JP6707637B2 - 塗料表面の質感パラメータを決定するための方法 - Google Patents

Description

本発明は、塗料の質感パラメータを決定及び／又は予測する方法、及びまた、本発明の方法を演算部に実装するための対応するコンピュータプログラムに関する。

エフェクト顔料と呼ばれるものを含む塗装仕上げが、自動車産業において普及している。メタリックエフェクト顔料や干渉顔料が、エフェクト顔料の例である。それらは、例えば、明るさや陰影において、角度に応じた変化のような付加的な特性を塗料に与える。これは、塗料が見られる角度に応じて、当の塗料の明るさや陰影が変化することを意味する。エフェクト顔料は、視覚的に知覚可能な粒度（granularity）及び粒度（graininess）（粗さとも呼ばれる）に帰着すると共に、光沢効果を与える［“Coloristik fuer Lackanwendungen (Farbe und Lack Edition)”, Tasso Baeurle et al., bound edition - March 14,2012］。これらの効果は、視覚的質感としても言及される。

エフェクト塗料を特徴づけるために、現在、２つの技術が用いられている。

第１の技術は、特定の塗料表面を照明するための光源を用い、異なる角度での分光反射を測定する。得られた結果から及び光源の放射機能から、色度値、例えばCIEL^*a^*b^*を算出することができる［ASTM E2194 “Standard Test Method for Multiangle Color Measurement of Metal Flake Pigmented Materials”, ASTM E2539 “Standard Test Method for Multiangle Color Measurement of Interference Pigments”］。

第２の技術の場合、規定の光条件の下で且つ規定の角度で、塗料の表面が写真撮影される。そして、画像から、視覚的質感を記述する質感パラメータを算出することができる。質感パラメータの例は、Byk-Gardner社によって導入されるような、質感値Ｇびまん又はＧdiff（粒度又は粗さ）、Ｓｉ（光沢強度）、及びＳａ（光沢面積）がある［“Beurteilung von Effektlackierungen, Den Gesamtfarbeindruck objektiv messen” (Assessment of effect finishes - objective measurement of overall color impression), Byk-Gardner GmbH, JOT 1.2009, vol.49, issue 1, pp.50-52］。Byk-Gardnerの質感値は、グレーステージ画像から決定される。カラー画像の異なるカラーチャネルに対して、例えば赤チャネル、緑チャネル、青チャネルに対して、質感値を個別に決定することも可能である。

色処方の計算では、要求される着色剤の濃度計算によって、適用可能な着色剤の混合による色原本の再生が試みられる。色処方計算における必要な前提条件は、個別の色配分組成の分光反射の前提条件である。本明細書の目的に対し、色又は塗料の配分組成又は処方は、規定された夫々の着色剤濃度を伴う、異なる着色剤及び／又は色成分の特定の配分に言及する。これは、色又は塗料の配分組成が、塗料に含まれる個々の成分、即ちその個々の色成分の量的な構成からなるアイテムのリストの種類を明確化することを意味する。

１つの一般的な方法は、物理モデル（例えばクベルカ−ムンク方程式）に基づいて反射スペクトルを計算するものである。この手法では、光学定数は、既知の着色剤の集大成の実際的応用に基づき、物理モデルにより各着色剤に対して決定される。これらの光学定数は、モデル依存性であり、当の着色剤を特徴づける。光学定数の例は、クベルカ−ムンク方程式のパラメータＫ及びＳであり、それらは、吸収（パラメータＫ）及び散乱（パラメータＳ）を記述する。使用されるべき全ての着色剤に対して光学定数が決定される場合、要求される全ての色配分組成の分光反射は、その物理モデルを使用して算出することができる。

車両用の着色塗料のような塗料の調合に対し、例えば、要求される色効果を有する塗料を創生するために、夫々の色成分相互の混合比を示す色配分組成が広く使用されている。メタリック塗料のようなエフェクト塗料の複製に対し、例えば分光反射特性だけでなく、粒度又は粗さのような客観的質感パラメータもまた、例えば対応する陰影原本の光学特性の記述として、要求される。

こうしたエフェクト塗料の数式データに基づく上述のような視覚的質感パラメータの予測に対し、回帰に基づく手法が慣例的に用いられている。この手法では、例えば、例えば分光反射に寄与するメタリックエフェクト顔料や陰影顔料といった、塗料に存在する顔料種の濃度のような、物理モデルによって予測される特性パラメータや、その物理モデルの夫々の光学定数から導出される変数が塗料配分組成に対して算出される。そして、それらのパラメータの線型結合は、視覚的質感パラメータの予測のための統計モデルを形成する。この線型結合の係数は、Kirchner、Raviによる“Predicting and measuring the perceived texture of car paints”, Proceedings of the 3rd international conference on Appearance “Predicting Perceptions”, Edinburgh, April 17-19, 2012.に記述されるように、回帰解析によって決定される。

エフェクト仕上げの視覚的質感パラメータを予測するもう１つの方法は、人工ニューラルネットワークの使用によるものである。

この文脈での使用に適した１つのニューラルネットワークは、逆伝播法と言及される学習プロセスに基づく。このニューラルネットワークの複数のニューロンは、複数の層に配置される。これらは、入力ニューロンを伴う層（入力層）、出力ニューロンを伴う層（出力層）、及び１つ以上の中間層を含む。この出力ニューロンが、予測されるべき塗料配分組成の視覚的質感パラメータであり、換言すればＳｉ、Ｓａ、Ｇdiffという前述のパラメータである。

既に説明したように、エフェクト塗料配分組成の分光反射を予測するために、物理モデルが使用される。

第１の既知の解決法では、ニューラルネットワーク用に用いられる入力パラメータ又は入力ニューロンは、検討中である特定の塗料配分組成中に使用される着色剤又は色成分の濃度、及び物理モデルによって予測されるような反射スペクトルである。

使用されるべき着色剤の濃度の入力パラメータとしての使用は、幾つかの不利がある、しかしながら、
・塗料シリーズ中の着色剤の数値が大変高く、それ故に、ニューラルネットワークの入力層中のニューロンの数が大変大きい。質感パラメータの正確な予測は、大量の訓練データを必要とする。

・塗料シリーズ中のあらゆる変化の場合に、ニューラルネットワークは再規定、再訓練、再試験されなければならない。これは、多大な運営上の努力と費用を伴う。

・塗料シリーズへの更なる着色剤の増加に伴う努力と費用は多大であり、新たな着色剤の場合、ニューラルネットワークの訓練のための基礎として多量の混合物を製造しなければならない。

米国特許ＵＳ6,714,924 B1より知られる色合わせのための方法及び装置では、ニューラルネットワークが使用される。ここで、色標準の色は、塗料ベースに関連して使用されるニューラルネットワークの入力信号と共に、明度によって表される。更に、ニューラルネットワークの入力層の入力ノードとニューラルネットワークの出力層の出力ノードとの間で加重接続が提供される。ここで、初期加重接続は、個々の出力色成分に対する入力層の塗料ベースの夫々の寄与率を決定する。

既知のUS 2009/0157212 A1は、エフェクト顔料を含む塗料配分組成を決定するための方法及びシステムである。このシステムは、エフェクト顔料の粗度を決定するためにディスプレイを塗装表面と比較する技術者と共に、例えば車両のもののような塗装面の近隣に位置しなければならない粗度測定装置を含む。

この背景に対し、既知の塗料配分組成を有する塗料の視覚的質感パラメータを決定又は予測するための方法が提供され、その塗料の視覚的質感パラメータは、塗料配分組成に使用される又は使用されるべき複数の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され、少なくとも１つの光学特性を記述する少なくとも１つの特性変数の値が、既知の塗料配分組成に対する物理モデルによって決定され、その値は、既知の塗料配分組成に割り当てられ、更に、その値は、視覚的質感パラメータを決定又は予測するための入力信号として人工ニューラルネットワークに伝送され、決定され且つ既知の塗料配分組成に割り当てられた値は、塗料配分組成の複数の色成分の少なくとも幾つかに対する少なくとも１つの光学特性を記述し、複数の色原本の夫々が既知の塗料配分組成と共に上記ニューラルネットワークの訓練のために使用され、その色原本の各々に対し、それら視覚的質感パラメータの夫々は、測定されると共に、対応する塗料配分組成の夫々に対して決定され又は算出され且つその塗料配分組成の各々に対して少なくとも１つの光学特性を記述する、少なくとも１つの特性変数の値に割り当てられる。

句「少なくとも１つの［…］特性変数の値」がニューラルネットワークに「少なくとも１つの入力信号として伝送され」は、本明細書の文脈において、特性変数自体の値だけでなく、ニューラルネットワークに提供されて入力信号として機能し得る特性変数のこの値に基づいて決定される変数をも意味する意図がある。

「既知の塗料配分組成」は、塗料内に含まれる及び使用される色成分の既知の濃度を伴う色処方を意味する。

以下の本文において、用語「特性変数の値」及び「特性変数」は、互いに同義的に使用される。これは、以下の本文において、「少なくとも１つの特性変数の値」及び「少なくとも１つの特性変数」が同義であると理解されるべきであることを意味する。「視覚的質感パラメータの値」と「視覚的質感パラメータ」も同様である。

本発明の実施の形態は、本明細書及び独立請求項から明白である。

提示される方法は、特に、逆伝播法として言及される学習プロセスに基づくニューラルネットワークによって、既知の塗料配分組成を有する塗料の視覚的質感パラメータの決定のために機能する。ここで、逆伝播法は、誤差フィードバックを伴う監督された学習プロセスに適した一般的な語として理解されるべきである。例えばクイックプロップ（Quickprop）、弾性伝播法（Resilient Propagation : RPROP）など、種々の逆伝播法アルゴリズムがある。このプロセスは、少なくとも３つの層、即ち入力ニューロンを伴う第１の層、出力ニューロンを伴う第ｎの層、及び（ｎ−２）個の中間層（ｎは２より大きい自然数）を有するニューラルネットワークを使用する。このようなネットワークにおいて、出力ニューロンは、個別の塗料又は対応する塗料配分組成の視覚的質感パラメータの予測するものとして機能する。

本明細書の文脈において、用語「入力信号」、「入力成分」、「入力変数」、及び「入力ニューロン」は同義的に使用される。

特に、本発明に関して提供されるニューラルネットワークによる少なくとも１つの特性変数に基づいて決定されるべき塗料の個々の質感パラメータのために、塗料配分組成の又はその塗料の複数の色成分の少なくとも幾つかの少なくとも１つの光学定数から、夫々、導出又は決定される少なくとも１つの特性変数の値又は少なくとも１つの特性変数が与えられる。

可能な実施の形態では、少なくとも１つの特性変数の値は、塗料配分組成の全ての色成分の少なくとも１つの個別の光学特性から算出される。これは、塗料配分組成の全ての色成分に対する物理モデルによる全ての場合に少なくとも１つの光学定数が算出され、またその塗料配分組成の少なくとも１つの特性変数の値が、その塗料配分組成の全ての色成分の個々の光学定数に基づいて決定又は算出されることを意味する。

本発明の文脈における視覚的質感パラメータは、特に、例えば、Ｓｉ、Ｓａ、又はＧdiffのような、光沢効果、粒度又は粗さに関するデータからなるパラメータを意味する。既に初めに述べたように、Ｓｉ（「光沢強度」）及びＳａ（「光沢面積」）は、塗料の光沢効果を記述するためにByk-Gardnerによって導入されたパラメータである。このパラメータは、方向が揃った照明下で記録された一連の画像から決定される。個別の塗料表面の夫々の画像は、規定された照明下での画像の記録のために構成された適切なカメラを使用して記録される。このカメラは、一般的に、分光計の各部である。

本明細書の文脈における光学特性は、塗料に又は対応する塗料表面に衝突する光が、その後、例えば、吸収され又は反射される程度、及び、もし反射されるならどのように反射されるのかの程度に影響する、塗料の特性、又は塗料の特性を記述する値を意味する。

本発明の文脈におけるニューラルネットワークは、逆伝播法に基づくニューラルネットワークであって、塗料の、より好ましくはエフェクト塗料の視覚的質感パラメータを決定及び／又は予測するのに適した人工ニューラルネットワークである。このシステムにおいて、評価されるニューラルネットワークの入力変数又は信号は、物理的及び／又は数学的モデルによって個別の塗料配分組成から決定された中間変数である。これらは特に、個別の塗料配分組成に割り当てられた光学定数、及びまた、更なる実施の形態においては、これらの定数から算出された反射パラメータを含む。本発明に関して提供されるニューラルネットワークは塗料の個々の色成分と直接的に関与しないので、本発明に関して提供されるニューラルネットワークは、その精密度において、この目的のために使用される従来技術に既存のニューラルネットワークより複雑ではない。一方、ニューラルネットワークのために従来技術で使用される訓練データは、凡そ８０〜２５０の色成分の夫々の処方データ、即ち異なる濃度に基づくのに対し、本発明に関して使用される訓練データは、異なる既知の塗料配分組成に対する光学特性又はデータに基づく。従って、識別は、特定の色成分とそれらの夫々の濃度との間で行われることはなくなるが、代わってそれらが生み出す異なる光学挙動間で行われる。それらの光学挙動は、異なる色成分の数より少ない特性変数によって記述され得るので、ニューラルネットワークは複雑でなく、それ故に、僅かな訓練データしか要求しない。更に、このシステムは、実質的に、色成分における変更、即ち適用可能な１つ以上の色成分の削除、変更又は付加の場合に、より寛容であるか、又はあまり敏感でなく、ニューラルネットワークに対する再設計（入力信号に対する層内の変更）や再訓練の必要がない。

本発明の文脈における色成分は、例えば色顔料又は光沢効果を生み出す多量のフレークのような塗料又は対応する塗料配分組成のベース成分を意味するものと理解される。用語「色成分」と「着色剤」は同義的に使用される。

本発明の文脈における入力信号は、本発明に関して提供されるニューラルネットワークによって塗料配分組成の個々の質感パラメータを決定するための根拠として機能する少なくとも１つの値を意味する。

本発明に関して提供されるニューラルネットワークを訓練するために必要な全ては、何れの場合も、色原本の個々の色成分の夫々の特性変数に対する根拠を既知の塗料配分組成と共に提供する光学特性に関する情報であり、これらの色原本の夫々に対し、これらの個々の質感パラメータは、測定を受けると共に、特定の色原本に対して決定された個々の特性変数又は特性変数の夫々の値に割り当てられる。そして、考慮中の塗料配分組成の少なくとも１つの特性変数又は少なくとも１つの特性変数の値に関する情報を伴って、ニューラルネットワークによって、塗料配分組成の視覚的質感パラメータの予測又は決定が可能となる。もし、他の塗料配分組成の視覚的質感パラメータが既に既知であれば、視覚的質感パラメータの予測を可能な限り精密に達成するために、ニューラルネットワークの機能を繰り返して確認させ且つ必要形に適応させることもできる。

本発明の方法の可能な１つの実施の形態では、物理モデルによって算出され、入力信号として含まれるべき、塗料の分光反射が与えられる。入力信号を決定する際、塗料の吸収及び／又は散乱、任意に前方散乱及び後方散乱への***が考慮される。また、既知の塗料配分組成中に使用されるフレークの平均変数や、平坦（flat）エフェクト顔料（例えば「シルバーダラー」）と粗目（coarse）エフェクト顔料（例えば「コーンフレーク」）とを区別する表層構造特性及び特定塗料表面に関するエフェクト顔料の平均配向を記述する変数も考慮することが考えられる。入力信号を決定する際、一般に０〜１の間に設定される伝送係数も同様に考慮してよい。

本発明に関して想定される、個々の塗料配分組成の視覚的質感パラメータを決定するためのニューラルネットワークのための入力信号としての、塗料配分組成から及び光学特性から、即ち例えば光学定数から決定された、塗料配分組成の個々の色成分の中間変数又は特性変数の使用を通じ、本発明に関して提供されるニューラルネットワークは、極めて一般的に規定され及び／又は訓練され得る。これは、特定のニューラルネットワークの極めて強固な特定の実施の形態を生み出す、色成分の固定数に対するニューラルネットワークの特定の訓練とは対照的に、個々の塗料配分組成の光学特性に基づく一般化された訓練が実行され得る。この光学特性に基づく一般化された訓練の効果は、与えられた塗料配分組成の個々の質感パラメータを予測するために、色成分の固定数及び抜粋に特に適応することなく、夫々の色成分の切換え、削除又は置換があった場合でさえも付加的な訓練なしで使用することができる、極めて普遍的なニューラルネットワークを作り出すはずである。

従って、本発明に関して想定されるニューラルネットワークに適する光学特性に基づいて決定された入力信号を使用することにより、塗料配分組成の個々の色成分の濃度に基づく従来のニューラルネットワークの訓練の費用及び複雑さと比較して、本発明のニューラルネットワークの訓練に費やされる努力と経費は大幅に低減される。従って、個々の色成分の濃度に基づく訓練の場合には、夫々の色成分の性質と数に依存して、多数のパラメータを考慮しなければならないのに対し、光学特性に基づいて決定された入力信号を使用する場合には、比較的少数のパラメータしか必要とせず、また本発明に関して提供されるニューラルネットワークの入力層内、即ち第１層内のニューロンの数も少ない。

本発明の方法の更なる可能な実施の形態では、塗料の個々の色成分が変更、置換又は除去された場合であっても、ニューラルネットワークの再生訓練なしに、少なくとも１つの特性変数の又は少なくとも１つの特性変数に対応する値によって決定されるべき視覚的質感パラメータが与えられる。

本発明に関して提供されるニューラルネットワークが、塗料の又は塗料配分組成の個々の色成分の数又は具体における変化に対して極めて寛容であるように、本発明に関して想定される特性変数が与えられる。この目的のために、可能な限り観念的であり、またそれでもなお視覚的質感パラメータのための色成分の結果を記述するのに適するような特性変数又は少なくとも１つの特性変数の根拠を形成する光学特性が与えられる。この種の特性変数の１つの可能性は、例えば、個々の色成分に対し、塗料配分組成の夫々の色成分の濃度によって加重された、クベルカ−ムンク理論に関する吸収成分Ｋ及び散乱成分Ｓの平均といった、特定の塗料配分組成の光学定数に基づく特性変数の選択である。更なる特性変数は、例えば上記L^*a^*b^*色空間における座標のような前述の物理モデルによって予測される塗料配分組成反射スペクトルから導出される。

本発明に関して想定される特性変数は、ニューラルネットワークの入力信号内の変化に関連して、本発明に関して提供されるニューラルネットワーク内に寛容さを作り出すための制御要素として機能する。もし、特性変数が極めて狭義に、即ち個々の色成分に明確に適応する形で選択されるならば、個別の塗料の色成分の変化に際し、修正された色成分がニューラルネットワークの訓練データに組み込まれない限り、対応するニューラルネットワークは、不正確で無効な質感パラメータを算出するだろう。対照的に、もし選択された特性変数が観念的、即ち可能な限り広い妥当性を有するならば、色成分に変化があった場合に、それがニューラルネットワークのための訓練データに組み込まれなくとも、対応するニューラルネットワークは信頼に足る質感パラメータを決定する。

本発明の方法の更なる可能な実施の形態では、少なくとも１つのセンサで測定される塗料配分組成の複数の色成分の少なくとも１つの色成分のパラメータに基づく、数学的及び／又は物理的なモデルによって決定されるべき少なくとも１つの特性変数が与えられる。

本発明に関して提供される特性変数は、本発明に関して提供されるニューラルネットワークの入力信号として用いられる特性変数の以前の中間工程によって、分光光度計での測定のような測定に応じて、決定、例えば算出され得る。この場合、特性変数は、それ自体が入力信号として使用され得、又は、例えば物理的及び／又は数学的なモデルによる計算を経て入力信号を決定するために使用され得る。

本発明の方法の更なる可能な実施の形態では、塗料の又は塗料配分組成の複数の色成分の少なくとも幾つかに対して少なくとも１つの光学特性を決定する特性変数として選択されるべきパラメータの組が与えられる。

本発明に関して想定される特性変数に対し、多数のパラメータ、即ち複数のパラメータの組を含むことが考えられる。従って、例えば、個々の色成分の光学定数及び反射スペクトルは、本発明に関して想定される特性変数を形成するために共同で使用され得る。

本発明の方法の更なる可能な実施の形態では、以下の光学特性のリスト、即ち塗料又は塗料配分組成の分光反射、塗料の複数の色成分の少なくとも１つの色成分の光学定数、塗料の少なくとも１つの色成分に対する物理モデルによって予測される反射スペクトル、クベルカ−ムンク理論に係る吸収係数Ｋ、クベルカ−ムンク理論に係る散乱係数Ｓ、及び塗料の複数の色成分の夫々の光学定数から算出される光学特性変数、から選択された少なくとも１つの特性変数によって記述される少なくとも１つの光学特性が与えられる。光学定数は、例えば、吸収係数、伝送係数及び／又は散乱係数である。

一般的に言えば、塗料の複数の色成分の少なくとも１つの色成分の光学特性を記述するための全ての技術的に適切な細目は、本発明に関して想定される特性変数の値を決定するのに適する。特に、複数の色成分の夫々の色成分の光学定数から算出される光学特性変数の決定のために、使用される塗料の複数の色成分の個々の吸収及び散乱係数の加重平均、又は塗料そのものの複数の色成分の個々の吸収及び散乱係数の加重平均が特性変数として選択される。

本発明の方法の更なる可能な実施の形態では、塗料の少なくとも１つの色成分の反射スペクトルから導出され、物理モデルによって予測されて、光学特性を記述する特性変数として選択されるべき色空間座標が与えられる。

色空間座標は、個別の塗料の反射スペクトルにおける個々の色成分の影響を予測するのに適する。従って、色空間座標の細目は、個別の塗料の質感パラメータを決定する際にも使用することができる。予測される色空間座標として、及び相応して本発明に関して提供されるニューラルネットワークに対する入力変数として、色成分の反射値から、及び一般的に塗料配分組成の全ての色成分の夫々の反射値から算出されるべき数値は、以下の数値のリスト、即ちL^*a^*b^*色空間における色空間座標、赤／緑／青（ＲＧＢ）色空間における色空間座標、より好ましくは標準赤／緑／青（ｓＲＧＢ）色空間における色空間座標から選択されるか、又はそれらの組合せであってよい。更に、付加的に又は選択的に、塗料配分組成の色成分の平均反射値（R-average）、及び／又は、明度プロファイル及び／又はカラープロファイル又はそれらにおける夫々の変化を示す塗料配分組成のフロップインデックスを、ニューラルネットワークに対する入力変数として使用することができる。

更に、塗料配分組成の、即ち少なくとも１つの色成分の、一般的には塗料配分組成の全ての色成分の少なくとも１つの光学特性を記述する、物理モデルによって算出される少なくとも１つの特性変数の値として、また本発明に関して提供されるニューラルネットワークの入力変数として、以下の光学定数に基づく値のリスト、即ち伝送係数、前方散乱、後方散乱、クベルカ−ムンクに関する平均吸収及び／又は平均散乱、及び仮想塗料表面に関して存在するあらゆるフレーク及び／又は光沢顔料の配向又は配列から選択されるか、又はそれらの組合せが可能である。

ニューラルネットワークに対して多数の異なる入力変数を備えることが考えられる。

本発明の方法の更なる可能な実施の形態では、指定された多数の塗料配分組成に適したニューラルネットワークを使用して予測された質感パラメータによって塗料に対する塗料配分組成の決定がなされ、その塗料配分組成は、指定された目標塗料の質感パラメータから最小限のずれを示す質感パラメータに応じて決定される。

本発明に関して想定される方法によって、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質感パラメータの予測が可能である。この多数の塗料配分組成の質感パラメータに基づき、質感パラメータが指定された目標塗料の質感パラメータから最小限のずれを示す塗料配分組成を多数の塗料配分組成から選択することができる。これは、多数の塗料配分組成の夫々の塗料配分組成に関して個別の塗料を面倒なテストシリーズで混合し、その後、金属テスト板に塗り、光学測定を行う必要なしに、本発明の方法を使用して、多数の塗料配分組成に対する質感パラメータの予測が可能であることを意味する。その代りに、シミュレーションの目的に対し、例えば、言い換えれば相応の塗料を模擬するために、指定された多数の塗料配分組成から始める全くの仮想プロセスで、本発明の方法によって決定された質感パラメータを使用して、目標塗料の質感パラメータから最小限のずれを示す塗料配分組成を決定することが可能である。

塗料配分組成に応じた塗料を実際に生成することなく、指定された塗料配分組成に基づく塗料の質感パラメータを予測するために、まず第１に、物理モデルを使用して、塗料配分組成に含まれる個々の色成分に対する個別の光学定数、及び／又はカラーデータから算出された変数、及び、これらの変数から、その塗料配分組成に対する少なくとも１つの特性変数が決定され及び／又は算出される。塗料配分組成に対する少なくとも１つの特性変数の計算に入っている因子は、色成分の個別の光学定数だけでなく、例えばクベルカ−ムンクモデルに係る個々の色成分の吸収係数の及び散乱係数の前述した平均値、つまり塗料配分組成の個々の色成分の夫々の濃度に加重された上記平均値と同様に、一般的に、塗料配分組成によって指定される個々の色成分の夫々の濃度を含む。

本発明の方法は、個々の塗料配分組成に従って混合され、サンプルパネルに塗布されるような塗料なしに、特に、個別の元の塗料配分組成に基づく異なる塗料間で複数の仮想比較を実行することによって塗料をシミュレートするのに使用され得る。

本発明は、更に、コンピュータ可読媒体を有するコンピュータプログラム製品、コンピュータプログラムが演算部で繰り返されるときに本発明の上記方法の全てのコンピュータ実装ステップを実行するように構成されたプログラムコード手段を有するコンピュータプログラムに関する。

本発明のコンピュータプログラム製品は、特に、本発明の方法を実行するために機能し、そのコンピュータプログラムは、例えばコンピュータ可読データキャリアに記憶され得る。

本発明の更なる有利と実施の形態が、本明細書及び添付される図面から明らかにされる。

上で明らかにされた特徴及び未だ不明であっても以下に説明される特徴は、提示される特定の組合せでのみならず、本発明の範囲から逸脱することなく、他の組合せで、又はそれら単独で使用され得る。

本発明は、実施例に関する図面中に概略的に図示され、また図面を参照して以下に包括的に記述されるであろう。

図１は、本発明の方法の１実施の形態の概略全体図を示す。 図２は、本発明の方法の更に可能な実施の形態のシーケンスの概略図を示す。

塗料に対する色又は塗料配分組成１から始まり、例えばクベルカ−ムンクの散乱成分Ｓ５＿１及び／又は吸収成分Ｋ５＿２のような、塗料の又は塗料の複数の色成分の又は塗料の複数の色成分の少なくとも幾つかの特徴的な光学特性を記述する特性変数５の値を決定するために物理モデル３が使用される。

この特性変数５の値に基づき、本発明に関して提供されるニューラルネットワーク７に対する１つ以上の入力信号が生成される。このニューラルネットワークは、例えば、粒度９＿１のような、例えば質感パラメータＧdiffによって示されるような、例えば質感パラメータＳｉによって示されるような視覚的質感パラメータ９を、１つの入力信号又は複数の入力信号、また結果的に塗料配分組成１に割り当てる。このニューラルネットワーク７によって実行される割り当ては、図１において、交じり合った線によって示される。従って、このニューラルネットワーク７によって、塗料配分組成１から始めて、相応する質感パラメータ９又はそれらの夫々の値を決定することができる。

特徴的な物理特性、特に光学特性に基づいて質感パラメータが決定又は予測されるので、塗料配分組成１の色成分の個々の濃度を伴うニューラルネットワーク７の精密な訓練は必要ない。代わりに、質感パラメータを決定するために、既知の色又は塗料配分組成１の複数の色成分の特徴的な特性の情報で事足りる。これは、このニューラルネットワーク７が塗料配分組成１の色成分の変更に関して頑健であること、及び相応する質感パラメータ９を決定するために個々の特徴的で物理的な色成分−任意に新たに加えられた色成分−に関する情報のみが必要であることを意味する。

図２は、本発明の方法の１実施の形態を実装するためのフローダイアグラムを示す。塗料配分組成１１から始まり、操作ステップ１３では、顔料、又は、例えばフレークと呼ばれるもの、即ち塗料配分組成１１のメタリック光沢成分のような、個々の色成分の物理的又は光学的な特性の物理モデルによって、夫々の色成分の光学特性の特性変数又は特性変数の値が決定され、そしてそれらに基づき、塗料配分組成１１全体の少なくとも１つの光学特性を記述する少なくとも１つの特性変数又はそれらの値が決定される。この場合の物理モデルは、式（１）による典型的な原理で示されるような、例えばクベルカ−ムンクに関するモデルに基づいて形成され得る。この塗料配分組成の光学特性を記述する少なくとも１つの特性変数を算出するために、塗料配分組成の個々の色成分の光学特性が決定され、また塗料配分組成全体の光学特性の予測に際して、塗料配分組成によって指定される個々の色成分の濃度の関数として考慮される。

式（１）では、“Ｋ”は塗料配分組成の吸収成分又は吸収係数を、“Ｓ”は散乱成分又は散乱係数を表し、“ｃ₁”、 “ｃ₂”、… “ｃ_s”は塗料配分組成の個々の顔料の濃度であり、“ｋ₁”、 “ｋ₂”、… “ｋ_s”は個々の顔料の吸収係数であり、“ｓ₁”、 “ｓ₂”、… “ｓ_s”は個々の顔料の散乱係数である。

塗料配分組成の個々の色成分の物理的特性に基づく物理モデルにより、例えば個別の塗料配分組成に基づいて形成された塗料の分光反射、又は個別の塗料配分組成の色成分の１つ以上の個別の光学定数、又は個別の塗料配分組成の少なくとも１つの又は全ての色成分の反射スペクトル、又はクベルカ−ムンクに関する塗料の吸収成分Ｋ又はクベルカ−ムンクに関する塗料の散乱成分Ｓといった光学特性を記述する１つ以上の特性変数の決定が可能である。

操作ステップ１３で決定される塗料配分組成の特性変数又はそれらの値は、入力信号又は入力変数として、ニューラルネットワークの形をした機械学習装置に、即ちニューラルネットワークに供給される。

個々の特性変数の値の既知の多数の割り当てに基づいて訓練されたニューラルネットワークにより、訓練中に決定された仕組みに応じて、計算ステップ１５で、質感パラメータが入力特性変数に又は個別の特性変数の入力値に割り当てられる。このニューラルネットワークによって特性変数に又は特性変数の入力値に割り当てられた質感パラメータは、出力ステップ１７で出力されるか、又は記憶装置に記憶される。これは、測定装置によって決定されるべき塗料配分組成に応じた塗料の光学パラメータを必要とせずに、本発明の方法によって、塗料配分組成に対する質感パラメータが決定又は予測可能であることを意味する。

塗料配分組成の光学特性を記述する特性変数に基づいて質感パラメータが決定されるので、この質感パラメータの決定、即ち質感パラメータの特性変数への又は特性変数の個々の値への割り当ては、例えば、例えば塗料配分組成に関する塗料の混合に必要な顔料のような色成分の濃度の詳細といった塗料配分組成１１の個々の特定の構成とは独立して実行される。この塗料配分組成１１の個々の色成分及びそれらの濃度からの質感パラメータの決定の遮断に基づいて、本発明の方法は、塗料配分組成の色成分及び/又はそれらの濃度が変更になったときでさえも、同じニューラルネットワーク、即ち再訓練を全く必要としないニューラルネットワークによって遂行され得る。

入力変数としてニューラルネットワークに伝達されるこの特性変数又はそれらの値は、塗料の光学特性を記述すると共に、例えば、個別の塗料配分組成に割り当てられた光学定数、及び／又は、それらから算出された吸収及び／又は散乱係数のような中間変数として物理モデルによって個別の塗料配分組成から決定される。光学特性に基づく特性変数に基づいてニューラルネットワークに伝達される入力値、即ち特性変数の個々の値は、使用される全ての色成分に基づいて塗料配分組成の個々の質感パラメータを入力変数として割り当てるニューラルネットワークのそれらに関する数を大幅に減少することが可能で、それ故に、相応するニューラルネットワークは、入力値に色成分又は色成分の濃度を用いるニューラルネットワークより、より簡潔で、それ故により効率的、即ちより迅速で頑健であり、それ故に例えば塗料配分組成の変化に対して寛容である。

計算ステップ１５のすぐ前の操作ステップ１３によって、計算ステップ１５は、塗料配分組成１１の個々の構成要素から分離される。この分離ゆえに、例えば１つの顔料における欠乏に起因する塗料配分組成１１内の変更は、ニューラルネットワーク内に何らの変化ももたらさないであろう。もし、例えば元来の指定色配分組成の色成分がなくなるか、又はもしこの成分が他の色成分によって置換されると、それは、個々の色成分の光学特性及びそれらに基づく修正された塗料配分組成の少なくとも１つの特性変数の値の操作ステップ１３内での算出又は決定においてより速やかに考慮される。もし、この場合に特性変数の値が変わっても、例えばそれがニューラルネットワークに対する入力変数として機能する吸収成分又は散乱成分であろうとも、特性変数の種類や性質に何らの変化もない。従って、ニューラルネットワークを再構成する必要はなく、相応する入力変数の値をできるだけ変更するだけである。修正された塗料配分組成１１にも拘らず、これは、「光沢強度」、「光沢面積」、又は粒度の分散、即ち例えば「粒度拡散」のような質感パラメータの割り当てを計算ステップ１５において同様に修正することにつながる。

Claims (7)

1. 既知の塗料配分組成（１）を有する塗料の視覚的質感パラメータ（９）を予測するための方法であって、
   前記塗料の視覚的質感パラメータ（９）は、前記塗料配分組成（１）に使用される複数の色成分に基づく人工ニューラルネットワーク（７）によって決定され、
   前記既知の塗料配分組成（１）のために、前記塗料配分組成（１）の複数の色成分の少なくとも幾つかの複数の光学特性に基づく物理モデル（３）により少なくとも１つの特性変数（５）の値が決定され、
   前記複数の光学特性は、以下の光学特性のリスト、即ち、個別の塗料配分組成に基づいて形成された塗料の分光反射、個別の塗料配分組成の少なくとも１つの色成分の光学定数、個別の塗料配分組成の少なくとも１つの色成分のための物理モデルによって予測される反射スペクトル、クベルカ−ムンク関数に係る吸収係数Ｋ、クベルカ−ムンク関数に係る散乱係数Ｓ、及び個別の塗料配分組成の複数の色成分の夫々の光学定数から算出される少なくとも１つの光学特性変数から選択され、
   前記値は前記既知の塗料配分組成（１）に割り当てられ、また、
   前記値は前記視覚的質感パラメータ（９）を決定するための入力信号として前記人工ニューラルネットワーク（７）に伝送され、
   複数の色原本の夫々が既知の塗料配分組成と共に前記ニューラルネットワーク（７）の訓練のために使用され、その色原本の各々に対して、それら視覚的質感パラメータの夫々が測定されると共に、前記少なくとも１つの特性変数の値に割り当てられ、
   前記少なくとも１つの特性変数の値は、対応する前記塗料配分組成の夫々に対して決定され、前記夫々の塗料配分組成に対する複数の光学特性を記述し、
   前記視覚的質感パラメータは、以下の質感パラメータのリスト、即ち、光沢強度、光沢面積、又は粒度分布から選択されるか、又はそれらの組合せである、方法。
2. 前記使用される入力信号は、前記物理モデル（３）によって算出された、前記塗料の散乱成分及び／又は吸収成分及び／又は分光反射を含む、請求項１に記載の方法。
3. 前記塗料の塗料配分組成の１つ以上の色成分が変更、置換、又は除去される場合には、前記塗料の前記視覚的質感パラメータ（９）は、前記ニューラルネットワーク（７）の新たな訓練なしに決定され、前記複数の光学特性を記述する前記少なくとも１つの特性変数（５）の新たな値は、前記塗料の新たな前記既知の塗料配分組成に対して決定され、該新たな値は前記新たな既知の塗料配分組成に割り当てられ、また該新たな値は前記視覚的質感パラメータ（９）を決定するための入力信号として前記ニューラルネットワーク（７） に伝送され、前記複数の光学特性を記述する前記少なくとも１つの特性変数（５）の前記新たな値は、前記新たな既知の塗料配分組成の複数の色成分の少なくとも幾つかに対して前記複数の光学特性を記述する、請求項１又は２に記載の方法。
4. 前記既知の塗料配分組成の夫々に対し、前記少なくとも１つの特性変数の夫々の前記値は、少なくとも１つのセンサによって測定され、前記既知の塗料配分組成の各々に対して使用される複数の色成分の少なくとも１つの色成分のパラメータに基づく前記物理モデル（３）によって決定される、請求項１乃至３の何れか１項に記載の方法。
5. 個別の既知の塗料配分組成の複数の色成分の少なくとも幾つかの前記複数の光学特性を記述するパラメータのセットは、特性変数（５）として選択される、請求項１乃至４の何れか１項に記載の方法。
6. 前記個別の塗料配分組成の複数の色成分の個々の吸収係数及び散乱係数の加重平均は、個別の塗料配分組成の複数の色成分の前記光学定数から算出される少なくとも１つの光学特性変数（５）として選択される、請求項１乃至５の何れか１項に記載の方法。
7. 塗料に対する塗料配分組成は、既知の塗料配分組成の多重度に対して予測された質感パラメータによって決定され、前記塗料配分組成は、その質感パラメータが、指定された目標塗料の夫々の質感パラメータから最小限のずれを示すように決定される、請求項１乃至６の何れか１項に記載の方法。

Images