、各構成要素における差分、一致度、誤差率等についての閾値を設けたり、各種の補正式を用いたりし、これらを参考にして作業者、コンピュータ又は機器が、好ましくはコンピュータ又は機器が合否判定を行うようにしてもよい。
本発明において、前記予測色彩データＸｎｉが光輝性に係る色彩データである場合には、多角度の分光反射率及び／又は光輝感パラメータを用い、合否判定を行うことが好ましい。
なお、合否の判定に際しては、必要に応じて、合否にかかわらず予測色彩データＸｎｉを目標色彩データＸｔに近いものとするための改良点等を、作業者に報知するようにしてもよい。
Ｓ１０６工程で得られた各種データや、合否判定の結果等は、通常、データベースに蓄積され、次回以降の工程に反映されることとなるが、データベースに蓄積するか否かを切り替える手段等を有していてもよい。
The pass / fail determination can be performed, for example, by individually comparing each element constituting the color data X t and each element constituting the predicted color data X ni. For example, when the color data X t and the predicted color data X ni include an element using the L * a * b * color system and an element obtained from the element, the color difference ΔE is added to each of L *, a * and b *. Can be compared to make a pass / fail judgment. At that time, a threshold value for the difference, the degree of agreement, the error rate, etc. in each component is set, and various correction formulas are used, and the worker, the computer or the device is preferably referred to the computer or the device. A pass / fail judgment may be made.
In the present invention, when the predicted color data X ni is color data related to brilliance, it is preferable to make a pass / fail judgment using a multi-angle spectral reflectance and / or a brilliant feeling parameter.
When determining pass / fail, if necessary, the operator may be notified of improvements and the like for making the predicted color data X ni closer to the target color data X t regardless of pass / fail. ..
Various data obtained in the S106 process, pass / fail judgment results, etc. are usually stored in the database and reflected in the next and subsequent processes, but there is a means for switching whether or not to store in the database. You may be doing it.
＜Ｓ１０７工程＞
Ｓ１０７工程は、前記Ｓ１０６工程において合格しない場合に、コンピュータを用いて目標色彩データＸｔを与えると予測される候補配合組成データＹｎｉを得た後、前記少なくとも１種の学習した人工知能モデル及び／又は前記人工知能モデル以外の予測式を用いて、候補配合組成データＹｎｉから予測される予測色彩データＸｎｉを得るとともに、前記色彩データＸｔと前記予測色彩データＸｎｉとを比較し、合否を判定する工程を、合格するまで繰り返す工程である。
Ｓ１０７工程において、コンピュータを用いて目標色彩データＸｔを与えると予測される候補配合組成データＹｎｉを得る方法は、Ｓ１０６工程におけるコンピュータを用いて目標色彩データＸｔを与えると予測される候補配合組成データＹｎｉを得る方法と同じものである。
また、Ｓ１０７工程において、合否を判定する方法は、Ｓ１０６工程における合否を判定する方法と同じものである。
<S107 process>
S107 process, if it does not pass in the S106 step, the target color after obtaining provide data X t and the predicted candidate blending composition data Y ni, said at least one learned artificial intelligence model and using a computer / or by using a prediction expression other than the artificial intelligence model, along with obtaining a predicted color data X ni predicted from the candidate blend composition data Y ni, comparing the predicted color data X ni and the color data X t, It is a process of repeating the process of determining pass / fail until it passes.
In the method of obtaining the candidate compounding composition data Y ni predicted to give the target color data X t using a computer in the step S107, the candidate compounding predicted to give the target color data X t using the computer in the step S106. It is the same as the method for obtaining the composition data Y ni.
Further, the method for determining pass / fail in the step S107 is the same as the method for determining pass / fail in the step S106.
Ｓ１０７工程において、候補配合組成データＹｎｉから予測される予測色彩データＸｎｉを得る際には、Ｓ１０６工程において用いたのと同じ、少なくとも１種の学習した人工知能モデル及び／又は人工知能モデル以外の予測式を用いることができる。また、少なくとも１種の学習した人工知能モデル又は人工知能モデル以外の予測式のいずれか一方のみを用いるように、切り替える工程（手段）が設けられていてもよい。
本発明においては、Ｓ１０６工程で不合格となった場合、Ｓ１０７工程では、Ｓ１０６工程で用いられなかった人工知能モデル又は人工知能モデル以外の予測式を用いることが好ましい。
また、複数のＳ１０７工程が行われる際には、互いに異なる人工知能モデル又は人工知能モデル以外の予測式を用いることが好ましい。
例えば、Ｓ１０６工程で少なくとも１種の学習した人工知能モデルを用いて得られた予測色彩データＸｎｉが合格しなかった場合、次のＳ１０７工程では人工知能モデル以外の予測式を用いるように切り替えることが好ましい。
予測式の切り替えは、手動で行うことができ、また、所定の条件を満たした場合に自動で行うように設定することができる。本発明においては、複数回のＳ１０７工程のうち少なくとも１回は、人工知能モデル以外の予測式を用いるようにすることが好ましい。
なお、合格とならなかったＳ１０６工程やＳ１０７工程のデータは、データベースに蓄積されることから、本発明においては、同じ人工知能モデル又は人工知能モデル以外の予測式を用いた場合であっても、Ｓ１０６工程とＳ１０７工程、複数のＳ１０７工程を繰り返す場合において、異なる結果が得られることとなる。
In the step S107, when the predicted color data X ni predicted from the candidate compounding composition data Y ni is obtained, the same at least one learned artificial intelligence model and / or the artificial intelligence model other than that used in the step S106 is obtained. Prediction formula can be used. Further, a step (means) for switching may be provided so as to use only one of at least one learned artificial intelligence model or a prediction formula other than the artificial intelligence model.
In the present invention, if the process fails in step S106, it is preferable to use an artificial intelligence model or a prediction formula other than the artificial intelligence model that was not used in step S106 in step S107.
Further, when a plurality of S107 steps are performed, it is preferable to use an artificial intelligence model different from each other or a prediction formula other than the artificial intelligence model.
For example, if the predicted color data X ni obtained by using at least one type of learned artificial intelligence model in step S106 does not pass, the next step S107 is switched to use a prediction formula other than the artificial intelligence model. Is preferable.
The prediction formula can be switched manually, or can be set to be automatically performed when a predetermined condition is satisfied. In the present invention, it is preferable to use a prediction formula other than the artificial intelligence model at least once out of a plurality of S107 steps.
Since the data of the S106 process and the S107 process that did not pass are accumulated in the database, in the present invention, even if the same artificial intelligence model or a prediction formula other than the artificial intelligence model is used, even if a prediction formula other than the same artificial intelligence model is used. When the S106 step, the S107 step, and a plurality of S107 steps are repeated, different results can be obtained.
＜Ｓ１０８工程＞
Ｓ１０８工程は、前記Ｓ１０５〜Ｓ１０７工程のいずれかで合格した、合格配合組成データＹＣ１を得る工程である。本発明においては、合格配合組成データＹＣ１を出力してもよく、出力せずにデータを送信してもよい。
合格配合組成データＹＣ１は、調色方法により得られる塗料組成物の配合組成データを含むことができる。例えば、複数の市販の調色用塗料の配合比、顔料等の色材成分と調色用塗料の配合比、１種類以上の色材の配合比等のデータがあげられる。
また、合格配合組成データＹＣ１は、合格配合組成と近似配合組成及び／又は候補配合組成との差分を解消するために必要な、成分及び／又はその配合量に関するデータを含むことができる。例えば、合格配合組成と近似配合組成又は候補配合組成とを対比した際における１以上の配合成分の差分等、近似配合組成と候補配合組成とを対比した際における１以上の配合成分の差分等の１種類以上のデータがあげられる。これらの差分データは、特定の配合組成からの微調色を行う際に用いられる微調色配合組成データに相当し、調色作業を簡略化するのに有用である。
<S108 process>
The step S108 is a step of obtaining pass compounding composition data Y C1 that has passed in any of the steps S105 to S107. In the present invention, the accepted compounding composition data Y C1 may be output, or the data may be transmitted without being output.
The accepted compounding composition data Y C1 can include compounding composition data of the coating composition obtained by the toning method. For example, data such as a blending ratio of a plurality of commercially available color matching paints, a blending ratio of a coloring material component such as a pigment and a blending ratio of a toning paint, and a blending ratio of one or more kinds of coloring materials can be given.
Further, the accepted compounding composition data Y C1 can include data on the components and / or the compounding amount thereof necessary for eliminating the difference between the accepted compounding composition and the approximate compounding composition and / or the candidate compounding composition. For example, the difference between one or more compounding components when the acceptable compounding composition is compared with the approximate compounding composition or the candidate compounding composition, the difference between one or more compounding components when comparing the approximate compounding composition and the candidate compounding composition, and the like. One or more types of data can be mentioned. These difference data correspond to the fine color adjustment composition data used when performing fine color adjustment from a specific compound composition, and are useful for simplifying the color adjustment work.
合格配合組成データＹＣ１を出力する場合には、モニタ、ディスプレイ、携帯端末装置、スマートフォン等の携帯電話機、信号に基づいて情報又は画像を表示又は出力することができる任意の出力装置を用いることができる。また、信号に基づいて、情報又は画像を紙、プラスチック等の適当な媒体に表示することができる印刷装置等の出力装置を用いることもできる。
合格配合組成データＹＣ１の出力は、コンピュータ内部での出力であってもよく、この場合、コンピュータ内部で出力された合格配合組成データＹＣ１は、自動配合装置、端末装置、データ記録装置、データ記録媒体等に通信手段等を通じて送られる。
また、合格配合組成データＹＣ１は、出力することなく、自動配合装置、端末装置、データ記録装置、データ記録媒体等に通信手段等を通じて送信してもよい。
When outputting the pass composition composition data Y C1 , it is possible to use a monitor, a display, a mobile terminal device, a mobile phone such as a smartphone, or an arbitrary output device capable of displaying or outputting information or an image based on a signal. can. Further, an output device such as a printing device capable of displaying information or an image on an appropriate medium such as paper or plastic based on a signal can also be used.
The output of the pass blending composition data Y C1 may be the output of the internal computer, in this case, pass blending composition data Y C1 outputted by the internal computer, automatic compounding device, the terminal device, data recording device, data It is sent to a recording medium or the like via a communication means or the like.
Further, the accepted compounding composition data Y C1 may be transmitted to an automatic compounding device, a terminal device, a data recording device, a data recording medium, or the like through a communication means or the like without being output.
＜Ｓ１０９工程＞
Ｓ１０９工程は、前記合格配合組成データＹＣ１に基づき、実候補塗料ＣＭＣｉを調製し、該実候補塗料ＣＭＣｉの塗装板を得て、実測色彩データＸＣｉを取得する工程である。
<S109 process>
The step S109 is a step of preparing an actual candidate paint CM Ci based on the accepted compounding composition data Y C1 , obtaining a coated plate of the actual candidate paint CM Ci , and acquiring actual color data X Ci.
実候補塗料ＣＭＣｉの調製方法は、特に限定されず、塗料を調製する際の公知の方法により行うことができる。例えば、実候補塗料ＣＭＣｉを構成する各成分を調合容器に入れ、必要に応じて攪拌装置や分散装置等により混合し、調製することができる。
本発明においては、コンピュータが算出した合格配合組成のデータを、有線又は無線のネットワークを経由して電子天秤等を備える自動調合機に送信することにより、実候補塗料ＣＭＣｉを調製してもよい。これにより、作業者が熟練者でなくても、容易に実候補塗料ＣＭＣｉを調製することができる。
実候補塗料ＣＭＣｉの組成物としては、例えば、顔料、樹脂各種（アクリル樹脂、エポキシ樹脂、ウレタン樹脂、メラミン樹脂、ポリエステル樹脂等）、各種添加剤（界面活性剤、表面調整剤、中和剤）、溶媒、触媒等を含む成分であることができ、特にアクリル樹脂を含む組成物が好適に挙げられる。さらに、組成物としては、一液型や二液以上の多液型であってもよく、二液である場合には、例えばポリイソシアネート化合物を含む硬化剤を使用してもよい。また、前記組成物の形態は、特に限定されるものではなく、水性、有機溶剤型及び無溶剤型のいずれの形態であってもよいが、組成物の貯蔵安定性の観点からは有機溶剤型塗料又は非水分散液型塗料、環境を配慮した場合には、高固形分型有機溶剤型塗料又は水性塗料であることが好適である。
The method for preparing the actual candidate paint CM Ci is not particularly limited, and the paint can be prepared by a known method. For example, each component constituting the actual candidate paint CMCi can be placed in a mixing container and mixed with a stirring device, a dispersion device or the like as necessary to prepare.
In the present invention, the actual candidate paint CMCi may be prepared by transmitting the data of the accepted compounding composition calculated by the computer to an automatic blender equipped with an electronic balance or the like via a wired or wireless network. .. This makes it possible to easily prepare the actual candidate paint CMCi even if the worker is not an expert.
Examples of the composition of the actual candidate paint CM Ci include pigments, various resins (acrylic resin, epoxy resin, urethane resin, melamine resin, polyester resin, etc.) and various additives (surface active agent, surface conditioner, neutralizing agent, etc.). ), A component containing a solvent, a catalyst and the like, and a composition containing an acrylic resin is particularly preferable. Further, the composition may be a one-component type or a two-component or more multi-component type, and in the case of a two-component composition, for example, a curing agent containing a polyisocyanate compound may be used. The form of the composition is not particularly limited and may be any of water-based, organic solvent type and solvent-free type, but from the viewpoint of storage stability of the composition, the organic solvent type may be used. It is preferable to use a paint or a non-aqueous dispersion type paint, or a high solid content type organic solvent type paint or a water-based paint when the environment is considered.
実候補塗料ＣＭＣｉの塗装板を得る方法についても、特に限定されず、塗装板を調製する際の公知の方法により行うことができる。例えば、基材に、１層以上の調色塗料の塗膜を隠ぺい膜厚以上となるように形成し、最上層にクリヤー塗料の塗膜を例えば乾燥膜厚で１０〜１００μｍの膜厚となるように形成して塗装板とする方法等があげられる。各塗膜を形成する際には、必要に応じて加熱することで乾燥・硬化させてもよい。加熱による乾燥・硬化を行う場合は、すべての塗膜を形成した後に一括して行っても、塗膜を形成した際にその都度行ってもよい。実候補塗料ＣＭＣｉの塗装板は、ロボット等を用いた自動塗装装置を用い全自動で作製してもよく、一部の工程を作業者が行うことで作製してもよい。 The method for obtaining the coated plate of the actual candidate paint CM Ci is also not particularly limited, and can be performed by a known method when preparing the coated plate. For example, one or more layers of the toning paint film are formed on the base material so as to have a hiding film thickness or more, and a clear paint film film is formed on the uppermost layer so as to have a dry film thickness of 10 to 100 μm. A method of forming a coated plate in this way can be mentioned. When forming each coating film, it may be dried and cured by heating as necessary. When drying and curing by heating, it may be carried out collectively after all the coating films have been formed, or it may be carried out each time the coating film is formed. The coating plate of the actual candidate paint CM Ci may be produced fully automatically by using an automatic coating apparatus using a robot or the like, or may be produced by performing a part of the steps by an operator.
本発明方法で用いる基材としては、特に限定されず、調色用試験塗板を作製するのに使用されている基材を用いることができる。例えば、金属板、紙、プラスチックフィルム等があげられる。基材の大きさは、測色を行うことができかつ色調を目視で確認できる程度の大きさであれば特に制限されず、例えば、１辺の長さが５〜２０ｃｍ程度であることが一般的である。 The base material used in the method of the present invention is not particularly limited, and the base material used for producing a test coating plate for toning can be used. For example, a metal plate, paper, a plastic film and the like can be mentioned. The size of the base material is not particularly limited as long as the color can be measured and the color tone can be visually confirmed. For example, the length of one side is generally about 5 to 20 cm. It is a target.
実候補塗料ＣＭＣｉの塗装板を測色して実測色彩データＸＣｉを取得する工程は、色彩計、多角度分光光度計、レーザー式メタリック感測定機器、変角分光光度計、光沢計、ミクロ光輝感測定器等の測定機器を用いた測定により直接取得するか、測定により取得されたデータを用いて算出することで取得できる。 The process of measuring the color of the coated plate of the actual candidate paint CM Ci and acquiring the measured color data X Ci is a color meter, a multi-angle spectrophotometer, a laser metallic sensation measuring device, a variable-angle spectrophotometer, a gloss meter, and a micro. It can be acquired directly by measurement using a measuring device such as a brilliance measuring device, or by calculation using the data acquired by measurement.
＜Ｓ１１０工程＞
Ｓ１１０工程は、前記色彩データＸｔと前記実測色彩データＸＣｉとの比較、及び／又は、前記目標とする色彩と前記実候補塗料ＣＭＣｉの塗装板の色彩との比較により、合否を判定する工程である。合否の判定は、作業者、コンピュータ又は機器により行われる。
<S110 process>
S110 step, the comparison of the color data X t and the measured color data X Ci, and / or by comparison with color paint plate color and the actual candidate paint CM Ci to the target, determines acceptance It is a process. The pass / fail judgment is made by an operator, a computer or a device.
合否の判定は、目標とする色彩Ｘｔと前記実候補塗料ＣＭＣｉの塗装板の色彩とを、作業者が目視により対比して行うことができる。また、例えば、目標色彩データＸｔ又はこれを構成する各要素と、前記実候補塗料ＣＭＣｉの塗装板を測色計等により測定して得られた色彩データ又はこれを構成する各要素とを、それぞれ個別に対比し、作業者、コンピュータ又は機器が行うようにしてもよい。その際、Ｓ１０６工程及びＳ１０７工程における合否の判定と同様に、各構成要素における差分、一致度、誤差率等についての閾値を設けたり、各種の補正式を用いたりし、これらを参考にして作業者、コンピュータ又は機器により合否の判定を行うようにしてもよい。
一致度、誤差率等についての閾値としては、例えば１．０以下好ましくは０．５以下など適宜設定できる。
各種の補正式としては、ＣＩＥ７６、ＣＩＥＤＥ２０００またはこれらをベースとした独自の補正式が挙げられる。
本発明において、合否の判定をコンピュータが行う場合には、例えば、機械学習を用いて行うことができる。例えば、勾配ブースティングを用いた決定木、線形回帰、ロジスティック回帰、単純パーセプトロン、ＭＬＰ、ニューラルネットワーク、サポートベクターマシン、ランダムフォレスト、ガウス過程、ベイジアンネットワーク、k近傍法、その他機械学習で用いられるモデルを用いることができる。
本発明においては、例えば、ニューラルネットワークのうちのSOM（Self-Organizing Map：自己組織化マップ）を用いることができる。
その際、SOMに独自のデータ解釈を加える（例えば、SOMマップ上にベクトルを設定し、判定方向を定義する）改良を行うことで、学習に用いたデータについての判定精度を向上させることができる。
また、SOMそのもののアルゴリズムに改良を加え、SOMのデータの存在しないノードに、予め周囲のノードから推定したベクトルを定義することで未知データにも対応できるようにしたものを用いることが好ましい。これにより、SOMが色およびメタリック感が類似したもの（色彩）同士を、SOMマップ上で近傍に配置することで、学習データ及び未知のデータを有する色彩（色及びメタリック感）について、一致度の合否判定を高精度で行うことが可能となる。
本発明においては、作業者の負担を軽減するために、合否判定をコンピュータ又は機器により行うことが好ましい。
本発明においては、作業者の目視による合否の判定と、色彩データ又はこれを構成する各要素に基づき作業者、コンピュータ又は機器により行われる合否の判定とを組み合わせることで、合否の判定を行ってもよい。
なお、合否の判定の際、必要に応じて、合否にかかわらず実候補塗料ＣＭＣｉの配合組成についての改良点等を作業者に報知するようにしてもよい。
Determination of Compliance is a color painting plate of the the color X t that the target actual candidate paint CM Ci, the operator can be performed by comparing visually. Further, for example, the target color data Xt or each element constituting the target color data Xt and the color data obtained by measuring the coating plate of the actual candidate paint CMCi with a colorimeter or the like or each element constituting the target color data Xt are obtained. , Each may be individually compared and performed by the operator, computer or device. At that time, as in the case of the pass / fail judgment in the S106 process and the S107 process, threshold values for the difference, the degree of agreement, the error rate, etc. in each component are set, and various correction formulas are used, and the work is performed with reference to these. The pass / fail judgment may be made by a person, a computer, or a device.
The threshold value for the degree of agreement, the error rate, and the like can be appropriately set, for example, 1.0 or less, preferably 0.5 or less.
Examples of various correction formulas include CIE76, CIEDE2000, or original correction formulas based on these.
In the present invention, when the pass / fail determination is performed by a computer, for example, machine learning can be used. For example, decision trees using gradient boosting, linear regression, logistic regression, simple perceptrons, MLPs, neural networks, support vector machines, random forests, Gaussian processes, Bayesian networks, k-nearest neighbors, and other models used in machine learning. Can be used.
In the present invention, for example, SOM (Self-Organizing Map) among neural networks can be used.
At that time, by adding an original data interpretation to the SOM (for example, setting a vector on the SOM map and defining the judgment direction), the judgment accuracy of the data used for learning can be improved. ..
In addition, it is preferable to improve the algorithm of SOM itself so that unknown data can be dealt with by defining a vector estimated from surrounding nodes in advance for the node where SOM data does not exist. As a result, by arranging SOMs with similar colors and metallic feelings (colors) in the vicinity on the SOM map, the degree of matching of the colors (colors and metallic feeling) having the learning data and unknown data can be improved. It is possible to make a pass / fail judgment with high accuracy.
In the present invention, in order to reduce the burden on the operator, it is preferable to perform the pass / fail judgment by a computer or a device.
In the present invention, the pass / fail judgment is performed by combining the pass / fail judgment visually by the operator and the pass / fail judgment performed by the worker, the computer, or the device based on the color data or each element constituting the same. May be good.
At the time of pass / fail determination, if necessary, the operator may be notified of improvements in the composition of the actual candidate paint CMCi regardless of pass / fail.
Ｓ１１０工程において合格した場合、実候補塗料ＣＭＣｉの配合組成に基づいて、塗料を調製することができる。また、必要に応じて、コンピュータを用いることなく、作業者による微調色を行う工程を付加し、より目標とする色彩に近づけることができる。 If it passes in the step S110, the paint can be prepared based on the compounding composition of the actual candidate paint CMCi. Further, if necessary, it is possible to add a process of finely adjusting the color by the operator without using a computer to bring the color closer to the target color.
＜Ｓ１１１工程＞
Ｓ１１１工程は、前記Ｓ１１０工程における合否の判定で合格しない場合に、前記Ｓ１０６〜Ｓ１１０工程を繰り返す工程である。
本発明においては、Ｓ１１０工程における合否の判定で２回以上不合格となった場合であっても、前記Ｓ１０６〜Ｓ１１０工程を繰り返し、Ｓ１１０工程における合否の判定で合格するまで繰り返し行うことができる。
<S111 process>
The S111 step is a step of repeating the steps S106 to S110 when the pass / fail determination in the step S110 does not pass.
In the present invention, even if the pass / fail determination in the S110 process fails more than once, the steps S106 to S110 can be repeated until the pass / fail determination in the S110 process passes.
Ｓ１０６〜Ｓ１１０工程を繰り返す際、Ｓ１０６工程及び／又はＳ１０７工程では、少なくとも１種の学習した人工知能モデル及び／又は人工知能モデル以外の予測式を用いて、予測色彩データＸｎｉを得ることができる。また、少なくとも１種の学習した人工知能モデル又は人工知能モデル以外の予測式のいずれか一方のみを用いるように、切り替える工程（手段）が設けられていてもよい。本発明においては、少なくとも１種の学習した人工知能モデルを用いて得られた予測色彩データＸｎｉが合格しなかった場合、次は人工知能モデル以外の予測式を用いるように切り替えることが好ましい。 When the steps S106 to S110 are repeated, in the steps S106 and / or S107, the predicted color data X ni can be obtained by using at least one learned artificial intelligence model and / or a prediction formula other than the artificial intelligence model. .. Further, a step (means) for switching may be provided so as to use only one of at least one learned artificial intelligence model or a prediction formula other than the artificial intelligence model. In the present invention, if the predicted color data X ni obtained by using at least one learned artificial intelligence model does not pass, it is preferable to switch to using a prediction formula other than the artificial intelligence model next.
本発明においては、Ｓ１０６〜Ｓ１１０を繰り返す際、前回のＳ１０６工程及びＳ１０７工程で用いられなかった人工知能モデル又は人工知能モデル以外の予測式を用いることが好ましい。
また、複数のＳ１０７工程が行われる際には、互いに異なる人工知能モデル又は人工知能モデル以外の予測式を用いることが好ましい。
予測式の切り替えは、手動で行うことができ、また、所定の条件を満たした場合に自動で行うように設定することができる。本発明においては、複数回のＳ１０６〜Ｓ１１０工程を繰り返す際、少なくとも１回は、人工知能モデル以外の予測式を用いるようにすることが好ましい。
なお、合格とならなかったＳ１０６工程〜Ｓ１１０工程でのデータは、データベースに蓄積されることから、本発明においては、Ｓ１０６〜Ｓ１１０工程を繰り返す際に、同じ人工知能モデル又は人工知能モデル以外の予測式を用いた場合でも、異なる結果が得られることとなる。
Ｓ１１１工程で合格せずＳ１０６〜Ｓ１１０工程を繰り返す際、Ｓ１０６工程及び／又はＳ１０７工程において予測色彩データＸｎｉを得る際には、少なくとも１種の学習した人工知能モデル及び／又は人工知能モデル以外の予測式のうち、前回使用しなかった予測式を用いるように切り替えることができる。予測式の切り替えは、手動で行うことができ、また、所定の条件を満たした場合に自動で行うように設定することができる。本発明においては、複数回のＳ１０６工程及び／又はＳ１０７工程のうち少なくとも１回は、人工知能モデル以外の予測式を用いるようにすることが好ましい。
また、Ｓ１１１工程において合格しない場合において、予測色彩データＸｎｉと実測色彩データＸＣｉの差分Δを補正係数αとしてコンピュータに入力した後に、Ｓ１０５工程〜Ｓ１１１工程を繰り返すことが好ましい。
これらにより、Ｓ１１０工程における実候補塗料ＣＭＣｉの調製回数を５回以内、好ましくは３回以内、より好ましくは２回以内で、目的とする色彩が得られる塗料を調製することができる。
In the present invention, when repeating S106 to S110, it is preferable to use an artificial intelligence model or a prediction formula other than the artificial intelligence model that was not used in the previous steps S106 and S107.
Further, when a plurality of S107 steps are performed, it is preferable to use an artificial intelligence model different from each other or a prediction formula other than the artificial intelligence model.
The prediction formula can be switched manually, or can be set to be automatically performed when a predetermined condition is satisfied. In the present invention, when repeating the steps S106 to S110 a plurality of times, it is preferable to use a prediction formula other than the artificial intelligence model at least once.
Since the data in the steps S106 to S110 that did not pass are accumulated in the database, in the present invention, when the steps S106 to S110 are repeated, the prediction other than the same artificial intelligence model or the artificial intelligence model is made. Even when the formula is used, different results will be obtained.
When the steps S106 to S110 are repeated without passing in the step S111, and when the predicted color data X ni is obtained in the steps S106 and / or S107, at least one type of learned artificial intelligence model and / or other than the artificial intelligence model is used. Of the prediction formulas, it is possible to switch to using the prediction formula that was not used last time. The prediction formula can be switched manually, or can be set to be automatically performed when a predetermined condition is satisfied. In the present invention, it is preferable to use a prediction formula other than the artificial intelligence model at least once out of a plurality of S106 steps and / or S107 steps.
Further, when the process does not pass in the S111 step, it is preferable to repeat the steps S105 to S111 after inputting the difference Δ between the predicted color data X ni and the measured color data X Ci as the correction coefficient α into the computer.
As a result, the actual candidate paint CMCi can be prepared within 5 times, preferably within 3 times, more preferably within 2 times in the S110 step, and a paint capable of obtaining the desired color can be prepared.
＜コンピュータ調色に基づく塗料の製造方法の応用＞
本発明のコンピュータ調色に基づく塗料の製造方法は、目的とする色彩を得るために塗料を調製する際に用いることができる。また、塗料の配合組成の際の識別や、配合組成の修正に用いることができる。
本発明の塗料の製造方法は、例えば、（ｉ）光輝性顔料を含む塗料、（ｉｉ）光輝性顔料として、パール顔料等の光干渉性顔料、又は、光干渉性顔料と金属顔料等の光反射性顔料との両者、を含む塗料、（ｉｉｉ）アクリル系樹脂を含み、光輝性顔料を含んでいてもよい補修用塗料、の１種以上の塗料の製造方法として有用である。
特に、本発明のコンピュータ調色に基づく塗料の製造方法は、色彩を有する物品、例えば、自動車、オートバイ等の車両又はその部品、トラック、バス、電車、モノレール等の大型車両又はその部品、その他の工業製品等に塗布する補修用塗料の調製に用いることができる。色彩を有する物品は、特に、単層又は複層の塗膜を有するものであってもよい。特にメタリック塗色、真珠光沢色などの光輝性顔料含有塗膜の上にクリヤー塗膜が設けられた複層塗膜である場合に本発明の効果を最大限に発揮することができる。
<Application of paint manufacturing method based on computer toning>
The method for producing a paint based on the computer toning of the present invention can be used when preparing a paint in order to obtain a desired color. Further, it can be used for identification in the compounding composition of the paint and for modifying the compounding composition.
The method for producing a paint of the present invention is, for example, (i) a paint containing a bright pigment, (ii) a light-interfering pigment such as a pearl pigment as a bright pigment, or light such as a light-interfering pigment and a metal pigment. It is useful as a method for producing one or more kinds of paints, which are a paint containing both of a reflective pigment and a repair paint containing (iii) an acrylic resin and may contain a brilliant pigment.
In particular, the method for producing a paint based on the computer toning of the present invention includes colored articles such as vehicles or parts thereof such as automobiles and motorcycles, large vehicles such as trucks, buses, trains and monorails or parts thereof, and other materials. It can be used to prepare repair paints to be applied to industrial products and the like. The colored article may in particular have a single-layer or multi-layer coating. In particular, the effect of the present invention can be maximized in the case of a multi-layer coating film in which a clear coating film is provided on a coating film containing a bright pigment such as a metallic coating color or a pearl glossy color.
［塗膜の色彩データを予測する方法］
図７は、本発明の塗膜の色彩データを予測する方法を実行する際のフローチャートである。なお、図７に示されるフローは、本発明の一実施の形態にすぎない。
本発明の塗膜の色彩データを予測する方法は、１種類以上の色材を含有する組成物の色彩データＸ及び配合組成データＹが少なくとも登録されたデータベースと、該データベースに登録されたデータを利用した色合わせ計算ロジックが作動するコンピュータと、を備えるコンピュータ調色装置を用い、下記Ｓ２０１〜Ｓ２０７工程を含む方法である。
ここで、Ｓ２０１工程及びＳ２０２工程は、それぞれＳ１０１工程及びＳ１０２工程と同じものである。以下、Ｓ２０３〜Ｓ２０７工程について、詳細に説明する。
[How to predict the color data of the coating film]
FIG. 7 is a flowchart for executing the method of predicting the color data of the coating film of the present invention. The flow shown in FIG. 7 is only one embodiment of the present invention.
In the method of predicting the color data of the coating film of the present invention, a database in which at least the color data X and the compounding composition data Y of the composition containing one or more kinds of coloring materials are registered and the data registered in the database are used. It is a method including the following steps S201 to S207 using a computer toning device including a computer on which the used color matching calculation logic is operated.
Here, the S201 step and the S202 step are the same as the S101 step and the S102 step, respectively. Hereinafter, the steps S203 to S207 will be described in detail.
＜Ｓ２０３工程＞
Ｓ２０３工程は、塗膜の色彩データを予測する塗料ＣＭｔの配合組成データＹＣＭを得る工程である。
塗膜の色彩データを予測する塗料ＣＭｔは、実際に塗料を調製することなくその色彩又は色彩データを取得したい塗料とすることができる。これにより、例えば、一度に多数の色彩を試作する等の場合において、塗料の調製、塗装による塗膜の調製及び塗膜の色彩データの測定という工程を行うことなく、容易に色彩又は色彩データを取得することができる。
配合組成データＹＣＭは、塗料中に含まれるバインダー、着色顔料、添加剤成分等について、それぞれの種類（商品名、品番等）及び配合量に係るデータである。具体的には、データベースに登録される配合組成データを構成する、組成や配合量に係るデータと同様のものとすることができる。
<S203 process>
The step S203 is a step of obtaining the compounding composition data Y CM of the paint CM t that predicts the color data of the coating film.
The paint CM t that predicts the color data of the coating film can be a paint for which the color or the color data is to be acquired without actually preparing the paint. As a result, for example, when a large number of colors are prototyped at one time, the color or color data can be easily obtained without performing the steps of preparing the paint, preparing the coating film by painting, and measuring the color data of the coating film. Can be obtained.
Blending composition data Y CM, the binder contained in the paint, colored pigments, for the additive components and the like, each type (trade name, product number, etc.) is data relating to and amounts. Specifically, it can be the same as the data related to the composition and the blending amount, which constitutes the blending composition data registered in the database.
＜Ｓ２０４工程＞
Ｓ２０４工程は、前記配合組成データＹＣＭを、前記コンピュータに入力する工程である。
データの入力は、前記Ｓ１０４工程において、目標色彩データＸｔをコンピュータに入力する手段と同様の手段を用いて行うことができる。
<S204 process>
S204 step, the compounded composition data Y CM, a step of inputting to the computer.
The data can be input by using the same means as the means for inputting the target color data Xt to the computer in the step S104.
＜Ｓ２０５工程＞
Ｓ２０５工程は、必要に応じて、コンピュータを用いた検索により、前記配合組成データＹＣＭに対応する検索色彩データＸｎ１を取得する工程である。
Ｓ２０５工程は、コンピュータカラーサーチ（ＣＣＳ）と同様の工程とすることができ、データベースに登録されている多数の配合組成データの中から、前記配合組成データＹＣＭと近似する配合組成データを検索し、得られた配合組成データに対応する色彩データを、検索色彩データＸｎ１として取得するものである。
ここで、データベースに登録されている配合組成データは、例えば、市販の塗料の配合組成データ、過去作製した塗料の配合組成データ等で、いずれも配合組成データと対応する色彩データとが関連付けられている。したがって、配合組成データＹＣＭに近似する配合組成データを得ることで、対応する色彩データを検索色彩データＸｎ１として容易に得ることができる。
<S205 process>
The step S205 is a step of acquiring the search color data X n1 corresponding to the compounding composition data Y CM by searching using a computer, if necessary.
S205 step may be a step similar to computer color search (CCS), among many blending composition data registered in the database, retrieves the blending composition data approximating said blend composition data Y CM , The color data corresponding to the obtained compounding composition data is acquired as the search color data X n1.
Here, the compounding composition data registered in the database is, for example, compounding composition data of a commercially available paint, compounding composition data of a paint produced in the past, etc., both of which are associated with the compounding composition data and the corresponding color data. There is. Therefore, to obtain a formulation composition data that approximates the blend composition data Y CM, it can be easily obtained the corresponding color data as search color data X n1.
配合組成データＹＣＭと近似する配合組成データを、多数の配合組成データから検索する際には、配合組成データを構成する要素の１つ以上（例えば、特定の色の顔料の含有量等）のそれぞれについて、対応する要素と対比し、値の差分、一致度、誤差率等が一定の範囲内であるものを検索して得ることができる。前記一定の範囲は、作業者が経験等を踏まえて設定してもよく、また、コンピュータにより設定することもできる。
本発明において、Ｓ２０５工程は、必要に応じて行われるものであり、行われなくても何ら問題はない。
The formulation composition data for approximating the blend composition data Y CM, when searching from a number of formulation composition data, one or more elements constituting the blending composition data (e.g., content of the pigment of a specific color, etc.) For each, it can be obtained by comparing with the corresponding element and searching for the value difference, the degree of agreement, the error rate, etc. within a certain range. The fixed range may be set by the operator based on experience or the like, or may be set by a computer.
In the present invention, the S205 step is performed as needed, and there is no problem even if it is not performed.
＜Ｓ２０６工程＞
Ｓ２０６工程は、前記Ｓ２０５工程で対応する検索色彩データＸｎ１が検索されなかった場合、又は、前記Ｓ２０５工程を行わなかった場合において、前記配合組成データＹＣＭから、前記少なくとも１種の学習した人工知能モデル、又は、前記少なくとも１種の学習した人工知能モデルと前記人工知能モデル以外の予測式とを用いて、予測色彩データＸｍ１を得る工程である。
<S206 process>
S206 process, if the search color data X n1 addressed in the S205 step is not found, or, in the case of not performed the S205 step, from the blend composition data Y CM, and said at least one learning artificial This is a step of obtaining predicted color data X m1 by using an intelligent model or at least one learned artificial intelligence model and a prediction formula other than the artificial intelligence model.
本発明においては、少なくとも１種の人工知能モデルを用い、配合組成データＹＣＭから、予測色彩データＸｍ１を得ることができる。また、少なくとも１種の学習した人工知能モデルと人工知能モデル以外の予測式とを併用して、予測色彩データＸｍ１を得ることができる。ここで、人工知能モデルを用いる方法等、人工知能モデル以外の予測式及びそれを用いる方法等は、前記Ｓ１０６工程において記載したのと同様のものとすることができる。 In the present invention, with at least one artificial intelligence model, the blend composition data Y CM, it is possible to obtain the predicted color data X m1. Further, the predicted color data X m1 can be obtained by using at least one type of learned artificial intelligence model and a prediction formula other than the artificial intelligence model in combination. Here, the prediction formula other than the artificial intelligence model and the method using the artificial intelligence model, such as the method using the artificial intelligence model, can be the same as those described in the step S106.
＜Ｓ２０７工程＞
Ｓ２０７工程は、必要に応じて、前記塗料ＣＭｔを塗装した塗装板の実測色彩データＸＣＭを取得し、前記予測色彩データＸｍ１と比較する工程である。
Ｓ２０７工程を実施し、結果をフィードバックすることにより、より高精度に塗膜の色彩データを予測することが可能となる。
例えば、実測色彩データＸＣＭと予測色彩データＸｍ１とで乖離が大きい場合には、人工知能モデル以外の予測式のみを用い、改めて予測色彩データを得るとともに、実測色彩データＸＣＭと比較して、フィードバックを行うことができる。
また、予測色彩データＸｍ１と実測色彩データＸＣＭとの差分Δを補正係数βとしてコンピュータに入力した後に、Ｓ２０５工程〜Ｓ２０７工程を繰り返すこともできる。
<S207 process>
The step S207 is a step of acquiring the actually measured color data X CM of the coated plate coated with the paint CM t and comparing it with the predicted color data X m1 as needed.
By carrying out the step S207 and feeding back the result, it becomes possible to predict the color data of the coating film with higher accuracy.
For example, if there is a large discrepancy between the measured color data X CM and the predicted color data X m1 , only the prediction formula other than the artificial intelligence model is used to obtain the predicted color data again and compare it with the measured color data X CM. , Can give feedback.
Further, after inputting the difference Δ between the predicted color data X m1 and the actually measured color data X CM into the computer as the correction coefficient β, the steps S205 to S207 can be repeated.
＜塗膜の色彩データを予測する方法の応用＞
本発明の塗膜の色彩データを予測する方法は、例えば、車両塗装等の塗装の際に用いる塗料を調製する際、塗膜の色調を予測するに用いることができる。
本発明塗膜の色彩データを予測する方法を用いることによって、個別の塗料配分組成に関する特定の塗料を生成する必要なしに、指定された多数の塗料配分組成に対する色彩の精度の高い予測が可能となる。また、多数の塗料配分組成候補の中から、指定された色彩からズレが最も小さい塗料配分組成を、多数の塗料配分組成の中から容易に選択することができる。これにより、多数の塗料配分組成についてそれぞれ塗料を調製し、その後、実際に被塗布材に塗布して塗板を作製後に測定を行うことなく、対応する色彩データを取得することが可能となる。
本発明の塗膜の色彩データを予測する方法は、例えば、（ｉ）光輝性顔料を含む塗料、（ｉｉ）光輝性顔料として、パール顔料等の光干渉性顔料、又は、光干渉性顔料と金属顔料等の光反射性顔料との両者、を含む塗料、（ｉｉｉ）アクリル系樹脂を含み、光輝性顔料を含んでいてもよい補修用塗料、の１種以上の塗料の塗膜について、その色彩データを高精度で予測でき有用である。
<Application of the method of predicting the color data of the coating film>
The method of predicting the color data of the coating film of the present invention can be used to predict the color tone of the coating film when preparing a coating material used for painting such as vehicle painting.
By using the method of predicting the color data of the coating film of the present invention, it is possible to accurately predict the color for a large number of specified paint distribution compositions without having to generate a specific paint for each paint distribution composition. Become. In addition, the paint distribution composition having the smallest deviation from the designated color can be easily selected from a large number of paint distribution composition candidates. This makes it possible to prepare paints for each of a large number of paint distribution compositions, and then obtain the corresponding color data without actually applying the paint to the material to be coated to prepare a coated plate and then performing measurement.
The method for predicting the color data of the coating film of the present invention is, for example, (i) a paint containing a brilliant pigment, (ii) a photo-interfering pigment such as a pearl pigment as a brilliant pigment, or a photo-interfering pigment. A coating film of one or more of a paint containing both a light-reflecting pigment such as a metal pigment and a repair paint containing (iii) an acrylic resin and may contain a brilliant pigment. It is useful because color data can be predicted with high accuracy.
［コンピュータ調色システム］
本発明のコンピュータ調色システムは、
１種類以上の色材を含有する組成物の色彩データ（Ｘ）及び配合組成データ（Ｙ）が登録されたデータベースと、該データベースに登録されたデータを利用した色合わせ計算ロジックが作動するコンピュータと、を備えるコンピュータ調色システムであって、下記手段Ｓ３０１〜Ｓ３１１を含むものである。
（Ｓ３０１）前記データベースに登録されたデータを用い、学習用データを前記コンピュータに入力する手段、
（Ｓ３０２）前記学習用データを機械学習させ、配合組成データＹから色彩データＸを推定する人工知能モデルの少なくとも１種、を含む学習した人工知能モデルを生成する手段、
（Ｓ３０３）目標とする色彩の目標色彩データＸｔを得る手段、
（Ｓ３０４）前記目標色彩データＸｔを、前記コンピュータに入力する手段、
（Ｓ３０５）コンピュータを用いた検索により、前記目標色彩データＸｔに近似する検索色彩データＸｎ１及び検索色彩データＸｎ１に対応する近似配合組成データＹｎ１を得るとともに、前記目標色彩データＸｔと前記検索色彩データＸｎ１とを比較し合否を判定する手段、
（Ｓ３０６）前記手段Ｓ３０５において合格しない場合に、コンピュータを用いて目標色彩データＸｔを与えると予測される候補配合組成データＹｎｉを得た後、前記少なくとも１種の学習した人工知能モデル及び／又は前記人工知能モデル以外の予測式を用いて、候補配合組成データＹｎｉから予測される予測色彩データＸｎｉを得るとともに、前記色彩データＸｔと前記予測色彩データＸｎｉとを比較し、合否を判定する手段、
（Ｓ３０７）前記手段Ｓ３０６において合格しない場合に、コンピュータを用いて目標色彩データＸｔを与えると予測される候補配合組成データＹｎｉを得た後、前記少なくとも１種の学習した人工知能モデル及び／又は前記人工知能モデル以外の予測式を用いて、候補配合組成データＹｎｉから予測される予測色彩データＸｎｉを得るとともに、前記色彩データＸｔと前記予測色彩データＸｎｉとを比較し、合否を判定する手段を、合格するまで繰り返す手段、
（Ｓ３０８）前記手段Ｓ３０５〜Ｓ３０７のいずれかで合格した際の、合格配合組成データＹＣ１を得る手段、
（Ｓ３０９）前記合格配合組成データＹＣ１に基づき、実候補塗料ＣＭＣｉを調製し、該実候補塗料ＣＭＣｉの塗装板を得て、実測色彩データＸＣｉを取得する手段、
（Ｓ３１０）前記色彩データＸｔと前記実測色彩データＸＣｉとの比較、及び／又は、前記目標とする色彩と前記実候補塗料ＣＭＣｉの塗装板の色彩との比較により、合否を判定する手段、
（Ｓ３１１）前記手段Ｓ３１０において合格しない場合に、前記手段Ｓ３０６〜Ｓ３１０を繰り返す手段。
[Computer toning system]
The computer toning system of the present invention
A database in which color data (X) and compounding composition data (Y) of a composition containing one or more kinds of coloring materials are registered, and a computer in which a color matching calculation logic using the data registered in the database is operated. A computer toning system comprising the following means S301 to S311.
(S301) A means for inputting learning data into the computer using the data registered in the database.
(S302) A means for generating a learned artificial intelligence model including at least one kind of artificial intelligence model that estimates color data X from compounding composition data Y by machine learning the training data.
(S303) means for obtaining a target color data X t of color as a target,
(S304) A means for inputting the target color data Xt into the computer,
(S305) The search using a computer, together with obtaining the target color data X t approximation to find the color data X n1 and search color approximation formulation composition data Y n1 corresponding to the data X n1, and the target color data X t A means for determining pass / fail by comparing with the search color data X n1.
(S306) when not pass in said means S305, after obtaining the candidate formulation composition data Y ni predicted to give a target color data X t using a computer, artificial intelligence model said at least one of learning and / or using said artificial intelligence model non-predictive type, with obtaining a predicted color data X ni predicted from the candidate blend composition data Y ni, comparing with the color data X t and the predicted color data X ni, acceptance Means to determine,
(S307) when not pass in said means S306, after obtaining the candidate formulation composition data Y ni predicted to give a target color data X t using a computer, artificial intelligence model said at least one of learning and / or using said artificial intelligence model non-predictive type, with obtaining a predicted color data X ni predicted from the candidate blend composition data Y ni, comparing with the color data X t and the predicted color data X ni, acceptance Means to repeat the means to judge until it passes,
(S308) A means for obtaining pass compounding composition data Y C1 when any of the above means S305 to S307 is passed.
(S309) A means for preparing an actual candidate paint CM Ci based on the accepted compounding composition data Y C1 , obtaining a coated plate of the actual candidate paint CM Ci , and acquiring actual color data X Ci.
(S310) the comparison of the color data X t and the measured color data X Ci, and / or by comparison with color paint plate color and the actual candidate paint CM Ci to the target, means for determining the acceptability ,
(S311) A means for repeating the means S306 to S310 when the means S310 does not pass.
ここで、「１種類以上の色材を含有する組成物」、「１種類以上の色材を含有する組成物の色彩データ（Ｘ）及び配合組成データ（Ｙ）が登録されたデータベース」及び「該データベースに登録されたデータを利用した色合わせ計算ロジックが作動するコンピュータ」は、前記コンピュータ調色に基づく塗料の製造方法で用いられる装置における「データベース」及び「コンピュータ」と実質的に同じものとすることができる。 Here, "a composition containing one or more kinds of coloring materials", "a database in which color data (X) and compounding composition data (Y) of a composition containing one or more kinds of coloring materials are registered" and ". The "computer on which the color matching calculation logic using the data registered in the database operates" is substantially the same as the "database" and "computer" in the apparatus used in the method for manufacturing paint based on the computer toning. can do.
また、前記手段Ｓ３０１〜Ｓ３１１は、本発明のコンピュータ調色に基づく塗料の製造方法におけるＳ１０１〜Ｓ１１１工程を実施するための手段に相当するものであるから、実質的にＳ１０１〜Ｓ１１２工程に関して説明した手段と同様の手段とすることができる。さらに、自動調合手段についても、本発明のコンピュータ調色に基づく塗料の製造方法で用いられる自動調合機による自動調合手段と同様のものとすることができる。
本発明のコンピュータ調色システムは、例えば、（ｉ）光輝性顔料を含む塗料、（ｉｉ）光輝性顔料として、パール顔料等の光干渉性顔料、又は、光干渉性顔料と金属顔料等の光反射性顔料との両者、を含む塗料、（ｉｉｉ）アクリル系樹脂を含み、光輝性顔料を含んでいてもよい補修用塗料、の１種以上の塗料の調製に際して有用である。
Further, since the means S301 to S311 correspond to the means for carrying out the steps S101 to S111 in the method for producing a paint based on the computer toning of the present invention, the steps S101 to S112 have been substantially described. It can be the same means as the means. Further, the automatic blending means can be the same as the automatic blending means by the automatic blending machine used in the method for producing a paint based on the computer toning of the present invention.
The computer toning system of the present invention is, for example, (i) a paint containing a bright pigment, (ii) a light interfering pigment such as a pearl pigment as a bright pigment, or light such as a light interfering pigment and a metal pigment. It is useful in the preparation of one or more paints, a paint containing both of a reflective pigment and a repair paint containing (iii) an acrylic resin and may contain a brilliant pigment.
［塗膜の色彩データを予測するシステム］
本発明の塗膜の色彩データを予測するシステムは、１種類以上の色材を含有する組成物の色彩データ（Ｘ）及び配合組成データ（Ｙ）が登録されたデータベースと、該データベースに登録されたデータを利用した色合わせ計算ロジックが作動するコンピュータと、を備える塗膜の色彩データを予測するシステムであって、下記手段Ｓ４０１〜Ｓ４０７を含むものである。
（Ｓ４０１）前記データベースに登録されたデータを用い、学習用データを前記コンピュータに入力する手段、
（Ｓ４０２）前記学習用データを機械学習させ、配合組成データＹから色彩データＸを推定する人工知能モデルの少なくとも１種を生成する手段、
（Ｓ４０３）塗膜の色彩データを予測する塗料ＣＭｔの配合組成データＹＣＭを得る手段、
（Ｓ４０４）前記配合組成データＹＣＭを、前記コンピュータに入力する手段、
（Ｓ４０５）必要に応じて、コンピュータを用いた検索により、前記配合組成データＹＣＭに対応する検索色彩データＸｎ１を取得する手段、
（Ｓ４０６）前記手段Ｓ４０５で対応する検索色彩データＸｎ１が検索されなかった場合、又は、前記手段Ｓ４０５を行わなかった場合において、前記配合組成データＹＣＭから、前記少なくとも１種の学習した人工知能モデル、又は、前記少なくとも１種の学習した人工知能モデルと前記人工知能モデル以外の予測式とを用いて、予測色彩データＸｍ１を得る手段、
（Ｓ４０７）必要に応じて、前記塗料ＣＭｔを塗装した塗装板の実測色彩データＸＣＭを取得し、前記予測色彩データＸｍ１と比較する手段。
[System for predicting color data of coating film]
The system for predicting the color data of the coating film of the present invention is a database in which the color data (X) and the compounding composition data (Y) of the composition containing one or more kinds of coloring materials are registered, and the database is registered in the database. It is a system for predicting color data of a coating film including a computer on which a color matching calculation logic using the above data is operated, and includes the following means S401 to S407.
(S401) A means for inputting learning data into the computer using the data registered in the database.
(S402) A means for machine-learning the learning data to generate at least one type of artificial intelligence model that estimates color data X from compounding composition data Y.
(S403) A means for obtaining compounding composition data Y CM of a paint CM t that predicts color data of a coating film.
(S404) the blending composition data Y CM, means for inputting into said computer,
(S405) If necessary, the search using a computer, means for obtaining a search color data X n1 corresponding to the blending composition data Y CM,
(S406) If the search color data X n1 corresponding with said means S405 is not found, or, in the case of not performed the means S405, from the blend composition data Y CM, wherein at least one of the learned artificial intelligence A means for obtaining predicted color data X m1 using a model or a predicted formula other than the artificial intelligence model learned at least one of the artificial intelligence models.
(S407) A means for acquiring measured color data X CM of a coated plate coated with the paint CM t and comparing it with the predicted color data X m1 as needed.
ここで、「１種類以上の色材を含有する組成物」、「１種類以上の色材を含有する組成物の色彩データ（Ｘ）及び配合組成データ（Ｙ）が登録されたデータベース」及び「該データベースに登録されたデータを利用した色合わせ計算ロジックが作動するコンピュータ」は、本発明の塗膜の色彩データを予測する方法で用いられる装置における「データベース」及び「コンピュータ」と実質的に同じものとすることができる。 Here, "a composition containing one or more kinds of coloring materials", "a database in which color data (X) and compounding composition data (Y) of a composition containing one or more kinds of coloring materials are registered" and ". The "computer on which the color matching calculation logic using the data registered in the database operates" is substantially the same as the "database" and "computer" in the apparatus used in the method for predicting the color data of the coating film of the present invention. Can be.
また、前記手段Ｓ４０１〜Ｓ４０７は、本発明の塗膜の色彩データを予測する方法におけるＳ２０１〜Ｓ２０７工程を実施するための手段に相当するものであるから、実質的にＳ２０１〜Ｓ２０７工程に関して説明した手段と同様の手段とすることができる。さらに、自動調合手段についても、本発明の塗膜の色彩データを予測する方法で用いられる自動調合機による自動調合手段と同様のものとすることができる。
本発明の塗膜の色彩データを予測するシステムは、例えば、（ｉ）光輝性顔料を含む塗料、（ｉｉ）光輝性顔料として、パール顔料等の光干渉性顔料、又は、光干渉性顔料と金属顔料等の光反射性顔料との両者、を含む塗料、（ｉｉｉ）アクリル系樹脂を含み、光輝性顔料を含んでいてもよい補修用塗料、の１種以上の塗料の塗膜について、その色彩データを高精度で予測でき有用である。
Further, since the means S401 to S407 correspond to the means for carrying out the steps S201 to S207 in the method for predicting the color data of the coating film of the present invention, the steps S201 to S207 have been substantially described. It can be the same means as the means. Further, the automatic compounding means can be the same as the automatic compounding means by the automatic compounding machine used in the method for predicting the color data of the coating film of the present invention.
The system for predicting the color data of the coating film of the present invention is, for example, (i) a paint containing a bright pigment, (ii) a light interfering pigment such as a pearl pigment as a bright pigment, or a light interfering pigment. A coating film of one or more of a paint containing both a light-reflecting pigment such as a metal pigment and a repair paint containing (iii) an acrylic resin and may contain a brilliant pigment. It is useful because color data can be predicted with high accuracy.
［アプリケーションソフトウェア］
本発明は、前記コンピュータ調色システム及び／又は塗膜の色彩データを予測するシステムを制御し動作させるためのアプリケーションソフトウェアにも関する。
本発明のアプリケーションソフトウェアは、本発明のシステムを制御し動作させるために機能するものであり、それにより、本発明の方法を実行するために機能する。
本発明のアプリケーションソフトウェアは、本発明のシステム又はシステムを構成する各手段を実行する機器等が有しているＨＤＤ（Hard Disk Drive）やフラッシュメモリなどの記録装置に、予め格納されていてもよい。また、無線又は有線の通信手段、ＤＶＤ、ＣＤ−ＲＯＭ、ＵＳＢメモリなどの着脱可能な記録媒体等を用いることで、機器等にインストールされるものでもよい。
[Application software]
The present invention also relates to application software for controlling and operating the computer toning system and / or a system for predicting color data of a coating film.
The application software of the present invention functions to control and operate the system of the present invention, thereby performing the method of the present invention.
The application software of the present invention may be stored in advance in a recording device such as an HDD (Hard Disk Drive) or a flash memory possessed by the system of the present invention or a device or the like that executes each means constituting the system. .. Further, it may be installed in a device or the like by using a wireless or wired communication means, a detachable recording medium such as a DVD, a CD-ROM, or a USB memory.
以下、本発明を実施例によりさらに具体的に説明する。しかし、本発明は以下の実施例に限定されるものではない。
調色負荷における各項目は、以下のようにして評価した。
Hereinafter, the present invention will be described in more detail with reference to Examples. However, the present invention is not limited to the following examples.
Each item in the toning load was evaluated as follows.
（調色精度）
調色精度は調色回数が２回以内で合格となる割合を求め、下記１〜５段階で評価した。また、削減効果は最終合格調色配合を得るまでに要した工数（時間）を、比較例を１００としたときの割合で示した。結果を表１に示す。本実施例に示すとおり、従来の調色工数から６０％の削減効果があったことを意味する。
５：合格率が８５％以上
４：合格率が７５％以上８５％未満
３：合格率が６５％以上７５％未満
２：合格率が５５％以上６５％未満
１：合格率が５５％未満
(Toning accuracy)
The color matching accuracy was evaluated on the following 1 to 5 stages by determining the rate of passing the color matching within 2 times. Further, the reduction effect is shown by the ratio of the man-hours (time) required to obtain the final pass toning composition when the comparative example is set to 100. The results are shown in Table 1. As shown in this embodiment, it means that there was a reduction effect of 60% from the conventional toning man-hours.
5: Pass rate is 85% or more 4: Pass rate is 75% or more and less than 85% 3: Pass rate is 65% or more and less than 75% 2: Pass rate is 55% or more and less than 65% 1: Pass rate is less than 55%
（推定精度）
推定精度は、本実施形態にかかわる色彩データについての実測値と予測値とを比較した誤差から求める。実測値と予測値とに基づいて、各推定対象の平均平方二乗誤差（RMSE：Root Mean Square Error）を算出する。
実施例１〜６及び比較例１では、表１に示す推定対象（反射率又はＬａｂ値）の平均平方二乗誤差に基づいて算出した。実施例７では、表１に示す推定対象のうち、ミクロ光輝感の平均二乗誤差に基づいて算出した。
平均平方二乗誤差の値が小さいほど、学習した人工知能モデルの精度が高いといえる。
ここで学習した人工知能モデルの精度が高いことは、色彩予測システムの予測の精度が高いことを意味する。
(Estimation accuracy)
The estimation accuracy is obtained from an error comparing the measured value and the predicted value of the color data related to the present embodiment. The root mean square error (RMSE) of each estimation target is calculated based on the measured value and the predicted value.
In Examples 1 to 6 and Comparative Example 1, the calculation was made based on the mean square error of the estimation target (reflectance or Lab value) shown in Table 1. In Example 7, among the estimation targets shown in Table 1, the calculation was made based on the average square error of the micro-brilliance feeling.
It can be said that the smaller the value of the mean square error, the higher the accuracy of the learned artificial intelligence model.
The high accuracy of the artificial intelligence model learned here means that the prediction accuracy of the color prediction system is high.
（削減効果）
各実施例及び比較例においては、同じ１００枚の塗装板を使用して調色作業を行った。
５年以上の熟練作業者が、コンピュータ・カラーマッチング装置を用いて候補配合組成を得たのち、合格配合を得るまで調色作業を繰り返し行った時の作業負荷（比較例１の作業負荷）を１００とした。
各実施例において、合格配合を得るまでの調色作業に係る作業負荷が、比較例１の場合と比較してどの程度削減されたかを、５年以上の熟練調色作業者４名が１００点満点で評価し、その平均値を削減効果とした。
(Reduction effect)
In each Example and Comparative Example, the toning work was performed using the same 100 coated plates.
The workload (work load of Comparative Example 1) when a skilled worker for 5 years or more repeatedly performs color matching work until a acceptable formulation is obtained after obtaining a candidate formulation composition using a computer color matching device. It was set to 100.
In each example, four skilled toning workers for five years or more scored 100 points to see how much the workload related to the toning work until a passing compound was obtained was reduced as compared with the case of Comparative Example 1. The evaluation was made on a perfect score, and the average value was used as the reduction effect.
［実施例１］
レタンＰＧ８０、レタンＰＧハイブリッドエコ、レタンＷＢエコ ＥＶ及びレタンエコフリート（いずれも、関西ペイント社製商品名）シリーズより、カラー原色、メタリック原色及びパール原色を８６種類選定した。その配合組成データ及び色彩データを取得しデータベースに登録した。色彩データは、多角度分光光度計（入射角度４５度、受光角度ハイライト１５度、２５度、フェース４５度、シェード７５度、１１０度）で測定した５角度での４００〜７００ｎｍにおける１５５種類の反射スペクトルデータ及びミクロ光輝感測定器により測定したデータを用いた。データベースに登録されたデータを用いて作成した学習用データを、コンピュータに入力してニューラルネットワークにより機械学習させ、配合組成データＹから色彩データＸを推定する人工知能モデルの少なくとも１種を含む、学習した人工知能モデルを生成した。
配合組成データが不明である塗料が塗布されている塗装板１００枚（色彩、塗膜構成の異なる１００色、メタリック及び／又はパール塗膜を約１４％含む）を準備し、それぞれの色彩データを取得するとともに、学習済の人工知能モデルと人工知能モデル以外の予測式を同時搭載したコンピュータ・カラーマッチング装置（関西ペイント社製）に入力し、前記学習した人工知能モデルを用いて色彩データの推定を行い、５年以上の熟練調色作業者４名が、調色作業を行った。調色作業時の調色負荷を調色精度と削減効果にて評価した。推定対象の色彩データ（反射率）は、多角度分光光度計（入射角度４５度、受光角度ハイライト１５度、２５度、フェース４５度、シェード７５度、１１０度）の５角度の４００〜７００ｎｍにおける反射スペクトルデータ９３種類とした。
[Example 1]
From the Retan PG80, Retan PG Hybrid Eco, Retan WB Eco EV, and Retan Eco Fleet (all brand names manufactured by Kansai Paint Co., Ltd.) series, 86 types of primary colors, metallic primary colors, and pearl primary colors were selected. The compounding composition data and the color data were acquired and registered in the database. Color data includes 155 types at 400 to 700 nm at 5 angles measured with a multi-angle spectrophotometer (
Prepare 100 coated plates (including about 14% of 100 colors with different colors and coating compositions, metallic and / or pearl coatings) coated with a paint whose compounding composition data is unknown, and obtain each color data. At the same time as acquiring, input to a computer color matching device (manufactured by Kansai Paint Co., Ltd.) equipped with a trained artificial intelligence model and a prediction formula other than the artificial intelligence model at the same time, and estimate the color data using the learned artificial intelligence model. And four skilled toning workers for more than 5 years performed the toning work. The toning load during toning work was evaluated by the toning accuracy and reduction effect. The color data (reflectance) to be estimated is 400 to 700 nm at five angles of the multi-angle spectrophotometer (
［比較例１］
実施例で用いたのと同じカラー原色、メタリック原色及びパール原色８６種類の配合組成データ及び色彩データを取得し、人工知能モデルを搭載していない従来型のコンピュータ・カラーマッチング装置（関西ペイント社製）に登録した。
実施例で用いたのと同じ１００枚の塗装板に対して、５年以上の熟練調色作業者４名が、上記コンピュータ・カラーマッチング装置を用いて候補配合組成を得て、合格配合を得るまで調色作業を繰り返し行い、実施例と同様に調色負荷を評価した。結果を表１に示す。なお、推定精度は人工知能モデルを使用していないので、「−」とした。
[Comparative Example 1]
A conventional computer color matching device (manufactured by Kansai Paint Co., Ltd.) that acquires 86 types of compounding composition data and color data of the same color primary colors, metallic primary colors, and pearl primary colors used in the examples, and is not equipped with an artificial intelligence model. ).
For the same 100 coated plates used in the examples, four skilled toning workers for 5 years or more obtain candidate compounding compositions using the above computer color matching device to obtain acceptable compounding. The toning work was repeated until, and the toning load was evaluated in the same manner as in the examples. The results are shown in Table 1. Since the artificial intelligence model is not used, the estimation accuracy is set to "-".
［実施例２］
レタンＰＧ８０、レタンＰＧハイブリッドエコ、レタンＷＢエコ ＥＶ及びレタンエコフリート（いずれも、関西ペイント社製商品名）シリーズより、カラー原色、メタリック原色及びパール原色を合計８６種類選定した。その配合組成データ及び色彩データを取得しデータベースに登録した。色彩データは、多角度分光光度計（入射角度４５度、受光角度ハイライト２５度、フェース４５度、シェード７５度）で測定した３角度での４００〜７００ｎｍにおける１５５種類の反射スペクトルデータ及びミクロ光輝感測定器により測定したデータを用いた。データベースに登録されたデータを用いて作成した学習用データを、コンピュータに入力して勾配ブースティングを用いた決定木による機械学習させ、そのほかは、実施例１と同様にして、配合組成データＹから色彩データＸを推定する人工知能モデルを生成した。実施例１と同様にして、人工知能モデルを用いて色彩データの推定を行い、調色作業を行った。調色作業時の調色負荷を、調色精度、推定精度及び削減効果にて評価した。推定対象の色彩データとともに、表１に示す。
推定対象の色彩データのうち、反射率は、多角度分光光度計（入射角度４５度、受光角度ハイライト２５度、フェース４５度、シェード７５度）の３角度の４００〜７００ｎｍにおける反射スペクトルデータ９３種類とした。
[Example 2]
A total of 86 types of primary colors, metallic primary colors and pearl primary colors were selected from the Retan PG80, Retan PG Hybrid Eco, Retan WB Eco EV and Retan Eco Fleet (all brand names manufactured by Kansai Paint Co., Ltd.) series. The compounding composition data and the color data were acquired and registered in the database. The color data includes 155 types of reflection spectrum data and micro-brightness at 400 to 700 nm at three angles measured by a multi-angle spectrophotometer (
Of the color data to be estimated, the reflectance is the
[実施例３〜７]
学習用データを用いた機械学習を行って生成した人工知能モデルのアルゴリズム及び／又は推定対象の色彩データを、表１及び表２に示すものとしたほかは、実施例２と同様にして、調色作業を行い、実施例２と同様にして、調色作業時の調色負荷を、調色精度及び削減効果にて評価した。人工知能モデルのアルゴリズム及び推定対象の色彩データとともに、表１及び表２に示す。
なお、実施例７における推定精度は、下記のミクロ光輝感に基づき算出された値を示す。
[Examples 3 to 7]
The color data of the artificial intelligence model and / or the estimation target generated by machine learning using the training data are shown in Tables 1 and 2, except that the adjustment is performed in the same manner as in Example 2. Color work was performed, and the color adjustment load during the color adjustment work was evaluated by the color adjustment accuracy and the reduction effect in the same manner as in Example 2. Tables 1 and 2 show the algorithm of the artificial intelligence model and the color data of the estimation target.
The estimation accuracy in Example 7 shows a value calculated based on the following micro-brilliance feeling.
（ミクロ光輝感）
ハイライト１５度のＳａ値（光輝面積（Sparkle area）値）、Ｓｉ値（光輝強度（Sparkle intensity）値)及びＳＧ値（光輝等級（Sparkle Grade）値；Ｓａ値とＳｉ値の相関（Ｓｉ値／Ｓａ値）値）、フェース４５度のＳａ値、Ｓｉ値及びＳＧ値、シェード７５度のＳａ値、Ｓｉ値及びＳＧ値、さらに、拡散照明下のＧ値（粒状感（Graininess）値）の１０種類とし、これらを、多角度測色器ＢＹＫ−ｍａｃ ｉ（商品名、BYK-Gardner社製）で測定し、ミクロ光輝感とした。
(Micro brilliance)
表１及び２より、従来型のコンピュータ・カラーマッチング装置を用いる比較例１と比較して、人工知能モデルを用いる実施例１〜７の調色精度、推定精度及び削減効果が優れていることがわかる。さらに、推定対象を増やした実施例７は、調色負荷の削減効果が優れることがわかる。 From Tables 1 and 2, it is found that the toning accuracy, estimation accuracy and reduction effect of Examples 1 to 7 using the artificial intelligence model are superior to those of Comparative Example 1 using the conventional computer color matching device. Recognize. Further, it can be seen that Example 7 in which the estimation target is increased is excellent in the effect of reducing the toning load.
１ データベース
２、２１〜２４ コンピュータ
３１、３２ 入力装置
４１、４２ 出力装置
５１、５２ 表示装置
６１、６２ 測色計
７１、７２ 撮像機器
８１、８２ （自動）調合機
９ ニューラルネットワーク
９１ 入力層
９１１ 入力ノード
９２ 隠れ層
９２１ 隠れノード
９３ 出力層
９３１ 出力ノード
1
＜Ｓ１０２工程＞
Ｓ１０２工程は、前記学習用データを機械学習させ、組成データＹから色彩データＸを推定する人工知能モデルの少なくとも１種、を含む学習した人工知能モデルを生成する工程である。本発明における人工知能モデルとしては、例えば、勾配ブースティングを用いた決定木、線形回帰、ロジスティック回帰、単純パーセプトロン、ＭＬＰ（多層パーセプトロン）、ニューラルネットワーク、サポートベクターマシン、ランダムフォレスト、ガウス過程、ベイジアンネットワーク、ｋ近傍法、その他機械学習で用いられるアルゴリズムを使用した人工知能モデルで構成することができる。本発明においては、ニューラルネットワーク、サポートベクターマシン、勾配ブースティングを用いた決定木又はガウス過程で構成することが好ましく、ニューラルネットワーク及び勾配ブースティングを用いた決定木又はガウス過程なる群より選ばれる１種類以上のアルゴリズムを使用した人工知能モデルであることが特に好ましい。また、本願において、人工知能モデルとして、後述するファジィ推論のみのものは含まれないものとする。
本発明においては、ニューラルネットワーク等の特定のアルゴリズムに基づいて人工知能モデルを構成し、Ｓ１０１工程で入力された学習用データを用いて人工知能モデルを学習させることにより、組成データＹから色彩データＸを推定する人工知能モデルの少なくとも１種、を含む学習した人工知能モデルを生成することができる。
<S102 process>
The step S102 is a step of machine learning the learning data to generate a learned artificial intelligence model including at least one kind of artificial intelligence model that estimates color data X from composition data Y. Examples of the artificial intelligence model in the present invention include decision trees using gradient boosting, linear regression, logistic regression, simple perceptron, MLP (multilayer perceptron) , neural network, support vector machine, random forest, Gaussian process, and Bayesian network. , K neighborhood method, and other artificial intelligence models using algorithms used in machine learning. In the present invention, it is preferable to construct it by a neural network, a support vector machine, a decision tree or a Gaussian process using gradient boosting, and it is selected from a group of a decision tree or Gaussian process using a neural network and gradient boosting 1. It is particularly preferable that the artificial intelligence model uses more than one kind of algorithm. Further, in the present application, it is assumed that the artificial intelligence model does not include only the fuzzy reasoning described later.
In the present invention, an artificial intelligence model is constructed based on a specific algorithm such as a neural network, and the artificial intelligence model is trained using the training data input in the step S101, whereby the composition data Y to the color data X It is possible to generate a trained artificial intelligence model that includes at least one of the artificial intelligence models that estimate.
合否の判定は、目標とする色彩Ｘｔと前記実候補塗料ＣＭＣｉの塗装板の色彩とを、作業者が目視により対比して行うことができる。また、例えば、目標色彩データＸｔ又はこれを構成する各要素と、前記実候補塗料ＣＭＣｉの塗装板を測色計等により測定して得られた色彩データ又はこれを構成する各要素とを、それぞれ個別に対比し、作業者、コンピュータ又は機器が行うようにしてもよい。その際、Ｓ１０６工程及びＳ１０７工程における合否の判定と同様に、各構成要素における差分、一致度、誤差率等についての閾値を設けたり、各種の補正式を用いたりし、これらを参考にして作業者、コンピュータ又は機器により合否の判定を行うようにしてもよい。
一致度、誤差率等についての閾値としては、例えば１．０以下好ましくは０．５以下など適宜設定できる。
各種の補正式としては、ＣＩＥ７６、ＣＩＥＤＥ２０００またはこれらをベースとした独自の補正式が挙げられる。
本発明において、合否の判定をコンピュータが行う場合には、例えば、機械学習を用いて行うことができる。例えば、勾配ブースティングを用いた決定木、線形回帰、ロジスティック回帰、単純パーセプトロン、ＭＬＰ（多層パーセプトロン）、ニューラルネットワーク、サポートベクターマシン、ランダムフォレスト、ガウス過程、ベイジアンネットワーク、ｋ近傍法、その他機械学習で用いられるモデルを用いることができる。
本発明においては、例えば、ニューラルネットワークのうちのSOM（Self-Organizing Map：自己組織化マップ）を用いることができる。
その際、SOMに独自のデータ解釈を加える（例えば、SOMマップ上にベクトルを設定し、判定方向を定義する）改良を行うことで、学習に用いたデータについての判定精度を向上させることができる。
また、SOMそのもののアルゴリズムに改良を加え、SOMのデータの存在しないノードに、予め周囲のノードから推定したベクトルを定義することで未知データにも対応できるようにしたものを用いることが好ましい。これにより、SOMが色およびメタリック感が類似したもの（色彩）同士を、SOMマップ上で近傍に配置することで、学習データ及び未知のデータを有する色彩（色及びメタリック感）について、一致度の合否判定を高精度で行うことが可能となる。
本発明においては、作業者の負担を軽減するために、合否判定をコンピュータ又は機器により行うことが好ましい。
本発明においては、作業者の目視による合否の判定と、色彩データ又はこれを構成する各要素に基づき作業者、コンピュータ又は機器により行われる合否の判定とを組み合わせることで、合否の判定を行ってもよい。
なお、合否の判定の際、必要に応じて、合否にかかわらず実候補塗料ＣＭＣｉの配合組成についての改良点等を作業者に報知するようにしてもよい。
Determination of Compliance is a color painting plate of the the color X t that the target actual candidate paint CM Ci, the operator can be performed by comparing visually. Further, for example, the target color data Xt or each element constituting the target color data Xt and the color data obtained by measuring the coating plate of the actual candidate paint CMCi with a colorimeter or the like or each element constituting the target color data Xt are obtained. , Each may be individually compared and performed by the operator, computer or device. At that time, as in the case of the pass / fail judgment in the S106 process and the S107 process, threshold values for the difference, the degree of agreement, the error rate, etc. in each component are set, and various correction formulas are used, and the work is performed with reference to these. The pass / fail judgment may be made by a person, a computer, or a device.
The threshold value for the degree of agreement, the error rate, and the like can be appropriately set, for example, 1.0 or less, preferably 0.5 or less.
Examples of various correction formulas include CIE76, CIEDE2000, or original correction formulas based on these.
In the present invention, when the pass / fail determination is performed by a computer, for example, machine learning can be used. For example, in decision trees using gradient boosting, linear regression, logistic regression, simple perceptrons, MLPs (multilayer perceptrons) , neural networks, support vector machines, random forests, Gaussian processes, Bayesian networks, k-nearest neighbors, and other machine learning. The model used can be used.
In the present invention, for example, SOM (Self-Organizing Map) among neural networks can be used.
At that time, by adding an original data interpretation to the SOM (for example, setting a vector on the SOM map and defining the judgment direction), the judgment accuracy of the data used for learning can be improved. ..
In addition, it is preferable to improve the algorithm of SOM itself so that unknown data can be dealt with by defining a vector estimated from surrounding nodes in advance for the node where SOM data does not exist. As a result, by arranging SOMs with similar colors and metallic feelings (colors) in the vicinity on the SOM map, the degree of matching of the colors (colors and metallic feeling) having the learning data and unknown data can be improved. It is possible to make a pass / fail judgment with high accuracy.
In the present invention, in order to reduce the burden on the operator, it is preferable to perform the pass / fail judgment by a computer or a device.
In the present invention, the pass / fail judgment is performed by combining the pass / fail judgment visually by the operator and the pass / fail judgment performed by the worker, the computer, or the device based on the color data or each element constituting the same. May be good.
At the time of pass / fail determination, if necessary, the operator may be notified of improvements in the composition of the actual candidate paint CMCi regardless of pass / fail.
Claims (14)
（Ｓ１０１）前記データベースに登録されたデータを用い、学習用データを前記コンピュータに入力する工程、
（Ｓ１０２）前記学習用データを機械学習させ、配合組成データＹから色彩データＸを推定する人工知能モデルの少なくとも１種、を含む学習した人工知能モデルを生成する工程、
（Ｓ１０３）目標とする色彩の目標色彩データＸｔを得る工程、
（Ｓ１０４）前記目標色彩データＸｔを、前記コンピュータに入力する工程、
（Ｓ１０５）コンピュータを用いた検索により、前記目標色彩データＸｔに近似する検索色彩データＸｎ１及び検索色彩データＸｎ１に対応する近似配合組成データＹｎ１を得るとともに、前記目標色彩データＸｔと前記検索色彩データＸｎ１とを比較し合否を判定する工程、
（Ｓ１０６）前記Ｓ１０５工程において合格しない場合に、コンピュータを用いて目標色彩データＸｔを与えると予測される候補配合組成データＹｎｉを得た後、前記少なくとも１種の学習した人工知能モデル及び／又は前記人工知能モデル以外の予測式を用いて、候補配合組成データＹｎｉから予測される予測色彩データＸｎｉを得るとともに、前記色彩データＸｔと前記予測色彩データＸｎｉとを比較し、合否を判定する工程、
（Ｓ１０７）前記Ｓ１０６工程において合格しない場合に、コンピュータを用いて目標色彩データＸｔを与えると予測される候補配合組成データＹｎｉを得た後、前記少なくとも１種の学習した人工知能モデル及び／又は前記人工知能モデル以外の予測式を用いて、候補配合組成データＹｎｉから予測される予測色彩データＸｎｉを得るとともに、前記色彩データＸｔと前記予測色彩データＸｎｉとを比較し、合否を判定する工程を、合格するまで繰り返す工程、
（Ｓ１０８）前記Ｓ１０５〜Ｓ１０７工程のいずれかで合格した際の、合格配合組成データＹＣ１を得る工程、
（Ｓ１０９）前記合格配合組成データＹＣ１に基づき、実候補塗料ＣＭＣｉを調製し、該実候補塗料ＣＭＣｉの塗装板を得て、実測色彩データＸＣｉを取得する工程、
（Ｓ１１０）前記色彩データＸｔと前記実測色彩データＸＣｉとの比較、及び／又は、前記目標とする色彩と前記実候補塗料ＣＭＣｉの塗装板の色彩との比較により、合否を判定する工程、
（Ｓ１１１）前記Ｓ１１０工程において合格しない場合に、前記Ｓ１０６〜Ｓ１１０工程を繰り返す工程。 A database in which at least the compounding composition data Y and the corresponding color data X of the composition containing one or more kinds of color materials are registered, a computer in which the color matching calculation logic using the data registered in the database is operated, and a computer. A method for producing a paint based on computer toning using an apparatus comprising the following, the method for producing the paint, which comprises the following steps S101 to S111:
(S101) A step of inputting learning data into the computer using the data registered in the database.
(S102) A step of machine-learning the learning data to generate a learned artificial intelligence model including at least one type of artificial intelligence model that estimates color data X from compounding composition data Y.
(S103) to obtain the target color data X t of color as a target,
(S104) A step of inputting the target color data Xt into the computer,
(S105) The search using a computer, together with obtaining the target color data X t approximation to find the color data X n1 and search color approximation formulation composition data Y n1 corresponding to the data X n1, and the target color data X t A step of comparing with the search color data X n1 and determining pass / fail,
(S106) when not pass in the S105 step, after obtaining the candidate formulation composition data Y ni predicted to give a target color data X t using a computer, said at least one learned artificial intelligence model and / or using said artificial intelligence model non-predictive type, with obtaining a predicted color data X ni predicted from the candidate blend composition data Y ni, comparing with the color data X t and the predicted color data X ni, acceptance Judgment process,
(S107) when not pass in the S106 step, after obtaining the candidate formulation composition data Y ni predicted to give a target color data X t using a computer, said at least one learned artificial intelligence model and / or using said artificial intelligence model non-predictive type, with obtaining a predicted color data X ni predicted from the candidate blend composition data Y ni, comparing with the color data X t and the predicted color data X ni, acceptance The process of repeating the process of determining the result until it passes,
(S108) A step of obtaining pass compounding composition data Y C1 when passing any of the steps S105 to S107.
(S109) A step of preparing an actual candidate paint CM Ci based on the accepted compounding composition data Y C1 , obtaining a coated plate of the actual candidate paint CM Ci , and acquiring actual color data X Ci.
(S110) the comparison of the color data X t and the measured color data X Ci, and / or by comparison with color paint plate color and the actual candidate paint CM Ci to the target, step of determining acceptance ,
(S111) A step of repeating the steps S106 to S110 when the step of the step S110 is not passed.
（Ｓ２０１）前記データベースに登録されたデータを用い、学習用データを前記コンピュータに入力する工程、
（Ｓ２０２）前記学習用データを機械学習させ、配合組成データＹから色彩データＸを推定する人工知能モデルの少なくとも１種を生成する工程、
（Ｓ２０３）塗膜の色彩データを予測する塗料ＣＭｔの配合組成データＹＣＭを得る工程、
（Ｓ２０４）前記配合組成データＹＣＭを、前記コンピュータに入力する工程、
（Ｓ２０５）必要に応じて、コンピュータを用いた検索により、前記配合組成データＹＣＭに対応する検索色彩データＸｎ１を取得する工程、
（Ｓ２０６）前記Ｓ２０５工程で対応する検索色彩データＸｎ１が検索されなかった場合、又は、前記Ｓ２０５工程を行わなかった場合において、前記配合組成データＹＣＭから、前記少なくとも１種の学習した人工知能モデル、又は、前記少なくとも１種の学習した人工知能モデルと前記人工知能モデル以外の予測式とを用いて、予測色彩データＸｍ１を得る工程、
（Ｓ２０７）必要に応じて、前記塗料ＣＭｔを塗装した塗装板の実測色彩データＸＣＭを取得し、前記予測色彩データＸｍ１と比較する工程。 A database in which at least the compounding composition data Y and the corresponding color data X of the composition containing one or more kinds of color materials are registered, a computer in which the color matching calculation logic using the data registered in the database is operated, and a computer. A method for predicting color data of a coating film using an apparatus comprising the above method, which comprises the following steps S201 to S207.
(S201) A step of inputting learning data into the computer using the data registered in the database.
(S202) A step of machine-learning the learning data to generate at least one type of artificial intelligence model that estimates color data X from compounding composition data Y.
(S203) Step of obtaining compounding composition data Y CM of paint CM t for predicting color data of coating film,
(S204) the blending composition data Y CM, step of inputting to the computer,
(S205) If necessary, the search using a computer, the step of obtaining search color data X n1 corresponding to the blending composition data Y CM,
(S206) the S205 when the corresponding search color data X n1 is not found in step, or, in the case of not performed the S205 step, from the blend composition data Y CM, wherein at least one of the learned artificial intelligence A step of obtaining predicted color data X m1 using a model or at least one learned artificial intelligence model and a prediction formula other than the artificial intelligence model.
(S207) A step of acquiring measured color data X CM of a coated plate coated with the paint CM t and comparing it with the predicted color data X m1 as needed.
（ｉ）光輝性顔料を含まない組成物の１種類以上に係る、各配合組成データＹ及び各色彩データＸを学習用データとして用い、人工知能モデルを学習させる工程と、
（ｉｉ）光輝性顔料を含む組成物の１種類以上に係る、各配合組成データＹ及び各色彩データＸを学習用データとして用い、人工知能モデルを学習させる工程と、
を含む、請求項１〜６のいずれか１項に記載の方法。 The step of generating at least one of the artificial intelligence models is
(I) A step of learning an artificial intelligence model by using each compounding composition data Y and each color data X as learning data relating to one or more kinds of compositions containing no brilliant pigment.
(Ii) A step of learning an artificial intelligence model by using each compounding composition data Y and each color data X as learning data relating to one or more kinds of compositions containing a brilliant pigment.
The method according to any one of claims 1 to 6, comprising the above.
組成物中の光反射性顔料の含有量、光干渉性顔料の含有量、配向制御剤の含有量、組成物中の光反射性顔料の各色相別の含有量、光干渉性顔料の各色相別の含有量、着色剤の各色相別の含有量、及び、それらの含有量の２つ以上の合計から選ばれる１種類以上のデータ、及び／又は、組成物に含まれる色材の形状データ、
を学習用データとして用い、人工知能モデルを学習させる工程を含む、請求項１〜７のいずれか１項に記載の方法。 The step of generating at least one of the artificial intelligence models is
The content of the light-reflecting pigment in the composition, the content of the light-interfering pigment, the content of the orientation control agent, the content of each hue of the light-reflecting pigment in the composition, and each hue of the light-interfering pigment. One or more data selected from different contents, the content of each hue of the colorant, and the sum of two or more of those contents, and / or the shape data of the coloring material contained in the composition. ,
The method according to any one of claims 1 to 7, which comprises a step of training an artificial intelligence model by using the above as learning data.
（Ｓ３０１）前記データベースに登録されたデータを用い、学習用データを前記コンピュータに入力する手段、
（Ｓ３０２）前記学習用データを機械学習させ、配合組成データＹから色彩データＸを推定する人工知能モデルの少なくとも１種、を含む学習した人工知能モデルを生成する手段、
（Ｓ３０３）目標とする色彩の目標色彩データＸｔを得る手段、
（Ｓ３０４）前記目標色彩データＸｔを、前記コンピュータに入力する手段、
（Ｓ３０５）コンピュータを用いた検索により、前記目標色彩データＸｔに近似する検索色彩データＸｎ１及び検索色彩データＸｎ１に対応する近似配合組成データＹｎ１を得るとともに、前記目標色彩データＸｔと前記検索色彩データＸｎ１とを比較し合否を判定する手段、
（Ｓ３０６）前記手段Ｓ３０５において合格しない場合に、コンピュータを用いて目標色彩データＸｔを与えると予測される候補配合組成データＹｎｉを得た後、前記少なくとも１種の学習した人工知能モデル及び／又は前記人工知能モデル以外の予測式を用いて、候補配合組成データＹｎｉから予測される予測色彩データＸｎｉを得るとともに、前記色彩データＸｔと前記予測色彩データＸｎｉとを比較し、合否を判定する手段、
（Ｓ３０７）前記手段Ｓ３０６において合格しない場合に、コンピュータを用いて目標色彩データＸｔを与えると予測される候補配合組成データＹｎｉを得た後、前記少なくとも１種の学習した人工知能モデル及び／又は前記人工知能モデル以外の予測式を用いて、候補配合組成データＹｎｉから予測される予測色彩データＸｎｉを得るとともに、前記色彩データＸｔと前記予測色彩データＸｎｉとを比較し、合否を判定する手段を、合格するまで繰り返す手段、
（Ｓ３０８）前記手段Ｓ３０５〜Ｓ３０７のいずれかで合格した際の、合格配合組成データＹＣ１を得る手段、
（Ｓ３０９）前記合格配合組成データＹＣ１に基づき、実候補塗料ＣＭＣｉを調製し、該実候補塗料ＣＭＣｉの塗装板を得て、実測色彩データＸＣｉを取得する手段、
（Ｓ３１０）前記色彩データＸｔと前記実測色彩データＸＣｉとの比較、及び／又は、前記目標とする色彩と前記実候補塗料ＣＭＣｉの塗装板の色彩との比較により、合否を判定する手段、
（Ｓ３１１）前記手段Ｓ３１０において合格しない場合に、前記手段Ｓ３０６〜Ｓ３１０を繰り返す手段。 A database in which at least the compounding composition data Y and the corresponding color data X of the composition containing one or more kinds of color materials are registered, a computer in which the color matching calculation logic using the data registered in the database is operated, and a computer. A computer color matching system comprising the following means S301 to S311.
(S301) A means for inputting learning data into the computer using the data registered in the database.
(S302) A means for generating a learned artificial intelligence model including at least one kind of artificial intelligence model that estimates color data X from compounding composition data Y by machine learning the training data.
(S303) means for obtaining a target color data X t of color as a target,
(S304) A means for inputting the target color data Xt into the computer,
(S305) The search using a computer, together with obtaining the target color data X t approximation to find the color data X n1 and search color approximation formulation composition data Y n1 corresponding to the data X n1, and the target color data X t A means for determining pass / fail by comparing with the search color data X n1.
(S306) when not pass in said means S305, after obtaining the candidate formulation composition data Y ni predicted to give a target color data X t using a computer, artificial intelligence model said at least one of learning and / or using said artificial intelligence model non-predictive type, with obtaining a predicted color data X ni predicted from the candidate blend composition data Y ni, comparing with the color data X t and the predicted color data X ni, acceptance Means to determine,
(S307) when not pass in said means S306, after obtaining the candidate formulation composition data Y ni predicted to give a target color data X t using a computer, artificial intelligence model said at least one of learning and / or using said artificial intelligence model non-predictive type, with obtaining a predicted color data X ni predicted from the candidate blend composition data Y ni, comparing with the color data X t and the predicted color data X ni, acceptance Means to repeat the means to judge until it passes,
(S308) A means for obtaining pass compounding composition data Y C1 when any of the above means S305 to S307 is passed.
(S309) A means for preparing an actual candidate paint CM Ci based on the accepted compounding composition data Y C1 , obtaining a coated plate of the actual candidate paint CM Ci , and acquiring actual color data X Ci.
(S310) the comparison of the color data X t and the measured color data X Ci, and / or by comparison with color paint plate color and the actual candidate paint CM Ci to the target, means for determining the acceptability ,
(S311) A means for repeating the means S306 to S310 when the means S310 does not pass.
（Ｓ４０１）前記データベースに登録されたデータを用い、学習用データを前記コンピュータに入力する手段、
（Ｓ４０２）前記学習用データを機械学習させ、配合組成データＹから色彩データＸを推定する人工知能モデルの少なくとも１種を生成する手段、
（Ｓ４０３）塗膜の色彩データを予測する塗料ＣＭｔの配合組成データＹＣＭを得る手段、
（Ｓ４０４）前記配合組成データＹＣＭを、前記コンピュータに入力する手段、
（Ｓ４０５）必要に応じて、コンピュータを用いた検索により、前記配合組成データＹＣＭに対応する検索色彩データＸｎ１を取得する手段、
（Ｓ４０６）前記手段Ｓ４０５で対応する検索色彩データＸｎ１が検索されなかった場合、又は、前記手段Ｓ４０５を行わなかった場合において、前記配合組成データＹＣＭから、前記少なくとも１種の学習した人工知能モデル、又は、前記少なくとも１種の学習した人工知能モデルと前記人工知能モデル以外の予測式とを用いて、予測色彩データＸｍ１を得る手段、
（Ｓ４０７）必要に応じて、前記塗料ＣＭｔを塗装した塗装板の実測色彩データＸＣＭを取得し、前記予測色彩データＸｍ１と比較する手段。 A database in which at least the compounding composition data Y and the corresponding color data X of the composition containing one or more kinds of color materials are registered, a computer in which the color matching calculation logic using the data registered in the database is operated, and a computer. A system for predicting color data of a coating film using an apparatus comprising the following means: S401 to S407.
(S401) A means for inputting learning data into the computer using the data registered in the database.
(S402) A means for machine-learning the learning data to generate at least one type of artificial intelligence model that estimates color data X from compounding composition data Y.
(S403) A means for obtaining compounding composition data Y CM of a paint CM t that predicts color data of a coating film.
(S404) the blending composition data Y CM, means for inputting into said computer,
(S405) If necessary, the search using a computer, means for obtaining a search color data X n1 corresponding to the blending composition data Y CM,
(S406) If the search color data X n1 corresponding with said means S405 is not found, or, in the case of not performed the means S405, from the blend composition data Y CM, wherein at least one of the learned artificial intelligence A means for obtaining predicted color data X m1 using a model or a predicted formula other than the artificial intelligence model learned at least one of the artificial intelligence models.
(S407) A means for acquiring measured color data X CM of a coated plate coated with the paint CM t and comparing it with the predicted color data X m1 as needed.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020091803 | 2020-05-26 | ||
| JP2020091803 | 2020-05-26 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP6936416B1 JP6936416B1 (en) | 2021-09-15 |
| JP2021188046A true JP2021188046A (en) | 2021-12-13 |
Family
ID=77657974
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021087886A Active JP6936416B1 (en) | 2020-05-26 | 2021-05-25 | How to make paint and how to predict color data |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6936416B1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7081061B1 (en) | 2022-01-05 | 2022-06-06 | 関西ペイント株式会社 | Automatic painting equipment, automatic painting system and coating film forming method |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002004567A1 (en) * | 2000-07-07 | 2002-01-17 | Kansai Paint Co., Ltd. | Method for color matching of bright paint |
| JP2004224966A (en) * | 2003-01-24 | 2004-08-12 | Kansai Paint Co Ltd | Method for toning metallic coating color |
| JP2008509486A (en) * | 2004-08-03 | 2008-03-27 | イー・アイ・デュポン・ドウ・ヌムール・アンド・カンパニー | Method and apparatus for predicting properties of chemical mixtures |
| WO2008156147A1 (en) * | 2007-06-20 | 2008-12-24 | Kansai Paint Co., Ltd. | Coating color database creating method, search method using the database, their system, program, and recording medium |
| US20140244558A1 (en) * | 2011-06-20 | 2014-08-28 | Axal Ta Coating Systems Ip Co., Llc | Method for matching sparkle appearance of coatings |
| JP2019500588A (en) * | 2015-10-29 | 2019-01-10 | ビーエーエスエフ コーティングス ゲゼルシャフト ミット ベシュレンクテル ハフツングＢＡＳＦ Ｃｏａｔｉｎｇｓ ＧｍｂＨ | Method for determining the texture parameter of a paint surface |
| JP6703639B1 (en) * | 2019-12-27 | 2020-06-03 | 関西ペイント株式会社 | Paint manufacturing method and method for predicting color data |
-
2021
- 2021-05-25 JP JP2021087886A patent/JP6936416B1/en active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002004567A1 (en) * | 2000-07-07 | 2002-01-17 | Kansai Paint Co., Ltd. | Method for color matching of bright paint |
| JP2004224966A (en) * | 2003-01-24 | 2004-08-12 | Kansai Paint Co Ltd | Method for toning metallic coating color |
| JP2008509486A (en) * | 2004-08-03 | 2008-03-27 | イー・アイ・デュポン・ドウ・ヌムール・アンド・カンパニー | Method and apparatus for predicting properties of chemical mixtures |
| WO2008156147A1 (en) * | 2007-06-20 | 2008-12-24 | Kansai Paint Co., Ltd. | Coating color database creating method, search method using the database, their system, program, and recording medium |
| US20140244558A1 (en) * | 2011-06-20 | 2014-08-28 | Axal Ta Coating Systems Ip Co., Llc | Method for matching sparkle appearance of coatings |
| JP2019500588A (en) * | 2015-10-29 | 2019-01-10 | ビーエーエスエフ コーティングス ゲゼルシャフト ミット ベシュレンクテル ハフツングＢＡＳＦ Ｃｏａｔｉｎｇｓ ＧｍｂＨ | Method for determining the texture parameter of a paint surface |
| JP6703639B1 (en) * | 2019-12-27 | 2020-06-03 | 関西ペイント株式会社 | Paint manufacturing method and method for predicting color data |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7081061B1 (en) | 2022-01-05 | 2022-06-06 | 関西ペイント株式会社 | Automatic painting equipment, automatic painting system and coating film forming method |
| JP2023100163A (en) * | 2022-01-05 | 2023-07-18 | 関西ペイント株式会社 | Automatic paint device, automatic paint system, and paint film formation method |
Also Published As
| Publication number | Publication date |
|---|---|
| JP6936416B1 (en) | 2021-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6703639B1 (en) | Paint manufacturing method and method for predicting color data | |
| WO2021132654A1 (en) | Method for producing paint material, method for predicting hue data, and computer color-mixing system | |
| KR101162078B1 (en) | Method for matching paint | |
| CN108139271B (en) | Method for determining texture parameters of surface coatings | |
| JP5063076B2 (en) | IDENTIFICATION METHOD, IDENTIFICATION SYSTEM, IDENTIFICATION PROGRAM, AND RECORDING MEDIUM THEREOF | |
| EP2721542B1 (en) | Method for matching sparkle appearance of coatings | |
| US9292744B2 (en) | Process for producing and delivering matching color coating and use thereof | |
| US8929646B2 (en) | System for producing and delivering matching color coating and use thereof | |
| JP2001221690A (en) | Computer-aided color matching apparatus and color matching method for coating using the apparatus | |
| US20030208345A1 (en) | Color matching and simulation of multicolor surfaces | |
| DE112014000995T5 (en) | Method of matching color and appearance of coatings | |
| CN113128548A (en) | System and method for matching color and appearance of target coating | |
| EP3846131A1 (en) | Systems and methods for matching color and appearance of target coatings | |
| AU2002229617B2 (en) | Method for selecting a formulation for one or more layers of a multi-layer coating | |
| WO2013081812A1 (en) | Real time measurement and quality control process for producing liquid composition | |
| JP6936416B1 (en) | How to make paint and how to predict color data | |
| Ruiz et al. | A learning system for adjustment processes based on human sensory perceptions | |
| CN113128547A (en) | System and method for matching color and appearance of target coating | |
| US20040239928A1 (en) | Modified-color generation and display method and apparatus | |
| US20140350867A1 (en) | System for producing liquid composition | |
| AU2014224780A1 (en) | Process for matching paint | |
| CN101272870B (en) | Paint condition/coating condition determination device for multicolored pattern coats, and determination method | |
| JP2023539534A (en) | Fully integrated digital color management system | |
| JP2003294530A (en) | Calculation method of computer color matching | |
| EP2786125A1 (en) | System for producing liquid composition |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20210622 Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210622 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210622 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20210622 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210817 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210826 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6936416 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |