[发明专利]用于确定涂料配方的系统和方法

说明书

技术领域

在各个实施例中，本发明一般涉及一种用于评估涂料混合物的比色和物理性质属性的系统和方法，以便向用户提供调色剂列表和匹配的涂料配方。

背景技术

为了使用配方或搜索引擎(或可视处理)向涂有目标涂料的目标样本提供适当的配色，希望确定所述目标涂料的正确着色。如果利用与在目标涂料中的颜料或适当的补偿相同的颜料或适当的补偿，那么对目标涂料的配方来说配方或搜索处理可以达到明显的最优解决方案。另一方面，有意地或无意地从可用性中排除那些颜料将导致不那么优的配色。

几种现有的配方引擎和方法试图经由各种算法来完成颜料选择和配方。各种颜料标识包和配方引擎采取“强制(brute)”力、推测和检查类型的途径来向它们的用户提供配方和颜料信息。组合的途径或强制力法是频繁使用的方法，其中给定在最终匹配中想要的颜料的最终数目，以所有可用的组合来组合几乎所有可用的颜料。组合的途径可以利用Kubelka-Munk方程式或其导数来产生各个配方。尽管已经存在一些方法，其中给定某些条件的情况下这些方法会限制一些颜料的使用以便优化引擎速度，不过最终结果是相对于样本验证配方(formula)组合并且向用户提供最接近匹配目标涂料的一个或多个配方的选择。存在各种形式的ΔE或其它比色评定算法，用于与样本相比较确定匹配的准确性。

其它解决方案要求用户向配方引擎提交调色剂的样本集，并且其它方法选择预定义的要使用的调色剂子集。这些方法都没有利用逐步方法而经常导致非最优解决方案。这些方法对于用户来说一般是繁重的并且缺乏适当的“直观性”以向所述用户提供良好解决方案的合理化方法。另外，按照这种方法论的本质，可能排除匹配目标涂料所必须的适当颜料。

神经网络已经用于从预先产生的可能的匹配的现有数据库中选择颜色匹配或者充当配方引擎本身。神经网络的强项在于其解决线性和非线性关系的能力，但是此强项的代价是笨重、无适应性并且要求显著的开销来细致地管理有时庞大的学习数据库和结构。神经网络的无适应性或刻板操作一般必须在反馈设计中使用以优化通向网络的隐蔽层以及在网络的隐蔽层内的节点权重。神经网络要求从想要的输出获取的此类反向传播误差以便“学习”。神经网络的实际学习或训练基于给定想要的输出、通过根据在先的迭代误差反复再引入权重的输入和调整来减小计算误差。

如在图1中所见，如果需要校正误差或者需要考虑新的信息块，那么典型的神经网络要求接近理论上定义的输入并且要求显著的努力来更新和/或改变各个层(节点)。尽管与一些在先的模型相比较，较少的步骤对用户来说是明显的，不过神经网络趋向于相对缓慢并且是单向的，这是由于其试图在一个大的步骤中完成对配方或颜色搜索的解决方案的本质。如上面论述的方法论一样，排除必须的颜料也是一种可能性。神经网络还要求精确地并且多少有些乏味的对权重、数据库、计算、复杂且刻板的处理映射和基本“训练”的维护是有效的。

从而，需要一种系统和方法，其具有把处理步骤划分为较小的多方向块的灵活性并且为了速度和准确性利用前馈类型设计。还需要一种系统和方法，其使用户交互最小化并且结合配方引擎创建了颜料识别和容差的灵活的逐步方法论。

发明内容

依照第一方面，本发明的实施例提供了一种计算机实现的方法。所述方法包括使用处理器识别目标涂料中的体颜料(bulk pigment)，其中识别包括应用贝叶斯处理，并且使用处理器识别所述目标涂料中的至少一种精制颜料(refined pigment)，其中识别包括应用贝叶斯(Bayesian)处理。所述方法还包括使用处理器配制目标涂料的配方并且输出所述配方，其中配制包括应用贝叶斯处理。

依照另一方面，本发明的实施例针对一种系统。所述系统包括数据库和与所述数据库通信的处理器。所述处理器被编程为：识别目标涂料中的体颜料，其中识别包括应用贝叶斯处理；以及识别所述目标涂料中的至少一个精制颜料，其中识别包括应用贝叶斯处理。所述处理器还被编程为配制目标涂料的配方并且输出所述配方，其中配制包括应用贝叶斯处理。

依照另一方面，本发明的实施例提供一种设备。所述设备包括用于识别目标涂料中的体颜料的装置，其中识别包括应用贝叶斯处理，和用于识别所述目标涂料中的至少一个精制颜料的装置，其中识别包括应用贝叶斯处理。所述设备还包括用于配制目标涂料的配方的装置和用于输出所述配方的装置，其中配制包括应用贝叶斯处理。

依照进一步方面，本发明实施例提供了一种非瞬时性计算机可读介质，包括用于使处理器进行以下操作的软件：

识别目标涂料中的体颜料，其中识别包括应用贝叶斯处理；