01 /Color
색상 오차 예측
Color
Prediction
색상 오차 예측만들기 전에, 차이를 읽습니다.
수지·안료·배합 정보와 과거 측색 데이터를 바탕으로 목표 색상과의 차이를 예측합니다.
- 소재와 배합 데이터 분석
- 목표 색상 대비 색차(ΔE) 예측
- 기업·라인별 조건 반영
Who we are
같은 색을 만드는 일에는
눈에 보이지 않는 차이가 있습니다.
수지의 종류, 안료의 비율, 생산 라인의 조건.
인투와이는 색을 바꾸는 수많은 변수를 데이터로 읽습니다.
숙련자의 경험에 AI의 예측을 더해, 조색의 다음 기준을 만듭니다.
Every color.
Every possibility.
더 적은 시행착오로,
원하는 색에 가까워지도록.
조색의 판단을 데이터로 연결합니다.
Our technology
02 /Recipe
배합 보정 제안
Recipe
Correction
배합 보정 제안무엇을, 얼마나 바꿀 것인지.
밝기와 색감의 차이를 분석해 목표 색상에 가까워지기 위한 배합 조정 방향을 제시합니다.
- 색의 밝기·색감 차이 분석
- 안료 배합 보정안 제시
- 작업 결과와 보정 이력 연결
03 /Continuous
조색 데이터 학습
Continuous
Learning
조색 데이터 학습오늘의 작업이, 다음의 기준으로.
축적된 레시피와 측색 결과를 학습에 활용합니다. 현장의 노하우를 다시 꺼내 쓸 수 있는 기업의 자산으로 만듭니다.
- 조색·보정 데이터 관리
- AI 모델 학습 상태 확인
- 작업 이력의 축적과 활용
Our platform
AI Color.
목표 색상과 배합 정보를 입력하고, 조색 작업을 시작합니다.AI COLOR — COLOR MATCHING
최근 작업, 주요 지표와 AI 학습 현황을 한눈에 확인합니다.AI COLOR — DASHBOARD
축적된 조색 데이터를 활용하고, 모델의 학습 이력을 살펴봅니다.AI COLOR — LEARNING
Measured,
not just imagined.
실제 조색 데이터로 확인하며
예측과 보정 기술을 고도화합니다.
평균 색상 차이0.881ΔE
성능 확인에 사용된 데이터3,206건
인투와이 2차 중간평가 자료 기준 · 목표 기준 ΔE 1.7 이하. 해당 데이터에서 확인한 결과이며 소재·배합·공정 조건에 따라 실제 결과는 달라질 수 있습니다.
How we work
우리 공정에 맞는 AI.
현장의 데이터에서 시작합니다.
- 01 — DATA
Connect the data
수지·안료·배합비와 과거 측색 이력을 정리하고,
학습에 활용할 데이터를 연결합니다. - 02 — MODEL
Train for your line
기업과 생산 라인의 특성을 반영해
현장에 맞는 예측 모델을 구축합니다. - 03 — TARGET
Set the color
구현하려는 목표 색상과 소재,
작업 조건을 웹 플랫폼에 입력합니다. - 04 — REFINE
Make it closer
예상 색상 차이와 배합 보정안을 확인하고,
다음 조색 작업에 활용합니다.
Latest news
전체 소식인투와이의 새로운 소식.
NOTICE
등록된 공지사항이 없습니다.
인투와이의 새로운 소식이 등록되면 이곳에 표시됩니다.