CN105787559B - 基于神经网络的色纺纱配色方法 - Google Patents

基于神经网络的色纺纱配色方法 Download PDF

Info

Publication number
CN105787559B
CN105787559B CN201610113381.3A CN201610113381A CN105787559B CN 105787559 B CN105787559 B CN 105787559B CN 201610113381 A CN201610113381 A CN 201610113381A CN 105787559 B CN105787559 B CN 105787559B
Authority
CN
China
Prior art keywords
reflectivity
model
color matching
colour
spun yarns
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610113381.3A
Other languages
English (en)
Other versions
CN105787559A (zh
Inventor
沈加加
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiaxing University
Original Assignee
Jiaxing University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiaxing University filed Critical Jiaxing University
Priority to CN201610113381.3A priority Critical patent/CN105787559B/zh
Publication of CN105787559A publication Critical patent/CN105787559A/zh
Application granted granted Critical
Publication of CN105787559B publication Critical patent/CN105787559B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Spectrometry And Color Measurement (AREA)
  • Treatment Of Fiber Materials (AREA)
  • Coloring (AREA)

Abstract

本发明涉及一种基于神经网络的色纺纱配色方法，包括以下步骤：(1)测量标样反射率，并转化为模型反射率；(2)采用BP神经网络计算重均模型反射率F(Rw)；(3)利用约束最小二乘法算法，获得配方C预报方案；(4)根据预报的配方进行打样，并测得打样色的反射率Rp；(5)计算标样反射率Rs与打样色Rp之间的色差，如果色差满足设定要求，就完成配色，否则，进入配方修正程序。

Description

基于神经网络的色纺纱配色方法
技术领域
本发明设计一种基于神经网络的色纺纱配色方法，属于纺织配色技术领域。
背景技术
色纺是将两种或两种以上不同颜色的染色纤维经过充分混合，经纺纱形成具有独特颜色效果纱线的过程，这种生产方式在纺织工业中越来越备受青睐，其优点主要表现在以下几个方面，1)优先使用原棉(未染色棉)作为一种基本颜色进行拼色，大大减少了需要染色的纤维量；2)对于染厂来说，常年染特定的颜色，有利于颜色质量的控制和稳定；3)对于仅有几十种颜色的原液着色纤维来说，这种生产方式可以大大丰富其色彩；3)对于混纺产品，采用这种生产方式，不同种类纤维分别染色，可以有效避免染色过程中染料间竞染、沾色以及对纤维损伤等一系列问题。因此，近年来，色纺纱在棉纺行业所占的比例正在逐年升高。2014年全国色纺纱线已发展出超过600万锭的生产能力,仅江浙地区就有60多家棉纺企业生产色纺纱线,生产规模与生产能力逐年上升,其中浙江省色纺纱的能力已占棉纺能力的1/3以上。
但配色是色纺纱生产的主要难题，由于其配色是有色纤维的混合，不同常规染料着色配色，因此，目前色纺纱测配色都是依靠人工目测和拿经验配色来完成，缺少必要的配色辅助软件。
目前冠以色纺纱配色的理论主要有传统模型(Stearns–Noechel模型，Friele模型和Kubelka-Munk理论)和人工神经网络(ANN)两大类。传统模型受推导过程中的假设条件限制，应用于不同与推导时采用的纤维或工艺时，适用性较差，人工神经网络具备优异的非线性映射能力，但完全依赖神经网络自由拟合时，往往泛化能力不佳。
发明内容
本发明利用两类模型的优点进行互补，利用传统模型建立的配方与颜色间的约束关系提高神经网络的泛化能力，利用神经网络拟合纤维种类、工艺对传统模型的影响，发明了基于神经网络的色纺纱配色方法。
本发明提出了的一种基于神经网络的色纺纱配色方法，包括以下步骤：
(1)测量标样反射率，并转化为模型反射率；
采用光谱光度仪测试获得标样的反射率Rs，代入经验配色模型公式，转化为标样模型反射率F(Rs)；光谱光度仪测量波长范围400～700nm，间隔10nm；
(2)采用BP神经网络计算重均模型反射率F(Rw)；
以标样模型反射率F(Rs)为输入层，应用BP神经网络进行计算，输出重均模型反射率F(Rw)。
(3)利用约束最小二乘法算法，获得配方C预报方案；
用单色模型反射率F(Ri)拟合步骤(2)获得的重均模型反射率F(Rw)，在约束条件下运算，获得配方C(最佳单色组成和相应比例)；
(4)根据预报的配方进行打样，并测得打样色的反射率Rp；
根据配方C进行生产打样，将打样色经光谱光度仪测试后获得反射率Rp；
(5)计算标样反射率Rs与打样色Rp之间的色差，如果色差满足设定要求，就完成配色，否则，进入配方修正程序。
上述配色方法，其中，所述步骤(2)中的BP神经网络的输入和输出项均为模型反射率。
上述配色方法，其中，所述步骤(2)中的模型反射率，使用的公式为色纺纱Stearns-Noechel配色模型，将反射率代入配色模型，转化为模型反射率。
其中:f[R(λ)]为模型反射率表达式；M为参数，其值与纤维种类与纺纱工艺有关，大小由试验来确定；R(λ)表示波长为λ时的反射率；
上述配色方法，其中，所述步骤(2)中的BP神经网络的必须事先经过训练。
上述配色方法，其中，所述步骤(2)中的BP神经网络的训练是以存储的色纺纱样本和对应配方(单色纤维组成与比例)为训练库，采用光谱光度仪测得的储存的色纺纱样本的反射率Rc以及单色的反射率Ri,并分别经经验配色模型转化为F(Rc)和F(Ri)，以31维的样本模型反射率数据F(Rc)为输入层，以31维重均模型反射率数据F(Rw)为输出层，训练时隐含层设为设置范围为“5-50”，训练目标为10-5～10-7。
上述配色方法，其中，所述步骤(3)中采用约束最小二乘法，约束条件为配方中组成单色比例和为“1”，显然并且组成单色比例均为非负值。
上述配色方法，其中，所述步骤(1)、(2)、(3)中先将反射率转化为模型反射率，然后用神经网络优化输出重均模型反射率，最后由约束最小二乘法计算配方，因此充分利用了传统配色模型和神经网络的优点，又克服了各自的缺陷。
上述配色方法，其中，所述步骤(5)中采用非线性配方修正方法，可以作为一次配色的有力补充，主要利用模型光谱差来实现。
上述配色方法，其中，所述步骤(5)中采用非线性配方修正方法，首先计算实际打样光谱值与理论计算光谱值间的差值△F(R)＝F(Rp)-F(Rrp)，然后用该差值修正标样的模型光谱F(Rsm)＝F(Rs)-△F(R)，以F(Rsm)为新的模型反射率光谱输入。
上述打样方法，其中，所述步骤(7)中配色计算是以标准样和打样色的色差作为衡量标准，色差采用CIE1976L*a*b*或CMC 2:1色差公式，选择任意单色样的组合，根据其混和比例的不同得到不同的色差，输出色差最小的配方，即最佳的单色组成和相应比例。
与现有技术相比，本发明的积极效果是：
传统配色理论存在假设条件，因此在实际应用时必然存在一定的偏离问题，不同的工厂，不同的原料，不同生产工艺，这个偏离可能更大，适用性差，本发明利用神经网络解决传统配色模型与实际生产的偏离问题，与单独使用神经网络或传统模型方法相比，是一种更精准，实用的配色方法，并且这种思想同样可以应用于染料、涂料等其它颜色领域的精确配色。
附图说明
图1是本发明的流程示意图。
图2是采用本发明实施中神经网络的训练结果示意图。
图3实施例1中的Rs1,F(Rs1),Fw(Rs1),Rp1波形示意图。
图4实施例2中的Rs2,F(Rs2),Fw(Rs2),Rp2波形示意图。
图5实施例3中的Rs3,F(Rs3),Fw(Rs3),Rp3波形示意图。
图6实施例4中的Rs4,F(Rs4),Fw(Rs4),Rp4,F(Rsm),Rp4-1波形示意图。
具体实施方式
下面结合附图通过实施例对本发明进一步阐述。在本发明的实施例以及比较例中，作为示例性地并便于比较，采用了一个简单的样本库。共有27个样本。其样本组成见表1。
表1样本库
表1说明：R10B90代表红(red)10％蓝(blue)90％组成的样本，R代表红red，B代表蓝blue，W代表白white，Y代表黄yellow，G代表绿green，D代表黑Black。
从表1可以看到，训练样本共包括6个单色(R,B,W,Y,G,D)，将样本和单色纤维经织片后由光谱光谱仪测试获得反射率Rc和Ri,，光谱光度仪器测试波长为400～700nm，间隔10nm。
将Rc和Ri代入模型公式(1)，获得F(Rc)和F(Ri),以F(Rc)为输入层，F(Rw)为输出项进行训练。这里采用简单的3层网络，隐含层设为设置范围为“38”，训练达到目标偏差为10-7，表示训练完成，训练结果见图2.
其中模型公式为
其中M取：0.000137679*λ+0.08842，λ为波长。
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：
[C,resnorm,residual,exitflag,output,lambda]＝
lsqlin(Fw(R),P,[],[],Aeq,beq,lb,ub)；
其中，％C求解方程，P为F(Ri)组成的矩阵
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]。
实施例1：
本实施例涉及一种基于神经网络的色纺纱配色方法，主要步骤包括：(1)测量标样(R5B95)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Rs1表示，将Rs1代入配色模型公式(1)，转化为标样模型反射率F(Rs1)。(2)用BP神经网络计算重均模型反射率Fw(Rs1)；以F(Rs1)为输入层，应用训练好的BP神经网络进行计算，获得Fw(Rs1)，(3)利用约束最小二乘法算法，获得配方C预报方案；用单色模型反射率F(Ri)拟合重均模型反射率Fw(Rs1)，在符合约束条件下进行运算，获得配方C(R4.94％,B94.89％,w0.15％)；(4)根据预报的配方C(R4.94％,B94.89％,w0.15％)进行打样，并测得打样色Rp1的反射率；计算标样Rs1与打样色Rp1之间的色差，得到CMC色差为0.12。满足色差要求，配色完成。Rs1,F(Rs1),Fw(Rs1),Rp1见图3.
实施例2：
本实施例涉及一种基于神经网络的色纺纱配色方法，主要步骤包括：(1)测量标样(Y25G75)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Rs2表示，将Rs2代入配色模型公式(1)，转化为标样模型反射率F(Rs2)。(2)用BP神经网络计算重均模型反射率Fw(Rs2)；以F(Rs2)为输入层，应用训练好的BP神经网络进行计算，获得Fw(Rs2)，(3)利用约束最小二乘法算法，获得配方C预报方案；用单色模型反射率F(Ri)拟合重均模型反射率Fw(Rs2)，在符合约束条件下进行运算，获得配方C(B0.22％Y24.85％,G74.93％)；(4)根据预报的配方C(B0.22％Y24.85％,G74.93％)进行打样，并测得打样色Rp2的反射率；计算标样Rs2与打样色Rp2之间的色差，得到CMC色差为0.15。满足色差要求，配色完成。Rs2,F(Rs2),Fw(Rs2),Rp2见图4.
实施例3：
本实施例涉及一种基于神经网络的色纺纱配色方法，主要步骤包括：(1)测量标样(W45D55)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Rs3表示，将Rs3代入配色模型公式(1)，转化为标样模型反射率F(Rs3)。(2)用BP神经网络计算重均模型反射率Fw(Rs3)；以F(Rs3)为输入层，应用训练好的BP神经网络进行计算，获得Fw(Rs3)，(3)利用约束最小二乘法算法，获得配方C预报方案；用单色模型反射率F(Ri)拟合重均模型反射率Fw(R)，在符合约束条件下进行运算，获得配方C(R0.04％B0.04％W44.97％D54.95％)；(4)根据预报的配方C(R0.04％B0.04％W44.97％D54.95％)进行打样，并测得打样色Rp3的反射率；计算标样Rs3与打样色Rp3之间的色差，得到CMC色差为0.11。满足色差要求，配色完成。Rs3,F(Rs3),Fw(Rs3),Rp3见图5.
实施例4：
本实施例涉及一种基于神经网络的色纺纱配色方法，主要步骤包括：(1)测量标样(R1B3Y6)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Rs4表示，将Rs4代入配色模型公式(1)，转化为标样模型反射率F(R4)。(2)用BP神经网络计算重均模型反射率Fw(Rs4)；以F(Rs3)为输入层，应用训练好的BP神经网络进行计算，获得Fw(Rs4)，(3)利用约束最小二乘法算法，获得配方C预报方案；用单色模型反射率F(Ri)拟合重均模型反射率Fw(R)，在符合约束条件下进行运算，获得配方C(R9.75％B9.96％Y52.69％G12.79％W14.82％)；(4)根据预报的配方C(R9.75％B9.96％Y52.69％G12.79％W14.82％)进行打样，并测得打样色Rp3的反射率；(5)计算标样Rs3与打样色Rp3之间的色差，得到CMC色差为1.286。不符合CMC色差<1的要求，进入配方修正程序，首先计算实际打样光谱值与理论计算光谱值间的差值△F(R)＝F(Rp)-F(Rrp)，然后用该差值修正标样的模型光谱F(Rms)＝F(Rs)-△F(R)，以F(Rms)为新的模型反射率光谱输入，预测得到配方C1(R9.76％B29.44％Y59.86％W0.75％D0.20％),由配方C1打样得到样品，测色反射率为Rp4-1,见图。经一次修色得到CMC色差为0.08，达到配方要求。Rs4,F(Rs4),Fw(Rs4),Rp4，F(Rsm),Rp4-1见图6.
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员，在不脱离本发明构思的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围内。

Claims (8)

1.一种基于神经网络的色纺纱配色方法，其特征是：采用串联神经网络与Stearns-Noechel色纺纱配色模型，具体包括以下步骤：
(1)测量标样反射率，并转化为模型反射率；
采用光谱光度仪测试获得标样的反射率Rs，代入配色模型公式，转化为标样模型反射率F(Rs)；光谱光度仪测量条件是波长范围400～700nm，间隔10nm；
(2)采用BP神经网络计算重均模型反射率F(Rw)；
以标样模型反射率F(Rs)为输入，应用BP神经网络进行计算，输出重均模型反射率F(Rw)；
(3)利用约束最小二乘法算法，获得配方C预报方案；
用单色模型反射率F(Ri)拟合步骤(2)获得的重均模型反射率F(Rw)，在约束条件下运算，获得配方C,配方C包括各单色组份和相应比例；
(4)根据预报的配方进行打样，并测得打样色Rp的反射率；
根据配方C进行生产打样，将打样色经光谱光度仪测试后获得反射率Rp；
(5)计算标样反射率Rs与打样色Rp之间的色差，如果色差满足设定要求，就完成配色，否则，进入配方修正程序；
所述步骤(2)中的BP神经网络的输入和输出项均为模型反射率，即反射率都经Stearns-Noechel配色模型公式转化。
2.根据权利要求1所述的一种基于神经网络的色纺纱配色方法，其特征在于，所述的Stearns-Noechel配色模型公式为：
其中:f[R(()]为Stearns-Noechel模型反射率表达式；M为参数，其值与纤维种类与纺纱工艺有关，大小由试验来确定；R(()表示波长为(时的反射率。
3.根据权利要求1所述的一种基于神经网络的色纺纱配色方法，其特征在于：所述步骤(2)中的BP神经网络的必须事先经过训练。
4.根据权利要求3所述的一种基于神经网络的色纺纱配色方法，其特征在于：所述BP神经网络的训练是以数据库中存储的色纺纱样本和对应配方为训练库，采用光谱光度仪测试获得的储存的色纺纱样本的反射率Rc以及单色的反射率Ri,并分别经Stearns-Noechel配色模型转化为F(Rc)和单色模型反射率F(Ri)，以31维的样本模型反射率数据F(Rc)为输入层，以31维重均模型反射率数据F(Rw)为输出层，训练时隐含层设为设置范围为“5-50”，训练目标为10-5～10-7。
5.根据权利要求1所述的一种基于神经网络的色纺纱配色方法，其特征在于所述步骤(3)中采用约束最小二乘法，约束条件为配方中组成单色比例和为“1”，即：并且组成单色比例均为非负值。
6.根据权利要求1所述的一种基于神经网络的色纺纱配色方法，其特征在于所述步骤(1)、(2)、(3)中先测量标样反射率，并转化为模型反射率，然后采用BP神经网络计算重均模型反射率F(Rw)，最后利用约束最小二乘法算法，获得配方C预报方案。
7.根据权利要求1所述的一种基于神经网络的色纺纱配色方法，其特征在于所述步骤(5)中的配方修正程序是采用非线性配方修正方法。
8.根据权利要求7所述的一种基于神经网络的色纺纱配色方法，其特征在于所述非线性配方修正方法，包括如下步骤,首先计算实际打样光谱值与理论计算光谱值间的差值△F(R)＝F(Rp)-F(Rrp)，然后用该差值修正标样的模型光谱F(Rms)＝F(Rs)-△F(R)，以F(Rms)为新的模型反射率光谱输入。
CN201610113381.3A 2016-02-29 2016-02-29 基于神经网络的色纺纱配色方法 Active CN105787559B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610113381.3A CN105787559B (zh) 2016-02-29 2016-02-29 基于神经网络的色纺纱配色方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610113381.3A CN105787559B (zh) 2016-02-29 2016-02-29 基于神经网络的色纺纱配色方法

Publications (2)

Publication Number Publication Date
CN105787559A CN105787559A (zh) 2016-07-20
CN105787559B true CN105787559B (zh) 2017-12-26

Family

ID=56387685

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610113381.3A Active CN105787559B (zh) 2016-02-29 2016-02-29 基于神经网络的色纺纱配色方法

Country Status (1)

Country Link
CN (1) CN105787559B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106469258B (zh) * 2016-09-28 2019-03-19 武汉大学 一种基于双常数Kubelka-Munk理论的有色纤维混合配色方法
CN107103181A (zh) * 2017-03-27 2017-08-29 东华大学 一种基于最小二乘支持向量机的色纺纱配色方法
CN107766603B (zh) * 2017-04-24 2019-01-18 东华大学 一种色纺纱计算机测配色方法
CN109582994B (zh) * 2018-07-30 2023-05-12 浙江理工大学上虞工业技术研究院有限公司 一种色纺纱智能选色配色方法
CN109671113B (zh) * 2018-09-29 2022-12-20 浙江华孚色纺有限公司 一种基于图像技术的色纺面料的测配色方法
CN109813431A (zh) * 2018-09-29 2019-05-28 浙江华孚色纺有限公司 一种色纺面料的一步法配色方法
CN109447265B (zh) * 2018-10-12 2020-09-01 湘潭大学 一种基于偏好遗传算法的染色配比方法及系统
CN109946245B (zh) * 2019-02-01 2020-05-01 东华大学 一种染料的计算机配色方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07319844A (ja) * 1994-05-25 1995-12-08 Nippon Telegr & Teleph Corp <Ntt> ニューラルネットワークの学習装置及びニューラルネットワークの学習方法
FR2895823A1 (fr) * 2006-01-05 2007-07-06 France Telecom Correction d'image couleur et obtention d'au moins un invar iant couleur
CN104918030A (zh) * 2015-06-05 2015-09-16 河海大学 基于elm极限学习机的色彩空间转换方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07319844A (ja) * 1994-05-25 1995-12-08 Nippon Telegr & Teleph Corp <Ntt> ニューラルネットワークの学習装置及びニューラルネットワークの学習方法
FR2895823A1 (fr) * 2006-01-05 2007-07-06 France Telecom Correction d'image couleur et obtention d'au moins un invar iant couleur
CN104918030A (zh) * 2015-06-05 2015-09-16 河海大学 基于elm极限学习机的色彩空间转换方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"基于BP神经网络的色纺纱配色";沈加加等;《纺织学报》;20151130;第34-38页 *
"基于约束最小二乘法的色纺纱配色方法";沈加加等;《针织工业》;20151231;第31-33页 *

Also Published As

Publication number Publication date
CN105787559A (zh) 2016-07-20

Similar Documents

Publication Publication Date Title
CN105787559B (zh) 基于神经网络的色纺纱配色方法
CN107766603B (zh) 一种色纺纱计算机测配色方法
CN109582994A (zh) 一种色纺纱智能选色配色方法
CN107103181A (zh) 一种基于最小二乘支持向量机的色纺纱配色方法
CN102750403A (zh) 一种色纺纱配色的配方筛选与修正方法
CN101668109B (zh) 一种色纺毛纱三刺激值配色软打样方法
CN101833593A (zh) 一种基于全光谱配色的混色毛织物计算机拼色方法
CN102411667A (zh) 一种有色织物套色配方预测方法
CN106469258A (zh) 一种基于双常数Kubelka‑Munk理论的有色纤维混合配色方法
WO2023202109A1 (zh) 七基色纤维全色域混色模式及圆环状网格化配色模型构建及彩色纱纺制方法
CN105043979A (zh) 纺织品工业洗水色牢度测试方法
Araújo et al. Modelling and simulation of the mechanical behaviour of weft-knitted fabrics for technical applications: Part II: 3D model based on the elastica theory
CN109322174A (zh) 计算机调配色技术在印花中的应用
Zhang et al. Color prediction for pre-colored cotton fiber blends based on improved Kubelka-Munk double-constant theory
CN105787275B (zh) 一种皮革染色的计算机配色方法
KR100708000B1 (ko) 임의의 타깃 컬러를 생성하기 위한 염료 혼합물의 제조
CN109523600A (zh) 一种文物保护修复补配色方法
CN103451998A (zh) 一种彩色无尘纸表面施胶染色工艺
CN102819681B (zh) 一种采用电脑配色系统预测锦棉织物同色性配方的方法
CN109946245A (zh) 一种染料的计算机配色方法
CN115905647A (zh) 一种面料颜色的染料配方获取方法及系统
Convert et al. An expert system for the dyeing recipes determination
CN105806483A (zh) 一种用于皮革染色配色的非线性配方修正方法
CN104532606A (zh) 一种基于原色纤维配色制作均匀素色面料的方法
CN110530838B (zh) 一种多组分染料配伍性评价方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant