[fred5697]

data approaching via machine learning



i1以外的色彩量测仪器陆续在市场上出现，数据一致性这个问题避免不了！

这个问题衍生出几个工作面向需要去处理。

一、什么样的差异是堪用的？1个de00？两个de00？

我的看法：对要拿认证的厂，会要求到1个de00。资料上，Techkon SpectroDens 与 Xrite eXact 也是有1个de00的差距。

还有更多更多的厂、还没有建立起数据观念的厂，一些较低门坎的、两个de00的敲门砖，我还是认可的。这些低门坎的设备，还是可以帮着带到相当的位置。

以上图中 Epson sd-10 、 CR30 跟 i1 的差距大约都是两个de00；倒是 sd10 与 cr30 的差距还小一些，我的数据落在1.38 de00。



二、经由这些仪器将色彩解译为数字，一旦是数字，我们就可以透过一些数学(统计学)程序来优化这些数字，让仪器之间呈现的数值可以更接近。不管低阶高阶，对我来说，是有必要去找一个工作程序，让两个仪器的数字接近。

上次做过一次以纸白的光谱差别作为修正基础，有取得一些改善成果，但多测试些样本的时候，发现有的颜色的色差反而变大，这样的结果还是不够安全。就像某个药品广告说的：先求不伤身体，再来讲求疗效。同样的，我必须先找一个比较保守的方法，至少色差不能变大，再来讲究数据差的缩小。



这次经由以前的工作伙伴蔡同学处取得python Machine Learning 的样版程序，想着这个对我 data approaching 这个题目应该有幚助。
再去多了解一些，看来就是很多统计学的函式库，主要是在调用上显得方便零活许多。内容很多，需要一些时间去消化理解。这次先试试 Multiple Regression 看看能有什么成果。


首先，要怎么喂数据就是一门学问：要多少样本数？色彩样本的分布情况？样本的参考点要设多少个？怎么设？
一方面要增加精度、一方面又要让操作尽量精简；各种方面的考虑需要不断的Trail and error去找到最佳的组合。



Fig. 这次用了16个样本来学习。


Fig. 参考点取4个地方，分别是 460nm, 520nm, 630nm 及光谱反应总和(weight)。


依程序回测了三个样本，大概就从2个de00拉到1个de00左右，算是有効的运作。




Fig. 样本一，de00由 2.42降到1.42。样本二，de00由 1.85降到1.18。样本三，de00由 2.16降到1.27。



这次只是Machine learning 在 Data Approaching 的一个开端，各种machine learning 的运用还需要去更深入了解，样本的取用逻辑及数据的喂法都还在尝试及学习。

仪器间的数据迫近在我这边会是一个长期的题目，随着样本收集方式的改进与对machine learning 能力的理解与运用，期待的是精度再提升、操作方式更精简。

计划目标是随时都能迫近到一个de00，会是以云端平台的方式提供服务；利用平台的大量收据来继续精进machine learning 的结果。这当中大量仪器的数据与机器学习之间的串接，还需要大量IT能力的支持。

先画个饼，能实现到什么程度我也不知道，总之，是该开始动起来了。

[zcl119]

硬件工具的选择和校准是标准化的基础，如果设备不好用，其他都是纸上谈兵

[TECHKON USA]

手动点赞！
分享两个想法：
1. 可以加入BCRA tile sets，虽然数量并不多，但是毕竟样品稳定而且行业应用普遍。不管用什么数学模型，train data直接影响结果。
2. 本人尚未涉及data approaching，但之前试用Scikit regression来做一些油墨的课题，也是不错的复查的工具。
加油。

[fred5697]

作者: TECHKON USA

手动点赞！
分享两个想法：
1. 可以加入BCRA tile sets，虽然数量并不多，但是毕竟样品稳定而且行业应用普遍。不管用什么数学模型，train data直接影响结果。
2. 本人尚未涉及data approaching，但之前试用Scikit regression来做一些油墨的课题，也是不错的复查的工具。
加油。

感謝，都是有用的資訊，會再找時間研究。