CN107766603A - 一种色纺纱计算机测配色方法 - Google Patents
一种色纺纱计算机测配色方法 Download PDFInfo
- Publication number
- CN107766603A CN107766603A CN201710653770.XA CN201710653770A CN107766603A CN 107766603 A CN107766603 A CN 107766603A CN 201710653770 A CN201710653770 A CN 201710653770A CN 107766603 A CN107766603 A CN 107766603A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- msup
- formula
- lambda
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/12—Cloth
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Spectrometry And Color Measurement (AREA)
- Treatment Of Fiber Materials (AREA)
Abstract
本发明涉及一种色纺纱计算机测配色方法，首先建立配色基础数据库并利用其改进Friele模型和训练三层BP神经网络，然后基于改进Friele模型和训练好的三层BP神经网络计算目标样的初始配方并修正，最后进行打样或进一步修正后打样。本发明的一种色纺纱计算机测配色方法，改进了光学配色Friele理论模型且综合考虑了纤维种类和纱线结构等对色纺纱整体颜色效果的影响，配色得到的配方更准确，配色过程更高效，提高了打样成功率。
Description
技术领域
本发明属于纺织品配色领域，涉及一种色纺纱计算机测配色方法。
背景技术
色纺纱是将两种或两种以上不同颜色的纤维经过充分混合后纺制成具有独特混色效果的混色纱线，色纺纱具有空间混合的效果，其色彩透明、丰富且富有层次感和立体感，从而能够呈现出人们希望的艺术效果。近年来，色纺纱在毛、棉和化纤等领域占有的比例正在逐年升高。
混色纺织品的传统配色方法是由配色人员根据经验先将预先染色的有色纤维按比例均匀混合后纺织成混色试样，再在特定光源下将混色试样与标准样进行对比，逐次逼近，达到要求才可以组织生产，否则就需要配色人员重新调整染色配方和混色比例直至满足要求为止。该传统配色方法不但工作量大、成本高、耗时长，而且还会受到配色人员的心理和外界环境等因素变化的影响，从而导致配色重现性差。随着纺织品纤维原料的不断变化、流行色周期的逐渐缩短以及人类光源的日益丰富，纤维的配色问题变得越来越复杂，继续依赖传统方法中的个人经验显然很难适应现今日益激烈的竞争。计算机测配色系统，可以在较短时间里找到最经济和最准确的混色配方，既减少了打样次数，节省了人力，又缩短了产品的生产周期，降低了成本。因此，将计算机测配色系统应用于纺织测配色领域已越来越受到人们的关注。
色纺纱的计算机配色方法主要有三刺激值配色和全光谱配色。三刺激值配色也称为条件等色，其原理是利用匹配色与标准色的三刺激值相等，然而目前对于三刺激值配色的研究仅限于预测三种及以下单色纤维混纺的色纺纱组分配方；全光谱配色也称为无条件等色，其原理是利用配色样与标准样的反射率完全相同，实现光谱匹配，目前，全光谱配色已逐渐成为研究人员的研究热点。
国内外对于色纺纱计算机配色理论的研究主要集中在对于Friele、Kubelka-Munk和Stearns-Noechel等光学模型理论研究上。Kubelka-Munk理论是实验理论，它取决于某些特定的测量，因此限制了其应用范围；Stearns-Noechel理论是基于实验数据的经验公式，申请号为201210173593.2的专利公开了一种色纺纱的配色的配方筛选与修正方法，其中说明了Stearns-Noechel理论的配色方法；而Friele模型是在光学理论和统计学理论的基础上推导出来的，是唯一直接针对着色纤维混色提出的理论模型，但目前研究应用的人较少，其预报配方的准确性也还有待提高。上述单一理论在实际应用时存在预报的配方太多和配方偏差大等缺点。
人工神经网络是利用计算机模拟人脑的结构和功能的一种网络模型，具有较强的非线性处理能力，目前已有研究者将其引入计算机配色领域。例如申请号为201410583072.3的专利公开了一种新型木材仿真染色的计算机配色方法，提出了神经网络用于木材染色的计算机配色方法；申请号为201210212306.4的专利公开了一种基于最小二乘支持向量机的胶印油墨配色方法，将最小二乘支持向量机引入油墨配色方法；论文《基于BP神经网络的色纺纱配色》中，建立了色纺纱整体反射率与配方的关系，但未涉及单色纤维的颜色信息，同时网络的泛化能力差，超出训练范围的样本的预测色差大。
由于其强大的非线性处理能力，神经网络越来越多的被应用于配色领域，例如申请号为201610110717.0的专利公开了一种皮革染色的计算机配色，申请号为201610110719.X的专利公开了一种皮革涂饰计算机配色方法；以及申请号为201410601191.7的专利公开了一种彩印油墨计算机配色方法，提出KM理论与神经网络结合的计算机配色方法，申请号为201610113381.3公开了一种基于神经网络色纺纱配色方法，提出SN与神经网络理论结合的计算机配色方法。但上述方法用于测配色时一般都只考虑了样品的最终反射率，而没有考虑到影响色纺纱呈色效果的其他因素，上述方法进行计算配色时的准确性较差。
因此，研究一种准确性好、精准度高的色纺纱计算机测配色方法具有十分重要的意义。
发明内容
本发明的目的是为了解决上述现有技术中存在的问题，通过对光学配色Friele模型进行改进并将改进后的Friele模型与训练好的非线性BP神经网络相结合的方式，从而提供了一种准确性好、精准度高的色纺纱计算机测配色方法。
为了达到上述目的，本发明采用的技术方案为：
一种色纺纱计算机测配色方法，首先建立配色基础数据库并利用其改进Friele模型和训练三层BP神经网络，然后基于改进Friele模型和训练好的三层BP神经网络计算目标样的初始配方并修正，最后进行打样或进一步修正后打样；具体步骤如下：
(1)建立配色基础数据库，选定多种单色纤维，通过不同的混合比例纺纱制样，测量单色纤维和纱线的颜色特征值和反射率；所述纺纱制样是指将混合后的纤维分别纺制成纱线，纺制成的纱线逐一编号，然后分别利用纱线色卡机制成色卡，色卡的卷绕密度为30根/cm，卷绕宽度为40mm，卷绕层数为4层，以保证测量时不透光；
(2)改进Friele模型并训练三层BP神经网络，所述改进Friele模型是指用纱线对应的常数σij替代Friele模型中的参数σ，σij根据式(Ⅰ)、式(II)、式(III)、式(IV)和式(V)(即式(Ⅰ)的反推式)通过编程确定，程序的终止条件为纱线的拟合反射率与实际反射率的色差评级大于等于设定值，式(Ⅰ)～(V)具体如下：
Rm(λ)＝Rs(λ) (II):
式中，i为纤维的类别代号(i＝1,2,3...，例如，1代表棉，2代表毛，3代表化纤....)，j为纱线中单色纤维的颜色种类(即纱线中共有j种颜色的单色纤维)，e为自然常数，R(λ)表示在波长λ下纱线的反射率，f[R(λ)]为自变量是R(λ)的函数，Rm(λ)表示在波长λ下纱线的拟合反射率，Rs(λ)表示在波长为λ下纱线的实际反射率，xd表示第d种颜色的单色纤维占纱线总质量的比例，d＝1,2,......j，Rd(λ)表示在波长λ下第d种颜色的单色纤维的实际反射率；
所述训练三层BP神经网络是指采用配色基础数据库中配方已知的纱线的纤维类别、纱线结构和纱线的颜色特征值训练三层BP神经网络，从而优化输入层与隐含层的权值wh和隐含层与输出层权值wg；
(3)基于改进Friele模型计算目标样的初始配方X，即通过编程求得使f[Rs(λ)]与相f[Rm(λ)]等的xd即为初始配方X，f[Rs(λ)]与f[Rm(λ)]的计算公式如下：
(4)基于训练好的三层BP神经网络修正目标样的初始配方X得到配方C，即将目标样的纤维类别、纱线结构(线密度、捻度等，线密度采用特克斯表示，捻度采用Y331A型捻度机测量)及纱线的颜色特征值输入到训练好的三层BP神经网络中得到配方Y，将配方Y与初始配方X加权平均得到配方C；
(5)按照配方C进行打样得到配方样，测量配方样的色度值L2、a2、b2和目标样的色度值L1、a1、b1，并计算色差，色差满足要求则进行大货生产，并将配方C录入智能数据库；反之，进入下一步；
(6)修正配方C，首先由改进Friele模型得到配方样的理论色度值为Lt、at、bt，然后计算Lsu、asu、bsu，Lsu＝L1-L2+Lt，asu＝a1-a2+at，bsu＝b1-b2+bt，最后将LSu、asu、bsu输入到训练好的三层BP神经网络中得到修正后的配方Cu，按配方Cu进行打样得到修正配方样，计算修正配方样与目标样的色差，色差满足要求则进行大货生产，并将配方Cu录入智能数据库，否则重复进行修正直到色差满足要求，最终得到的配方录入智能数据库可以扩充基础数据库，丰富色域空间，同时用于程序自学习，提高Friele模型预测配方的精度，增加神经网络的泛化能力。
作为优选的技术方案：
如上所述的一种色纺纱计算机测配色方法，步骤(1)中，所述多种单色纤维为红、黄、蓝、白和黑五种单色纤维；所述颜色特征值和反射率的测量采用分光光度计，λ波长范围为400～700nm，波长间隔为10mm。
如上所述的一种色纺纱计算机测配色方法，σij的取值范围为0～1。
如上所述的一种色纺纱计算机测配色方法，步骤(2)中，所述编程是指通过matlab进行编程，matlab编程时σij的初始值为0.001，进入下一次循环时σij的数值增加0.0001；
所述程序的终止条件为纱线的拟合反射率与实际反射率的色差评级大于等于4级，色差评级中的色差通过计算拟合反射率与实际反射率的颜色三刺激值X10、Y10、Z10，然后转换为色度值L*、a*、b*后代入色差公式ΔE* Lab求解得到；
反射率R(λ)与颜色三刺激值X10、Y10、Z10的转换公式如下：
式中，是CIE色度学标准色度10°观察者光谱三刺激值，S(λ)表示标准照明体的相对光谱能量分布，k10为常数，称作调整因素；
X0、Y0、Z0表示理想白色物体的三刺激值，当都大于0.008856时，颜色三刺激值与色度值的转换公式如下：
反之，则转换公式如下：
色差公式ΔE* Lab的表达式如下：
式中，ΔL*、Δa*、Δb*分别表示拟合反射率与实际反射率对应的L*的差值、a*的差值、b*的差值。
如上所述的一种色纺纱计算机测配色方法，步骤(2)中，BP神经网络具有良好的非线性映射能力，能够通过训练后映射出色纺纱的颜色信息与其配方之间的复杂非线性关系，三层BP神经网络的训练步骤如下：
1)初始化输入层与隐含层的权值wh、隐含层与输出层权值wg、隐含层阈值a、输出层阈值b、学习速度s和计算精度q，并以配方已知的纱线的纤维类别、纱线结构和纱线的颜色特征值为训练样本，输入量Ph＝[纤维类别，细度，捻度，三刺激值，色度值]，h＝1,2,3,……,H，g＝1,2,3,……,G，H和G分别代表输入层和隐含层的神经元数目；
2)根据Ph、wh和a计算隐含层神经元的输出yg，式中f1为隐含层神经元的激励函数；
3)根据yg、wg和b计算BP神经网络输出Ok，式中f2为输出层神经元的激励函数，k＝1,2,3,……,K，K代表输出层的神经元数目；
4)根据网络输出Ok和实际配方Dk计算全部训练样本的误差和ET，t＝1,2,3……T，T为训练样本个数，为第t个训练样本K个输出层神经元的误差和，单个训练样本的第k个输出层神经元的误差ek＝Dk-Ok；
5)判断ET是否小于等于预设的误差阈值，如果是则输出wh和wg，结束程序，否则进入下一步；
6)更新wh和wg后返回步骤2)，直到程序结束。
如上所述的一种色纺纱计算机测配色方法，所述预设的误差阈值取值是1，具体也可根据训练结果调整。
如上所述的一种色纺纱计算机测配色方法，步骤(3)中，所述编程是指通过matlab中的最小二乘法编程。
如上所述的一种色纺纱计算机测配色方法，步骤(5)中，计算色差时执行GB/T7921-2008标准，选用CIELAB色差公式；所述色差满足要求是指按色差级别的评定标准评判色差达到4级以上。
有益效果：
(1)本发明的一种色纺纱计算机测配色方法，改进了光学配色Friele理论模型，其参数σij由试验确定并经过分类取值得到，改进后的Friele模型配色的品种适应性更好，配色得到的配方更准确，配色过程更高效。
(2)本发明的一种色纺纱计算机测配色方法，光学配色得到的配方经训练好的BP网络进行打样前修正，训练好的BP网络综合考虑了纤维种类和纱线结构等对色纺纱整体颜色效果的影响，在首次打样前进行配方修正，使得配方样与目标样的色差小，提高了打样成功率。
附图说明
图1为本发明配色方法的流程示意图；
图2为训练本发明的三层BP神经网络的示意图。
具体实施方式
下面结合具体实施方式，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
实施例1
一种色纺纱计算机测配色方法，如图1所示，具体步骤如下：
(1)建立配色基础数据库，选定红、黄、蓝、白和黑五种单色纤维，通过按不同的比例混合，再将混合后的纤维分别纺制成纱线，纺制成的纱线逐一编号，然后分别利用纱线色卡机制成色卡，色卡的卷绕密度为30根/cm，卷绕宽度为40mm，卷绕层数为4层，最后利用分光光度计测量单色纤维和纱线的颜色特征值和反射率，分光光度计的光源为波长范围为400～700nm和波长间隔为10mm的可见光；
(2)改进Friele模型，即用纱线对应的常数σij替代Friele模型中的参数σ，σij根据式(Ⅰ)、式(II)、式(III)、式(IV)和式(V)(即式(Ⅰ)的反推式)通过matlab进行编程确定，matlab编程时σij的初始值为0.001，进入下一次循环时σij的数值增加0.0001，程序的终止条件为纱线的拟合反射率与实际反射率的色差评级大于等于4级，式(Ⅰ)～(V)具体如下：
Rm(λ)＝Rs(λ) (II):
式中，i为纤维的类别代号(i＝1,2,3...，例如，1代表棉，2代表毛，3代表化纤....)，j为纱线中单色纤维的颜色种类(j＝1,2,3,4,5)，e为自然常数，R(λ)表示在波长为400～700nm条件下纱线的反射率，f[R(λ)]为自变量是R(λ)的函数，Rm(λ)表示在波长为400～700nm条件下纱线的拟合反射率，Rs(λ)表示在波长为400～700nm条件下纱线的实际反射率，xd表示第d种颜色的单色纤维占纱线总质量的比例，d＝1,2,3,4,5，Rd(λ)表示在波长为400～700nm条件下第d种颜色的单色纤维的实际反射率；
其中，色差评级中的色差通过计算拟合反射率与实际反射率的颜色三刺激值X10、Y10、Z10，然后转换为色度值L*、a*、b*后代入色差公式ΔE* Lab求解得到；
反射率R(λ)与颜色三刺激值X10、Y10、Z10的转换公式如下：
式中，是CIE色度学标准色度10°观察者光谱三刺激值，S(λ)表示标准照明体的相对光谱能量分布，k10为常数，称作调整因素；
X0、Y0、Z0表示理想白色物体的三刺激值，当都大于0.008856时，颜色三刺激值与色度值的转换公式如下：
反之，则转换公式如下：
色差公式ΔE* Lab的表达式如下：
式中，ΔL*、Δa*、Δb*分别表示拟合反射率与实际反射率对应的L*的差值、a*的差值、b*的差值；
训练三层BP神经网络，如图2所示，步骤如下：
1)初始化输入层与隐含层的权值wh、隐含层与输出层权值wg、隐含层阈值a、输出层阈值b、学习速度s和计算精度q，并以基础数据库中配方已知的纱线的纤维类别、纱线结构和纱线的颜色特征值为训练样本，输入量Ph＝[纤维类别，细度，捻度，三刺激值，色度值]，h＝1,2,3,……,H，g＝1,2,3,……,G，H和G分别代表输入层和隐含层的神经元数目；
2)根据Ph、wh和a计算隐含层神经元的输出yg，式中f1为隐含层神经元的激励函数；
3)根据yg、wg和b计算BP神经网络输出Ok，式中f2为输出层神经元的激励函数，k＝1,2,3,……,K，K代表输出层的神经元数目；
4)根据网络输出Ok和实际配方Dk计算全部训练样本的误差和ET，t＝1,2,3……T，T为训练样本个数，为第t个训练样本K个输出层神经元的误差和，单个训练样本的第k个输出层神经元的误差ek＝Dk-Ok；
5)判断ET是否小于等于1，如果是则输出wh和wg，结束程序，否则进入下一步；
6)更新wh和wg后返回步骤2)，直到程序结束；
(3)选取纱线对应的σij根据然后通过matlab中的最小二乘法编程求得使目标样的f[Rs(λ)]与纱线的f[Rm(λ)]相等的xd即为初始配方X，f[Rs(λ)]与f[Rm(λ)]的计算公式如下：
(4)基于训练好的三层BP神经网络修正目标样的初始配方X得到配方C，即将目标样的纤维类别、纱线结构及纱线的颜色特征值输入到训练好的三层BP神经网络中得到配方Y，将配方Y与初始配方X加权平均得到配方C；
(5)按照配方C进行打样得到配方样，测量配方样的色度值L2、a2、b2和目标样的色度值L1、a1、b1，执行GB/T 7921-2008标准，选用CIELAB色差公式，计算得到色差，色差级别的评定标准评判色差达到4级以上则进行大货生产，并将配方C录入智能数据库；反之，进入下一步；
(6)修正配方C，首先由改进Friele模型得到配方样的理论色度值为Lt、at、bt，然后计算Lsu、asu、bsu，Lsu＝L1-L2+Lt，asu＝a1-a2+at，bsu＝b1-b2+bt，最后将LSu、asu、bsu输入到训练好的三层BP神经网络中得到修正后的配方Cu，按配方Cu进行打样得到修正配方样，计算修正配方样与目标样的色差，色差满足要求则进行大货生产，并将配方Cu录入智能数据库，否则重复进行修正直到色差满足要求，最终得到的配方录入智能数据库可以扩充基础数据库，丰富色域空间，同时用于程序自学习，提高Friele模型预测配方的精度，增加神经网络的泛化能力。
本发明的一种色纺纱计算机测配色方法，改进了光学配色Friele理论模型并将改进后的Friele模型与训练好的三层BP神经网络相结合，综合考虑了纤维种类和纱线结构等对色纺纱整体颜色效果的影响，使得配色得到的配方更准确，配色过程更高效，提高了打样成功率。
Claims (8)
1.一种色纺纱计算机测配色方法，其特征是，首先建立配色基础数据库并利用其改进Friele模型和训练三层BP神经网络，然后基于改进Friele模型和训练好的三层BP神经网络计算目标样的初始配方并修正，最后进行打样或进一步修正后打样；具体步骤如下：
(1)建立配色基础数据库，选定多种单色纤维，通过不同的混合比例纺纱制样，测量单色纤维和纱线的颜色特征值和反射率；
(2)改进Friele模型并训练三层BP神经网络，所述改进Friele模型是指用纱线对应的常数σij替代Friele模型中的参数σ，σij根据式(Ⅰ)、式(II)、式(III)、式(IV)和式(V)通过编程确定，程序的终止条件为纱线的拟合反射率与实际反射率的色差评级大于等于设定值，式(Ⅰ)～(V)具体如下：
<mrow>
<mi>f</mi>
<mo>&lsqb;</mo>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>=</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msub>
<mi>&sigma;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>-</mo>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>/</mo>
<mn>2</mn>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
Rm(λ)＝Rs(λ) (II)；
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>d</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>j</mi>
</msubsup>
<msub>
<mi>x</mi>
<mi>d</mi>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mi>I</mi>
<mi>I</mi>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
<mrow>
<mi>f</mi>
<mo>&lsqb;</mo>
<msub>
<mi>R</mi>
<mi>m</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>=</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>d</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>j</mi>
</msubsup>
<msub>
<mi>x</mi>
<mi>d</mi>
</msub>
<mi>f</mi>
<mo>&lsqb;</mo>
<msub>
<mi>R</mi>
<mi>d</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mi>V</mi>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
<mrow>
<msub>
<mi>R</mi>
<mi>m</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&sigma;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<mi>ln</mi>
<mi>f</mi>
<mo>&lsqb;</mo>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>-</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<mi>ln</mi>
<mi>f</mi>
<mo>&lsqb;</mo>
<mi>R</mi>
<mo>(</mo>
<mi>&lambda;</mi>
<mo>)</mo>
<mo>&rsqb;</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>-</mo>
<mn>2</mn>
<msub>
<mi>&sigma;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mi>ln</mi>
<mi>f</mi>
<mo>&lsqb;</mo>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</msqrt>
</mrow>
<msub>
<mi>&sigma;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mi>V</mi>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
式中，i为纤维的类别代号，j为纱线中单色纤维的颜色种类，e为自然常数，R(λ)表示在波长λ下纱线的反射率，f[R(λ)]为自变量是R(λ)的函数，Rm(λ)表示在波长λ下纱线的拟合反射率，Rs(λ)表示在波长为λ下纱线的实际反射率，xd表示第d种颜色的单色纤维占纱线总质量的比例，d＝1,2,......j，Rd(λ)表示在波长λ下第d种颜色的单色纤维的实际反射率；
所述训练三层BP神经网络是指采用配色基础数据库中配方已知的纱线的纤维类别、纱线结构和纱线的颜色特征值训练三层BP神经网络，从而优化输入层与隐含层的权值wh和隐含层与输出层权值wg；
(3)基于改进Friele模型计算目标样的初始配方X，即通过编程求得使f[Rs(λ)]与f[Rm(λ)]相等的xd即为初始配方X，f[Rs(λ)]与f[Rm(λ)]的计算公式如下：
<mrow>
<mi>f</mi>
<mo>&lsqb;</mo>
<msub>
<mi>R</mi>
<mi>s</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>=</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msub>
<mi>&sigma;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>R</mi>
<mi>s</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>/</mo>
<mn>2</mn>
<msub>
<mi>R</mi>
<mi>s</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mo>;</mo>
</mrow>
<mrow>
<mi>f</mi>
<mo>&lsqb;</mo>
<msub>
<mi>R</mi>
<mi>m</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>=</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>d</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>j</mi>
</msubsup>
<msub>
<mi>x</mi>
<mi>d</mi>
</msub>
<mi>f</mi>
<mo>&lsqb;</mo>
<msub>
<mi>R</mi>
<mi>d</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>;</mo>
</mrow>
(4)基于训练好的三层BP神经网络修正目标样的初始配方X得到配方C，即将目标样的纤维类别、纱线结构及纱线的颜色特征值输入到训练好的三层BP神经网络中得到配方Y，将配方Y与初始配方X加权平均得到配方C；
(5)按照配方C进行打样得到配方样，测量配方样的色度值L2、a2、b2和目标样的色度值L1、a1、b1，并计算色差，色差满足要求则进行大货生产，并将配方C录入智能数据库；反之，进入下一步；
(6)修正配方C，首先由改进Friele模型得到配方样的理论色度值为Lt、at、bt，然后计算Lsu、asu、bsu，Lsu＝L1-L2+Lt，asu＝a1-a2+at，bsu＝b1-b2+bt，最后将LSu、asu、bsu输入到训练好的三层BP神经网络中得到修正后的配方Cu，按配方Cu进行打样得到修正配方样，计算修正配方样与目标样的色差，色差满足要求则进行大货生产，并将配方Cu录入智能数据库，否则重复进行修正直到色差满足要求。
2.根据权利要求1所述的一种色纺纱计算机测配色方法，其特征在于，步骤(1)中，所述多种单色纤维为红、黄、蓝、白和黑五种单色纤维；所述颜色特征值和反射率的测量采用分光光度计，λ波长范围为400～700nm，波长间隔为10mm。
3.根据权利要求1所述的一种色纺纱计算机测配色方法，其特征在于，σij的取值范围为0～1。
4.根据权利要求3所述的一种色纺纱计算机测配色方法，其特征在于，步骤(2)中，所述编程是指通过matlab进行编程，matlab编程时σij的初始值为0.001，进入下一次循环时σij的数值增加0.0001；
所述程序的终止条件为纱线的拟合反射率与实际反射率的色差评级大于等于4级，色差评级中的色差通过计算拟合反射率与实际反射率的颜色三刺激值X10、Y10、Z10，然后转换为色度值L*、a*、b*后代入色差公式ΔE* Lab求解得到；
反射率R(λ)与颜色三刺激值X10、Y10、Z10的转换公式如下：
<mrow>
<msub>
<mi>X</mi>
<mn>10</mn>
</msub>
<mo>=</mo>
<msub>
<mi>k</mi>
<mn>10</mn>
</msub>
<msubsup>
<mo>&Integral;</mo>
<mn>400</mn>
<mn>700</mn>
</msubsup>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mover>
<msub>
<mi>x</mi>
<mn>10</mn>
</msub>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>&lambda;</mi>
<mo>;</mo>
</mrow>
<mrow>
<msub>
<mi>Y</mi>
<mn>10</mn>
</msub>
<mo>=</mo>
<msub>
<mi>k</mi>
<mn>10</mn>
</msub>
<msubsup>
<mo>&Integral;</mo>
<mn>400</mn>
<mn>700</mn>
</msubsup>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mover>
<msub>
<mi>y</mi>
<mn>10</mn>
</msub>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>&lambda;</mi>
<mo>;</mo>
</mrow>
<mrow>
<msub>
<mi>Z</mi>
<mn>10</mn>
</msub>
<mo>=</mo>
<msub>
<mi>k</mi>
<mn>10</mn>
</msub>
<msubsup>
<mo>&Integral;</mo>
<mn>400</mn>
<mn>700</mn>
</msubsup>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mover>
<msub>
<mi>z</mi>
<mn>10</mn>
</msub>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>&lambda;</mi>
<mo>;</mo>
</mrow>
式中，是CIE色度学标准色度10°观察者光谱三刺激值，S(λ)表示标准照明体的相对光谱能量分布，k10为常数，称作调整因素；
X0、Y0、Z0表示理想白色物体的三刺激值，当都大于0.008856时，颜色三刺激值与色度值的转换公式如下：
<mrow>
<msup>
<mi>L</mi>
<mo>*</mo>
</msup>
<mo>=</mo>
<mn>116</mn>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>Y</mi>
<mn>10</mn>
</msub>
<msub>
<mi>Y</mi>
<mn>0</mn>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mrow>
<mn>1</mn>
<mo>/</mo>
<mn>3</mn>
</mrow>
</msup>
<mo>-</mo>
<mn>16</mn>
<mo>;</mo>
</mrow>
<mrow>
<msup>
<mi>a</mi>
<mo>*</mo>
</msup>
<mo>=</mo>
<mn>500</mn>
<mo>&lsqb;</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>X</mi>
<mn>10</mn>
</msub>
<msub>
<mi>X</mi>
<mn>0</mn>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mrow>
<mn>1</mn>
<mo>/</mo>
<mn>3</mn>
</mrow>
</msup>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>Y</mi>
<mn>10</mn>
</msub>
<msub>
<mi>Y</mi>
<mn>0</mn>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mrow>
<mn>1</mn>
<mo>/</mo>
<mn>3</mn>
</mrow>
</msup>
<mo>&rsqb;</mo>
<mo>;</mo>
</mrow>
<mrow>
<msup>
<mi>b</mi>
<mo>*</mo>
</msup>
<mo>=</mo>
<mn>200</mn>
<mo>&lsqb;</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>Y</mi>
<mn>10</mn>
</msub>
<msub>
<mi>Y</mi>
<mn>0</mn>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mrow>
<mn>1</mn>
<mo>/</mo>
<mn>3</mn>
</mrow>
</msup>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>Z</mi>
<mn>10</mn>
</msub>
<msub>
<mi>Z</mi>
<mn>0</mn>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mrow>
<mn>1</mn>
<mo>/</mo>
<mn>3</mn>
</mrow>
</msup>
<mo>&rsqb;</mo>
<mo>;</mo>
</mrow>
反之，则转换公式如下：
<mrow>
<msup>
<mi>L</mi>
<mo>*</mo>
</msup>
<mo>=</mo>
<mn>903.3</mn>
<mfrac>
<msub>
<mi>Y</mi>
<mn>10</mn>
</msub>
<msub>
<mi>Y</mi>
<mn>0</mn>
</msub>
</mfrac>
<mo>;</mo>
</mrow>
<mrow>
<msup>
<mi>a</mi>
<mo>*</mo>
</msup>
<mo>=</mo>
<mn>3893.5</mn>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>X</mi>
<mn>10</mn>
</msub>
<msub>
<mi>X</mi>
<mn>0</mn>
</msub>
</mfrac>
<mo>-</mo>
<mfrac>
<msub>
<mi>Y</mi>
<mn>10</mn>
</msub>
<msub>
<mi>Y</mi>
<mn>0</mn>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
<mrow>
<msup>
<mi>b</mi>
<mo>*</mo>
</msup>
<mo>=</mo>
<mn>1557.4</mn>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>Y</mi>
<mn>10</mn>
</msub>
<msub>
<mi>Y</mi>
<mn>0</mn>
</msub>
</mfrac>
<mo>-</mo>
<mfrac>
<msub>
<mi>Z</mi>
<mn>10</mn>
</msub>
<msub>
<mi>Z</mi>
<mn>0</mn>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
色差公式ΔE* Lab的表达式如下：
<mrow>
<msub>
<msup>
<mi>&Delta;E</mi>
<mo>*</mo>
</msup>
<mrow>
<mi>L</mi>
<mi>a</mi>
<mi>b</mi>
</mrow>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mi>&Delta;L</mi>
<mo>*</mo>
</msup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mi>&Delta;a</mi>
<mo>*</mo>
</msup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mi>&Delta;b</mi>
<mo>*</mo>
</msup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>;</mo>
</mrow>
式中，ΔL*、Δa*、Δb*分别表示拟合反射率与实际反射率对应的L*的差值、a*的差值、b*的差值。
5.根据权利要求1所述的一种色纺纱计算机测配色方法，其特征在于，步骤(2)中，三层BP神经网络的训练步骤如下：
1)初始化输入层与隐含层的权值wh、隐含层与输出层权值wg、隐含层阈值a、输出层阈值b、学习速度s和计算精度q，并以配方已知的纱线的纤维类别、纱线结构和纱线的颜色特征值为训练样本，输入量Ph＝[纤维类别，细度，捻度，三刺激值，色度值]，h＝1,2,3,……,H，g＝1,2,3,……,G，H和G分别代表输入层和隐含层的神经元数目；
2)根据Ph、wh和a计算隐含层神经元的输出yg，式中f1为隐含层神经元的激励函数；
3)根据yg、wg和b计算BP神经网络输出Ok，式中f2为输出层神经元的激励函数，k＝1,2,3,……,K，K代表输出层的神经元数目；
4)根据网络输出Ok和实际配方Dk计算全部训练样本的误差和ET，t＝1,2,3……T，T为训练样本个数，为第t个训练样本K个输出层神经元的误差和，单个训练样本的第k个输出层神经元的误差ek＝Dk-Ok；
5)判断ET是否小于等于预设的误差阈值，如果是则输出wh和wg，结束程序，否则进入下一步；
6)更新wh和wg后返回步骤2)，直到程序结束。
6.根据权利要求5所述的一种色纺纱计算机测配色方法，其特征在于，所述预设的误差阈值取值是1。
7.根据权利要求1所述的一种色纺纱计算机测配色方法，其特征在于，步骤(3)中，所述编程是指通过matlab中的最小二乘法编程。
8.根据权利要求1所述的一种色纺纱计算机测配色方法，其特征在于，步骤(5)中，计算色差时执行GB/T 7921-2008标准，选用CIELAB色差公式；所述色差满足要求是指按色差级别的评定标准评判色差达到4级以上。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2017102710564 | 2017-04-24 | ||
| CN201710271056 | 2017-04-24 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107766603A true CN107766603A (zh) | 2018-03-06 |
| CN107766603B CN107766603B (zh) | 2019-01-18 |
Family
ID=61265233
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710653770.XA Active CN107766603B (zh) | 2017-04-24 | 2017-08-04 | 一种色纺纱计算机测配色方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107766603B (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108345965A (zh) * | 2018-04-13 | 2018-07-31 | 魔金真彩网络科技（长沙）有限公司 | 一种基于大数据学习的涂料配色方法及系统 |
| CN108593112A (zh) * | 2018-05-14 | 2018-09-28 | 浙江理工大学 | 色纺纱线混色打样的对色装置及方法 |
| CN108875792A (zh) * | 2018-05-25 | 2018-11-23 | 魔金真彩网络科技（长沙）有限公司 | 一种基于机器学习的涂料修色方法及系统 |
| CN108873955A (zh) * | 2018-04-27 | 2018-11-23 | 昆山保扬新型材料科技有限公司 | 一种原液着色纺织材料的配色方法 |
| CN108961346A (zh) * | 2018-08-08 | 2018-12-07 | 浙江工商大学 | 基于bp神经网络对颜色和谐度进行预测的方法 |
| CN109115701A (zh) * | 2018-07-30 | 2019-01-01 | 嘉兴学院 | 一种毛针织纱智能选色拼毛方法 |
| CN109582994A (zh) * | 2018-07-30 | 2019-04-05 | 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 |
| CN109671113A (zh) * | 2018-09-29 | 2019-04-23 | 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 |
| CN109914120A (zh) * | 2019-02-01 | 2019-06-21 | 东华大学 | 一种染料配方的设计方法 |
| CN109946245A (zh) * | 2019-02-01 | 2019-06-28 | 东华大学 | 一种染料的计算机配色方法 |
| CN111719322A (zh) * | 2020-07-16 | 2020-09-29 | 浙江流庆纺织有限公司 | 涤锦和阳离子涤锦复合纤维毛圈针织物的同浴染色方法 |
| CN112668236A (zh) * | 2020-12-25 | 2021-04-16 | 河南牧业经济学院 | 一种基于改进s-n模型的色纺纱配色方法 |
| CN112668174A (zh) * | 2020-12-25 | 2021-04-16 | 河南牧业经济学院 | 一种基于修正单常数k-m理论的色纺纱配色方法 |
| CN113128104A (zh) * | 2021-03-12 | 2021-07-16 | 嘉兴职业技术学院 | 一种基于改进bp神经网络的计算机测配色方法 |
| CN113626588A (zh) * | 2020-05-09 | 2021-11-09 | 北京金山数字娱乐科技有限公司 | 卷积神经网络训练的方法和装置、文章分类的方法和装置 |
| WO2023272830A1 (zh) * | 2021-06-29 | 2023-01-05 | 金华洁灵家居用品有限公司 | 一种四组份雪尼尔地毯绒头花型随意染调控方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102750403A (zh) * | 2012-05-28 | 2012-10-24 | 嘉兴学院 | 一种色纺纱配色的配方筛选与修正方法 |
| CN105787559A (zh) * | 2016-02-29 | 2016-07-20 | 嘉兴学院 | 基于神经网络的色纺纱配色方法 |
| CN106469258A (zh) * | 2016-09-28 | 2017-03-01 | 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 |
-
2017
- 2017-08-04 CN CN201710653770.XA patent/CN107766603B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102750403A (zh) * | 2012-05-28 | 2012-10-24 | 嘉兴学院 | 一种色纺纱配色的配方筛选与修正方法 |
| CN105787559A (zh) * | 2016-02-29 | 2016-07-20 | 嘉兴学院 | 基于神经网络的色纺纱配色方法 |
| CN106469258A (zh) * | 2016-09-28 | 2017-03-01 | 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 |
Non-Patent Citations (2)
| Title |
|---|
| 沈加加: "基于Friele模型的色纺纱光谱配色研究", 《针织工业》 * |
| 马崇启: "基于Ga_BP神经网络的色纺纱配色", 《天津工业大学学报》 * |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108345965A (zh) * | 2018-04-13 | 2018-07-31 | 魔金真彩网络科技（长沙）有限公司 | 一种基于大数据学习的涂料配色方法及系统 |
| CN108873955A (zh) * | 2018-04-27 | 2018-11-23 | 昆山保扬新型材料科技有限公司 | 一种原液着色纺织材料的配色方法 |
| CN108593112A (zh) * | 2018-05-14 | 2018-09-28 | 浙江理工大学 | 色纺纱线混色打样的对色装置及方法 |
| CN108875792A (zh) * | 2018-05-25 | 2018-11-23 | 魔金真彩网络科技（长沙）有限公司 | 一种基于机器学习的涂料修色方法及系统 |
| CN109582994A (zh) * | 2018-07-30 | 2019-04-05 | 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 |
| CN109115701A (zh) * | 2018-07-30 | 2019-01-01 | 嘉兴学院 | 一种毛针织纱智能选色拼毛方法 |
| 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 |
| CN109115701B (zh) * | 2018-07-30 | 2021-01-15 | 嘉兴学院 | 一种毛针织纱智能选色拼毛方法 |
| CN108961346A (zh) * | 2018-08-08 | 2018-12-07 | 浙江工商大学 | 基于bp神经网络对颜色和谐度进行预测的方法 |
| CN108961346B (zh) * | 2018-08-08 | 2022-02-18 | 浙江工商大学 | 基于bp神经网络对颜色和谐度进行预测的方法 |
| CN109671113A (zh) * | 2018-09-29 | 2019-04-23 | 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 |
| CN109914120A (zh) * | 2019-02-01 | 2019-06-21 | 东华大学 | 一种染料配方的设计方法 |
| CN109946245A (zh) * | 2019-02-01 | 2019-06-28 | 东华大学 | 一种染料的计算机配色方法 |
| CN113626588A (zh) * | 2020-05-09 | 2021-11-09 | 北京金山数字娱乐科技有限公司 | 卷积神经网络训练的方法和装置、文章分类的方法和装置 |
| CN111719322A (zh) * | 2020-07-16 | 2020-09-29 | 浙江流庆纺织有限公司 | 涤锦和阳离子涤锦复合纤维毛圈针织物的同浴染色方法 |
| CN112668174A (zh) * | 2020-12-25 | 2021-04-16 | 河南牧业经济学院 | 一种基于修正单常数k-m理论的色纺纱配色方法 |
| CN112668236A (zh) * | 2020-12-25 | 2021-04-16 | 河南牧业经济学院 | 一种基于改进s-n模型的色纺纱配色方法 |
| CN112668174B (zh) * | 2020-12-25 | 2024-06-07 | 河南牧业经济学院 | 一种基于修正单常数k-m理论的色纺纱配色方法 |
| CN112668236B (zh) * | 2020-12-25 | 2024-06-11 | 河南牧业经济学院 | 一种基于改进s-n模型的色纺纱配色方法 |
| CN113128104A (zh) * | 2021-03-12 | 2021-07-16 | 嘉兴职业技术学院 | 一种基于改进bp神经网络的计算机测配色方法 |
| WO2023272830A1 (zh) * | 2021-06-29 | 2023-01-05 | 金华洁灵家居用品有限公司 | 一种四组份雪尼尔地毯绒头花型随意染调控方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107766603B (zh) | 2019-01-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107766603B (zh) | 一种色纺纱计算机测配色方法 | |
| CN107103181A (zh) | 一种基于最小二乘支持向量机的色纺纱配色方法 | |
| CN102750403B (zh) | 一种色纺纱配色的配方筛选与修正方法 | |
| CN109582994B (zh) | 一种色纺纱智能选色配色方法 | |
| CN105787559B (zh) | 基于神经网络的色纺纱配色方法 | |
| CN108710773A (zh) | 一种应用于色纺纱线的计算机配色纺纱方法 | |
| CN104410850B (zh) | 一种彩色数字影像色度校正方法及系统 | |
| CN104572911A (zh) | 一种纺前着色纤维测配色方法 | |
| Yang et al. | Kubelka-Munk double constant theory of digital rotor spun color blended yarn | |
| CN101833593A (zh) | 一种基于全光谱配色的混色毛织物计算机拼色方法 | |
| JPS60174932A (ja) | 着色結果の予測方法 | |
| CN112668174B (zh) | 一种基于修正单常数k-m理论的色纺纱配色方法 | |
| WO2023202108A1 (zh) | 基于三原色纤维混色纺纱的全色域网格化混色模型构建方法及彩色纺纱方法 | |
| CN108872156B (zh) | 一种基于光谱反射率倒数的油墨组份比例预测方法及设备 | |
| Almodarresi et al. | A scanner based neural network technique for color matching of dyed cotton with reactive dye | |
| CN105667069A (zh) | 一种基于比尔朗伯定律的光谱配色方法 | |
| CN100585635C (zh) | 孟塞尔色彩模型计算机可视化方法 | |
| CN105787275B (zh) | 一种皮革染色的计算机配色方法 | |
| CN113536540A (zh) | 多元混色纤维体系构建高维离散色谱及可视化方法 | |
| CN104978740A (zh) | 基于图像颜色特征的成份自动测量方法 | |
| CN105818518A (zh) | 一种用于热转印技术的凹印四色油墨配色方法 | |
| CN113128104A (zh) | 一种基于改进bp神经网络的计算机测配色方法 | |
| CN105740951B (zh) | 一种皮革涂饰计算机配色方法 | |
| Zhang et al. | Research on application for color matching in textile dyeing based on numerical analysis | |
| Zhang et al. | Design of Optimal Color Scheme for Opaque Products Based on Nonlinear Programming Model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zhang Ruiyun Inventor after: Yang Liu Inventor after: Bai Jing Inventor after: Zhang Yi Inventor after: Cheng Longdai Inventor after: Yu Jianyong Inventor after: Ji Feng Inventor before: Yang Liu Inventor before: Bai Jing Inventor before: Zhang Ruiyun Inventor before: Zhang Yi Inventor before: Cheng Longdai Inventor before: Yu Jianyong Inventor before: Ji Feng |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20181228 Address after: 201620 No. 2999 North Renmin Road, Shanghai, Songjiang District Applicant after: Donghua University Applicant after: ZHEJIANG CHANGSHAN TEXTILE CO., LTD. Address before: 201620 No. 999 Renmin North Road, Songjiang District, Shanghai Applicant before: Donghua University |
|
| TA01 | Transfer of patent application right |