CN107103181A - 一种基于最小二乘支持向量机的色纺纱配色方法 - Google Patents

Abstract

本发明涉及一种基于最小二乘支持向量机的色纺纱配色方法，其特征在于，包括选定基准色纤维，采集相应颜色数据值；选取部分或全部基准色纤维，以不同组合方式和不同的混合比例进行纺纱制样，测量所有试样的反射率值；将标准样的反射率值及对应比例关系作为训练样本，对LS‑SVM函数模型进行训练；计算得到相应的试样配方C；根据预测配方C进行打样，获得仿样并测量其反射率；比较目标样与仿样的色差，若色差满足预设值，则确定该比例为最佳配方，否则进行配方修正；将最佳配方输入LS‑SVM的训练集，进行训练。该方法采用的基础色纤维种类少，计算得到的配方经过验证与修正后，最佳配方的准确率高，配色简便可靠，效率高，实用性强。

Description

一种基于最小二乘支持向量机的色纺纱配色方法

技术领域

本发明涉及一种基于最小二乘支持向量机的色纺纱配色方法，属于色纺纱计算机配色的技术领域。

背景技术

色纺纱是先将纤维染色，选择两种或两种以上不同颜色的纤维，经过特定纺纱工序混和加工纺制而成，具有朦胧立体的混色效果，特殊的外观风格，高附加值。色纺纱无需进行染整工序，在节省能源、保护环境等方面有明显的优势。

色纺纱的颜色主要取决于所选色纤维的种类、颜色和比例，用色纺纱制成的针织物在纺织服装市场上颇受青睐。国内外色纺市场逐步扩大，色纺纱在纺织面料中的比重越来越大，需求量呈现逐年上升趋势。

色纺市场有“批量小、品种繁多、变化大、周期短、交货快”的要求，色纺纱的工艺较复杂，对色纺企业的生产监控管理、技术手段、设计水平、自主创新开发等方面的要求都较高。

目前大多数色纺企业仍然采用人工配色方法，传统的人工配色工作量大、耗时、成本较高，而且主观性强，人工配色完全依靠人眼观察，容易受配色人员的心理状态、外界环境、个人经验及对颜色的敏感度等因素影响，配色效果缺乏统一的衡量标准，配色的准确度不高，再现性差。色纺行业紧跟市场流行趋势，纤维原料的变化、流行色周期的缩短、产品的低价竞争，以及计算机和电子信息的智能化发展方向，都在一定程度上冲击着传统的人工配色。在这种环境下，计算机测配色成为纺织行业中色纺纱配色的一个发展趋势。然而目前世界上最先进的配色软件Datacolor-Match在染料配色方面的运用已经很成功，但是它并不适用于色纺纱及色纺织物的配色。已有的色纺纱计算机配色理论的研究，包括Stearns-Noechel模型、Friele模型和Kubelka-Munk理论等，这些传统理论模型在推导过程中受假设条件的限制，在实际生产应用中适用性较差。另外，BP神经网络法需要提供大量样本进行学习，否则样本量小，获得的模型精度比较低，同时BP神经网络在训练中对所学习的样本十分敏感，易导致模型变得不精确。

计算机配色相关行业人员已进行一些研究和专利发明，例如，中国发明专利公开了一种皮革染色的计算机配色方法，申请号：201610110717.0，其特征在于，包括测量待配色样品的反射率R_t(λ)，经SKM模型公式转化为K/S_t(λ)，并作为输入项，由训练好的BP神经网络进行重均K/S值的预测，利用光谱拟合算法，通过最小二乘法计算获得染色配方。该专利针对皮革染色的特点，提高配色的一次准确率，但是这个技术方案中选用的神经网络法学习所需样本容量大，否则模型精度低，同时泛化性能差，对样本十分敏感，易导致模型不精确。

另一发明专利涉及印刷技术领域，是一种基于最小二乘支持向量机的胶印油墨配色方法，申请号：201210212306.4，该专利对每一种基础油墨分别以不同的浓度梯度进行打样，各选取m个浓度比例，测量打样得到的各标准色样相应的XYZ值；获取待测目标样品的XYZ值，并选取N个参与配色的油墨，得到m*N个XYZ值与对应的浓度比例训练样本数据；对LS-SVM函数进行训练，建立XYZ值与油墨配方的关系，实现XYZ值到油墨浓度比例的转换；将待测目标样品的XYZ值输入到训练好的LS-SVM函数模型，计算得到相应的油墨配方。该发明专利对基础油墨数据库的精度要求小，配色简便，效率高。但是该方案中对获得的配方没有进行验证及修正，配方数据的精确度有待提高。另一方面，油墨配色与色纺纱配色的特点不同，油墨之间的混合属于化学方法，而色纺纱的混合属于物理过程，是纤维之间的混合。

上述专利各有优点与缺点，同时并没有涉及针对色纺纱的计算机精细配色方法。

发明内容

本发明的目的是在快速准确获得配方的同时避免目标样与配方样的反射光谱一致而颜色效果差别很大。

为了达到上述目的，本发明的技术方案是提供一种基于最小二乘支持向量机的色纺纱配色方法，其特征在于，包括以下步骤：

步骤1、选定不同颜色的基准色纤维，各基准色纤维的颜色具有相对独立的特点，采集各基准色纤维对应的颜色数据值；

步骤2、选取部分或全部基准色纤维，以不同组合方式和不同的混合比例进行纺纱制样，获得不同的试样，将不同组合方式和不同的混合比例定义为不同的配方比例，并将获得的试样定义为标准样，测量所有标准样的颜色数据值；

步骤3、将各标准样的颜色数据值及对应的配方比例作为训练集，对最小二乘支持向量机函数模型进行训练，并建立颜色数据值与比例关系之间的关系；

步骤4、测量目标试样的颜色数据值，输入训练好的最小二乘支持向量机函数模型中，计算得到相应的预测配方比例C；

步骤5、根据预测配方比例C进行打样，获得仿样，测量仿样的颜色数据值，比较目标试样与仿样的色差，若色差满足预设值，则确定预测配方比例C及对应的颜色数据值为最佳配方，否则对颜色数据值进行配方修正，将修正后的颜色数据值及对应的预测配方比例C作为最佳配方；

步骤6、将步骤5得到的最佳配方输入最小二乘支持向量机函数模型的训练集，重新对最小二乘支持向量机函数模型进行训练，若需要测量下一个目标试样，则返回步骤4。

优选地，步骤1中：所述基准色纤维采用青、品红、黄以及黑、白五种颜色；所述的颜色数据为光谱反射率、XYZ值、Lab值或RGB值。

优选地，在步骤3中，所述最小二乘支持向量机函数模型y(x)如下：

式中，N为组成当前标准样的各基准色纤维的颜色总数，α_i为拉格朗日乘子，K为核函数，x为待测目标样的反射率值向量，x_i为第i个支持向量，b为偏置量，其中：

α_i和b由下列矩阵方程求得：

式中，W为权重系数向量，φ()为引入的非线性映射函数，e_i为误差向量；I为单位矩阵；Ω为核矩阵，Ω_ij＝K(x_i，x_j)，i，j＝1，...，N；γ为惩罚系数；

核函数K选用高斯径向基函数，定义如下：

式中，δ为高斯径向基函数中的核半径。

优选地，在步骤5中，采用CMC(2:1)色差公式或CIE DE2000色差公式比较目标试样与仿样的色差。

优选地，所述CMC(2:1)色差公式为：

式中，ΔL^*，ΔC^*，ΔH^*分别是由CIELAB公式计算得到的亮度差、饱和度差、色相差；

S_L、S_c、S_H分别为修正系数：

当时，S_L＝0.511，为标准样的明度；

为标准样的彩度；

S_H＝S_c(tf+1-f)，式中：

当时， 为标准样的色相角；

当时，

l和c分别是调节明度和饱和度的相对宽容度系数，取l＝2，c＝1

优选地，CIE DE2000色差公式如下：

式中，K_L、K_C和K_H分别是明度、饱和度和色调的权重参数，取K_L＝2，K_C＝K_H＝1；ΔL′、ΔC′和ΔH′分别表示明度差、彩度差和色调差；S_L、S_C和S_H分别是明度权重函数、饱和度权重函数和色调权重函数；R_T为交互项。

优选地，所述颜色数据采用光谱反射率，则在步骤4中，测量目标试样的反射率值R_S；在步骤5中，测量仿样的反射率值R_P；

在步骤5中，对颜色数据值进行配方修正包括如下步骤：

根据预测配方比例C，并结合色纺纱配色模型，得到理论上的预测样的反射率R_t，计算差值ΔR＝R_P-R_t，将修正后的目标样反射率R_Su＝R_S-ΔR及对应的预测配方比例C作为最佳配方。

优选地，所述色纺纱配色模型采用Kubelka-Munk理论，满足以下关系式：

式中，R(λ)为样品在波长λ处的反射率值；K为吸收系数，S为散射系数；

f[R_blend(λ)]＝∑_iX_if[R_i(λ)]

式中，X_i为组成样品的各基准色纤维所占比例，f[R_i(λ)]为基于各基准色纤维反射率的中间函数，f[R_blend(λ)]为基于色纺纱样品的反射率的中间函数。

与现有技术相比，本发明的有益之处在于：

传统配色理论在推导过程中受假设条件的限制，在实际生产应用中适用性较差。BP神经网络法需要提供大量样本进行学习，否则样本量小，获得的模型精度比较低，同时BP神经网络在训练中对所学习的样本十分敏感，易导致模型变得不精确。最小二乘支持向量机基于统计学习理论，具有模型泛化性能好、小样本学习能力强、可以处理高维数据的特点，能够在快速准确获得配方的同时避免“同谱异色”现象。

本发明利用LS-SVM与传统配色理论相结合的方法，利用学习机制，经过样品训练与模型分析验证，与单独使用传统配色理论相比，配色准确度高，实用性强，处理速度快。并且本发明利用较少种类的基础色纤维，呈现尽可能广的色域，实现了原料颜色种类的简化，减少了企业库存量。上述发明内容也可以推广到染料、涂料、油漆等其他颜色领域。

附图说明

图1是本发明的配色流程示意图

具体实施方式

为使本发明更明显易懂，下面结合具体实施例，并附图作详细说明如下。应理解，这些实施例仅用于说明本发明。

本发明提供的一种基于最小二乘支持向量机的色纺纱配色方法，采用基于最小二乘支持向量机(Least Squares Support Vector Machine，以下简称为LS-SVM)的分析手段与色纺纱颜色匹配模型相结合的方法，能够充分利用学习机制，经过样品训练与模型分析验证，可以在短时间内找到最准确的配方，减少对色和打样的次数，节省时间、人力，缩短生产周期，在一定程度上降低生产成本，提高企业的生产效率，使企业的经济利益最大化。

本发明具体包括如下步骤：

步骤1、选定不同颜色的基准色纤维，各基准色纤维的颜色具有相对独立的特点，采集各基准色纤维对应的颜色数据值。基准色纤维采用色料青、品红、黄以及黑、白五种色纤维。本发明所提五种颜色配色方法并不限定于所述的这五种颜色，可适合任意五种颜色，但是为了获得更多的颜色配方，五种颜色要有相对独立的特点。颜色数据值的采集利用分光光度仪或其他测色设备，颜色数据值为光谱反射率、XYZ值、Lab值或RGB值，本实施例仅取反射率值进行说明。

步骤2、选取部分或全部基准色纤维，以不同组合方式和不同的混合比例进行纺纱制样，获得不同的试样，将不同组合方式和不同的混合比例定义为不同的配方比例，并将获得的试样定义为标准样，测量所有标准样的反射率值R_S。

步骤3、将各标准样的颜色数据值及对应的配方比例作为训练集，对LS-SVM函数模型进行训练，并建立反射率值与比例关系之间的关系。

LS-SVM函数模型y(x)如下：

式中，N为组成当前标准样的各基准色纤维的颜色总数，α_i为拉格朗日乘子，K为核函数，x为待测目标样的反射率值向量，x_i为第i个支持向量，b为偏置量，其中：

α_i和b由下列矩阵方程求得：

式中，y_i＝w^Tφ(x_i)+b+e_i，w为权重系数向量，φ()为引入的非线性映射函数，e_i为误差向量；I为单位矩阵；Ω为核矩阵，Ω_ij＝K(x_i，x_j)，i，j＝1，...，N；γ为惩罚系数；

核函数K选用高斯径向基函数，定义如下：

式中，δ为高斯径向基函数中的核半径。

步骤4、测量目标试样的颜色数据值，输入训练好的最小二乘支持向量机函数模型中，计算得到相应的预测配方比例C。

步骤5、根据预测配方比例C进行打样，获得仿样，测量仿样的反射率值R_P，比较目标试样与仿样的色差，若色差满足预设值，则确定预测配方比例C及对应的颜色数据值为最佳配方，否则对颜色数据值进行配方修正，将修正后的颜色数据值及对应的预测配方比例C作为最佳配方。

采用CMC(2:1)色差公式或CIE DE2000色差公式比较目标试样与仿样的色差。

CMC(2:1)色差公式为：

式中，ΔL^*，ΔC^*，ΔH^*分别是由CIELAB公式计算得到的亮度差、饱和度差、色相差；

S_L、S_c、S_H分别为修正系数：

当时，S_L＝0.511，为标准样的明度；

为标准样的彩度；

S_H＝S_c(tf+1-f)，式中：

当时， 为标准样的色相角；

当时，

l和c分别是调节明度和饱和度的相对宽容度系数，取l＝2，c＝1

CIE DE2000色差公式如下：

式中，K_L、K_C和K_H分别是明度、饱和度和色调的权重参数，取K_L＝2，K_C＝K_H＝1；ΔL′、ΔC′和ΔH′分别表示明度差、彩度差和色调差；S_L、S_C和S_H分别是明度权重函数、饱和度权重函数和色调权重函数；R_T为交互项。

对颜色数据值进行配方修正包括如下步骤：

根据预测配方比例C，并结合色纺纱配色模型，得到理论上的预测样的反射率R_t，计算差值ΔR＝R_P-R_t，将修正后的目标样反射率R_Su＝R_S-ΔR及对应的预测配方比例C作为最佳配方。

色纺纱配色模型采用Kubelka-Munk理论，满足以下关系式：

式中，R(λ)为样品在波长λ处的反射率值；K为吸收系数，S为散射系数；

f[R_blend(λ)]＝∑_iX_if[R_i(λ)]

式中，X_i为组成样品的各基准色纤维所占比例，f[R_i(λ)]为基于各基准色纤维反射率的中间函数，f[R_blend(λ)]为基于色纺纱样品的反射率的中间函数。

步骤6、将步骤5得到的最佳配方输入最小二乘支持向量机函数模型的训练集，重新对LS-SVM函数模型进行训练，若需要测量下一个目标试样，则返回步骤4。

以下结合具体实例来进一步说明本发明提供的一种基于最小二乘支持向量机的色纺纱配色方法：

(1)选定基准色纤维，采集相应颜色数据值：这里基准色纤维采用青、品红、黄、黑、白五种色纤维，将五种色纤维分别按照相同的工艺流程纺纱，得到相同规格的单纱，利用纱线色卡机将纱线制成色卡，色卡的卷绕密度为30根/cm，卷绕宽度为40mm，卷绕层数为4层，以保证不透光。利用分光光度仪获得各色卡上纱线的反射率等数据，波长范围为380-700nm，间隔10nm。

(2)选取部分或全部基准色纤维，以不同组合方式和不同的混合比例进行纺纱制样，测量所有试样的反射率值：确定不同比例的各色纤维混纺，作为标准样，同步骤(1)，利用分光光度仪测量不同颜色比例的纱线色卡，获得对应的反射率值。

(3)将标准样的反射率值及对应比例关系作为训练样本，对LS-SVM函数模型进行训练并建立相关数据间的关系：将各标准样反射率值、标准样中采用的色纤维所对应的纱线反射率值及其对应比例，作为训练样本的输入端和输出端，对样本反射率值到色纺纱配方非线性转换的LS-SVM函数模型进行训练，建立样本反射率与配方之间的关系，LS-SVM函数模型的训练以MATLAB为软件支撑。

(4)测量目标试样反射率R_S，输入LS-SVM函数模型中，计算得到相应试样配方C：目标样为给定的色纺纱或者客户来样，利用分光光度仪测量目标样的反射率R_S，将其输入训练好的LS-SVM函数模型中，通过模型进行计算，获得相应的色纺纱配方结果。

(5)根据预测配方C进行打样，获得仿样，利用分光光度仪测量仿样的反射率值R_P；

(6)比较目标样与仿样的色差，若色差满足预设值，则确定该比例为最佳配方，否则进行配方修正：利用色差公式来比较目标样与打样色的色差，色差公式采用CMC(2:1)或CIE DE2000。色差的预设值由行业实际需要或者客户要求而定，如果客户觉得仿样满足要求，则输出配方，进入大样生产。否则，进入下一步修正。修正配方，首先根据步骤(4)得到的配方，并结合色纺纱配色模型，得到理论上的预测样的反射率R_t，计算差值ΔR＝R_p-R_t，将修正后的目标样反射率R_Su＝R_S-ΔR作为输入值，输入到训练好的LS-SVM模型中，得到相应配方，重复步骤(5)、(6)。色纺纱配色模型采用Kubelka-Munk理论，满足以下关系式：

式中：R(λ)表示样品在波长λ处的反射率值；K为吸收系数，S为散射系数。

f[R_blend(λ)]＝∑_iX_if[R_i(λ)]

式中：X_i为各组分所占比例，f[R_i(λ)]为基于各组分反射率的中间函数，f[R_blend(λ)]为基于色纺纱样品的反射率的中间函数。

(7)将最佳配方输入LS-SVM的训练集，进行训练：由步骤(6)得到最佳配方，将其输入训练集，以提高LS-SVM函数模型的准确率，为今后的配色配方提供便利。

Claims (8)

1.一种基于最小二乘支持向量机的色纺纱配色方法，其特征在于，包括以下步骤：

步骤1、选定不同颜色的基准色纤维，各基准色纤维的颜色具有相对独立的特点，采集各基准色纤维对应的颜色数据值；

步骤2、选取部分或全部基准色纤维，以不同组合方式和不同的混合比例进行纺纱制样，获得不同的试样，将不同组合方式和不同的混合比例定义为不同的配方比例，并将获得的试样定义为标准样，测量所有标准样的颜色数据值；

步骤3、将各标准样的颜色数据值及对应的配方比例作为训练集，对最小二乘支持向量机函数模型进行训练，并建立颜色数据值与比例关系之间的关系；

步骤4、测量目标试样的颜色数据值，输入训练好的最小二乘支持向量机函数模型中，计算得到相应的预测配方比例C；

步骤5、根据预测配方比例C进行打样，获得仿样，测量仿样的颜色数据值，比较目标试样与仿样的色差，若色差满足预设值，则确定预测配方比例C及对应的颜色数据值为最佳配方，否则对颜色数据值进行配方修正，将修正后的颜色数据值及对应的预测配方比例C作为最佳配方；

步骤6、将步骤5得到的最佳配方输入最小二乘支持向量机函数模型的训练集，重新对最小二乘支持向量机函数模型进行训练，若需要测量下一个目标试样，则返回步骤4。

2.如权利要求1所述的一种基于最小二乘支持向量机的色纺纱配色方法，其特征在于，步骤1中：所述基准色纤维采用青、品红、黄以及黑、白五种颜色；所述的颜色数据为光谱反射率、XYZ值、Lab值或RGB值。

3.如权利要求1所述的一种基于最小二乘支持向量机的色纺纱配色方法，其特征在于，在步骤3中，所述最小二乘支持向量机函数模型y(x)如下：

式中，N为组成当前标准样的各基准色纤维的颜色总数，α_i为拉格朗日乘子，K为核函数，x为待测目标样的反射率值向量，x_i为第i个支持向量，b为偏置量，其中：

α_i和b由下列矩阵方程求得：

式中，y_i＝w^Tφ(x_i)+b+e_i，w为权重系数向量，φ()为引入的非线性映射函数，e_i为误差向量；I为单位矩阵；Ω为核矩阵，Ω_ij＝K(x_i，x_j)，i，j＝1，...，N；γ为惩罚系数；

核函数K选用高斯径向基函数，定义如下：

式中，δ为高斯径向基函数中的核半径。

4.如权利要求1所述的一种基于最小二乘支持向量机的色纺纱配色方法，其特征在于，在步骤5中，采用CMC(2∶1)色差公式或CIE DE2000色差公式比较目标试样与仿样的色差。

5.如权利要求4所述的一种基于最小二乘支持向量机的色纺纱配色方法，其特征在于，所述CMC(2∶1)色差公式为：

式中，ΔL^*，ΔC^*，ΔH^*分别是由CIELAB公式计算得到的亮度差、饱和度差、色相差；

S_L、S_c、S_H分别为修正系数：

当时，S_L＝0.511，为标准样的明度；

为标准样的彩度；

S_H＝S_c(tf+1-f)，式中：

当时， 为标准样的色相角

当时，

l和c分别是调节明度和饱和度的相对宽容度系数，取l＝2，c＝1 。

6.如权利要求4所述的一种基于最小二乘支持向量机的色纺纱配色方法，其特征在于，CIE DE2000色差公式如下：

式中，K_L、K_C和K_H分别是明度、饱和度和色调的权重参数，取K_L＝2，K_C＝K_H＝1；ΔL′、ΔC′和ΔH′分别表示明度差、彩度差和色调差；S_L、S_C和S_H分别是明度权重函数、饱和度权重函数和色调权重函数；R_T为交互项。

7.如权利要求1所述的一种基于最小二乘支持向量机的色纺纱配色方法，其特征在于，所述颜色数据采用光谱反射率，则在步骤4中，测量目标试样的反射率值R_S；在步骤5中，测量仿样的反射率值R_P；

在步骤5中，对颜色数据值进行配方修正包括如下步骤：

根据预测配方比例C，并结合色纺纱配色模型，得到理论上的预测样的反射率R_t，计算差值ΔR＝R_P-R_t，将修正后的目标样反射率R_Su＝R_S-ΔR及对应的预测配方比例C作为最佳配方。

8.如权利要求7所述的一种基于最小二乘支持向量机的色纺纱配色方法，其特征在于，所述色纺纱配色模型采用Kubelka-Munk理论，满足以下关系式：

式中，R(λ)为样品在波长λ处的反射率值；K为吸收系数，S为散射系数；

f[R_blend(λ)]＝∑_iX_if[R_i(λ)]

式中，X_i为组成样品的各基准色纤维所占比例，f[R_i(λ)]为基于各基准色纤维反射率的中间函数，f[R_blend(λ)]为基于色纺纱样品的反射率的中间函数。