Fred Kuo :: Blog

i1以外的色彩量測儀器陸續在市場上出現，數據一致性這個問題避免不了！

這個問題衍生出幾個工作面向需要去處理。

一、什麼樣的差異是堪用的？1個de00？兩個de00？

我的看法：對要拿認證的廠，會要求到1個de00。資料上，Techkon SpectroDens 與 Xrite eXact 也是有1個de00的差距。

還有更多更多的廠、還沒有建立起數據觀念的廠，一些較低門檻的、兩個de00的敲門磚，我還是認可的。這些低門檻的設備，還是可以幫著帶到相當的位置。

以上圖中 Epson sd-10 、 CR30 跟 i1 的差距大約都是兩個de00；倒是 sd10 與  cr30 的差距還小一些，我的數據落在1.38 de00。

二、經由這些儀器將色彩解譯為數字，一旦是數字，我們就可以透過一些數學(統計學)程序來優化這些數字，讓儀器之間呈現的數值可以更接近。不管低階高階，對我來説，是有必要去找一個工作程序，讓兩個儀器的數字接近。

上次做過一次以紙白的光譜差別作為修正基礎，有取得一些改善成果，但多測試些樣本的時候，發現有的顏色的色差反而變大，這樣的結果還是不夠安全。就像某個藥品廣告說的：先求不傷身體，再來講求療效。同樣的，我必須先找一個比較保守的方法，至少色差不能變大，再來講究數據差的縮小。

這次經由以前的工作夥伴蔡同學處取得python Machine Learning 的樣版程式，想著這個對我 data approaching 這個題目應該有幚助。

再去多瞭解一些，看來就是很多統計學的函式庫，主要是在調用上顯得方便零活許多。內容很多，需要一些時間去消化理解。這次先試試 Multiple Regression 看看能有什麼成果。

首先，要怎麼餵資料就是一門學問：要多少樣本數？色彩樣本的分佈情況？樣本的參考點要設多少個？怎麼設？

一方面要增加精度、一方面又要讓操作儘量精簡；各種方面的考慮需要不斷的Trail and error去找到最佳的組合。

Fig. 這次用了16個樣本來學習。

Fig. 參考點取4個地方，分別是 460nm, 520nm,  630nm 及光譜反應總和(weight)。

依程序回測了三個樣本，大概就從2個de00拉到1個de00左右，算是有効的運作。

Fig. 樣本一，de00由 2.42降到1.42。

Fig. 樣本二，de00由 1.85降到1.18。

Fig. 樣本三，de00由 2.16降到1.27。

這次只是Machine learning 在 Data Approaching  的一個開端，各種machine learning 的運用還需要去更深入瞭解，樣本的取用邏輯及資料的餵法都還在嘗試及學習。

儀器間的數據迫近在我這邊會是一個長期的題目，隨著樣本收集方式的改進與對machine learning 能力的理解與運用，期待的是精度再提昇、操作方式更精簡。

計畫目標是隨時都能迫近到一個de00，會是以雲端平臺的方式提供服務；利用平臺的大量收據來繼續精進machine learning 的結果。這當中大量儀器的數據與機器學習之間的串接，還需要大量IT能力的支援。

先畫個餅，能實現到什麼程度我也不知道，總之，是該開始動起來了。