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
Description
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。
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。
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。
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。
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。
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。
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。
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。
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、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。
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、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。
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。
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。
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。
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。
PHavβ=3W/A
によって得られる値とすることができる。
PSav=D/PHavβ
によって得る。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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、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。
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。
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。
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。
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。
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。
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。
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。
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。
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
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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、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、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。
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。
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。
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。
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。
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。
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。
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。
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 |