专利摘要
本发明涉及一种汽车油漆颜色调配方法，包括步骤：S1：采集待补漆车辆的表面图像，并根据采集的表面图像识别得到表面颜色信息；S2：根据表面颜色信息生成对应的粗调色配方，且基于该调色配方获取指定比例的油漆色母，混合搅拌并通过反溃补偿得到所需油漆。与现有技术相比，本发明实现了待补漆车辆表面油漆颜色的自动调制，克服了人工调制凭借经验调配的效率低下及经验不足的弊端，且大大减少油漆挥发对人体造成的伤害。
权利要求
1.一种汽车油漆颜色调配方法，其特征在于，包括步骤：
S1：采集待补漆车辆的表面图像，并根据采集的表面图像识别得到表面颜色信息；
S2：根据表面颜色信息生成对应的粗调色配方，且基于该粗调色配方获取指定比例的油漆色母，混合搅拌并通过反馈补偿得到所需油漆。
2.根据权利要求1所述的一种汽车油漆颜色调配方法，其特征在于，所述步骤S2具体包括步骤：
S21：粗调：基于粗调色配方，获取指定比例的油漆色母，混合并搅拌；
S22：反馈：从搅拌得到的油漆中取样得到油漆样品，并判断样品颜色与表面颜色之间的色差是否小于阈值，若为是，则调配结束，若为否，则执行步骤S23；
S23：微调：根据样品颜色与表面颜色之间的色差生成补偿配方，且基于该补偿配方获取指定比例的油漆色母，混合并搅拌。
3.根据权利要求2所述的一种汽车油漆颜色调配方法，其特征在于，所述步骤S22具体包括步骤：
S221：将搅拌好的油漆涂抹于与汽车外壳同材质的采样板上获得油漆样品；
S222：由颜色传感器捕捉油漆样品在基光源照射下发出的光线，根据捕捉的光线获悉样品颜色；
S223：判断样品颜色与表面颜色之间的色差是否小于阈值，若为是，则调配结束，若为否，则执行步骤S23。
4.根据权利要求1所述的一种汽车油漆颜色调配方法，其特征在于，所述步骤S2中得到所需油漆后，将调制日志上传上位机并进行保存。
5.根据权利要求1所述的一种汽车油漆颜色调配方法，其特征在于，所述步骤S1中采用SVM分类器根据采集的表面图像识别得到表面颜色信息，所述SVM分类器核函数为RBF核函数。
6.根据权利要求5所述的一种汽车油漆颜色调配方法，其特征在于，所述SVM分类器的支持向量机参数的优化过程采用基于遗传与模拟退火的混合粒子群算法进行，具体包括步骤：
S11：设定GA的种群规模、交叉率和变异率，最大进化代数和GA最小适应度阈值；
S12：生成GA的初始种群，其中，每一个GA染色体代表一组PSO加速系数；
S13：计算GA的个体适应值；
S14：由得到的个体适应值计算每个个体的选择概率，实施选择、交叉和变异，生成新一代GA种群；
S15：判断以下条件是否至少有一个成立：
a.进化代数达到最大进化代数，
b.个体适应值达到GA最小适应度阈值，
若为否，则返回步骤S13，若为是，则执行步骤S16；
S16：输出最优值，为该混合粒子群算法的最优解。
7.根据权利要求6所述的一种汽车油漆颜色调配方法，其特征在于，所述步骤S13具体包括步骤：
S131：设定PSO种群规模、最大迭代次数，PSO最小适应度阈值，其中每一个PSO粒子代表一组SVM分类器的优化参数；
S132：初始化加速系数、惯性权重系数，计算粒子初始速度和位置，并初始化模拟退火算法初值；
S133：更新粒子速度和位置，并计算更新前后适应值差ΔE；
S134：判断适应值差是否大于0，若为是，则执行步骤S136，若否，则执行步骤S135；
S135：判断exp(ΔE/T)＞rand(0,1)是否成立，若为是，则执行步骤S136，若为否，则执行步骤S137；
S136：接受更新结果，并执行步骤S138；
S137：拒绝更新结果，回滚粒子速度和位置，并执行步骤S138；
S138：计算自适应权重系数，并根据适应值更新个体极值和全局极值；
S139：判断以下条件是否至少有一个成立：
c.迭代次数达到最大迭代次数，
d.达到PSO最小适应度阈值，
若为否，则返回步骤S133；若为是，则求出最优值，由PSO所找到的最优值即为GA的个体适应度。
说明书
技术领域
本发明涉及汽车补漆领域，尤其是涉及一种汽车油漆颜色调配方法。
背景技术
近些年，汽车工业飞速发展，汽车普及速度较快，特别是家用轿车。但随着汽车产量的急剧增多，汽车表面油漆的使用也不断增加。一方面，汽车生产商生产完汽车后，需要使用特定颜色的油漆对其表面进行处理，另一方面，随着汽车不断增加，交通事故也随之骤升，汽车表面的碰损在所难免，大量汽车修理厂需要使用特定颜色的油漆对其进行处理。但现行方案是，各生产厂商或其4S店只能够根据颜色配方比例调节来获得需要的颜色，要调配颜色预先已经确定好各成分比例，而各修理厂则大量采用有一定经验技术的油漆工来人工配制所需颜色。
以上做法存在着严重不足。4S店按照配方比例调制出来的颜色往往与实际车表颜色存在偏差，因为汽车在使用过程，表面颜色经受风吹日晒，与出厂颜色存在一定偏差，而修理厂采用人工配制的方法，完全凭借经验手工调试。一方面常年累月的手工调制油漆会对人体造成伤害，另一方面，油漆供应厂商众多，各厂商油漆特性不一致，种类繁多。因此，油漆工很难凭经验准确把握调配比例，存在技术上的问题，并且配制过程较慢，效率较低。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种汽车油漆颜色调配方法。
本发明的目的可以通过以下技术方案来实现：
一种汽车油漆颜色调配方法，包括步骤：
S1：采集待补漆车辆的表面图像，并根据采集的表面图像识别得到表面颜色信息；
S2：根据表面颜色信息生成对应的粗调色配方，且基于该粗调色配方获取指定比例的油漆色母，混合搅拌并通过反馈补偿得到所需油漆。
所述步骤S2具体包括步骤：
S21：粗调：基于粗调色配方，获取指定比例的油漆色母，混合并搅拌；
S22：反馈：从搅拌得到的油漆中取样得到油漆样品，并判断样品颜色与表面颜色之间的色差是否小于阈值，若为是，则调配结束，若为否，则执行步骤S23；
S23：微调：根据样品颜色与表面颜色之间的色差生成补偿配方，且基于该补偿配方获取指定比例的油漆色母，混合并搅拌。
所述步骤S22具体包括步骤：
S221：将搅拌好的油漆涂抹于与汽车外壳同材质的采样板上获得油漆样品；
S222：由颜色传感器捕捉油漆样品在基光源照射下发出的光线，根据捕捉的光线获悉样品颜色；
S223：判断样品颜色与表面颜色之间的色差是否小于阈值，若为是，则调配结束，若为否，则执行步骤S23。
所述步骤S2中得到所需油漆后，将调制日志上传上位机并进行保存。
所述步骤S1中采用SVM分类器根据采集的表面图像识别得到表面颜色信息，所述SVM分类器核函数为RBF核函数。
所述SVM分类器的支持向量机参数的优化过程采用基于遗传与模拟退火的混合粒子群算法进行，具体包括步骤：
S11：设定GA的种群规模、交叉率和变异率，最大进化代数和GA最小适应度阈值；
S12：生成GA的初始种群，其中，每一个GA染色体代表一组PSO加速系数；
S13：计算GA的个体适应值；
S14：由得到的个体适应值计算每个个体的选择概率，实施选择、交叉和变异，生成新一代GA种群；
S15：判断以下条件是否至少有一个成立：
a.进化代数达到最大进化代数，
b.个体适应值达到GA最小适应度阈值，
若为否，则返回步骤S13，若为是，则执行步骤S16；
S16：输出最优值，为该混合粒子群算法的最优解。
所述步骤S13具体包括步骤：
S131：设定PSO种群规模、最大迭代次数，PSO最小适应度阈值，其中每一个PSO粒子代表一组SVM分类器的优化参数；
S132：初始化加速系数、惯性权重系数，计算粒子初始速度和位置，并初始化模拟退火算法初值；
S133：更新粒子速度和位置，并计算更新前后适应值差ΔE；
S134：判断适应值差是否大于0，若为是，则执行步骤S136，若否，则执行步骤S135；
S135：判断exp(ΔE/T)＞rand(0,1)是否成立，若为是，则执行步骤S136，若为否，则执行步骤S137；
S136：接受更新结果，并执行步骤S138；
S137：拒绝更新结果，回滚粒子速度和位置，并执行步骤S138；
S138：计算自适应权重系数，并根据适应值更新个体极值和全局极值；
S139：判断以下条件是否至少有一个成立：
c.迭代次数达到最大迭代次数，
d.达到PSO最小适应度阈值，
若为否，则返回步骤S133；若为是，则求出最优值，由PSO所找到的最优值即为GA的个体适应度。
与现有技术相比，本发明具有以下优点：
1)实现了待补漆车辆表面油漆颜色的自动调制，克服了人工调制凭借经验调制的效率低下及经验不足的弊端，且大大减少油漆挥发对人体造成的伤害。
2)该装置能够根据车表颜色的实际情况进行调制，不单纯依靠已有配色方案，调制出来的颜色更加精确、可靠，减少因油漆调色不准而出现返工的现象，节约大量人力，物力。
3)在油漆调色这一特殊情况下，采用图像处理与传感器反馈补偿环节互补的方式，既能够保证调制方法的准确度，又可以减少硬件系统资源的开支，提高调制效率。
附图说明
图1为本发明的主要步骤流程示意图；
图2为本发明的流程示意图；
图3为本发明的方法控制流向图；
其中1、调配机构，2、微处理器。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
一种汽车油漆颜色调配方法，如图1和图2所示，包括步骤：
S1：采集待补漆车辆的表面图像，并根据采集的表面图像识别得到表面颜色信息，具体包括步骤：
步骤S1中采用SVM分类器根据采集的表面图像识别得到表面颜色信息，SVM分类器核函数为RBF核函数。
SVM分类器的支持向量机参数的优化过程采用基于遗传与模拟退火的混合粒子群算法进行，具体包括步骤：
S11：设定GA(遗传算法)的种群规模、交叉率和变异率，最大进化代数和GA最小适应度阈值；
S12：生成GA的初始种群，其中，每一个GA染色体代表一组PSO(粒子群算法)加速系数；
S13：计算GA的个体适应值，具体包括步骤：
S131：设定PSO种群规模、最大迭代次数，PSO最小适应度阈值，其中每一个PSO粒子代表一组SVM分类器的优化参数，优化参数具体指RBF核函数参数和惩罚因子；
S132：初始化加速系数、惯性权重系数，计算粒子初始速度和位置，并初始化模拟退火算法初值；
S133：更新粒子速度和位置，并计算更新前后适应值差ΔE；
S134：判断适应值差是否大于0，若为是，则执行步骤S136，若否，则执行步骤S135；
S135：判断exp(ΔE/T)＞rand(0,1)是否成立，若为是，则执行步骤S136，若为否，则执行步骤S137；
S136：接受更新结果，并执行步骤S138；
S137：拒绝更新结果，回滚粒子速度和位置，并执行步骤S138；
S138：计算自适应权重系数，并根据适应值更新个体极值和全局极值；
S139：判断以下条件是否至少有一个成立：
c.迭代次数达到最大迭代次数，
d.达到PSO最小适应度阈值，
若为否，则返回步骤S133；若为是，则求出最优值，由PSO所找到的最优值即为GA的个体适应度。
S14：由得到的个体适应值计算每个个体的选择概率，实施选择、交叉和变异，生成新一代GA种群；
S15：判断以下条件是否至少有一个成立：
a.进化代数达到最大进化代数，
b.个体适应值达到GA最小适应度阈值，
若为否，则返回步骤S13，若为是，则执行步骤S16；
S16：输出最优值，为该混合粒子群算法的最优解。
S2：根据表面颜色信息生成对应的粗调色配方，且基于该粗调色配方获取指定比例的油漆色母，混合搅拌并通过反馈补偿得到所需油漆，具体包括步骤：
S21：粗调：基于粗调色配方，获取指定比例的油漆色母，混合并搅拌；
S22：反馈：从搅拌得到的油漆中取样得到油漆样品，并判断样品颜色与表面颜色之间的色差是否小于阈值，若为是，则调配结束，若为否，则执行步骤S23，具体包括步骤：
S221：将搅拌好的油漆涂抹于与汽车外壳同材质的采样板上获得油漆样品；
S222：由颜色传感器捕捉油漆样品在基光源照射下发出的光线，根据捕捉的光线获悉样品颜色；
S223：判断样品颜色与表面颜色之间的色差是否小于阈值，若为是，则调配结束，若为否，则执行步骤S23。
S23：微调：根据样品颜色与表面颜色之间的色差生成补偿配方，且基于该补偿配方获取指定比例的油漆色母，混合并搅拌；
S24：判断该调制结果是否加入调配方案库，如果是，则进行步骤S25，若为否，则执行步骤S26；
S25：该粗调色配方和补偿配方融合后得到调配方案，加入调配方案库，并执行步骤S26；
S26：上报上位机，生成调配日志，并上传上位机进行保存。
如图3所示，该方法的实施方式如下：
在实施该方法的过程中，微处理器2能够控制配料机构1协调工作，调配料机构1包括所述方法中的粗调、微调、采样等环节机构。通过摄像头采集到汽车车表油漆颜色信息交由微处理器2处理，该采集过程采用一定的方式消除或大大减少光照强度、车表污渍等外部环境可能对调制过程造成影响的因素。微处理器经过图像预处理、SVM模式识别等过程生成调配方案，调配料机构进料进行粗调制，粗调完成后，对调制样品进行采样判断，为消除干扰因素，将样品喷在采样板板，将基光源打在采样板上，通过传感器分析颜色组成，而不是直接将基光源照射在样品溶液上。若分析结果显示缺少某种成分，则根据分析得到的成分比例由调配机构1进料再次调制，该过程循环进行，直到调制结果正确或者达到允许误差范围，则调配完成，根据需要将本次调配方案加入方案库，上报上位机，生成调配日志。在整个调制过程中，微处理器负责控制调配机构和各外围单元的协调工作，如进料，搅拌，触屏显示，通信等工作。需要注意的是，微处理器同时严格控制各不同化学特性油漆的组合行为，优选调配方案等机制。
一种汽车油漆颜色调配方法专利购买费用说明
Q：办理专利转让的流程及所需资料
A：专利权人变更需要办理著录项目变更手续，有代理机构的，变更手续应当由代理机构办理。
1：专利变更应当使用专利局统一制作的“著录项目变更申报书”提出。
2：按规定缴纳著录项目变更手续费。
3：同时提交相关证明文件原件。
4：专利权转移的，变更后的专利权人委托新专利代理机构的，应当提交变更后的全体专利申请人签字或者盖章的委托书。
Q:专利著录项目变更费用如何缴交
A：（1）直接到国家知识产权局受理大厅收费窗口缴纳,（2）通过代办处缴纳，（3）通过邮局或者银行汇款,更多缴纳方式
Q：专利转让变更，多久能出结果
A：著录项目变更请求书递交后，一般1-2个月左右就会收到通知，国家知识产权局会下达《转让手续合格通知书》。
动态评分
0.0