Fred Kuo :: Blog

New Tool : 3 Points Gray approaching

3點灰色修正工具。

在CT25工具裡，已經有3點(25%、50%、75%)灰色修正這個功能，不同的是， CT25的3個灰色目標值是根據G7規則而來，也就是隨著紙張的顏色而變動，而這個工具的三階段灰是自行定義，不走G7規則。

為什麼要做這個自定義灰目標工具？

其實想做這個工具已經很久了！印刷標準化有它一套規則，但現場有太多狀況不是在標準化的架構裡面。

先提一個例子：

客戶拿著別家廠印好的盒子，要我們照著印就是。

那個"別家廠"的印刷規範是怎麼樣？完全沒有頭緒；用我們設定好的數位樣去比對，就已經差很多了！

這個案子勢必是要用脫離標準化的方式去執行！

但脫離標準化就沒有規範了嗎？就衹能讓師傅自主發揮了嗎？

再一個例子：

數位樣依CRPC6標準輸出，標準紙白是95,1,-4，實際生產紙張的紙白是94.8,2.6,-9.1。灰25%的b值在標準樣張上是(-4*0.75=-3)；若依G7規則(CT25工具邏輯)，印刷成品上灰25%的b值要在(-9.1*0.75=-6.8)；因紙張上的差異，光b值就要差到3.8，視覺上已經不能接受了。

以上兩個例子都是脫離標準化架構的工作案例。

所以，這個工具的重點在於自己定義灰目標，大致上就是分：亮部、中間調與暗部(hilight、midtone、shadow)三個灰色參考點，不一定要限制在25%、50%、75%三個精確定義的灰色塊上。就像第一個例子，樣品上沒有色塊參考點，衹要能在樣本上找到三階段參考灰即可。

工具使用邏輯：

1. 在樣本上取得亮部、中間調、暗部三個參考灰(reference gray)做為目標灰。

2. 在印刷品上取得同樣位置亮部、中間調、暗部三個參考灰。

3. 依循亮部、中間調、暗部三個GrayFinder邏輯，可以取得亮部、中間調、暗部三組CMY修正值。

4. 取得三組CMY修正值之後，可以修圖，也可以修版，都可以讓三個印刷灰能追得上目標灰。

對這種異常的案子，建議用修圖的方式把案子處理掉就好，不需要為這些異常的案子來改變現行運作的印刷系統。

實驗案例說明：

中間一張為某個無法確定印刷規範的印樣(目標印樣)，左邊一張為現行的生產方式(生產印樣)。最右邊為依目標印樣與生產印樣3點灰色修正後的印樣(修正印樣)。

從數據上看會更具體一些。

L1,a1,b1 為目標灰值，L2,a2,b2為生產灰值，25%,50%,75%的灰差為3.51, 6.01, 4.4。建議修正值為CMY25(-3, 0, +2)，CMY50(-5, -1.5, +5)，CMY75(-2, -1.5, +5)。

修正後的灰差為：1.38(25%)、0.96(50%)、1.08(75%)。數值上顯示出這是有效的修正。視覺上也是呈現有效的修正。

在正常的，標準化的工作架構裡，CT25已經有能力去操作出G7 targeted的規範。但遇到一些非標準化的印件，CT25能找出問題，但不見得能解決問題。

相對起來，自定義3點灰階修正還比較能具體的去處理問題，操作起來也相對便捷，量測三個目標灰，比對三個生產灰，6個單點click就可以取得有效的工作指令。

#printbynumber

#thePowerOfMakingYourOwnTool

通過機器學習減少數據差異

Reduce data discrepancies via machine learning

手邊越來越多測量色彩的儀器，量測出來的數值都不太一樣，這個"不一樣"是可以理解的：不同的感應元件、不同的物理結構、不同的校正邏輯、不同的優化演算，得到的數值不同可以理解。但差異要在多少之內才算堪用？即使是臺幣20萬以上的儀器，還是會有一個de00的差距；那這些祇有幾千塊的儀器，我們能有多少期待？

當然不會期待這些低階的儀器拿來做Fogra、G7、gmi這類的認證；但作為一個將色彩感官導入為數值概念的這樣一個敲門磚的性質，我一樣認可這些低階的設備。

對於這些敲門磚性質、低階儀器的精准度，我認為兩個de00 是堪用的。

對於這些低階儀器的運用，更重要的是想法的轉變：色彩這一個主觀的感受，經由儀器，色彩會是一個清楚的數字；一旦是數字，我們在驗收或是操作控制上，都能有更好的掌握。對於這些低階的儀器精準度，即使只帶到兩個de00的位置，我還是持正面的態度。再強調一次，對於這些會拿儀器來看待色彩的使用者，有能力或者有意願將色彩當成數字來處理的人，思考模式的轉變、才是最重要的意義。

以下數據是以 Fogra media  wedge CMYK V3(72格)取樣，某低階儀器相對於i1Pro3差異為最大1.79de00，平均0.91de00。我認為這樣的敲門磚算是堪用了。

Fig. 以Fogra media  wedge CMYK V3(72格)取樣，某低階儀器相對於i1Pro3差異為：最大1.79de00，平均0.91de00。

除了準度夠不夠好，另一個想法是：這個色彩現象現在已經是一個數字，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，讓兩個儀器的數字更接近。

最近接觸到 Machine learning，就試試其中幾個工具，看能不能達成預期的效果。

Fig. python machine learning 工具

稍微瞭解一下 python machine learning 的功能，看來是很多統計學的工具庫，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Trial and error去找到最佳的組合。

Fig. Fogra media  wedge CMYK V3

這一次用Fogra media wedge CMYK V3(72格)取樣，以i1 Pro3 的數值做為目標組，CR30的數值做為實驗組，如上圖所示，72個數據下來，最大差異1.79de00，平均差異0.91de00。

試著用multiple regression 做兩組數據間的關聯；分別試了一次方的關聯與三次方的關聯，結果如下：

72個訓練樣本，一次方(degree=1)、三個變項(L,a,b)關聯，

由machine learning 得出來的關聯式如下：

L(predict)=-0.6322502637360+1.02341127*L(measured)+0.01230391*a(measured)-0.00582456*b(measured)

a(predict)=-0.5175238518122+0.00349049*L(measured)+1.00839398*a(measured)-0.00698096*b(measured)

b(predict)=0.6629766575213-0.01703327*L(measured)-0.01942645*a(measured)+1.00670896*b(measured)

經由關聯式修正CR30量測值，與i1Pro3的最大差距由1.79 de00 降到 1.57 de00，平均差距由0.91 降到 0.45 de00，算是有効的訓練。

Fig. 72個訓練樣本，一次方(degree=1)、三個變項(L,a,b)關聯，最大差距 1.576 de00，平均差距 0.445 de00

試著用三次方(degree=3)三個變項(L,a,b)關聯

由於machine learning 得出來的關聯式過於複雜，用程式代碼來代表一下。

三個變項、三次方關聯序：

‘l’, ‘a’, ‘b’, ‘l^2’, ‘l a’, ‘l b’, ‘a^2’, ‘a b’, ‘b^2’, ‘l^3’, ‘l^2 a’, ‘l^2 b’, ‘l a^2’, ‘l a b’, ‘l b^2’, ‘a^3’, ‘a^2 b’, ‘a b^2’, ‘b^3’

共19項。

程序碼如下：

Predict = intercept +regression_model.coef_[1]*mL+regression_model.coef_[2]*ma+regression_model.coef_[3]*mb+regression_model.coef_[4]*pow(mL,2)+regression_model.coef_[5]*mL*ma+regression_model.coef_[6]*mL*mb+regression_model.coef_[7]*pow(ma,2)+regression_model.coef_[8]*ma*mb+regression_model.coef_[9]*pow(mb,2)++regression_model.coef_[10]*pow(mL,3)++regression_model.coef_[11]*pow(mL,2)*ma+regression_model.coef_[12]*pow(mL,2)*mb++regression_model.coef_[13]*mL*pow(ma,2)+regression_model.coef_[14]*mL*ma*mb++regression_model.coef_[15]*mL*pow(mb,2)+regression_model.coef_[16]*pow(ma,3)+regression_model.coef_[17]*pow(ma,2)*mb+regression_model.coef_[18]*ma*pow(mb,2)+regression_model.coef_[19]*pow(mb,3)

L intercept = -3.3311399027457753

L coefficients = [1.17959558e+00,1.51891147e-02,1.67282780e-02,-2.49762450e-03,-1.09825293e-04,-1.09264761e-03,-1.50801917e-04,-2.44847912e-04,6.39178595e-04,1.17880166e-05,-5.01404941e-07,1.11556891e-05,2.25110985e-06,6.49420255e-06,-1.11279844e-05,1.39766751e-06,-6.58363756e-07,-3.61386136e-06,2.77494282e-06]

a intercept = 0.3279017535550137

a coefficients = [-3.31344905e-02,1.08827162e+00,1.32214608e-03,5.74573847e-04,-2.14549183e-03,-3.29938673e-04,-1.10366977e-03,-1.52137755e-04,4.83060199e-05,-3.00381953e-06,1.08584656e-05,2.18611803e-06,1.55290706e-05,3.73154456e-06,5.74063836e-07,1.41496091e-06,2.62797607e-06,-9.81271691e-07,1.41858407e-07]

b intercept = 0.08716778562166638

b coefficients = [5.57303728e-03,-6.06917904e-02,1.07554181e+00,-4.97617821e-04,2.19794160e-03,-7.81213339e-04,5.98329555e-04,-2.34457666e-04,7.51041096e-04,3.71288376e-06,-1.94526634e-05,-1.63889837e-06,-8.64799163e-06,-3.87728970e-06,-3.76102212e-06,-4.37681031e-06,-1.17723242e-05,-2.55467020e-06,-5.85244726e-06]

三個變項，三個次方的關聯，產生多達19個迴歸係數；如此龐大的計算量，在 python sklearn 套件裏，排除掉資料宣告，只要三個敍述就可得出預測關聯式。套件的使用非常方便，重要的是要想清楚工作邏輯、數據關聯與取樣設計。

Fig. python sklearn 三個敍述即可取得由19個迴歸係數組合成的預測值。

經由三次方迴歸預測，CR30與i1Pro3的最大差距由1.79 de00 降到 0.63 de00，平均差距由0.91 降到 0.22 de00，是非常有効的訓練。

Fig. 72個訓練樣本，三次方(degree=3)、三項次(L,a,b)關聯，最大差距  0.63 de00，平均差距 0.22 de00

Fig. 三次方(degree=3)、三項次(L,a,b)關聯，L值的目標與預測

Fig. 三次方(degree=3)、三項次(L,a,b)關聯，a值的目標與預測

Fig. 三次方(degree=3)、三項次(L,a,b)關聯，b值的目標與預測

如此有效的訓練，最大差距 0.63 de00，平均差距 0.22 de00，這樣的數值差距堪比20萬級距的設備了，但這只是訓練組裏的樣本，其它的量測值一樣能達到這樣的成果嗎？

再測了三個不在訓練組的測試點，分別為Lab (50.69,65.07,47.67)、 (86.81,1.55,11.29)及(71.69,32.55,-0.15)；CR30修正前差距為de00 2.14、2.42、1.61，一次方修正結果為1.10、1.83、0.49，有達到修正效果。三次方修正結果為0.52、1.87、0.55，除第二個樣本(86.81,1.55,11.29)修正有限，其它兩個樣本可以從2個de00修正0.5左右，算是很有効的修正。

Fig. Fogra media  wedge 訓練組之外的三個樣本。

Fig. 訓練組外三個樣本的修正值，分一次方修正及三次方修正。

剛開始接觸 Machine learning，這樣的成果算是有達到我的預期。

之所以會帶出Machine learning這個題目，一開始，很單純的，手邊好幾個量測工具，只是希望它們的數據能夠更加一致。

把這個題目的使用場景繼續擴大，讓任意兩個量測儀器經由一套學習模式，數值能夠彼此接近。

一個場景可以是客戶與生成端的儀器互相學習，這樣在客戶與生產端各自使用儀器時，能更加相互信任，減少爭議。這樣的應用場景，也可以是生產單位綁定客戶的一種技術手段，這個場景的設定是，客戶用較低階的儀器向生產單位高階的儀器學習，客戶的這個學習成果，衹能針對他學習對象的單位，如此，生產單位即以此數據(對應表)來綁定客戶的忠誠度。

也可以是同一單位各個部門的儀器，統一學習一個目標；比如業務部門較低階的儀器去學習生產部門較高階的儀器。這樣運用的想像，可以撒出更多低階的儀器到各個部門，有助於把色彩即是數字的概念營造起來的同時，背後還能有一個精准度的支撐。

以這一次的學習案例已經能看到一些成效。但就如同前面所述，操作的方便性與精准度的要求還是必須找出一個平衡點。其實這一次測試，一次方的學習，也能帶來相當的效果；三次方的學雖然帶來了更好的結果，但在部署上相對複雜很多。

類似這樣子平衡點的取捨，諸如樣本訓練數量，樣本分佈方式，機器學習的工具運用……都還在嘗試當中。

另外一種想法是，用icc profile的操作概念：對色彩設備取樣訓練，透過icc profile，設備間的色彩就可以一致。

同樣的，對兩個儀器間做取樣訓練，建立兩個儀器間的profile(or look up table)，透過icc profile的運作方式，兩個儀器間的數字就可以相互接近。

還有很多machine learning的工具還在摸索，這衹是個開頭，除了在儀器間數據一致性的應用之外，我也在想著能在這個產業的什麼地方也能用得上？比如印刷機的各種變數怎麼樣關聯到印刷機的調校週期？生產時的即時數據怎麼樣關聯到印前部門、管理部門及品管部門的操作策略？這些數據又怎麼關聯到客戶驗收的喜好度？

RGB (driving) Printer CMS schema

一般家用印表機的列印，是經由驅動程式的各種選項來達成不同的色彩効果。對於一個要做色彩控制的人，在驅動程序上任何有關色彩的選項，對我來說都是一個黑盒子。

Fig . 驅動程式上的各種選項對我來說都是個黑盒子，從來不知道它會把我的色彩信息帶到什麼地方？

Fig. 就單純的想要印出一個C100的顏色都無法達到，一直給我一個黑盒子混出來的顏色。

Fig. 印刷機上單純的C100與M100。

這種以螢幕RGB為目標的驅動列印方式，我們且稱之為RGB印表機，相對於高階配有rip的CMYK印表機或是印刷機， RGB printer 的色彩控制反而更難執行。

儘管如i1 profiler也是有RGB Printer 的程序，還是可以形成Printer profile 來達成色彩管理的效果，但由於Printer Driver 的黑盒子選項及缺乏限墨及版調控制的能力，能做到什麼程度真的就是碰運氣；碰到好的墨水及紙張，是有機會取得好的結果，但真的就是碰運氣。

Fig. i1Profiler RGB 印表機程序

這次的測試，依照拉低門檻的精神：用的是最低階的印表機、副廠墨水、Open source 的profiling 軟體及儘可能最少格數的icc 導具，看看能做到什麼成効。

這次的 icc open source 用的是ArgyllCMS，衹要4個指令就可以取得icc profile。

1. targen  -d2 -f411 PrinterName (target generation)

2. printtarg  -ii1 -pA4 -t PrinterName (Print target)

3. chartread -c1 PrinterName (read chart)

4. colprof  -D"Printer A" -qm  PrinterName (color profiling)

4個指令各別配合幾個參數，這裡把工作程序及其指令參數依序說明。

1. targen  // target generation 產出icc導具敍述。

    -d // device 設備形式，2代表RGB印表機，1為CMYK 印表機。

    -f  // format 樣本格數，411 個樣本剛好塞滿一頁A4。

最後接印表機名稱(或是icc名稱)，作為整個程序檔案名稱的依據。

2. printtarg // print target，依導具敘述形成圖檔。

  -i  // instrument 量測儀器，我用的是i1。

-p // page size，這裏用A4

-t  // 輸出tiff 檔，如果沒這個標示的話，內定圖檔格式為postscript檔。

最後接印表機名稱。

Fig. icc 411格樣本導具。

2-1. 取得icc tiff檔後在photoshop列印輸出。 

Fig. 列印時要記得關掉printer driver 裡的各種色彩選項(–>不做色彩管理)

列印時要記得關掉printer driver 裡的各種色彩選項(–>不做色彩管理)，儘量避免driver 做出"黑盒子"的色彩干擾；選擇一個字面上"合理"的紙張設定，這裡真的就是碰運氣，主要就是試試放墨量是不是在自己的預期。有耐心，有時間的話就把每一種紙張選項都跑一遍，看看哪一個紙張選項的放墨量最合適。

Fig. 紙張種類的選項影響到放墨量，看是要碰運氣還是花時間把全部跑過一趟。

列印出來之後用"chartread"指令讀取icc 導表的數據，再將數據交由下一個指令"colprof"計算出icc profile。

3. chartread // 讀取導表數據。

-c1 // c1 指的是由usb port取得數據。

4. colprof // color profiling，計算icc profile。

-D // Description， icc 檔案敍述，有別於 icc 檔名，當photoshop要去讀取icc的時候，看的是這個description的名稱，而不是檔案名稱。

-q // quality，這次給m， medium，還有 Low(l)、High(h)及Ultra(u)可選。

4個指令下來就可以得到icc profile。一般20分鐘左右就可以完成。

再次列印時即可在Photoshop 的列印功能裡調用此 icc profile。

Fig. 在Photoshop 的列印功能裡調用 icc profile。

RGB (driving) Printer CMS schema

一般家用印表機的列印，是經由驅動程式的各種選項來達成不同的色彩効果。對於一個要做色彩控制的人，在驅動程序上任何有關色彩的選項，對我來說都是一個黑盒子。

Fig . 驅動程式上的各種選項對我來說都是個黑盒子，從來不知道它會把我的色彩信息帶到什麼地方？

Fig. 就單純的想要印出一個C100的顏色都無法達到，一直給我一個黑盒子混出來的顏色。

Fig. 印刷機上單純的C100與M100。

這種以螢幕RGB為目標的驅動列印方式，我們且稱之為RGB印表機，相對於高階配有rip的CMYK印表機或是印刷機， RGB printer 的色彩控制反而更難執行。

儘管如i1 profiler也是有RGB Printer 的程序，還是可以形成Printer profile 來達成色彩管理的效果，但由於Printer Driver 的黑盒子選項及缺乏限墨及版調控制的能力，能做到什麼程度真的就是碰運氣；碰到好的墨水及紙張，是有機會取得好的結果，但真的就是碰運氣。

Fig. i1Profiler RGB 印表機程序

這次的測試，依照拉低門檻的精神：用的是最低階的印表機、副廠墨水、Open source 的profiling 軟體及儘可能最少格數的icc 導具，看看能做到什麼成効。

這次的 icc open source 用的是ArgyllCMS，衹要4個指令就可以取得icc profile。

1. targen  -d2 -f411 PrinterName (target generation)

2. printtarg  -ii1 -pA4 -t PrinterName (Print target)

3. chartread -c1 PrinterName (read chart)

4. colprof  -D"Printer A" -qm  PrinterName (color profiling)

4個指令各別配合幾個參數，這裡把工作程序及其指令參數依序說明。

1. targen  // target generation 產出icc導具敍述。

    -d // device 設備形式，2代表RGB印表機，1為CMYK 印表機。

    -f  // format 樣本格數，411 個樣本剛好塞滿一頁A4。

最後接印表機名稱(或是icc名稱)，作為整個程序檔案名稱的依據。

2. printtarg // print target，依導具敘述形成圖檔。

  -i  // instrument 量測儀器，我用的是i1。

-p // page size，這裏用A4

-t  // 輸出tiff 檔，如果沒這個標示的話，內定圖檔格式為postscript檔。

最後接印表機名稱。

Fig. icc 411格樣本導具。

2-1. 取得icc tiff檔後在photoshop列印輸出。 

列印時要記得關掉printer driver 裡的各種色彩選項(–>不做色彩管理)，儘量避免driver 做出"黑盒子"的色彩干擾；選擇一個字面上"合理"的紙張設定，這裡真的就是碰運氣，主要就是試試放墨量是不是在自己的預期。有耐心，有時間的話就把每一種紙張選項都跑一遍，看看哪一個紙張選項的放墨量最合適。

Fig. 紙張種類的選項影響到放墨量，看是要碰運氣還是花時間把全部跑過一趟。

列印出來之後用"chartread"指令讀取icc 導表的數據，再將數據交由下一個指令"colprof"計算出icc profile。

3. chartread // 讀取導表數據。

-c1 // c1 指的是由usb port取得數據。

4. colprof // color profiling，計算icc profile。

-D // Description， icc 檔案敍述，有別於 icc 檔名，當photoshop要去讀取icc的時候，看的是這個description的名稱，而不是檔案名稱。

-q // quality，這次給m， medium，還有 Low(l)、High(h)及Ultra(u)可選。

4個指令下來就可以得到icc profile。一般20分鐘左右就可以完成。

Fig. 整個程序下來，列印結果還算滿意。

用CT25快速的檢測，除了Y100不夠好之外，其他部分都有拿到分數，以c9方式評分方式可以拿到92.5分，以gmi評分方式可以拿到90.67分，算是一個不錯的結果。

Fig.  以c9方式評分方式可以拿到92.5分。

Fig. 以gmi評分方式可以拿到90.67分。

以 G7 verifier檢測，可以達到Grayscale規範，調子及灰平衡的表現都算不錯。

Fig. 以G7 Verifier 檢測，階調"dL"及灰差"dCh"都有達標。

這次測試算是運氣好，也算是運氣不好。紙的條件還算可以，但黃色墨水的色相差太多。整體下來，可以達標C9/gmi，也可以達成G7 Grayscale。列印品質不差，ArgyllCMS 的icc 能力還是很不錯。

Fig. 噴墨印表機的Y墨嚴重偏紅，ArgyllCMS仍然可以把它拉到相差5.4de00的位置，我認為已經相當不錯了。

接下來比較大的問題是：RGB printer driver沒有限墨及線性(版調)的能力；這個能力能確保該列印設備能保有暗部的細節。高品質的面板比的是暗部細節的解析能力，同樣的，高品質的印刷比的一樣是暗部細節的解析能力。

ArgyllCMS是我目前唯一看到能處理RGB print driver限墨及綫性能力的icc 功具。

簡單講一下，它在印表機先取得一個綫性校正檔(calibration xx.cal)，然後將這個校正檔結合到icc profile 裡，實現單一icc profile 同時具備限墨/線性及色彩轉換的能力。製作程序是比較麻煩，但使用起來是很方便的。

這裡也將這個綫性結合icc能力的工作方式依序描述一遍。

1. targen  -d2 -f411 PrinterAcc  ///產出RGB printer 的icc導具敍述。

2. targen -d2 -s20  -f0 PrinterA_c ///產出RGB 印表機(-d2) 20階綫性導具的敍述(-s20)，-f0 代表這20階不做重覆排列(iteration)。

3. printtarg -ii1 -pA4 -t  PrinterA_c   ///將綫性導具輸出A4 tiff 圖檔。

4. 印出綫性tiff 圖檔(PrinterA_c.tif)。

5. chartread -c1 PrinterA_c  ///由usb port 讀取線性導具數據。

6. printcal  -p -i PrinterA_c  ///依線性數據取得線性校正檔(PrintreA_c.cal)。-p plot，繪製綫性圖檔。-i initial， 初始校正。printcal 還有重複校正的能力，用-r。

7. printtarg -ii1 -pA4 -K PrinterA_c.cal -t  PrinterAcc  ///將校正檔(PrintreA_c.cal)結合印表機導具敘述輸出tiff格式的icc圖檔(PrinterAcc.tif)；-K 表示後面要帶一個".cal" 綫性校正檔進來。

8. 將線性校正過的icc 圖檔(PrinterAcc.tif)列印出來。

9. chartread -c1 PrinterAcc ///讀取線性校正過的icc圖檔數據。

10. colprof -v -D"PrinterAcc" -qm PrinterAcc  ///計算icc profile(PrinterAcc.icm)。

11. applycal PrinterA_c.cal PrinterAcc.icm PrinterA_cal.icm ///將線性檔(PrinterA_c.cal)結合到icc profile(PrinterAcc.icm)裡，產生一個新的icc(PrinterA_cal.icm)。

之後的列印祇要選取該 xxx_cal.icm profile 就可以同時實現線性與icc色彩轉換的功能。

下面示範幾個printcal(printer calibration)的能力：

Fig. printcal 限墨功能，經由數據判斷限墨位置，圖例顯示將C墨限制在85%左右。

Fig. printcal 線性功能

Fig.經由printcal限墨及線性功能，綫性導具的層次更加分明，綫性後的profile能在暗部帶出更多層次。

Fig. 左為未綫性化的icc導具，右為綫性化後的icc 導具，可以看出綫性化後的導具階調更為分明。

RBG printer 的線性導具轉到CMY放墨時是互補色的概念；要下C100的墨，RGB的組合為0,255,255；範例樣本經由printcal 限墨，C最多下到35,255,255 換算成TV"Tone Value"值太約在 85%。

100%與255的換算式如下：

TV255=((100-TV%)/100)*255

經由ArgyllCMS線性化功能，RGB printer 的色彩控制能力更加能夠掌握，唯K墨的介入方式還是不明。所以，距全面的控制，還是差了一步。

但儘管如此，以這次的測試狀況，如果能拿到色相更好的Y墨，要達到ISO 12647-7的數位打樣規範，應該不是問題。

這一整篇下來，用最低階的家用印表機，配合open source的icc工具，如果能取得適當的紙張跟墨水，還是有很大的機會能達成ISO 12647-7的數位打樣規範。

還有一個更重要的訊息：對於很多沒有RIP支援的輸出設備，經由printer driver加上ArgyllCMS，一樣能具備相當程度的色彩控制。

Press quality diagnostic without control patches.

印刷廠的客訴案，要我給點意見。

壓在下面的是印刷成品，上面那本是樣書。

首先，印刷成品的顔色沒跟上樣書，自然是印刷廠不對；不管樣書的産生符不符合規範，只要是客户認可的樣，就該照客户的樣來生産。

再來才是客觀數據的討論；當生產品與打樣顏色不一樣時，也是有可能樣書的製作是有問題的。

要做到客觀的判斷，必須先去了解原始稿件的色彩資訊。

取得原始檔案後，最快的判斷方式是在一個校正過的顯示系統裏比對。比對結果，樣書的颜色比較接近顯示器的颜色，初步判定，樣書程序相對没有問題，是印刷生產出了問題。

Fig.  左為印刷成品，右為樣書，中間螢幕顯示。螢幕顯示比較接近樣書。

從數據端觀察，以CRPC6 為標的，封面底色M85Y95 的色彩值為 Lab 52,59,49。實際取得樣書的色彩值為51.37,62.67,49.43， de00 1.42，顯示樣書的色彩品質還算不錯。印刷成品的色彩值為49.41,63.9,45.19，de00 4.17。從這裡很清楚，是生產品出了問題。

Fig. 樣書M85Y95與CRPC6差1.42 de00，印刷成品與CRPC6差4.17 de00。

可以清楚的確定是印刷的問題，那可以判斷是那些地方出問題嗎？

從視覺經驗可以很快猜測是M墨太多，這個M墨太多又有兩個方向的考量：是放墨量太多？還是網點擴張太大？

出版品中找不到M100的參考點，不過有找到一個M63的參考點。

由數據顯示，在M63參考點生產品相對於樣書在飽和度多了4，版調(TV)多了3%，所以，印刷機的版調是太重了。

至於M100下墨有沒有太重？由於沒有參考點，所以不得而知；但以濃度與TV值的推算，大概還是可以知道，M墨是下太重了。

繼續來檢討Y墨與C墨的印刷行為。

同樣的，檔案資料上找不到Y100與C100的參考點，衹能由幾個參考點來推測。

找到一個M9Y85的參考點來評估Y座狀態，從Lab值看，生產品的a值比較大，符合前段M墨放太多的假設。b值變小了，有可能是生產品的Y墨太少，也有可能是M9過多的網點擴張將b值往下帶；參考飽合度下降(84->75)及色角度偏離(86.87->85.27)，M9還是有一定的影響，所以，Y墨在生產品是否太少還無法完全定論。

再來看C墨狀態，沒有C100參考點，找了一個C58Y4的參考點，

從版調(TV)看，生產品比樣書多了5%，這裡可以清楚看到，生產品的C墨也是太多了。

綜合以上，相對於樣書，生產品的C墨M墨太重，Y墨可能不足。

將這個原則運用到其他的測試點驗證。

參考點C95M75Y7，a 值由樣書的5.6拉到13，符合印刷操作M墨太多的假設，L值由30降到26也顯示CM過多帶來的影響。

參考點C33Y61，a值由樣書的-27到生產品的-35，符合印刷操作C墨太多的假設。b值由樣書的41到生產品的45，看來生產品在Y墨的中間調版調擴張太大；配合M9Y85參考點，生產品Y放墨不足，只能先理解成生產品Y滿版放墨不足但網點擴張還是偏大。

參考點C75M30Y100，a值由樣書的-27到生產品的-35，符合生產品C墨太多的假設，b值由35落後到生產品的19，理解為生產品CM太多降低b值，而滿版Y100也是不足的假設。

綜合以上，勉強定出結論為：生產品CM滿版及中間調都過多，Y墨則是滿版不足，但網點擴張偏大。

===============================================================

其實，寫了這麽多，真的想講的，只有一句話：把控制導表放進生產流程吧！

一方面師傅在操作時，依導具數據即可即時修正錯誤，就不會有這個客訴案件。

再者是在檢查錯誤時，幾分鐘的時間就可以知道問題在哪裏：知道滿版位置對不對？知道中間調對不對？而不是像這篇花了好多時間，衹能提供一個假設性的猜測。

Press quality diagnostic without control patches.

印刷廠的客訴案，要我給點意見。

壓在下面的是印刷成品，上面那本是樣書。

首先，印刷成品的顔色沒跟上樣書，自然是印刷廠不對；不管樣書的産生符不符合規範，只要是客户認可的樣，就該照客户的樣來生産。

再來才是客觀數據的討論；當生產品與打樣顏色不一樣時，也是有可能樣書的製作是有問題的。

要做到客觀的判斷，必須先去了解原始稿件的色彩資訊。

取得原始檔案後，最快的判斷方式是在一個校正過的顯示系統裏比對。比對結果，樣書的颜色比較接近顯示器的颜色，初步判定，樣書程序相對没有問題，是印刷生產出了問題。

Fig.  左為印刷成品，右為樣書，中間螢幕顯示。螢幕顯示比較接近樣書。

從數據端觀察，以CRPC6 為標的，封面底色M85Y95 的色彩值為 Lab 52,59,49。實際取得樣書的色彩值為51.37,62.67,49.43， de00 1.42，顯示樣書的色彩品質還算不錯。印刷成品的色彩值為49.41,63.9,45.19，de00 4.17。從這裡很清楚，是生產品出了問題。

Fig. 樣書M85Y95與CRPC6差1.42 de00，印刷成品與CRPC6差4.17 de00。

可以清楚的確定是印刷的問題，那可以判斷是那些地方出問題嗎？

從視覺經驗可以很快猜測是M墨太多，這個M墨太多又有兩個方向的考量：是放墨量太多？還是網點擴張太大？

出版品中找不到M100的參考點，不過有找到一個M63的參考點。

由數據顯示，在M63參考點生產品相對於樣書在飽和度多了4，版調(TV)多了3%，所以，印刷機的版調是太重了。

至於M100下墨有沒有太重？由於沒有參考點，所以不得而知；但以濃度與TV值的推算，大概還是可以知道，M墨是下太重了。

繼續來檢討Y墨與C墨的印刷行為。

同樣的，檔案資料上找不到Y100與C100的參考點，衹能由幾個參考點來推測。

找到一個M9Y85的參考點來評估Y座狀態，從Lab值看，生產品的a值比較大，符合前段M墨放太多的假設。b值變小了，有可能是生產品的Y墨太少，也有可能是M9過多的網點擴張將b值往下帶；參考飽合度下降(84->75)及色角度偏離(86.87->85.27)，M9還是有一定的影響，所以，Y墨在生產品是否太少還無法完全定論。

再來看C墨狀態，沒有C100參考點，找了一個C58Y4的參考點，

從版調(TV)看，生產品比樣書多了5%，這裡可以清楚看到，生產品的C墨也是太多了。

綜合以上，相對於樣書，生產品的C墨M墨太重，Y墨可能不足。

將這個原則運用到其他的測試點驗證。

參考點C95M75Y7，a 值由樣書的5.6拉到13，符合印刷操作M墨太多的假設，L值由30降到26也顯示CM過多帶來的影響。

參考點C33Y61，a值由樣書的-27到生產品的-35，符合印刷操作C墨太多的假設。b值由樣書的41到生產品的45，看來生產品在Y墨的中間調版調擴張太大；配合M9Y85參考點，生產品Y放墨不足，只能先理解成生產品Y滿版放墨不足但網點擴張還是偏大。

參考點C75M30Y100，a值由樣書的-27到生產品的-35，符合生產品C墨太多的假設，b值由35落後到生產品的19，理解為生產品CM太多降低b值，而滿版Y100也是不足的假設。

綜合以上，勉強定出結論為：生產品CM滿版及中間調都過多，Y墨則是滿版不足，但網點擴張偏大。

===============================================================

其實，寫了這麽多，真的想講的，只有一句話：把控制導表放進生產流程吧！

一方面師傅在操作時，依導具數據即可即時修正錯誤，就不會有這個客訴案件。

再者是在檢查錯誤時，幾分鐘的時間就可以知道問題在哪裏：知道滿版位置對不對？知道中間調對不對？而不是像這篇花了好多時間，衹能提供一個假設性的猜測。

哼(ˉ(∞)ˉ)唧

去想試著尋找圖像裏判斷M墨的参考㸃，

在沒有控制色塊的情況下，從原始檔案資訊與成品上取得的色彩數據做參考分析，我們還能知道多少？其它色座有沒有問題？是滿版的問題大還是版調的問題比較大？

data approaching via machine learning

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。

The minimum,  yet,   functionable.

探索平版印刷色彩控制的最低門檻：

New skill

新技能解鎖

感謝同事幫忙開了頭，我現在可以寫Android App 了！雖然語法結構還是很糟，但功能上沒問題！

寫什麼呢？我一直在幫印機師傅寫工具，所以這次寫的，一樣還是印機師傅的工具。

第一個工具是：濃度計。

濃度計是印機師傅最基本的工具，經由濃度的高低，用一維的判斷(相對於Lab的三維判斷)來加減墨鍵以達到控制品質的目的，簡單有効。在紙張與油墨性質穩定的情況下，濃度控制依然是一個有效的工作方法。

工具的組成由一個光譜儀加上Andriod app 組成，光譜儀經由藍牙將資料丟給安卓手機， 然後在安卓手機裡計算出必要的資訊。

數據的呈現主要分三個部分，最下層的是一組CMYK濃度，也就是最傳統的依RGB及V(Visual)濾片測出來的濃度。

中間一層是光譜濃度，相對於已經被規定下來的RGB及V濾片，光譜濃度依據該顏色的光譜峰值找出對應的補色濾片來計算濃度，測量對象不必拘束在CMYK這4個顏色，用在特別色的測量會比傳統濾片好用很多。

以上圖為例，光譜峰值在470 nm，取光譜濃度為1.59，比傳統濾片的1.52數值要高一些，操作的敏銳性也會高一些。我這邊就有師傅在操作CMYK時，也直接取光譜濃度，為的就是有比較敏銳的解析度。

再舉一個光譜濃度的例子：以上圖這個橘色的特別色為例，師傅傳統的做法會在RGBV濾片裡取最高的值作為操作依據，以這個例子，會是以B濾片取得的Y濃度1.34做為依據，師傅在操作時，對判斷濾片取法，有時候也會是一個困擾；這時直接取光譜濃度，反應會更直覺。

再者，如果確定目標樣本與操作樣本是同一支油墨，那也可以確定衹要光譜濃度相同，色彩也會相同。所以，用光譜濃度來操作特別色會是非常有效率的操作方法。

最上一層資訊是色彩的Lab值，一般師傅主要還是以濃度控制為主，比較少去運用Lab值(可能還有師傅到現在都還未建立Lab的概念)，這個APP的數據來源是光譜值，既然是光譜值，導出Lab自然不是問題，所以也把Lab呈現上來，讓師傅參考。

這個濃度計的App特別設計了兩欄的格式，可以用來做目標濃度與樣本濃度的比對，不管是CMYK或是特別色的比對，衹要濃度數值跟上，就能達到品質控制的目的。

在一個設定好的系統裡面，濃度還是一個非常有效的控制工具。

第二個工具在同一版面綜合了：Beer’s Law/Best Color、版調/TV、灰平衡工具、SCTV、量版器等等的運用。

這個工具的一個特點是必須由紙張的光譜數據來啟動後續一連串的運算。有了紙張的光譜數據才能做Beer’s Law 色彩/濃度計算。有了紙張的Lab數據，才能提供灰平衡的目標值。要有紙張的濃度數據，才能做平網的版調計算。要有紙張的XYZ值，才能做SCTV的計算。量版器的計算邏輯其實跟SVTV一樣，只是把版底數據當成紙張數據來計算而已。

一、Beer’s Law/Best color 運用，以下圖為例，程式判定樣本在C墨滿版範圍，會自動帶出目標色為Lab 55,-37,-50；樣本濃度實測為1.41，色差2.19；Beer’s Law 預測濃度降到1.32時，色差可以降到1.09。

如果樣本色不是在標準色彩CMYK的判定範圍內，則可以鎖定目標作為特別色的目標值，程式不再自動帶出目標值，而是以鎖定的目標來做為Beer’s Law 的放墨預測。

二、版調/TV 工具， 當程式偵測到樣本為版調範圍時會根據紙張濃度、滿版濃度來計算出版調值。如果是特別色的話，則依据SCTV來計算版調值。

三、灰平衡工具，當程式偵測到樣本為灰平衡範圍時，會依据紙張的ab值，找出灰平衡的目標值。再根據樣本量測值與灰平衡目標值之間的差異來推算出CMY三個墨座的放墨行為。

以下圖為例，依量測數據與目標值比對，取得亮度差點-1.91(太暗)，a差為4.01(太偏洋紅)，b差為-0.6(還好)。程式的放墨建議為增加1%C墨，降低5%M墨，即可將灰平衡色塊帶到目標值的位置。

這個灰平衡工具會是實現車間單點控制的重要工具，衹要測量一個點，根據灰平衡CMY放墨指令就可以將產品帶到一個大致"不會失誤"的位置。

四、SCTV，如果有鎖定目標，代表要處理特別色，這時版調的計算就會依SCTV規則計算，而不是以濃度為基礎的CMYK版調計算。

五、量版器，量版器的計算邏輯跟SVTV一樣，工作順序是取得版底數據，再取滿版數據，然後才能計算中間階調的部分。比對過Xrite icPlate 2的數據，差距約一個百分比，我認為是堪用的。

以上，這是我寫的第一個安卓APP，主要是師傅的車間工作為主。

第一個工具就是單純的濃度計，比傳統濃度計再加上了光譜濃度的功能，在處理特別色上面會更方便。

兩個欄位的設計，方便用來比較目標數值與樣本數值之間的差距，是一個很好的工作概念。有跟同事討論到要用到8個欄位，也就是4個CMYK目標欄位與4個CMYK樣本欄位，工作上會更一目了然。

第二個工具綜合了Beer’s Law 放墨預測、版調、灰平衡單點控制、SCTV、量版器等。比起濃度計又多了很多控制上的概念。

在引導師傅的時候，基本上還是從濃度計開始，最單純，也具備一定的控制品質。

但要做更細緻的控制的話，還是要到第二個工具的領域。

相對於我一直在寫的i1工具，i1的strip reading 能力是不可取代的，它能快速的、大量的處理色彩樣本的能力，對一個"系統人員"是不可或缺的。

但有時要到車間檢測，還得帶著筆電、帶著i1、之間又掛著一條USB線，比起手機再加一個小小的藍牙光譜儀，方便性差太多了。或許精度差了一些，但我認為是夠用了，簡單幾個點的檢測已足夠評估印刷品質甚或是印機的狀態。

同樣的，這些我為印機師傅寫的工具，印機師傅用來維護他的工作品質，系統人員也用它來更方便、更頻繁的去車間檢驗(釘)印機師傅的操作狀況。

Print by number，在色彩溝通混沌不明的時候，誰掌握的數據，誰就有了話語權。

Compare tool

"數值比對"是管理上一個重要的工具概念，經由數值比對，我們可以知道產品的品質是否已經進步！經由數值比對，我們可以知道設備的表現是否穩定。經由數值比對，我們可以知道產品的品質是否穩定。

公司 ISO 9001 稽核項目裏有一項是要確認色彩量測儀的穩定度。

要檢查量測儀器的穩定度，工作邏輯不外乎這兩個項目：

一組穩定的標準色彩樣本。

一個比對儀器數值與標準色彩數值的程序。

經由這樣的組合操作，色差值越低，表示儀器越穩定。

市面上已經有這樣的商品，在Techkon的系統裏，有一個SpectroCheck的組合，內容為一組8個陶瓷基底的色彩樣本及一個檢測報告程序。

報告內容就只有簡單的有過與沒過的標示，如果沒有通過就是建議送回原廠檢測，倒也是簡單明瞭。

Fig. Techkon SpectroCheck 的陶瓷色樣

Fig. Techkon SpectroCheck 報告。

Xrite系統則有Net Profiler 組合，也是同樣的概念，一樣是陶瓷基底的色彩樣本，然後有形成報告的程序。除此之外，Net Profiler 還能依色差差異將修正程序寫回儀器來改善儀器的精度，這倒是很實用的功能。不過，如果差異太大，一樣還是得送回原廠。

Fig. Nt Profiler 陶瓷色樣

Fig. Net Profiler 修正前，修正後色差報告

Fig. Net Profiler 流程

只是，公司的色彩數據一直是用i1來執行，Net Profiler 並沒有支援到i1，所以只能自行發展工作方法，邏輯上還是一樣：要有一組穩定的目標色彩樣本，及一個比對數值的程序。

我們以Kodak Q13 其中的8個色塊做為我們的目標色樣，然後再發展一個比對數值的工作方法。

原先的工作方法是透過Key Wizard將i1數值拉到Excel表格裡面， Excel裡可以簡單做到dEab的運算來達到數值比對的目的。這個Excel表單就足以交待 ISO 9001 中儀器穩定度的稽核項目。

不過Key Wizard這個古老的軟體在現在WIN10已經跑不起來了。在取得i1 SDK後，這個工作自然可以由SDK承接下來，尤其在工作方法雲端化後，數據的運用顯得更靈活，更具多面性。

Fig. 以Kodak Q13做為目標色樣本

這個雲端工具追蹤每一個儀器在每一個時間做的測量記錄。可以隨時設定哪一筆記錄作為色彩目標值。也可以隨時改變要比對的目標值。

基本工作邏輯是，當SDK取得一組數據後，系統會依據儀器的序號，自動在資料庫中撈出上一筆被設定為目標的數據做色差比對。

下面這個圖示顯示了序號339xxxx的儀器與上一次的目標值做比對，平均dEab為0.43，平均dE00為0.26。

Fig. 序號339xxxx在兩個不同時間點的量測記錄，平均dEab為0.43，dE00為0.26。

系統也可以比對不同時間或不同儀器間的數據差異。

Fig. 可隨時更換比對目標，以上圖為例，可以與不同序號的儀器做比對以了解不同儀器間的器差。

Fig. 比對工具也可以用來比對兩部不同儀器間(sn 105xxxx vs 107xxxx)的器差值。

所有儀器的量測行為都會記錄在資料庫裡，以儀器序號做群組(group by sn)，可將某一部儀器的工作履歷顯示出來，用以代表該儀器的穩定度。

Fig 以儀器序號群組(group by sn)，可將某一部儀器的工作履歷顯示出來，用以代表該儀器的穩定度。

比對數值是在管理上一個很重要的工具與概念，當以雲端資料庫的方式來運作時，所能比較的項目與對象就可以更靈活、更多元。

Compare(比較、比對)就是一個基本的管理概念。在應用方面，可以用來比對儀器的穩定性、可以用來檢測目標樣本的穩定性、可以用來比較乾溼墨的色彩差異丶可以用來比較上膜後的色彩差異、可以用來檢測產品是否符合品質要求….相同的使用邏輯，就看工作是怎樣的的設計與安排，重點是，當這些數據都能由雲端資料庫掌握時，其間的運用就能夠更加豐富，甚或，更加的自動化。