[发明专利]用于涂料配制的纹理评估的系统和方法

说明书

技术领域

在各种实施例中，本发明一般地涉及一种用于评估涂料混合物的比色和物理性能属性的系统和方法，以便向用户提供在配制涂料匹配、在数据存储(例如数据库)中搜索涂料匹配以及在质量保证中使用的纹理质量。

背景技术

为了提供与使用配制或搜索引擎(或视觉处理)利用目标涂料涂布的目标样本的正确的颜色匹配，期望确定目标涂料的正确的染色。如果利用与目标涂料中相同的颜料或适当的偏移，配制或搜索过程可作出关于目标涂料的配制的明显的最佳解决方案。然而，如果由于颜料纹理而存在改变纹理质量的可能性，颜色匹配可能无法精确地提供完全匹配的样本。此外，从可用性中或者有意或者无意地排除那些颜料将导致不如最佳的颜色匹配。

一些目前的匹配搜索或配制引擎和方法学尝试经由各种算法来完成(encompass)颜料选择和配置。各种颜料识别包和配置引擎采取“野蛮”力，猜测和检查方式的类型以向其用户提供配制和颜料信息。组合的方式——野蛮力方法——是频繁使用的方法，在该方法中给定最终匹配中期望的颜料的结束编号，以所有可用的组合来组合几乎所有可用的颜料。尽管存在在给定具体条件下限制某些颜料的使用的一些方法，但是最终结果是：公式组合可以验证(validate against)样本，并且最接近匹配目标涂料的一个或多个公式的选择被提供给用户。

其它解决方案要求用户向搜索或配制引擎提交调色剂的样本集，并且还有其它方法选择使用调色剂的预定义子集。通常这些方法对于用户是有负担的，并且缺乏正确的“直觉”来为用户的良好解决方案提供简化的方法。另外，由于这样的方法学的性质，可能会排除匹配目标涂料所必要的适当的颜料。

神经网络已用于从预先生成的可能匹配的现有数据库选择颜色匹配，或者本身充当配制引擎。神经网络的优势在于它解决线性和非线性关系二者的能力，但这种优势以笨重、不灵活性以及需要显著的开销来精心管理有时大的学习数据库和结构为代价。神经网络的不灵活性或刚性操作一般必须用在反馈设计中，以优化导致网络的隐藏层和在网络的隐藏层内的节点权重。神经网络需要从期望的输出获得的这种类型的错误的反向传播(backpropogation)，以便“学习”。通过基于现有迭代的错误对输入的重复再引入(repeated reintroduction)和对权重的重复调整，神经网络的实际学习或训练是基于给定期望输出的计算错误的减少。

如可从图1中所见的，常规的神经网络需要几乎理想定义的输入，并且如果错误需要被纠正或需要考虑一块新的信息，则需要显著的努力来更新和/或改变各个层(节点)。虽然与一些现有的模型相比，更少的步骤对于用户是明显的，但神经网络由于其尝试在一个大规模步骤中完成对配制或颜色搜索的解决(resolution)的性质而趋向于相对缓慢和单向。此外，与上文讨论的方法学一样，排除必要的颜料是有可能的。神经网络还需要权重、数据库、计算、复杂和严格的过程映射以及有效的实质“训练”的精确和有点繁琐的维护。

因此，需要具有灵活性来将处理步骤分割为更小的多方向块(multidirectional piece)并利用前馈型设计以达到速度和准确度的系统和方法。还需要最小化用户交互并创建结合配制引擎的颜料识别和公差的灵活的逐步方法学的系统和方法。

发明内容

在第一方面，发明的实施例提供一种计算机实现的方法。该方法包括：使用处理器识别目标涂料中的纹理，其中识别包括应用贝叶斯过程，并且使用处理器分配适于由搜索引擎和配制引擎之一使用的纹理值。

在另一方面，发明的实施例涉及一种系统。该系统包括数据库和处理器，该处理器与数据库通信并且被编程为：识别目标涂料中的纹理，其中识别包括应用贝叶斯过程，并且分配适于由搜索引擎和配制引擎之一使用的纹理值。

在另一方面，发明的实施例提供一种装置。该装置包括：用于识别目标涂料中的纹理的部件，其中识别包括应用贝叶斯过程，以及用于使用处理器分配适于由搜索引擎和配制引擎之一使用的纹理值的部件。

在进一步的方面，发明的实施例提供一种包括软件的非临时性计算机可读介质，该软件用于使得处理器：识别目标涂料中的纹理，其中识别包括应用贝叶斯过程；以及分配适于由搜索引擎和配制引擎之一使用的纹理值。

附图说明

图1图示常规的神经网络。

图2图示常规的贝叶斯系统的示例。

图3图示根据本发明的各种实施例的纹理规模(texture scale)识别贝叶斯模块的高级表示。