Цвет (так же краска в контексте темы) - субъективная характеристика восприятий световой волны, которая основывается на способности человеческого зрения различать электромагнитное излучение с длиной волны в области видимого диапазона (видимого диапазон - длина волна от 380 до 760 нм).
Цветовая модель - абстрактная модель Описания представления цветов в виде кортежей (наборов) чисел, обычно из трех или четырех значений, звание цветными компонентами или цветными координатами. Вместе с методом интерпретации этих данных (например, определение условий воспроизводства и / или просмотра - то есть задача способа реализации), множества цветов цветовой модели определяет цветовой пространство.
В настоящее время важной задачей во время производства и не только является правильное определение цвета поверхности. Существует много приборов для определения цвета поверхности, но каждый имеет свои ограничения для применения.
Следует заметить, что на определение цвета поверхности влияет как инородное освещения, так и структура поверхности. Так, например, два образца с глянцевой и матовой поверхностью одного цвета, могут в результате измерения давать различные оттенки, что в свою очередь приведет к принятию ложных решений при контроле.
Учитывая указанные особенности было предложено ряд алгоритмических мер по повышению достоверности контроля:
1. Для уменьшения систематических погрешностей, вызванных условиями проведения измерений, предложено проводить калибровку по образцовым образцам. По результатам калибровки в измерительный канал вводить необходимые поправки.
2. Для уменьшения влияния случайной составляющей погрешности предложено проводить статистическое усреднение исправленных результатов измерения.
3. Для уменьшения исключено систематической погрешности применять программные средства MatLab для обработки полученных результатов с использованием метода «будстреп».
Реализация первого метода заключается в следующем. Для достижения наилучшего результата по этой методике, у каждого датчика цвета следует снять характеристику в необходимом диапазоне измерения, чтобы наиболее точно определять ошибку исчисленную для каждого датчика. Калибровки необходимо проводить образцовыми образцами, которые наиболее схожи с рабочими образцами. Затем вычислив разницу в показаниях найти ошибку и эту ошибку компенсировать при следующих измерениях уже во время работы.
В системах промышленной автоматизации в некоторых случаях измерения выполняют многократно, а полученные результаты усредняют с целью повышения точности. При этом возникает вопрос существует предел повышения точности. Сколько измерений нужно делать на практике? Понятно, что усреднение приводит к уменьшению погрешности, поскольку результаты отдельных измерений имеют как положительные, так и отрицательные отклонения от точного значения и поэтому частично взаимно компенсируются. С ростом числа измерений среднее значение отрицательных отклонений приближается по модулю к среднему значению положительных и точность их взаимной компенсации улучшается. Хотя на практике важно получить количественную зависимость между числом измерений и погрешностью усредненного результата.
Математическую модель процесса усреднения результатов измерения некоррелированных величин можно представить выражением:
Как уже отмечалось выше, случайная составляющая погрешности может быть снижена путем усреднения результатов многократных измерений. Если в составе погрешности преобладает систематическая компонента, то усреднение не приводит к повышению точности. О наличии случайной составляющей можно судить по рассеиванию результатов одноразовых измерений.
Предположим, что с помощью измерительного модуля выполнен N измерений, в результате которых получены значения х1,х2.....хN Усреднения результатов измерений выполняется по формуле среднего арифметического значения:
Однако хср также является случайной величиной, поскольку, выполняя несколько серий измерений и усредняя каждую из них, мы получим отличные друг от друга средние значения хср для каждой серии. Но хср иметь меньшую дисперсию (среднее отклонение), чем измерительный прибор.
Итак, усреднения N некоррелированных измерений позволяет уменьшить погрешность результата в sqrt(N) раз. Однако это утверждение справедливо при соблюдении нескольких условий, осуществимость которых довольно трудно проверить на практике.
Во-первых, усреднение дает эффект только для случайной составляющей погрешности. Погрешность измерений перестает уменьшаться, когда σср становится настолько малой, что суммарная погрешность определяется систематической составляющей. Практически редко удается снизить общую погрешность измерений более чем в 2-3 раза с помощью усреднения.
Во-вторых, результаты измерений должны быть статистически независимы, то есть интервал времени между соседними измерениями должен быть много больше времени автокорреляции случайной погрешности. То есть частота измерения и должна быть меньше частотой белого шума. Например, усреднение даже 100 измерений в течение 10 с не может компенсировать компоненты шума, спектр которых лежит ниже 0,1 Гц. Учитывая это, при определении частоты измерений, необходимо определить параметры белого шума.
Для реализации третьего алгоритма будем использовать типовое программное обеспечение. Система MATLAB идеально подходит для создания программного обеспечения компьютерных средств измерения: использование готовых функций и матричного подхода позволяет автоматизировать процесс создания программ, наличие GUИ позволяет создавать удобный интерфейс для конкретного пользователя, использование готовых функций упрощает метрологическую аттестацию программного обеспечения, возможность подключения внешних интерфейсов и оборудования делает MATLAB универсальным средством для работы с различным измерительным оборудованием.
Описание программы "Bootstrap", предназначенной для обработки результатов косвенных измерений цвета поверхности методом будстреп. Исходном языке программы "Bootstrap" является MATLAB. Среда разработки - математический пакет MATLAB.
Основной функцией программы является обработка массива значений измеряемой величины с целью получения результата косвенных измерений с оценкой точности в виде неопределенности методом будстреп, а также построение гистограммы распределения.
Программа "Bootstrap" реализует следующие функции:
1) введение объема массива значений косвенно измеряемой величины, введение массива значений косвенно измеряемой величины;
2) обработка введенных данных с использованием метода будстреп;
3) вывод измеряемого значения с оценкой точности в виде неопределенности;
4) построение гистограммы распределения.
Краткое описание работы программы заключается в следующем: из исходного массива результатам косвенных измерений с помощью алгоритма отбора элементов с возвращением отбираются значения и заносятся в новый будстреп массив, число таких будстреп массивов равняется тысячи. Далее, по каждому из массивов рассчитывается неопределенность и среднее значение, в результате получается массив неопределенностей и средних значений. По массиве средних значений будстреп выборок измеряемой величины.
Программа строит гистограммы распределения, а по массиву неопределенностей будстреп выборок значений измеряемой величины программа делает оценку точности в виде неопределенности.
Итоговым результатом работы программы "Bootstrap" служит получения результата косвенных измерений с его оценкой точности в виде неопределенности.
Таким образом, последовательное использование всех трех алгоритмов позволяет существенно снизить погрешность измерения цвета поверхности, как систематическую, так и случайную.