CN101408538A - 基于神经网络的皮革手感品质的评价方法 - Google Patents

Abstract

本发明涉及一种基于神经网络的皮革手感品质的评价方法，包括如下四个步骤：1)皮革手感品质指标的确定；2)评价指标与主观评价等级的样本数据提取；3)神经网络训练；4)建立皮革手感品质的评价模型并实现客观评价。这种客观评价方法采用神经网络的模式识别与预测能力来完成，并与主观评价结果具有很好的一致性。本发明可为制革行业提供皮革手感品质的参数化和客观化评价方法，使皮革工业向现代化、科学化及参数控制化方向发展。

Description

基于神经网络的皮革手感品质的评价方法

技术领域

本发明属于皮革行业中皮革品质参数化控制，具体涉及一种基于神经网络的皮革手感品质的评价方法。

背景技术

皮革工业是一个传统工业，其生产过程中的产品质量控制一直沿袭经验控制的模式，对于成品皮革的重要品质性能，即手感品质的评价一直沿袭观感评价的方法，即手检方法(HEM-Hand Evaluation Method)。这种方法较为直观，但在一定程度上掺杂了检验员的主观感觉成分，比如个人情绪、环境、时间等因素都会影响到检验的结果。这种传统的经验检验制约了皮革工业向现代化、科学化及参数控制化方向发展。对皮革成品的手感品质的评价，需要一种更为科学的、客观的参数化表征及评价方法。

随着计算机技术和人工智能技术的发展，新技术为皮革手感品质的评价提供了新的技术和方法。为建立一套完整的手感品质客观评价体系提供了技术上的支持。

皮革手感品质指标的相关因素很多，其复杂性和非线性是的人们难以建立客观的数学模型，而神经网络在皮革手感品质评价方法研究方面有着独特的优势，主要体现在：

①神经网络具有传统建模方法不具有的很多优点，一般不需要事先知道有关建模对象的结构和动态性能方面的知识，只需要给出对象的输入输出数据，通过网络本身的学习功能就可以达到对象的输入输出映射关系。

②神经网络的学习功能解决了评价指标多而复杂的这一问题。它可以将各类复杂的信息通过自学习而容于网络的权值之中，并通过不断的训练来建立客观之间的关系，避开特征因素与判别目标的复杂关系的表述。网络可以自学习和记忆各输入量和输出量之间的关系。

③预测和识别速度快，训练好的网络对未知样本进行预测和识别时只需少量的加法和乘法，运算速度明显高于其它算法。

因此神经网络模型的特点正好适合于皮革手感品质评价方法的研究。

发明内容

本发明的目的是为了克服皮革手感主观评价的不足，提供了一种基于神经网络的皮革手感品质评价方法。该方法不仅具有很好的数值逼近性和稳定性，而且能科学有效地给出皮革手感品质的评价等级，与目前一直沿用的主观评价方法的评价结果具有很好的一致性。

为达到上述目的，本发明采用的技术方案是：

1)首先，通过压缩性能测定仪和顶伸性能测定仪采集待测皮革的样本数据即：皮革的弯曲常数(K_b)、皮革的压缩指数(K_c)、皮革的顶伸系数(K₁)、皮革的弯曲应力衰减常数(α_b)和衰减速率常数(K′)；

2)其次，将采集到的样本数据作为输入向量，并对输入向量进行归一化处理，即对输入向量的每一维按照所有样本数据中这一维的最小值和最大值线性转换为0～1之间的数据；

3)预测模型的建立，按照HEM检测法检测的结果将皮革分为5类即5个表征参数：优、良、中、差和劣，根据皮革手感品质分类的5个表征参数确定BP神经网络输入层节点数也为5个，其中隐层节点数的选择根据以下公式：

n＝(ni+no)1/2+a

其中n为隐节点数，ni为输入节点数，no为输出节点数，a是0～10之间的常数；隐层的神经元节点数按照上述公式取10个，网络的期望输出表示为：

Y1＝[1 0 0 0 0]

Y2＝[0 1 0 0 0]

Y3＝[0 0 1 0 0]

Y4＝[0 0 1 0 0]

Y5＝[0 0 1 0 0]

其中Y1、Y2、Y3、Y4和Y5分别代表皮革手感品质综合评价结果等级优、良、中、差和劣，用归一化处理后的样本数据训练神经网络，在网络训练过程中，根据训练进程显示网络的训练状态和训练误差值，达到指定的误差精度后即10^-4时停止训练，表示评价的预测模型已经建好；

4)神经网络训练完成后，把训练好的神经网络存入系统的神经网络库中，即得到了皮革手感品质客观评价模型，由采集到的待测皮革的五项力学参数作为输入最终得到评价等级结果。

本发明利用神经网络训练获得的样本数据，从而建立主观、客观评价标准之间的联系，最后以训练好的神经网络模型为内核，建立皮革手感品质的评价，不仅具有很好的数值逼近性和稳定性，而且能科学有效地给出皮革手感品质的评价等级，与目前一直沿用的主观评价方法的评价结果具有很好的一致性。

具体实施方式

本实例是以绵羊皮服装革作为皮革手感品质评价对象。确定的评价指标包括皮革的弯曲常数(K_b)、皮革的压缩指数(K_c)、皮革的顶伸系数(K₁)、皮革的弯曲应力衰减常数(α_b)和衰减速率常数(K′)。

将采集到的样本数据作为输入向量，并对输入向量进行归一化处理，即对输入向量的每一维按照所有样本数据中这一维的最小值和最大值线性转换为0～1之间的数据；

3)预测模型的建立，按照HEM检测法检测的结果将皮革分为5类即5个表征参数：优、良、中、差和劣，根据皮革手感品质分类的5个表征参数确定BP神经网络输入层节点数也为5个，其中隐层节点数的选择根据以下公式：

n＝(ni+no)1/2+a

其中n为隐节点数，ni为输入节点数，no为输出节点数，a是0～10之间的常数；隐层的神经元节点数按照上述公式取10个，网络的期望输出表示为：

Y1＝[1 0 0 0 0]

Y2＝[0 1 0 0 0]

Y3＝[0 0 1 0 0]

Y4＝[0 0 1 0 0]

Y5＝[0 0 1 0 0]

其中Y1、Y2、Y3、Y4和Y5分别代表皮革手感品质综合评价结果等级优、良、中、差和劣，用归一化处理后的样本数据训练神经网络(见表一)，在网络训练过程中，根据训练进程显示网络的训练状态和训练误差值，达到指定的误差精度后即10^-4时停止训练，表示评价的预测模型已经建好；

表1是皮革手感品质神经网络分类器训练样本。利用这些样本对神经网络模型进行训练。

表1皮革手感品质神经网络分类器训练样本

4)神经网络训练完成后，把训练好的神经网络存入系统的神经网络库中，即得到了皮革手感品质客观评价模型，由采集到的待测皮革的五项力学参数作为输入最终得到评价等级结果。

表2是该实施例的客观评价结果。其中ANN输出与ANN评价结果即分别是神经网络模型的输出及该模型的评价结果。客观评价等级结果与主观评级等级结果一致性好，证明了该方法的先进性和稳定性。

表2 皮革手感品质神经网络评价模型评价结果及测试结果

Claims (1)

1、一种基于神经网络的皮革手感品质的评价方法，其特征在于：

1)首先，通过压缩性能测定仪和顶伸性能测定仪采集待测皮革的样本数据即：皮革的弯曲常数(K_b)、皮革的压缩指数(K_c)、皮革的顶伸系数(K₁)、皮革的弯曲应力衰减常数(α_b)和衰减速率常数(K′)；

2)其次，将采集到的样本数据作为输入向量，并对输入向量进行归一化处理，即对输入向量的每一维按照所有样本数据中这一维的最小值和最大值线性转换为0～1之间的数据；

3)预测模型的建立，按照HEM检测法检测的结果将皮革分为5类即5个表征参数：优、良、中、差和劣，根据皮革手感品质分类的5个表征参数确定BP神经网络输入层节点数也为5个，其中隐层节点数的选择根据以下公式：

n＝(ni+no)1/2+a

其中n为隐节点数，ni为输入节点数，no为输出节点数，a是0～10之间的常数；隐层的神经元节点数按照上述公式取10个，网络的期望输出表示为：

Y1＝[1 0 0 0 0]

Y2＝[0 1 0 0 0]

Y3＝[0 0 1 0 0]

Y4＝[0 0 1 0 0]

Y5＝[0 0 1 0 0]

其中Y1、Y2、Y3、Y4和Y5分别代表皮革手感品质综合评价结果等级优、良、中、差和劣，用归一化处理后的样本数据训练神经网络，在网络训练过程中，根据训练进程显示网络的训练状态和训练误差值，达到指定的误差精度后即10^-4时停止训练，表示评价的预测模型已经建好；

4)神经网络训练完成后，把训练好的神经网络存入系统的神经网络库中，即得到了皮革手感品质客观评价模型，由采集到的待测皮革的五项力学参数作为输入最终得到评价等级结果。