[发明专利]一种基于机器学习的涂料修色方法及系统

权利要求书

1.一种基于机器学习的涂料修色方法，其特征在于实施步骤包括：

1)预先建立基础样卡，并基于机器学习模型训练完成基础样卡的配方浓度C[C1,C2,C3]到三刺激值[X,Y,Z]的映射；当需要针对目标色块进行涂料修色时跳转执行下一步；

2)获取目标色块的反射率Rt并计算其三刺激值[X,Y,Z]，将计算得到的三刺激值[X,Y,Z]输入机器学习模型得到当前的配方结果；

3)根据当前的配方结果做出小样并利用分光光度计对其进行色差测算得到其色差△E；

4)判断色差△E是否大于预设阈值，如果大于预设阈值，则获取当前的配方结果做出的小样的反射率Rs，根据反射率Rs计算其三刺激值[X,Y,Z]，将计算得到的三刺激值[X,Y,Z]输入机器学习模型得到新的配方结果，根据当前的配方结果、新的配方结果计算出新的修正后的配方结果作为新的当前的配方结果，跳转执行步骤2)；否则，判定当前的配方结果不需要修色，结束并退出。

2.根据权利要求1所述的基于机器学习的涂料修色方法，其特征在于，步骤1)中建立基础样卡的详细步骤包括：建立基础的涂料配方数据库，根据涂料的类别进行分类，不同类别的涂料设定不同梯度点，梯度点选取的原则是让不同的梯度点能够覆盖大部分配方所用的浓度范围，然后根据配方组成中的涂料对这些梯度点进行组合产生基础样卡，接着将这些基础样卡做出小样。

3.根据权利要求2所述的基于机器学习的涂料修色方法，其特征在于，所述根据涂料的类别进行分类的详细步骤包括：将100％浓度的涂料制作100％纯样黑白底卡；通过分光光度计分别检测获取100％纯样黑白底卡上的反射率R₀,R₁，其中R₀表示黑底卡上的反射率，R₁表示白底卡上的反射率；根据反射率R₀,R₁计算100％浓度的色漆的遮盖率I，并根据遮盖率I将所有的100％浓度的色漆进行分类。

4.根据权利要求3所述的基于机器学习的涂料修色方法，其特征在于，所述计算100％浓度的色漆的遮盖率I的函数表达式如式(1)所示；

式(1)中，I表示100％浓度的色漆的遮盖率，N表示100％纯样黑白底卡上的检测采样点，表示在第i个可见光波段黑底卡上的反射率，表示在第i个可见光波段白底卡上的反射率。

5.根据权利要求4所述的基于机器学习的涂料修色方法，其特征在于，所述根据遮盖率I将所有的100％浓度的色漆进行分类时，分类的结果包括低、中、高三类，针对遮盖率分类为高的色漆浓度取值范围为[0.1 0.2 0.5 1 2]，针对遮盖率分类为中的色漆浓度取值范围为[0.2 0.5 1 2 6]，针对遮盖率分类为低的色漆浓度取值范围为[0.5 1 2 6 14]，一个配方中有b种涂料，进行组合从而得到5^b种配方，其中b为配方中包含不同色漆的数量。

6.根据权利要求1所述的基于机器学习的涂料修色方法，其特征在于，步骤2)获取目标色块的反射率Rt并计算其三刺激值[X,Y,Z]以及步骤4)中根据反射率Rs计算其三刺激值[X,Y,Z]的详细步骤包括：首先根据式(2)计算反射率对应的K/S值；然后根据式(3)计算K/S值对应的三刺激值[X,Y,Z]；

式(2)中，K/S表示反射率对应的K/S值，R表示输入的反射率；

式(3)中，X,Y,Z表示目标色块的三刺激值，E表示CIE-1931中广谱能量分布常量，表示CIE-XYZ系统中标准色度观察者光谱刺激值X且为一个常量数据，表示CIE-XYZ系统中标准色度观察者光谱刺激值Y且为一个常量数据，表示CIE-XYZ系统中标准色度观察者光谱刺激值Z且为一个常量数据，R表示色块目标的反射率，(K/S)表示目标色块的K/S值，△λ表示可见光波长范围内的采样的间隔。