CN105740951A - 一种皮革涂饰计算机配色方法 - Google Patents

Abstract

本发明涉及一种皮革涂饰计算机配色方法，具体来说是一种可用于皮革涂饰的配方预报方法。本发明包括(1)混合配色模型的构建；(2)模型的训练；(3)配方的预报算法。由于采用组合神经网络解决了Kubelka?Munk双常数模型与实际生产之间的偏差和工艺因素的影响，配色一次准确性高，适用性强。

Description

一种皮革涂饰计算机配色方法

技术领域

本发明涉及一种皮革涂饰计算机配色方法，具体来说是一种可用于皮革涂饰的配方预报方法。

【背景技术】

制革行业是一个古老、落后但出口创汇能力又较强的行业,虽然经过了几千年的发展,却始终摆脱不了以手工制造、经验控制为主的局面。企业的自动化程度非常低，目前，国内皮革加工厂无一例外都采用人工配色，即当染厂接到客户来样后，由染色师傅根据经验给出标准色样的大致配方，然后试样，再进行调色，最后确定涂饰配方。显然人工配色对染色师傅的经验要求很高，而且费时费力,极大地限制了皮革加工厂生产效率的提高。而应用计算机代替人工进行配色,则可极大地提高工厂的生产效率。因此,在皮革加工企业中应用计算机配色技术将是一种新的趋势。

计算机配色技术在纺织印染行业已经广泛应用，但在皮革涂饰配色中基本没有应用。为此必须建立适合皮革涂饰的计算机配色方法。

本发明通过历史样本库，用生产实际样本通过神经网络算法解决传统模型无法应对生产工艺的影响，提高配色的一次准确率，推动皮革行业的自动化水平的提升，产生巨大的经济效益。

发明内容

本发明根据以上现状，根据皮革染色的特点，提供一种一次配色准确率高的皮革涂饰计算机配色方法。

本发明解决其技术问题所采取的技术方案是：一种皮革涂饰计算机配色方法，其特征在于：包括以下步骤：

1)计算常用涂料的特征值K_i(λ)，S_i(λ)；按常用工艺涂饰制备4个不同比例混合的特征样，然后分别测量特征样的K/S(λ)光谱，运用最小二乘法计算获得特征值K_i(λ)，S_i(λ)值；

2)模型的构建与训练，将常用配方库中储存的样本进行测量获得K/S_s(λ),由K/S_s(λ)为输入项和重均K/S_w(λ)为输出项构建BP神经网络配色模型，并进行训练。

3)测量待配色样品的光谱为K/S_t(λ)，以K/S_t(λ)为输入项，由BP神经网络配色模型进行预测，预测得到重均光谱K/S_w(λ)。

4)利用光谱配色算法，用K_i(λ)，S_i(λ)拟合K/S_w(λ)，通过约束最小二乘法计算获得配方C。

所述的一种涂饰配色方法，其特征在于，所述步骤1)中反射率的测试采用积分球型双光束分光测色仪，λ波长范围为可见光400-700nm，波长间隔10nm；

所述的一种计算机配色方法，其特征在于，所述步骤1)中制备不少于4个浓度比例的涂料两两混合的特征样。

所述的一种计算机配色方法，其特征在于，所述步骤1)中代表涂料特征的K_i(λ),S_i(λ)计算方法如下：

x₁K_1,λ-x₁(K/S)_s,λS_1,λ+x₂K_2,λ-x₂(K/S)_s,λS_2,λ＝0 (公式1)

设：A_1,λ＝x₁ A_3,λ＝x₁*(K/S)_s,λ

A_2,λ＝x₂ A_4,λ＝x₂*(K/S)_s,λ

因此，对于n个不同比例两两的样本，可得到方程组的系数矩阵，如公式2，

$A=\left[\begin{array}{cccc}{A}_{1,\mathrm{\λ}}^1& A_{2,\mathrm{\λ}}^1& A_{3,\mathrm{\λ}}^1& A_{4,\mathrm{\λ}}^1\\ A_{1,\mathrm{\λ}}^2& A_{2,\mathrm{\λ}}^2& A_{3,\mathrm{\λ}}^2& A_{4,\mathrm{\λ}}^2\\ ...& ...& ...& ...\\ A_{1,\mathrm{\λ}}^n& A_{2,\mathrm{\λ}}^n& A_{3,\mathrm{\λ}}^n& A_{4,\mathrm{\λ}}^n\end{array}\right]$ (公式2)

n为参与计算的已知不同比例的样品个数,n个方程组的右边向量和未知向量如下式：

$\begin{array}{cc}Y=\left[\begin{array}{c}{0}_1\\ 0_2\\ .\\ .\\ .\\ 0_n\end{array}\right]& X=\left[\begin{array}{c}{K}_{1,\mathrm{\λ}}\\ K_{2,\mathrm{\λ}}\\ S_{1,\mathrm{\λ}}\\ S_{2,\mathrm{\λ}}\end{array}\right]\end{array}$ (公式3)

对应的矩阵方程可写为：

A*X＝Y (公式4)

用最小二乘法求出矩阵方程未知向量逼近解：

X＝(A^T*A)^-1*A^-1*Y (公式5)

式中，X向量是矩阵方程的最小二乘逼近解；A^T是方程组的系数矩阵A的转置矩阵

A^-1是方程组的系数矩阵A的逆矩阵。

所述的一种计算机配色方法，其特征在于，所述步骤2)重均重均光谱K/S_w(λ)由表达是公式(6)计算，x₁,x₂...x_n为配方百分比。

$K/S_w\left(\mathrm{\λ}\right)=\frac{x_1{K}_{1\mathrm{\λ}}+x_2{K}_{2,\mathrm{\λ}}+...+x_n{K}_{n,\mathrm{\λ}}}{x_1{S}_{1,\mathrm{\λ}}+x_2{S}_{2,\mathrm{\λ}}+...+x_n{S}_{n,\mathrm{\λ}}}$ (公式6)

所述的一种计算机配色方法，其特征在于，所述步骤2)BP神经网络的训练，中间隐含层采用logsig函数，输出层采用purelin函数,采用“Levenberg-Marquardt”算法。

所述的一种计算机配色方法，其特征在于，所述步骤4)计算对象为K/S_w(λ)，而非K/S_t(λ)。

所述的一种计算机配色方法，其特征在于，所述步骤4)通过最小二乘法的光谱配色算法计算获得配方C。约束条件为x₁,x₂，...，x_n>0,且x₁+x₂+...+x_n＝100％。

附图说明

图1是本发明实施例配色流程示意图。

图2是本发明实施例的训练结果示意图。

图3是本发明实施例1所述K/S_t1(λ),K/S_wt1(λ),K/S_c1(λ)的波形图。

图4是本发明实施例2所述K/S_t2(λ),K/S_wt2(λ),K/S_c2(λ)的波形图。

图5是本发明实施例3所述K/S_t3(λ),K/S_wt3(λ),K/S_c3(λ)的波形图。

具体实施方式：

下面结合具体实施例，对本发明进一步阐述。

实施例1

以一个5色的数据库为例，该数据库共有5只颜料膏，分别为红咖啡(以下简称为咖)，粉红(以下简称为红)，天蓝(以下简称为蓝)，柠檬黄(以下简称为黄)和基本白(以下简称为白)。

1)计算常用染料的特征值K_i(λ),S_i(λ)；按常用工艺涂饰制备多个浓度的特征样，然后分别测量特征样的K/S(λ)光谱见表1，取4个比例用最小二乘法计算获得K_i(λ),S_i(λ)值；这里都选用与白色混合，选用的比例为2：8，4:6，6：4，8：2.

x₁K_1,λ-x₁(K/S)_s,λS_1,λ+x₂K_2,λ-x₂(K/S)_s,λS_2,λ＝0 (公式1)

设：A_1,λ＝x₁ A_3,λ＝x₁*(K/S)_s,λ

A_2,λ＝x₂ A_4,λ＝x₂*(K/S)_s,λ

因此，对于n个不同比例两两的样本，可得到方程组的系数矩阵，如公式2，

$A=\left[\begin{array}{cccc}{A}_{1,\mathrm{\λ}}^1& A_{2,\mathrm{\λ}}^1& A_{3,\mathrm{\λ}}^1& A_{4,\mathrm{\λ}}^1\\ A_{1,\mathrm{\λ}}^2& A_{2,\mathrm{\λ}}^2& A_{3,\mathrm{\λ}}^2& A_{4,\mathrm{\λ}}^2\\ ...& ...& ...& ...\\ A_{1,\mathrm{\λ}}^n& A_{2,\mathrm{\λ}}^n& A_{3,\mathrm{\λ}}^n& A_{4,\mathrm{\λ}}^n\end{array}\right]$ 公式2

n为参与计算的已知不同比例的样品个数,n个方程组的右边向量和未知向量如下式：

$\begin{array}{cc}Y=\left[\begin{array}{c}{0}_1\\ 0_2\\ .\\ .\\ .\\ 0_n\end{array}\right]& X=\left[\begin{array}{c}{K}_{1,\mathrm{\λ}}\\ K_{2,\mathrm{\λ}}\\ S_{1,\mathrm{\λ}}\\ S_{2,\mathrm{\λ}}\end{array}\right]\end{array}$ 公式3

对应的矩阵方程可写为：

A*X＝Y 公式4

用最小二乘法求出矩阵方程未知向量逼近解：

X＝(A^T*A)^-1*A^-1*Y 公式5

为了简化计算，采用相对值法，设白色的S_2，λ为1，则白色的K_2，λ＝K/S_2，λ。

则公式(1)转化为

x₁K_1,λ-x₁(K/S)_s,λS_1,λ＝x₂(K/S)_s,λ-x₂(K/S)_2,λ (公式6)

设：A_1,λ＝x₁ A_2,λ＝x₁*(K/S)_s,λ

A_3,λ＝x₂*(K/S)_s,λ A_4,λ＝x₂*(K/S)_2,λ

因此，对于n个不同比例两两的样本，可得到方程组的系数矩阵，

如公式7，

$A=\left[\begin{array}{cc}{A}_{1,\mathrm{\λ}}^1& A_{2,\mathrm{\λ}}^1\\ A_{1,\mathrm{\λ}}^2& A_{2,\mathrm{\λ}}^2\\ ...& ...\\ A_{1,\mathrm{\λ}}^n& A_{2,\mathrm{\λ}}^n\end{array}\right]$ 公式7

n为参与计算的已知不同比例的样品个数,n个方程组的右边向量和未知向量如下式：

$\begin{array}{cc}Y=\left[\begin{array}{c}{A}_{3,\mathrm{\λ}}^1-A_{4,\mathrm{\λ}}^1\\ A_{3,\mathrm{\λ}}^2-A_{4,\mathrm{\λ}}^2\\ ...\\ A_{3,\mathrm{\λ}}^n-A_{4,\mathrm{\λ}}^n\end{array}\right]& X=\left[\begin{array}{c}{K}_{1,\mathrm{\λ}}\\ S_{1,\mathrm{\λ}}\end{array}\right]\end{array}$ 公式8

对应的矩阵方程可写为：

A*X＝Y 公式9

用最小二乘法求出矩阵方程未知向量逼近解：

X＝(A^T*A)^-1*A^-1*Y公式10

表1 特征样的K/S值

运算时还需满足约束条件K_1,λ>0,S_1,λ>0,K_λ，2>0,S_2，λ>0,本试验中由

Matlab程序实现,算法采用matlab中用laqlin函数，主要代码如下：

[X,resnorm,residual,exitflag,output,lambda]＝lsqlin(A,Y,[],[],[],[],lb,ub)；％X求解方程，其中，lb＝0.00001*ones(n,1)；％X的取值范围>0.00001。

解得：

表2 特征样各自的K_i和S_i值

2)模型的构建与训练，将常用配方库中储存的样本进行测量获得K/S_s(λ),由K/S_s(λ)为输入项和重均K/S_w(λ)为输出项构建BP神经网络配色模型，并进行训练。

该算法在带有神经网络工具箱的Matlab 2011b版本中运行，中间隐含层采用logsig函数，输出层采用purelin函数,本例子中采用“trainlm(Levenberg-Marquardt)”算法，主要代码如下：

net＝newff(K/S_s(λ),K/S_w(λ),N,{'logsig','purelin'},'trainlm')；％模型构建

[net,tr]＝train(net,K/S_s(λ),K/S_w(λ),[],[],val,test)；％训练，val,test分别为制定的验证和训练集

训练结果见图2。

3)以K/S_t1(λ)为输入层，应用训练好的BP神经网络进行计算，获得K/S_wt1(λ)；预测方法为：K/S_wt(λ)＝sim(net,K/S_t(λ))。

4)利用光谱配色算法，用Ki(λ),Si(λ)拟合K/S_wt(λ)，通过约束最小二乘法计算获得配方C。

具体计算过程如下：

$\left\{\begin{array}{c}K/S_{wt}\left(400\right)=\frac{x_1{K}_1\left(400\right)+x_2{K}_2\left(400\right)+\mathrm{...}+x_n{K}_n\left(400\right)}{x_1{S}_1\left(400\right)+x_2{S}_2\left(400\right)+\mathrm{...}+x_n{S}_n\left(400\right)}\\ K/S_{wt}\left(410\right)=\frac{x_1{K}_1\left(410\right)+x_2{K}_2\left(410\right)+\mathrm{...}+x_n{K}_n\left(410\right)}{x_1{S}_1\left(410\right)+x_2{S}_2\left(410\right)+\mathrm{...}+x_n{S}_n\left(410\right)}\\ .\\ .\\ .\\ K/S_{wt}\left(700\right)=\frac{x_1{K}_1\left(700\right)+x_2{K}_2\left(700\right)+\mathrm{...}+x_n{K}_n\left(700\right)}{x_1{S}_1\left(700\right)+x_2{S}_2\left(700\right)+\mathrm{...}+x_n{S}_n\left(700\right)}\end{array}\right.$

设：

$,X=\left[\begin{array}{c}{x}_1\\ x_2\\ .\\ .\\ .\\ x_n\end{array}\right]$

则：P×X＝0且约束于得到解为

约束最小二乘法也可以在matlab中用laqlin函数实现，主要代码如下：

[X,resnorm,residual,exitflag,output,lambda]＝sqlin(lb,P,[],[],Aeq,beq,lb,ub)；％X求解方程，其中，Aeq＝ones(1,n)，beq＝1；％约束条件

lb＝zeros(n,1)，ub＝ones(n,1)；％X的取值范围[0,1]。

本实施例涉及一种皮革涂饰的计算机配色方法，主要步骤包括：

(1)测量标样(咖：红1：9)的反射率，并转化为模型反射率；测量采用Datacolor600光谱光度仪，波长范围400～700nm，波长间隔10nm。用R_t1(λ)表示，将R_t1(λ)代入DKM模型公式(1)，转化为模型反射率K/S_t1(λ)；(2)以K/S_t1(λ)为输入层，应用训练好的BP神经网络进行计算，获得K/S_wt1(λ)；预测方法为：K/S_wt(λ)＝sim(net,K/S_t(λ))；(3)用单色模型反射率K_i，S_i(λ)拟合重均模型反射率K/S_wt1(λ)，运用最小二乘法，获得配方C₁(咖：红：蓝10.09：89.90：0.01)；(4)根据预报的配方C₁进行打样，并测得打样色的反射率K/S_c1(λ)；计算标样K/S_t1(λ)与打样色K/S_c1(λ)之间的色差，得到CMC色差为0.25。配色完成。K/S_t1(λ),K/S_wt1(λ),K/S_c1(λ)见图3。

实施例2：

前述方案按照实施例1运行，然后再按下述方案进行如下步骤进行：(1)测量标样(红：蓝7：3)的反射率，并转化为模型反射率；测量采用Datacolor600光谱光度仪，波长范围400～700nm，波长间隔10nm。用R_t1(λ)表示，将R_t2(λ)代入DKM模型公式(1)，转化为模型反射率K/S_t2(λ)；(2)以K/S_t1(λ)为输入层，应用训练好的BP神经网络进行计算，获得K/S_wt2(λ)；预测方法为：K/S_wt(λ)＝sim(net,K/S_t(λ))；(3)用单色模型反射率K_i，S_i(λ)拟合重均模型反射率K/S_wt2(λ)，运用最小二乘法，获得配方C1(红：蓝69.99：30.01)；(4)根据预报的配方C₁进行打样，并测得打样色的反射率R_c2(λ)；计算标样R_t2(λ)与打样色R_c2(λ)之间的色差，得到CMC色差为0.10。配色完成。K/S_t2(λ),K/S_wt2(λ),K/S_c2(λ)见图4。

实施例3：

前述方案按照实施例1运行，然后再按下述方案进行如下步骤进行：(1)测量标样(蓝:黄:白20:5:75)的反射率，并转化为模型反射率；测量采用Datacolor600光谱光度仪，波长范围400～700nm，波长间隔10nm。用R_t3(λ)表示，将R_t3(λ)代入DKM模型公式(1)，转化为模型反射率K/S_t3(λ)；(2)以K/S_t3(λ)为输入层，应用训练好的BP神经网络进行计算，获得K/S_wt3(λ)；预测方法为：K/S_wt(λ)＝sim(net,K/S_t(λ))；(3)用单色模型反射率K_i，S_i(λ)拟合重均模型反射率K/S_wt3(λ)，运用最小二乘法，获得配方C₁(蓝:黄:白19.67:3.16:77.17)；(4)根据预报的配方C₁进行打样，并测得打样色的反射率R_c3(λ)；计算标样R_t3(λ)与打样色R_c3(λ)之间的色差，得到CMC色差为0.72。配色完成。K/S_t3(λ),K/S_wt3(λ),K/S_c3(λ)见图5。

以上对本发明所提供的涂饰的计算机配色方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容部应理解为对本发明的限制。

Claims (8)

1.一种皮革涂饰的计算机配色方法，其特征在于：包括以下步骤：

1)计算常用涂料的特征值K_i(λ)，S_i(λ)；按常用工艺涂饰制备4个不同比例混合的特征样，然后分别测量特征样的K/S(λ)光谱，运用最小二乘法计算获得特征值K_i(λ)，S_i(λ)值；

2)模型的构建与训练，将常用配方库中储存的样本进行测量获得K/S_s(λ),由K/S_s(λ)为输入项和重均K/S_w(λ)为输出项构建BP神经网络配色模型，并进行训练；

3)测量待配色样品的K/S_t(λ)光谱，以K/S_t(λ)为输入项，由BP神经网络配色模型进行预测，预测得到重均光谱K/S_w(λ)；

4)利用光谱配色算法，用K_i(λ)，S_i(λ)拟合K/S_w(λ)，通过约束最小二乘法计算获得配方C。

2.根据权利要求1所述的一种皮革涂饰的计算机配色方法，其特征在于，所述步骤1)中反射率的测试采用积分球型双光束分光测色仪，λ波长范围为可见光400-700nm，波长间隔10nm。

3.根据权利要求1所述的一种皮革涂饰的计算机配色方法，其特征在于，所述步骤1)中制备不少于4个浓度比例的颜料膏两两混合的特征样。

4.根据权利要求1所述的一种皮革涂饰的计算机配色方法，其特征在于：所述步骤1)中代表涂料特征的K_i(λ),S_i(λ)计算方法如下：

x₁K_1,λ-x₁(K/S)_s,λS_1,λ+x₂K_2,λ-x₂(K/S)_s,λS_2,λ＝0 (公式1)

设：A_1,λ＝x₁ A_3,λ＝x₁*(K/S)_s,λ

A_2,λ＝x₂ A_4,λ＝x₂*(K/S)_s,λ

因此，对于n个不同比例两两的样本，可得到方程组的系数矩阵，如公式2，

n为参与计算的已知不同比例的样品个数,n个方程组的右边向量和未知向量如下式：

对应的矩阵方程可写为：

A*X＝Y (公式4)

用最小二乘法求出矩阵方程未知向量逼近解：

X＝(A^T*A)^-1*A^-1*Y (公式5)

式中，X向量是矩阵方程的最小二乘逼近解；A^T是方程组的系数矩阵A的转置矩阵

A^-1是方程组的系数矩阵A的逆矩阵。

5.根据权利要求1所述的一种皮革涂饰的计算机配色方法，其特征在于，所述步骤2)重均光谱K/S_w(λ)由表达是公式(6)计算，x₁,x₂...x_n为配方百分比。

6.根据权利要求1所述的一种皮革涂饰的计算机配色方法，其特征在于，所述步骤2)BP神经网络的训练，中间隐含层采用logsig函数，输出层采用purelin函数,采用“Levenberg-Marquardt”算法。

7.根据权利要求1所述的一种皮革涂饰的计算机配色方法，其特征在于，所述步骤4)计算对象为由神经网络预测得到的重均光谱K/S_w(λ)值，而非目标色的K/S_t(λ)值。

8.根据权利要求1所述的一种计算机配色方法，其特征在于，所述步骤4)通过最小二乘法的光谱配色算法计算获得配方C，约束条件为x₁,x₂，...，x_n>0,且x₁+x₂+...+x_n＝100％。