Journal Search Engine

ISSN : 2005-0461(Print)
ISSN : 2287-7975(Online)

Journal of Society of Korea Industrial and Systems Engineering Vol.45 No.2 pp.48-55
DOI : https://doi.org/10.11627/jksie.2022.45.2.048

A Study on A Deep Learning Algorithm to Predict Printed Spot Colors

Su Hyeon Jun^*

, Jae Sang Park^**

, Hyun Chul Tae^*†

^*Department of Digital Healthcare Research Korea Institute of Industrial Technology
^**Samsung Electronics

^†Corresponding Author : sage@kitech.re.kr

Received 10/05/2022 Finally Revised 25/06/2022 Accepted 27/06/2022

Abstract

The color image of the brand comes first and is an important visual element that leads consumers to the consumption of the product. To express more effectively what the brand wants to convey through design, the printing market is striving to print accurate colors that match the intention. In ‘offset printing’ mainly used in printing, colors are often printed in CMYK (Cyan, Magenta, Yellow, Key) colors. However, it is possible to print more accurate colors by making ink of the desired color instead of dotting CMYK colors. The resulting ink is called ‘spot color’ ink. Spot color ink is manufactured by repeating the process of mixing the existing inks. In this repetition of trial and error, the manufacturing cost of ink increases, resulting in economic loss, and environmental pollution is caused by wasted inks.

In this study, a deep learning algorithm to predict printed spot colors was designed to solve this problem. The algorithm uses a single DNN (Deep Neural Network) model to predict printed spot colors based on the information of the paper and the proportions of inks to mix. More than 8,000 spot color ink data were used for learning, and all color was quantified by dividing the visible light wavelength range into 31 sections and the reflectance for each section.

The proposed algorithm predicted more than 80% of spot color inks as very similar colors. The average value of the calculated difference between the actual color and the predicted color through ‘Delta E’ provided by CIE is 5.29. It is known that when Delta E is less than 10, it is difficult to distinguish the difference in printed color with the naked eye. The algorithm of this study has a more accurate prediction ability than previous studies, and it can be added flexibly even when new inks are added. This can be usefully used in real industrial sites, and it will reduce the attempts of the operator by checking the color of ink in a virtual environment. This will reduce the manufacturing cost of spot color inks and lead to improved working conditions for workers. In addition, it is expected to contribute to solving the environmental pollution problem by reducing unnecessarily wasted ink.

Key Words : Deep Learning , DNN , Spot Color , Delta E , Printed Color

딥러닝 알고리즘을 이용한 인쇄된 별색 잉크의 색상 예측 연구

전 수현^*, 박 재상^**, 태 현철^*†

^*한국생산기술연구원 디지털헬스케어연구부문
^**삼성전자

초록

키워드 :

This article has been cited by 0 article in crossref

Cited-By

Funding:

1. 서 론

수많은 브랜드와 상품의 홍수 속에서, 브랜드 이미지는 소비자를 소비 결정으로 이끄는 중요한 요소로 자리 잡고 있다. 소비자는 제품과 패키지 디자인, 매장 인테리어 속 에서 브랜드 이미지를 인식하고 기억하게 된다. 브랜드는 효과적이고 확실한 이미지의 연상작용을 위해, 아이덴티 티 컬러를 지정하고 이를 마케팅에 적극적으로 활용한다 [3]. 색은 고유한 감각적 이미지를 지니기 때문에 그 자체 로서 브랜드가 의도한 이미지와 의미를 전달하기에 충분 하다[12]. 그러나 전략적으로 설계된 아이덴티티 컬러는 그 정확한 색이 구현되었을 때, 소비자에게서 원하는 시각 적 자극을 이끌어낸다. 이에 브랜드는 상품과 패키징, 브 로셔 등 다양한 표면의 제품일지라도 동일한 색이 정확하 게 인쇄되기를 원한다. 인쇄 시장에서는 이러한 브랜드의 요구를 이해하고, 인쇄물의 색 정확도를 향상시키기 위해 계속 발전하고 있다. 이러한 흐름 속에서 기존 인쇄 공정 을 최대한 활용하며 인쇄 색의 품질을 높일 수 있는 기술 들이 중요시되고 있다.

대량 생산되는 포장지나 브로셔, 음료 캔 등의 인쇄물들 은 대부분 ‘오프셋’ 인쇄 방식을 통해 인쇄된다. 오프셋 인 쇄는 물과 기름이 반발하는 원리를 이용하여 인쇄하는, 가 장 일반적으로 사용되는 인쇄 기법이다. 오프셋 인쇄 방식 은 잉크가 묻는 화선부는 소수성으로, 잉크가 묻지 않는 비화선부는 친수성으로 설정하고 종이에서 물이 묻지 않 은 부분에 잉크를 묻혀 인쇄한다. 이때, 잉크를 종이에 직 접 묻히는 대신 고무 롤러를 통해 잉크를 전달하여 종이의 손상이 적고 인쇄 품질이 향상된다. 또한, 종이와 인쇄판 이 직접 접촉하지 않아 다양한 종류의 종이에도 인쇄할 수 있으며, 단기간 대량 인쇄가 가능하다[5,10]. 오프셋 인쇄에서 사용되는 색은 CMYK(Cyan, Magenta, Yellow, Key(Black))라고 불리는 색 모형을 기본으로 한다. 일반 CMYK를 이용한 인쇄는 4가지 색을 망점의 형태로 찍어 인쇄한다. 그러나 망점을 잘못 배치하여 망점이 겹치게 되 면, 색의 정확도가 떨어지거나 균일하고 선명하지 않은 색 의 인쇄로 이어질 수 있다. 또한, CMYK의 4가지 색상으 로는 금색, 은색, 형광색 등의 특수한 색의 표현이 불가능 하다. 따라서 오프셋 인쇄에서는 CMYK의 한계점을 보완 하기 위해, 별도의 색인 ‘별색’이라는 색을 만들고 추가적 으로 사용한다. 별색은 그 고유한 색을 의미하므로, 수치 를 통해 정형화되며 각자의 이름으로 구분된다. 별색의 예 시로는 세계적인 색상 연구 기업인 팬톤(PANTONE)의 컬 러 표준인 ‘팬톤 컬러’가 대표적이다. 별색의 인쇄를 위해 서는 별색을 나타내는 ‘별색 잉크’가 추가적으로 제조되어 야 한다. 별색 잉크는 기존 잉크들을 적절히 배합하여 원 하는 색을 나타낸다. 별색 잉크를 제조함으로써, 브랜드가 원하는 정확한 색의 인쇄가 비로소 가능해지게 된다.

현재 별색 잉크의 조색 작업은 작업자가 직접 잉크를 배합한 후, 인쇄하여 색을 확인하는 과정의 반복으로 이 루어진다. 이러한 작업 방식은 작업자의 경험과 감각에 따라 별색 잉크의 색 정확도가 크게 바뀔 위험이 있다. 또한, 시행착오의 반복 속에서 종이와 잉크가 낭비되고, 이는 경제적 손실과 환경오염의 이슈로 이어진다. 본 연 구에서는 이러한 문제를 해결하기 위해, 잉크의 혼합 비 율과 인쇄용지에 따라 달라지는 별색 잉크의 색을 예측 하는 딥러닝 알고리즘을 설계하였다. 이 알고리즘으로 가상의 환경에서 별색 잉크를 사전에 조색하여 색을 확 인하고, 배합 비율을 조절할 수 있다. 해당 알고리즘의 사용은 인쇄 공정의 기존 방식을 변경할 필요가 없으므 로 보다 효율적이며, 별색 잉크의 제조 비용 절감뿐 아니 라 근로 환경 개선 및 환경 문제의 해결에 기여하는 효 과를 기대해 볼 수 있다.

본 실험을 진행하기에 앞서 인쇄물 색 예측의 선행 연구 들을 분석하였고, 잉크의 색을 예측하는 연구는 이전부터 이뤄져 왔음을 확인하였다. 기존에는 수리 모델을 통한 색 예측 연구가 주를 이루었다. Machizaud and Hébert[9]의 연 구에서는 투명 용지가 종이 위에 있을 때 수리 모델을 통해 반사율과 투과율을 계산한다. Rousselle and Hebert[13]의 연구에서는 빛의 산란과 잉크 흡수율의 수리 모델을 통해 인쇄 후에 dry down된 반사율을 예측한다. Gooran and Namedanian[4]은 새로운 식을 설계해 망점 프린터의 색 좌 표를 계산한다. 그러나 수리 모델을 통한 색 예측은 특정 조건 하에서만 높은 정확도를 나타내어, 실제 다양한 산업 현장에서는 적용하기에 어려움이 있다[7]. 또한, 정확한 색 을 구현하기 위해 사용되는 별색 잉크는 주어진 기존 잉크 들을 사용하여 배합되기 때문에, 잉크의 배합 비율 또한 별색 잉크의 색 예측에 중요하게 고려되어야 한다. 이에 본 연구의 선행 연구부터, 딥러닝을 통해 별색 잉크의 색을 예측하는 실험을 진행하였다. 그러나 같은 목적의 선행 연 구들은 산업 현장에서 적용하기 힘든 낮은 정확도를 갖고 있다.

본 논문에서는 다양한 산업 현장에서 높은 정확도로 적 용이 가능한 인쇄물 색 예측 알고리즘을 설계하였다. 딥러 닝 모델의 학습에는 실제 산업 현장에서 제공받은 데이터 를 사용하였고, 기존 선행 연구에서 9개 잉크의 배합 비율 만을 고려한 것과 달리, 62개의 충분히 많은 잉크의 조합 을 고려하였다. 색은 가시광선 스펙트럼 구간 내 31개의 단위 반사율로 수치화한 후, 단 하나의 딥러닝 모델로 학 습하고 예측하도록 하였다. 이때 딥러닝 모델은 DNN을 기반으로 Adam 최적화 방법을 사용하여 설계하였다. 그 결과 간단한 모델을 통해 기존 연구보다 향상된 성능으로 정확한 색 예측 결과를 얻을 수 있었다.

2. 이론적 배경

2.1 Deep Neural Network (DNN)

딥러닝에는 ANN, DNN, CNN, RNN 등 많은 방법론이 있다. 본 연구에서는 그 중 심층신경망(DNN, Deep Neural Network)을 기반으로 별색 잉크의 색을 예측하는 알고리 즘을 설계하였다. 딥러닝은 머신러닝(Machine Learning)의 한 종류로, 인간의 뉴런 구조 및 동작 방식을 모방한 인공 신경망(Artificial Neural Network, ANN) 모형이 발전된 형 태이다. 딥러닝 모델은 입력 층(Input layer), 은닉 층 (hidden layer), 출력 층(output layer)으로 나뉘며, 각 층은 노드(node)로 구성되고 노드들은 간선(edge)을 통해 이웃 층의 노드들과 연결된다.

딥러닝 모델은 입력받은 데이터의 패턴을 학습해 계층 들 사이의 간선들에 적절한 가중치(parameter)를 부여하게 되고, 이를 새로운 데이터에 적용해 분류 및 예측을 가능 하게 한다. 인공신경망(ANN)은 은닉층의 개수가 1개인 가 장 기본적인 딥러닝 모델을 뜻한다. DNN(심층신경망)은 은닉 층의 개수가 2개 이상인 딥러닝 모델이며, DNN의 구조는 <Figure 1> 로 도식화할 수 있다. DNN에서는 늘어 난 계층을 통해 심층망이 입력과 출력 사이를 더 많은 방 법으로 표현하는 능력을 갖게 되고, 이는 계산 능력의 향 상으로 이어진다[2]. DNN은 여러 방법론으로 발전될 수 있으며, 데이터가 수치형 변수로 이루어지고 데이터의 양 이 많아지는 경우 그 성능이 크게 향상된다. 따라서 본 논 문에서는 사용한 데이터에 가장 적합하고, 간단한 알고리 즘이 설계 가능한 DNN을 선택하여 실험을 진행하였다.

2.2 Adam

딥러닝 모델은 학습을 통해 가중치의 최적 값을 찾아가 며, 최종적으로 갱신된 가중치의 값은 출력(output)을 예측 하는 수단으로 사용된다. 얼마나 적절한 가중치의 값으로 도달했는지가 그 알고리즘의 성능을 결정하므로, 가중치 의 최적 값을 찾아가는 방법론인 최적화 방법(optimizer)은 딥러닝 모델의 설계에서 매우 중요시된다.

본 실험에서는 딥러닝 모델의 최적화 알고리즘으로 Kingma and Ba[8]의 연구에서 제안한 Adam optimizer를 사용한다. Adam은 확률론적인 최적화(stochastic gradientbased optimization) 방법으로, RMSProp에 운동량(momentum) 개념을 적용한다. Adam은 구현이 간단하고 계산 효율성이 높아 빠르고 정확한 수렴 성능을 가져 딥러닝의 optimizer로 많이 사용된다[6].

손실함수(loss function)는 딥러닝 모델이 학습할 때, optimizer를 통해 가중치를 계산하는 함수이다. 손실함수는 딥러닝에서 오차역전파를 진행할 수 있도록 실제 데이터 값과 모델의 예측 값의 오차를 도출한다[14]. 손실함수의 종류에는 MSE(평균제곱오차), MAE, Cross Entropy 등이 있다. MSE란 식 (1)을 통해 test data의 실제 값과 모델이 예측한 값의 차이를 제곱 평균한 값으로 본 연구에서는 MSE loss 값을 사용하여 딥러닝 모델의 성능을 평가하고 학습을 진행한다.

M S E l o s s = \frac{1}{N} \sum_{i} {(y_{i} - {\hat{y}}_{l})}^{2}

(1)

3. 연구 방법

3.1 데이터 처리

별색 잉크란 기존 잉크들이 정해진 비율로 혼합된 고유 한 색의 잉크로, 인쇄 산업에서 정확한 색 구현을 위해 사 용한다. 새로운 별색의 인쇄가 요구될 때, 기존의 잉크들을 조합하여 해당 별색 잉크를 생성하게 된다. 각 별색 잉크에 는 고유한 코드와 이름이 지정되어 있어, 서로 분류 가능하 고 고객과 작업자의 커뮤니케이션이 용이하도록 한다.

본 연구에서는 종합 패키지 인쇄 전문기업인 덕수산업 (주)에서 제공받은 2020년 05월 20일부터 2022년 01월 05 일까지의 별색 잉크 제조 데이터를 사용하였다. 모델의 구 축과 성능 평가에 사용한 별색 잉크의 종류는 총 5,782가 지로, 62개의 기존 잉크들을 정해진 비율로 조합하여 생성 된다. 연구에 사용된 모든 색은 산업 현장에서 사용하는 분광측색계인 X-rite PANTONE 사의 eXact Standard를 통 해 측정되었다. 색의 표현 또한 분광측색계의 색 측정 방 식을 따라 가시광선 파장 구간인 400nm에서 700nm까지 의 범위를 31개 구간으로 나눈 후, 구간별 반사율을 측정 하여 수치화했다.

각 잉크는 종이에 인쇄된 형태로 색이 측정된다. 따라서 사용된 종이의 백색도나 표면 반사율 등의 요소가 잉크의 색 표현에 큰 영향을 미치게 된다. 본 연구에서 사용된 잉 크 색 데이터는 실제 인쇄 공정에서 측정된 데이터로, 모 두 같은 용지에 인쇄되어 측정된 데이터가 아니다. 이에 각 잉크의 색 데이터는 사용된 용지의 밀도 정보와 용지의 색 정보를 포함하도록 하였다. 용지의 색 측정 방식은 잉 크의 색 측정 방식과 동일한 방식을 사용하여 수치화했다.

<Figure 2>에서는 연구에서 사용한 별색 잉크 중 ‘리치 골드박색’ 별색의 잉크 제조 및 확인의 과정을 나타냈다. 적금(동양)과 황(대한), 금적색의 잉크를 87.72:8.77:3.51의 비율로 혼합하여 별색 잉크를 제조한 후, 잉크의 색 확인 을 위해 ‘RIV 백색’의 인쇄용지 위에 인쇄하였다. 인쇄 결 과를 분광측색계로 측정하여 수치화한 결과, <Figure 2> 우측하단의 스펙트럼 곡선으로 표현 가능하다. <Figure 2> 의 내부 색은 실제 인쇄용지 및 잉크의 색과 같다.

최종적으로 모든 별색 잉크 데이터는 종이의 밀도와 종이 의 구간별 반사율 정보, 62종류 잉크의 조합 비율, 그리고 별색 잉크의 구간별 반사율 정보를 포함하도록 처리하였다. 데이터 처리 후의 별색 잉크 조색 데이터는 총 8,268개이다.

3.2 알고리즘

본 연구에서는 딥러닝 모델 중 DNN을 기반으로 별색 잉크의 색을 예측하는 알고리즘을 설계하였다. 딥러닝 모 델의 구축에는 전처리된 별색 잉크 제조 데이터를 사용하 였다. 학습 시 모델이 모든 별색 데이터에 일반화(Generalization) 되지 않고 training data에만 집중되는 오버피팅 (Overfitting, 과적합)을 방지하기 위해 데이터를 train data 와 validation data, test data의 비율이 8:1:1이 되도록 무작 위로 분류하였다. 딥러닝 모델의 입출력은 <Figure 3>에서 나타낸 바와 같이 입력으로는 종이의 밀도 정보와 가시광 선 파장 구간별 반사율 정보, 잉크의 배합 비율을 설정하 여 출력으로 별색 잉크의 가시광선 파장 구간별 반사율을 예측하도록 설정하였다. 별색 잉크의 예측에는 단 하나의 딥러닝 모델을 사용하여, 31개 모든 구간의 반사율을 한 번 에 예측하도록 하였다. 따라서 입력의 dimension은 8,268×94이며, 출력의 dimension은 8,268×31이다.

본 연구에서는 은닉 층이 총 3개인 딥러닝 모델을 설계 하였으며, 계층 당 노드를 각각 600, 300, 100개로 구성하 였다. 최적화 알고리즘은 Adam Optimizer를 사용하였고, 학습 속도 (Learning rate)는 초깃값 0.01로 시작하여 3번의 epoch마다 기존 학습 속도의 0.8 비율로 감소하도록 설정 하였다. 모델의 학습을 확인하고, 오버피팅을 감지하기 위 한 손실함수로는 MSE Loss 함수를 사용하였다. 또한, validation data의 loss 값이 train data의 loss 값보다 커지는 7 번째 epoch에서 학습을 중지하는 Early Stopping을 통해 오버피팅을 방지하였다. 위의 DNN 모형은 다양한 모형들 에 대한 실험을 수행하고 성능 비교를 통해 가장 적절한 구성으로 설정한 결과이다. <Table 1>에서 기본 ANN 모 형과 다른 구성을 가지는 DNN 모형과의 성능 비교를 확 인할 수 있다. 괄호에는 은닉층의 노드 개수를 나열하였 다. 여기서 MSE Loss의 평균값과 Delta E의 평균값은 그 값의 크기가 작을수록 그 성능이 뛰어남을 의미한다.

실험은 Python 3.8을 이용하여 40개의 2.40GHz deca-core CPU, 2대의 NVIDIA GeForce RTX 3090 GPU, RAM 126GB 의 환경에서 진행하였다.

4. 결과 분석

4.1 MSE Loss 값을 통한 성능 평가

제안한 딥러닝 알고리즘의 학습 정도를 확인하고성능 을 평가하기 위해 test data의 MSE loss 값을 측정하였고, test data에 대한 평균 MSE loss 값은 39.44라는 결과를 얻 었다. <Figure 4>에서는 실제 별색 잉크의 색과 딥러닝을 통해 예측한 색을 가시광선 파장 범위의 반사율로 비교하 였다. 이때 파장 범위를 31개 구간으로 나누어 구간별로 하나의 반사율 값을 나타내는 방식으로 색을 수치화하고, 이를 스펙트럼 곡선으로 표현하였다. <Figure 4>를 통해 반사율의 오차는 파장 구간별로 큰 차이가 없으며, 모든 구간에서 작은 값을 가지는 것을 확인할 수 있다. 이를 통 해 해당 딥러닝 모델은 모든 색의 범위에서 우수한 성능으 로 색상을 예측한다고 판단할 수 있다.

4.2 CIE Lab* 색 체계 값을 통한 성능 평가

색은 관찰자의 특성과 환경에 따라 주관적인 해석이 가능 하므로 색의 측정과 표현을 위해서는 다양한 방법을 통한 수치화와 비교가 불가피하다. 실험에서 사용한 가시광선 스펙트럼 파장 구간별 반사율은 분광측색계에서 색 측정의 도구로 사용되지만, 그 색을 직관적으로 확인하기에는 어려 움이 있다. 따라서 본 연구에서는 색 예측 알고리즘의 실제 값과 예측값의 차이를 분명하게 확인하기 위해 추가적으로 국제조명위원회(Commission Internationale de l'Eclairage, CIE)에서 지정한 색 체계를 사용했다. G. Wyszecki에 의해 제안된 CIE1976 L*a*b* 색 공간(CIELAB)은 색을 측정하고 표현하는데 널리 사용되는 색 체계 중 하나이다. CIELAB는 각각 명도, 빨강과 초록의 정도, 노랑과 파랑의 정도를 나타 내는 L*값, a*값, b*값으로 구성된다. CIELAB에서 색은 <Figure 5>의 3차원 색 공간에서 L*, a*, b*의 좌표로 표현된다.

CIELAB로 표현된 색들은 색 공간에서 유클리드 거리 를 계산하는 방법으로 색의 차이를 수치화한다[1,11]. (2) 의 식으로 계산한 색의 차이를 Delta E(ΔE*ab)라 하며, 본 연구에서는 국제조명위원회에서 지정한 Delta E CIE 2000 Equation(Delta E 2000)을 통해 실제 별색 잉크의 색과 예 측한 잉크의 색을 비교하였다. Delta E 2000은 밝기 범위 에서 색이 속하는 위치에 따라 L*의 가중치를 변경하여 색의 차이를 계산하여, 인간의 시각적 인지와 높은 일치성 을 가진 결과를 얻을 수 있다.

Δ E_{a b}^{*} = {[{(Δ L^{*})}^{2} + {(Δ a^{*})}^{2} + {(Δ b^{*})}^{2}]}^{1 / 2}

(2)

Delta E는 두 색의 차이를 계산한 것으로 그 값이 작을 수록 모델의 성능이 좋음을 나타낸다. <Figure 6>에서는 Delta E에 따른 실제 두 색상의 차이를 시각적으로 비교하 였다. 일반적으로 Delta E가 3 이하라면 그 색의 차이는 육안으로 구별할 수 없다. Delta E가 5 이하인 경우까지 두 색은 같은 색상이라고 여겨진다. Delta E가 8인 부근부 터 두 색의 차이가 육안으로 느껴진다. 그러나 인쇄된 잉 크의 경우, 인쇄용지의 질감에 따라 색의 차이가 더 작게 느껴지는 것이 일반적이므로 보통 Delta E가 10 이하라면 두 색이 매우 유사하다고 여겨진다.

본 실험에서는 가시광선 스펙트럼의 파장 구간별 반사 율로 색을 수치화하였다. 잉크색의 차이를 Delta E 2000으 로 계산하기 위해 우선 색의 표현을 CIELAB 색 체계 표현 으로 변경했다. 색의 표현 방식을 변환하고, Delta E 값을 계산하는 것은 모두 python 라이브러리 color-math의 내장 함수를 사용하였다. Test data 내의 실제 인쇄된 별색 잉크 의 색과 딥러닝 모델을 통해 예측한 잉크의 색을 비교한 결과, Delta E의 평균값은 5.29이다. 또한 <Figure 7>에서 Delta E는 그 분포가 작은 Delta E의 범위에 집중되어 있음 을 확인할 수 있다. Delta E가 2 이상 3 이하인 예측이 가 장 많고, 대부분의 예측값이 Delta E가 10 이하이다. <Figure 7>의 Delta E의 분포를 더 정확하게 확인하기 위 해 통계적 값들을 <Table 2>에 정리하였다.

일반적으로 같은 색으로 여겨지는 기준인 Delta E가 5 이하인 경우가 62.64%로 절반 이상이며, 인쇄 시 그 차이 가 크게 느껴지지 않는 기준인 Delta E가 10 이하인 경우 가 89.36%이다. 따라서 본 연구에서 사용한 딥러닝 모델 을 통해 대부분의 별색을 유사하게 예측하였음을 수치적 으로 증명할 수 있다.

CIELAB의 좌푯값들을 통해 색의 표현과 색들의 차이 를 수치화할 수 있지만, 색에 대한 인식과 해석은 매우 주 관적이다. <Figure 8>에서는 test data 내의 별색 잉크색과 딥러닝 모델을 통해 예측한 잉크색을 Delta E에 따라 실제 색 도트로 나타냈다. 상단의 그래프에서는 실제 별색 잉크 색을, 하단의 그래프에서는 예측한 색을 Delta E에 따라 분류하였다. 같은 좌표를 가지고 있는 도트는 같은 잉크 데이터를 뜻한다. <Figure 8>를 통해 Delta E가 10 이하인 대부분의 예측 색이 실제 색과 유사하며, Delta E가 10 이 상인 경우에도 대부분 비슷한 색상 범주를 가지는 경향이 있다는 것을 확인할 수 있다.

5. 결 론

본 연구는 별색 잉크를 조색하는 과정에서 측정한 데이 터뿐 아니라, 이미 용지에 인쇄된 별색 잉크의 색을 측정 한 데이터 또한 포함한다. 용지에 인쇄된 잉크는 시간의 흐름과 관리 상태에 영향을 받아 변색되어 그 색의 정확도 가 떨어질 가능성이 있다. 본 연구에서는 딥러닝 모델의 신뢰도 있는 학습 결과를 도출하기 위해 최대한의 데이터 를 포함하고자 하였고, 불가피하게 이미 인쇄된 별색 잉크 데이터를 포함하게 되었다. 또한, 실제 인쇄 공장에서 작 업자가 직접 작업한 결과 데이터를 제공받음으로써, 작업 자의 실수나 계측 오차에 의한 데이터의 오차를 막을 수 없었다. 이러한 데이터의 문제점은 딥러닝 모델의 성능 향 상에 한계로 작용했을 것으로 여겨진다. 그럼에도 제안한 알고리즘으로 test data를 예측한 결과, 약 90%의 예측 잉 크색이 실제 별색 잉크의 색과 유사함을 확인하였다. 또 한, 그 유사도를 표현한 Delta E의 평균값이 5.29로 매우 작은 수치를 가진다. 이는 별색 잉크의 색을 예측하고자 했던 <Figure 9>의 이전 연구들보다 작은 수치로, 알고리 즘의 성능 향상을 의미한다.

본 연구에서 설계한 알고리즘이 실제 공정에 사용될 경 우, 작업자가 별색 잉크를 직접 제조하고 색을 확인하는 반복 과정이 크게 줄어든다. 이는 별색 잉크의 제조 비용 을 줄일 뿐 아니라 작업자의 편의성을 높일 수 있다. 기존 작업 방식과 달리, 작업자의 숙련도에 따라 계측 오차나 사소한 실수의 발생으로 정확도가 낮은 별색 잉크가 생산 될 위험도 방지할 수 있다. 또한, 정확한 색의 잉크를 위한 시행착오 속에서 낭비되는 잉크들을 대폭 줄여 환경 문제 의 해결에 기여하는 효과를 기대할 수 있다.

Acknowledgement

This research was a part of the project titled 'forest science- technology R&D program (2021383A00-2223-0101)', funded by the Korea Forestry Promotion Institute (Korea National Arboretum), Korea.

Figure

<Figure 1>.

Scheme of DNN Model

<Figure 2>.

Mixing Process of Actual Inks Data

<Figure 3>.

Structure of Algorithm

<Figure 4>.

Average of Spectral Result

<Figure 5>.

CIE 1976 L*a*b* Color Space

<Figure 6>.

Color Difference by Delta E

<Figure 7>.

Distribution of Delta E

<Figure 8>.

The Difference between the Actual Color and the Predicted Color

<Figure 9>.

Improved Performance of Printed Spot Color Prediction Algorithms

Table

<Table 1>.

Comparison with Other Configurations

<Table 2>.

Statistical Values of Delta E and Distribution of Data

Reference

A Guide to Understanding Color, Retrieved from X-Rite, 2016.
Choe, H.-Y. and Min, Y-H., Introduction to Deep Learning and its main issues, Korea Information Processing Society Review, 2015, Vol. 22, No. 1, pp. 7-21.
Choi, S.-K., Hwang, S.Y., and Kim, W.-J., A Study on the Influence of Brand Identity Color on Consumers’ Psychology: Focusing on Brand Coffee Shops, Such as Starbucks, Coffee Bean, Pascucci, and Twosome Place, Journal of Korea Society of Color Studies, 2008, Vol. 22, No. 3, pp. 25-33.
Gooran, S. and Namedanian, M., A New Approach to Calculate Colour Values of Halftone Prints, IARIGAI, 2009.
Hyun, Y.J., Park, J.-S., and Tae, H.-C., Prediction of Color Reproduction using the Scattering and Absorption Coefficients Derived from the Kubelka-Munk Model in Package Printing, Korea Institute of Industrial Technology, 2021, Vol. 27, No. 3, pp. 203-210.
Kim, S., Chung, W., and Shin, S., Acoustic Fullwaveform Inversion using Adam Optimizer, Geophysics A Study on A Deep Learning Algorithm to Predict Printed Spot Colors 55 and Geophysical Exploration, 2019, Vol. 22, No. 4, pp. 202-209.
Kim, Y.S., Uhm, H.S., and Tae, H.C., Deep Neural Network Modeling for the Prediction of Reflexibility from Printed Outputs in the Spot Color Printing System: Focusing on the Aggregating and Processing of Dataset from the Real-world Printing System, Journal of Korea Society of Color Studies, 2022, Vol. 36, No. 1, pp. 5-12.
Kingma, D.P. and Ba, J., Adam: A method for stochastic optimization, International Conference on Learning Representations (ICLR), 2015.
Machizaud, J. and Hébert, M., Spectral Reflectance and Transmittance Prediction Model for Stacked Transparency and Paper Both Printed with Halftone Colors, JOSA A, 2012, Vol. 29, No. 8, pp. 1537-1548.
Park, C. and Choi, K., Employment Effect of Advanced Printing Industry, Ministry of Employment and Labor, Korea Labor Institute, 2020.
Precise Color Communication, Retrieved from Konica Minolta.
Rhie, J., Research about the Influence of Color Communication on Brand Images - based on Industrial Logos, The Journal of the Korea Contents Association, 2012, Vol. 12, No. 5, pp. 154-162.
Rousselle, F., Hébert, M., and Hersch, R., Predicting the Reflectance of Paper Dyed with Ink Mixtures by Describing Light Scattering as a Function of Ink Absorbance, Journal of Imaging Science and Technology, 2010, Vol. 54, No. 5.
Seo, J. and Cho, Y., Comparison of Deep Learning Loss Function Performance for Medical Video Biomarker Extraction, Korean Institute of Information and Communication Sciences Conference, 2021, Vol. 25, No. 1, pp. 72-74.