JP6936416B1 - 塗料の製造方法及び色彩データを予測する方法 - Google Patents
塗料の製造方法及び色彩データを予測する方法 Download PDFInfo
- Publication number
- JP6936416B1 JP6936416B1 JP2021087886A JP2021087886A JP6936416B1 JP 6936416 B1 JP6936416 B1 JP 6936416B1 JP 2021087886 A JP2021087886 A JP 2021087886A JP 2021087886 A JP2021087886 A JP 2021087886A JP 6936416 B1 JP6936416 B1 JP 6936416B1
- 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.)
- Active
Links
- 239000003973 paint Substances 0.000 title claims abstract description 154
- 239000000203 mixture Substances 0.000 claims abstract description 316
- 238000000576 coating method Methods 0.000 claims abstract description 117
- 239000011248 coating agent Substances 0.000 claims abstract description 116
- 239000000463 material Substances 0.000 claims abstract description 70
- 239000003086 colorant Substances 0.000 claims abstract description 48
- 238000004364 calculation method Methods 0.000 claims abstract description 40
- 238000004519 manufacturing process Methods 0.000 claims abstract description 32
- 238000013329 compounding Methods 0.000 claims description 172
- 238000013473 artificial intelligence Methods 0.000 claims description 170
- 238000000034 method Methods 0.000 claims description 146
- 239000000049 pigment Substances 0.000 claims description 131
- 238000002156 mixing Methods 0.000 claims description 53
- 230000008569 process Effects 0.000 claims description 49
- 238000004040 coloring Methods 0.000 claims description 37
- 238000005259 measurement Methods 0.000 claims description 31
- 230000003595 spectral effect Effects 0.000 claims description 26
- 230000008439 repair process Effects 0.000 claims description 23
- 238000010422 painting Methods 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 238000010801 machine learning Methods 0.000 claims description 16
- 239000013022 formulation composition Substances 0.000 claims description 13
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 12
- 229920000178 Acrylic resin Polymers 0.000 claims description 11
- 239000004925 Acrylic resin Substances 0.000 claims description 11
- 239000003795 chemical substances by application Substances 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000003066 decision tree Methods 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000007477 logistic regression Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 abstract description 21
- 238000010586 diagram Methods 0.000 abstract description 10
- 150000001875 compounds Chemical class 0.000 abstract description 3
- 239000010410 layer Substances 0.000 description 35
- 239000002245 particle Substances 0.000 description 17
- 238000004891 communication Methods 0.000 description 16
- 238000003384 imaging method Methods 0.000 description 15
- 238000001228 spectrum Methods 0.000 description 15
- 238000009826 distribution Methods 0.000 description 14
- 230000035807 sensation Effects 0.000 description 13
- 235000019615 sensations Nutrition 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 238000000149 argon plasma sintering Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 11
- 230000031700 light absorption Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 239000002184 metal Substances 0.000 description 10
- 229910052751 metal Inorganic materials 0.000 description 10
- 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
- 230000000052 comparative effect Effects 0.000 description 7
- 238000009472 formulation Methods 0.000 description 7
- 238000001035 drying Methods 0.000 description 6
- 239000000654 additive Substances 0.000 description 5
- 238000005286 illumination Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 238000009500 colour coating Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000001953 sensory effect Effects 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 239000011230 binding agent Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 238000010191 image analysis Methods 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
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000008199 coating composition Substances 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000002452 interceptive effect Effects 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
- 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
- 210000004556 brain Anatomy 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 201000000760 cerebral cavernous malformation Diseases 0.000 description 1
- 238000000701 chemical imaging Methods 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
- 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
- 239000002932 luster Substances 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
- 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
- 238000005303 weighing Methods 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
【課題】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。【解決手段】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、所定のＳ１０１〜Ｓ１１１工程を含む、前記塗料の製造方法。【選択図】図６
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
［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。
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。
［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。
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。
［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。
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。
［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。
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。
［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。
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。
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。
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。
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。
［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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
＜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。
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。
（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。
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。
（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。
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。
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。
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。
−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。
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。
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。
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。
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。
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。
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。
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。
−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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
ＰＨａｖβ＝３Ｗ／Ａ
によって得られる値とすることができる。
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
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。
ＰＳａｖ＝Ｄ／ＰＨａｖβ
によって得る。
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。
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。
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。
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。
「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。
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。
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。
（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。
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。
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。
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。
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。
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。
（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。
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。
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。
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。
（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。
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。
＜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。
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。
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。
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。
＜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。
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。
［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。
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。
＜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。
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。
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。
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。
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。
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。
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。
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。
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。
＜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。
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。
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。
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。
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。
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。
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。
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。
＜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。
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。
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。
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。
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。
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。
＜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。
＜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。
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。
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。
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。
＜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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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 ：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
また、ダンカンの混色理論式は、以下のとおりである。
Ｋｍ：混色後の光吸収係数
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
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
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。
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。
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。
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。
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。
＜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。
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。
＜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。
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。
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。
＜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。
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。
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。
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。
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。
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。
＜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。
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。
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。
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。
＜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。
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。
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。
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。
＜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。
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。
［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。
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。
＜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。
＜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。
＜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。
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。
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。
＜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。
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。
＜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。
＜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。
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。
［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。
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。
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。
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。
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。
［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。
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。
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。
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。
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。
［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。
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。
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。
調色負荷における各項目は、以下のようにして評価した。
（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
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
（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。
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。
（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。
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。
［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。
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。
［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。
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。
［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。
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。
[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。
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。
（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。
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。
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。
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
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
Claims (18)
- 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光輝性顔料及び／又はアクリル系樹脂を含む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。 - 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、請求項１に記載の方法。
- 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、請求項１又は２に記載の方法。
- 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、請求項１〜３のいずれか１項に記載の方法。
- 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。
- 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光輝性顔料及び／又はアクリル系樹脂を含む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。 - 人工知能モデルが、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又はｋ近傍法から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、請求項１〜６のいずれか１項に記載の方法。
- 予測色彩データは、多角度の分光反射率及び／又は光輝感パラメータを含む、請求項１〜７のいずれか１項に記載のシステム。
- 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、請求項１〜８のいずれか１項に記載の方法。 - 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、請求項１〜９のいずれか１項に記載の方法。 - 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、請求項１〜１０のいずれか１項に記載の方法。
- 車両の補修塗装を行う際に用いられる、請求項１〜１１のいずれか１項に記載の方法。
- 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、を備える光輝性顔料及び／又はアクリル系樹脂を含む塗料のための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。 - 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光輝性顔料及び／又はアクリル系樹脂を含む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。 - 人工知能モデルが、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又はｋ近傍法から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、請求項１３又は１４に記載のシステム。
- 予測色彩データは、多角度の分光反射率及び／又は光輝感パラメータを含む、請求項１３〜１５のいずれか１項に記載のシステム。
- 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、請求項１３〜１６のいずれか１項に記載のシステム。
- 請求項１３〜１７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。
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 true JP6936416B1 (ja) | 2021-09-15 |
| JP2021188046A JP2021188046A (ja) | 2021-12-13 |
Family
ID=77657974
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021087886A Active JP6936416B1 (ja) | 2020-05-26 | 2021-05-25 | 塗料の製造方法及び色彩データを予測する方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6936416B1 (ja) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7081061B1 (ja) | 2022-01-05 | 2022-06-06 | 関西ペイント株式会社 | 自動塗装装置、自動塗装システム及び塗膜形成方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4822648B2 (ja) * | 2000-07-07 | 2011-11-24 | 関西ペイント株式会社 | 光輝感を有する塗料の調色方法 |
| JP2004224966A (ja) * | 2003-01-24 | 2004-08-12 | Kansai Paint Co Ltd | メタリック塗色の調色方法 |
| US20060031027A1 (en) * | 2004-08-03 | 2006-02-09 | Alman David H | Method and apparatus for predicting properties of a chemical mixture |
| US8392347B2 (en) * | 2007-06-20 | 2013-03-05 | Kansai Paint Co., Ltd. | Coating color database creating method, search method using the database, their system, program, and recording medium |
| WO2012177508A2 (en) * | 2011-06-20 | 2012-12-27 | E.I. Du Pont De Nemours And Company | Method for matching sparkle appearance of coatings |
| DE102015118551A1 (de) * | 2015-10-29 | 2017-05-04 | Basf Coatings Gmbh | Verfahren zum Ermitteln von Texturparametern eines Lacks |
| JP6703639B1 (ja) * | 2019-12-27 | 2020-06-03 | 関西ペイント株式会社 | 塗料の製造方法及び色彩データを予測する方法 |
-
2021
- 2021-05-25 JP JP2021087886A patent/JP6936416B1/ja active Active
Also Published As
| Publication number | Publication date |
|---|---|
| JP2021188046A (ja) | 2021-12-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6703639B1 (ja) | 塗料の製造方法及び色彩データを予測する方法 | |
| WO2021132654A1 (ja) | 塗料の製造方法、色彩データを予測する方法及びコンピュータ調色システム | |
| KR101162078B1 (ko) | 페인트 매칭 방법 | |
| CN108139271B (zh) | 确定表面涂层的纹理参数的方法 | |
| Dupont | Study of the reconstruction of reflectance curves based on tristimulus values: comparison of methods of optimization | |
| EP2161555A1 (en) | Coating color database creating method, search method using the database, their system, program, and recording medium | |
| JP2001221690A (ja) | コンピュータ調色装置及びこの装置を用いた塗料の調色方法 | |
| EP2721542B1 (en) | Method for matching sparkle appearance of coatings | |
| US20030208345A1 (en) | Color matching and simulation of multicolor surfaces | |
| JP2013536060A (ja) | 整合したカラーコーティングを生成及び供給するための方法及びその使用 | |
| CN113128548A (zh) | 用于匹配目标涂层的颜色和外观的***和方法 | |
| JP2022538937A (ja) | メタルデコのデジタルプルーフ工程 | |
| AU2002229617B2 (en) | Method for selecting a formulation for one or more layers of a multi-layer coating | |
| CN113128546A (zh) | 用于匹配目标涂层的颜色和外观的***和方法 | |
| JP6936416B1 (ja) | 塗料の製造方法及び色彩データを予測する方法 | |
| Ruiz et al. | A learning system for adjustment processes based on human sensory perceptions | |
| US10152494B2 (en) | Process for matching paint | |
| US20040239928A1 (en) | Modified-color generation and display method and apparatus | |
| CN113128547A (zh) | 用于匹配目标涂层的颜色和外观的***和方法 | |
| US20140350867A1 (en) | System for producing liquid composition | |
| JP2018191073A (ja) | 着色材料の配合量の算出方法 | |
| WO2023076032A1 (en) | Method and system for determining color match for surface coatings | |
| CN101272870B (zh) | 多彩花纹涂膜的涂料条件及涂装条件的决定装置和决定方法 | |
| JP2003294530A (ja) | コンピュータ・カラーマッチングの計算方法 | |
| JP3836120B1 (ja) | コンピュータカラーマッチング方法、カラーマッチング装置及びプログラム |
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 |