CN109582994B - 一种色纺纱智能选色配色方法 - Google Patents

一种色纺纱智能选色配色方法 Download PDF

Info

Publication number
CN109582994B
CN109582994B CN201810852849.XA CN201810852849A CN109582994B CN 109582994 B CN109582994 B CN 109582994B CN 201810852849 A CN201810852849 A CN 201810852849A CN 109582994 B CN109582994 B CN 109582994B
Authority
CN
China
Prior art keywords
color
sample
data
network
formula
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
CN201810852849.XA
Other languages
English (en)
Other versions
CN109582994A (zh
Inventor
沈加加
陈维国
周华
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.)
Zhejiang Huafu Top Dyed Yarn Melange Co ltd
Jiaxing University
Shangyu Industrial Technology Research Institute of ZSTU
Original Assignee
Zhejiang Huafu Top Dyed Yarn Melange Co ltd
Jiaxing University
Shangyu Industrial Technology Research Institute of ZSTU
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 Zhejiang Huafu Top Dyed Yarn Melange Co ltd, Jiaxing University, Shangyu Industrial Technology Research Institute of ZSTU filed Critical Zhejiang Huafu Top Dyed Yarn Melange Co ltd
Priority to CN201810852849.XA priority Critical patent/CN109582994B/zh
Publication of CN109582994A publication Critical patent/CN109582994A/zh
Application granted granted Critical
Publication of CN109582994B publication Critical patent/CN109582994B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/12—Cloth
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

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

Abstract

一种色纺纱智能选色配色方法，采用模块化人工神经网络选色模型和全光谱配色计算，包括以下步骤；建立基础单色和标准样品数据库；单色纤维用光谱光度仪测试得到单色纤维反射率Ri，将单色纤维反射率Ri数据贮存于基础单色数据库中，i＝1,2,…,n；挑选已知配方的样品将其定义为标准样，将标准样通过光谱光度仪测试得到的整体反射率RS数据作为标准样数据库。

Description

一种色纺纱智能选色配色方法
技术领域
本发明涉及一种色纺纱智能选色配色方法，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纤维经过充分混合后经梳毛、牵伸、粗纱和细纱制成具有独特混色效果(可以是均一色，也可以是非均一色)的纱线生产方法。相比于染色，色纺作为一种新型的颜色获取方式，符合绿色低碳环保的发展模式，具有更现在的优点：1)与常规染色纱生产相比，色纺纱生产更加环保，因为拼色过程中可以使用大量不染色纤维(原棉)，从而减少染料和助剂的使用量，有些颜色可以使用回收的有色纤维，实现纺织纤维的再利用，与传统的先纺后染工艺相比，色纺可节水50％左右，减少污水50％左右；2)色纺可以生产均一的颜色，也可以在同一根纱线上呈现出多种颜色，色彩更加丰富；对于原液着色纤维生产而言，更能填补其产品颜色少的缺陷。3)对于混纺产品来说，不同种类的纤维分别染色，可以有效避免染色过程中存在的竞染、沾色以及纤维的损伤等染色问题；4)而企业仅需要建立一个原色(有色纤维)库，这些原色都用固定的染色配方，并且会保留较长一段时间，因此不再需要对每个客户来样进行染色打样，通过储备的染色纤维拼色即可满足颜色的需求，然后直接纺纱，生产效率高，交货期短，同时也更有利于染色产品颜色质量的稳定。
色纺纱最理想的再现方法就是找到原配方的有色纤维组成和比例，但单根纤维直径只有十几微米，人眼基本无法识别单纤维的颜色，外加受相邻以及与之交错的纤维的影响，目前尚未有仪器能够精确测量出单纤维的颜色值或者测量整体颜色后在“不失真”的情况下分离出单纤维的颜色。在纺织品染色配方预测中广泛应用的计算机测配色技术，不能适用于色纺纱的配方预测。申请号为CN201710653770.X的专利公开了一种色纺纱计算机测配色方法，其方法为建立单色基础数据库并利用其改进Friele模型和训练三层BP神经网络进行配色，该专利建立了单色纤维反射率与配色配方之间的关系。该专利重点在于利用神经网络优化Friele模型参数从而达到改进配方预报精确度的目的，重点在于解决已知配方组成色的情况下的配方预报，不能实现原组成色的分析，适用于基础数据少的情况，面对基础数据大的情况，预报配方的排列组合多，无法优选，而色纺纱的配色特点在于效果的一致性，因此选择配方组成色的重要性远大于配方比例的预报。
发明内容
本发明为了克服以上问题，提供一种色纺纱智能选色配色方法，模拟经验人员的经验打样，能适应基础数据大的情况，采用模块化人工神经网络(MANN)实现对来样颜色的初步组成分析，即对来样的组成色进行分析，筛选组成色后再用全光谱配色方法计算配方比例，减少计算机计算量，达到快速配色的目的。
为了达到上述目的，本发明采用以下技术方案来实现：
1、一种色纺纱智能选色配色方法，一种色纺纱智能选色配色方法，其特征在于，采用模块化人工神经网络选色模型和全光谱配色计算，包括以下步骤；
(1)建立基础单色和标准样品数据库；单色纤维用光谱光度仪测试得到单色纤维反射率Ri，将单色纤维反射率Ri数据贮存于基础单色数据库中，i＝1,2,…,n；挑选已知配方的样品将其定义为标准样，将标准样通过光谱光度仪测试得到的整体反射率RS数据作为标准样数据库；
(2)模块化人工神经网络选色模型的构建与训练；构建模块化人工神经网络选色模型以整体反射率RS为输入数据，集成若干步骤(1)标准样数据库中的整体反射率RS及其对应的已知配方用于训练选色模型，将整体反射率RS分成若干与单色纤维反射率Ri相关的子网络模块，分别进行训练，经整合后输出构成标准样的单色组合集Rn，n≤i；
选色模型具体训练过程如下，
任务：实现输入反射率RS(λ)与目标输出X之间的映射；
输入：代表色纺纱样品特征的l个反射率数据RS(λ)(l×1维)；
1)集成m个样品反射率RS(λ)(l×m维)和相应配方X(n×m维)，以及染色纤维反射率Ri(λ)(l×n维)；
2)数据分解成U1,U2,…,Un子模块：
Figure GDA0004057587140000021
Figure GDA0004057587140000022
(l×m维)，分别对应配方x1,x2,…xn,(l×m维)；
3)将每个U数据集分为三部分:第二训练数据、第二验证数据、第二测试数据；
4)U数据集输入数据归一化处理，采用最大最小方法；
5)将子网络从1到n分别进行训练；
6)网络结构的选择(神经元数目，训练算法)；
7)初始化的权重和偏差，设置最大的迭代次数：iter的最大，最小误差：误差最小；
8)训练过程时，神经元从1个到最大的iter过程，修正权重和偏差，直到网络输出误差小于设置误差，并且由验证数据和训练数据进行交叉验证(cross–validation)，避免陷入局部极小值；
9)保存所有子神经网络结构和最优参数；
10)冻结MANN网络结构MANNi；
11)由MANN对测试数据进行预测，从i＝1,...,n分别依次输出x1’,x2’,…xn’，利用∑xi＝1和含量权重优先法由整合模型输出x1,x2,…xn；
12)输出结果Rn:X＝(x1,x2,…xn)T；
MANN结构和MANN子网络均取为3层前向网络结构，MANN子网络的隐层选用10个节点，网络训练均采用Levenberg-Marquardt算法，设网络的学习率为0.01，隐层和输出层的传递函数分别为Sigmoid和线性函数，训练时采用的是4-折交叉验证(4-fold-5cross–validation)来提高泛化能力，得到训练均方误差(MSE)为4.45×10；
所述步骤(2)中模块化人工神经网络选色模型包括任务分解模块、子网络模块和整合模块3个部分，所述任务分解模块根据标准样整体反射率RS(λ)与单色纤维反射率Ri(λ)之间的相关性公式来分解，相关性公式如式(1)所示，
Figure GDA0004057587140000031
即，先将输入数据标准样整体反射率RS(λ)分解成i个子网络模块，子网络模块输入数据为
Figure GDA0004057587140000032
输出为xi，每个
Figure GDA0004057587140000033
分别对应配方xi，经初始化后，将分解得到的子网络分别进行训练和验证，最后各子网络经整合模块将输出的xi连起来形成最终结果X，所述整合模块的整合方法为舍弃所有的xi<1％的单色，剩余的xi对应的n个单色构成匹配单色集Rn，n≤i，λ为波长；
(3)用光谱光度仪测定来样的整体反射率Rp，作为待匹配对象；
(4)以步骤(3)中测得的来样的整体反射率Rp作为输入数据，单色数据库中单色纤维反射率Ri作为备选色，用步骤(2)训练过的模块化人工神经网络选色模型进行分析，得到X＝[x1,x2,x3,…,xn]T，经整合后输出构成来样的单色组合集Rm，m≤n；
(5)全光谱配色计算，运用混色模型，结合全光谱配色算法对来样Rp经过步骤(4)筛选出的单色反射率Rm直接进行匹配，全光谱配色计算采用最小二乘法使得到的光谱曲线与来样色的光谱曲线的差别达到最小，得到配方组成单色对应的拼色比例Y，获得配方Y＝(FT×F)-1×FT×FS，
其中；来样
Figure GDA0004057587140000041
单色集
Figure GDA0004057587140000042
Figure GDA0004057587140000043
yi表示织物中i组分单色所占的质量比例；
(6)配方修正；按步骤(5)获得的配方均匀混和后在横机上织片仿样，计算来样与仿样之间的色差，色差在允许范围内，则打印配方；否则，根据两者之间在各波长下反射率的色差，采用全光谱迭代修正方法修正配方，直到满足要求后输出配方。
上述选色配色方法，其中，所述步骤(1)中的光谱光度仪测试采用的孔径为2～30mm，测试波长λ范围至少包含400～700nm，波长间隔5～20nm。
进一步说，所述子网络模块输入数据分为训练数据、验证数据和测试数据，子网络输入数据需进行归一化处理。
进一步说，所述初始化的权重和偏差设置最大的迭代次数：iter最大；最小误差：误差最小。
上述选色配色方法，其中，所述模块化人工神经网络结构取为3层前向网络结构，子网络的隐层选用10个节点，训练时采用的是Levenberg-Marquardt训练算法，设模块化人工神经网络的学习率为0.01，隐层和输出层的传递函数分别为Sigmoid和线性函数，训练过程中采用4-折交叉验证。
上述选色配色方法，其中，所述步骤(5)中的混色模型如下：
Figure GDA0004057587140000051
Figure GDA0004057587140000052
或
Figure GDA0004057587140000053
或
Figure GDA0004057587140000054
其中：Rs(λ)表示波长为λ时混色标准样的反射率；Ri(λ)表示波长为λ时i组分单色纤维的反射率；R(λ)为波长λ下的反射率；yi表示织物中i组分单色所占的组成比例，其中，Σyi＝1。
上述选色配色方法，其中，所述步骤(6)中色差采用CIE1976L*a*b*或CMC2:1色差公式。
上述选色配色方法，其中，所述步骤(6)中的全光谱迭代修正方法如下；
定义来样与仿样之间的色差：ΔT＝F(s)-F(t)，
Figure GDA0004057587140000055
其中，上标“s”表示来样，“t”表示初始仿样，ΔY是为了使ΔT减少至零所需的变量，
因此：ΔT＝F(S)-F(t)＝FΔY；ΔY＝(FTF)-1FT(F(S)-F(t))，
不断修正上述条件，直到满足结果后输出配方。
与现有技术相比，本发明的积极效果是：
本发明的智能配色方法，利用光谱特征结合模块化人工神经网络，实现颜色组成的智能识别，即类似经验人员的经验筛选。现有技术需要从几十个满足色差要求的配方筛选出最有的配方，其筛选难度大，而本发明技术缩小了备选色的范围，减少了配方的个数，更有利于输出正确的配方。
附图说明
图1为本发明智能选色配色流程图。
图2为本发明MANN选色模型结构图。
图3为本发明HE123经MANN选色的配方预报结果图。
图4为本发明HH42633经MANN选色的配方预报结果图。
图5为本发明HE123无MANN选色的配方预报结果图。
图6为本发明HH42363无MANN选色的配方预报结果图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。
实施例1
本发明的智能选色配色算法在Colormatch forblend上实施。
用于本发明的软件程序主要包括测定反射率、配色计算和拼色修正程序三部分。
如图1所示，一种色纺纱智能选色配色方法，具体包括以下步骤：
(1)建立基础单色和标准样品数据库；单色纤维用光谱光度仪测试得到单色纤维反射率Ri，将单色纤维反射率Ri数据贮存于基础单色数据库中，i＝1,2,…,n；挑选已知配方的样品将其定义为标准样，配方包括组成色及其对应比例，将标准样通过光谱光度仪测试得到的整体反射率RS数据作为标准样数据库；
选用工厂中常用的单色毛纤维(毛条)纺纱后，用横机加工成织片，用DatacolorSF600puls光谱光度仪器，测试条件：采用孔径：20mm，测试范围：400～700nm，波长间隔10nm，10°标准观察者，D65光源，测量其反射率值Ri(λ)，存入单色数据库中。
实验数据为华孚色纺有限公司提供的41版样卡中600个色纺纱样品，其中使用的染色纤维共60个，用于分析的盲测样本为100个，剩余数据集分成第一训练数据、第一验证数据，比例为3：1。色纺纱样品和染色纤维的反射率数据由DatacolorSF600puls光谱光度仪采集，20mm孔径，选择波长范围400-700nm，间隔10nm，获得31维的反射率数据Rs(λ)并存入标准样数据库。
(2)MANN选色模型的构建与训练；
构建模块化神经网络(MANN)选色模型模块化人工神经网络选色模型的构建与训练；构建模块化人工神经网络选色模型以整体反射率RS为输入数据，集成若干步骤(1)标准样数据库中的整体反射率RS及其对应的已知配方用于训练选色模型，将整体反射率RS分成若干与单色纤维反射率Ri相关的子网络模块，分别进行训练，经整合后输出构成标准样的单色反射率组合集Rn，n≤i，其模型结构示意如图2所示。
本神经网络在带有神经网络工具箱的Matlab 2011b版本中运行，运行环境：电脑ThinkpadNew X1 Carbon，Intel I5CPU，64bit，内存8G。
MANN选色模型具体训练过程如下，
任务：实现输入反射率RS(λ)与目标输出X之间的映射；
输入：代表色纺纱样品特征的l个反射率数据RS(λ)(l×1维)；
1)集成m个样品反射率RS(λ)(l×m维)和相应配方X(n×m维)，以及染色纤维反射率Ri(λ)(l×n维)；
2)数据分解成U1,U2,…,Un子模块：
Figure GDA0004057587140000071
Figure GDA0004057587140000072
(l×m维)，分别对应配方x1,x2,…xn,(l×m维)；
3)将每个U数据集分为三部分:第二训练数据、第二验证数据、第二测试数据；
4)U数据集输入数据归一化处理，采用最大最小方法；
5)将子网络从1到n分别进行训练；
6)网络结构的选择(神经元数目，训练算法)；
7)初始化的权重和偏差，设置最大的迭代次数：iter的最大，最小误差：误差最小；
8)训练过程时，神经元从1个到最大的iter过程，修正权重和偏差，直到网络输出误差小于设置误差。并且由验证数据和训练数据进行交叉验证(cross–validation)，避免陷入局部极小值；
9)保存所有子神经网络结构和最优参数；
10)冻结MANN网络结构MANNi；
11)由MANN对测试数据进行预测，从i＝1,...,n分别依次输出x1’,x2’,…xn’，利用∑xi＝1和含量权重优先法由整合模型输出x1,x2,…xn；
12)输出结果Rn:X＝(x1,x2,…xn)T。
本发明提出的MANN结构和MANN子网络均取为3层前向网络结构，MANN子网络的隐层选用10个节点，网络训练均采用Levenberg-Marquardt算法，设网络的学习率为0.01，隐层和输出层的传递函数分别为Sigmoid和线性函数，训练时采用的是4-折交叉验证(4-foldcross–validation)来提高泛化能力，得到训练均方误差(MSE)为4.45×10-5。
(3)测定来样的整体反射率Rs；
用光谱光度仪测定来样的整体反射率Rs，存入计算机，作为待匹配对象；
(4)MANN选色；
以来样的整体反射率Rs作为为输入数据，单色数据库中单色Ri作为备选色，用训练过的MANN选色模型进行分析，输出X＝[x1,x2,x3,…,xn]T，经整合构成单色反射率组合集Rz，z≤n；采用整合方法为舍弃所有的xi<1％的单色，剩余的xi对应的z个构成单色反射率组合集Rz。
(5)全光谱配色计算；
运用混色模型，结合全光谱配色算法对来样Rs经过步骤(4)筛选出的单色反射率Rm直接进行匹配，采用约束最小二乘法使得到的光谱曲线与来样色的光谱曲线的差别达到最小，得到配方组成单色对应的拼色比例yz，获得配方Y＝(FT×F)-1×FT×FS。
其中：来样
Figure GDA0004057587140000081
单色集
Figure GDA0004057587140000082
上述配色方法，其中，所述步骤(5)中的混色模型如下：
Figure GDA0004057587140000083
Figure GDA0004057587140000084
或
Figure GDA0004057587140000091
或
Figure GDA0004057587140000092
其中：Rs(λ)表示波长为λ时混色标准样的反射率；Ri(λ)表示波长为λ时i组分单色纤维的反射率；R(λ)为波长λ下的反射率；yi表示织物中i组分单色所占的质量比例，其中，Σyi＝1。
配色的目的是使得到的光谱反射率与来样的反射率完全相同，即希望来样色与预测配方满足：
Figure GDA0004057587140000093
式中
Figure GDA0004057587140000094
表示来样在波长λ处的反射率；
Figure GDA0004057587140000095
表示预测配方样在波长λ处的反射率。波长范围选用400～700nm，间隔为10nm；
由式(4)和式(2)知，
Figure GDA0004057587140000096
针对本例，则有：
Figure GDA0004057587140000097
即
Figure GDA0004057587140000098
其中，f(R)λ表示混色模型的表达式(3)，式中yi表示各单色纤维的质量比例，上标“s”表示来样，“m”表示预测配方样；
设来样
Figure GDA0004057587140000099
预测配方样
Figure GDA00040575871400000910
则式(7)等同于；
F(s)＝F(m)  式(9)，
进而有F(S)＝FY；
其中
Figure GDA0004057587140000101
由于方程(9)为31个方程求解3个未知量，方程有多个解，为此采用最小二乘法求解方程组，使；
Figure GDA0004057587140000102
解得Y＝(FT×F)-1×FT×FS  式(11)
式中，上标“-1”表示矩阵求逆。这样即可解得各单色纤维的组成比例y1,y2,y3。
因此得到最佳匹配结果：红色R1(λ)和y1；黄色R2(λ)和y2；白色R3(λ)和y3；如果选择的单色较多，则可得到各自的最小差异匹配方案；
(6)配方修正；
由式(2)得
Figure GDA0004057587140000103
Figure GDA0004057587140000104
其中f(R)即为混色模型式(2)，由上式可以计算得到预测配方样的反射率R。根据来样和预测配方样的反射率值通过色差公式计算预测配方的色差。纺织工业上色差常采用CIE1976L*a*b*简称CIELAB色差公式或CMC(2:1)色差公式，该公式为现有成熟技术，在此不做过多赘述。色差在允许范围内，则打印配方；否则，迭代修正配方，根据两者之间在各波长下反射率的色差，
定义来样与仿样之间的色差ΔT＝F(s)-F(t)，
Figure GDA0004057587140000105
其中，上标“s”表示来样，“t”表示初仿样。
ΔX是为了使ΔT减少至零所需的变量，因此ΔT＝F(S)-F(t)＝FΔX，
ΔX＝(FTF)-1FT(F(S)-F(t))；
采用全光谱迭代修正方法修正配方，直到满足结果后输出配方，贴样。
选择样品HE123和HH42363进行测试，用光谱光度仪测试两者的反射率Rp，采用上述带有MANN选色模型的配色方法进行分析预测，MANN选色模型选色数据如表1，得到预测结果如图3、4所示，HE123经MANN筛选的配方的个数为4个，HH42363经MANN筛选的配方的个数为13个。根据表1的预测配方和组成比例，混色纺纱后在横机上仿织小样，用Datacolor600puls光谱光度仪器测定初仿样的反射率，计算来样样品与初仿样之间的色差，得到HE123的一种预测配方与其原始配方间的色差为0.09，HH42363的一种预测配方与其原始配方间的色差为0.16，若色差在允许范围内，则配色完成，打印配方；否则，采用全光谱迭代修正方法修正配方，直到满足结果后输出配方，贴样。
表1来样原始配方与预测配方
Figure GDA0004057587140000111
Figure GDA0004057587140000121
实施例2
同样选择样品HE123和HH42363进行测试，用光谱光度仪测试两者的反射率Rp，选择现有计算机配色技术对样品进行配方预测，现有技术除识别组成单色的模型未采用上述MANN选色模型外，其它实施条件均与上述实施例1相同，经现有计算机配色技术得到预测配方结果如图5、6所示，HE123配方数为263个，HH42363配方数为255个。
实施例1经过MANN筛选得到的配方个数明显较实施例2少的多，二者对比可以看出MANN选色模型大大减少了预测配方的个数，更有利于输出正确的配方。
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)

1.一种色纺纱智能选色配色方法，其特征在于，采用模块化人工神经网络选色模型和全光谱配色计算，包括以下步骤；
(1)建立基础单色和标准样品数据库；单色纤维用光谱光度仪测试得到单色纤维反射率Ri，将单色纤维反射率Ri数据贮存于基础单色数据库中，i＝1,2,…,n；挑选已知配方的样品将其定义为标准样，将标准样通过光谱光度仪测试得到的整体反射率RS数据作为标准样数据库；
(2)模块化人工神经网络选色模型的构建与训练；构建模块化人工神经网络选色模型以整体反射率RS为输入数据，集成若干步骤(1)标准样数据库中的整体反射率RS及其对应的已知配方用于训练选色模型，将整体反射率RS分成若干与单色纤维反射率Ri相关的子网络模块，分别进行训练，经整合后输出构成标准样的单色组合集Rn，n≤i；
选色模型具体训练过程如下，
任务：实现输入反射率RS(λ)与目标输出X之间的映射；
输入：代表色纺纱样品特征的l个反射率数据RS(λ)(l×1维)；
1)集成m个样品反射率RS(λ)(l×m维)和相应配方X(n×m维)，以及染色纤维反射率Ri(λ)(l×n维)；
2)数据分解成U1,U2,…,Un子模块：
Figure FDA0004057587130000011
(l×m维)，分别对应配方x1,x2,…xn,(l×m维)；
3)将每个U数据集分为三部分:第二训练数据、第二验证数据、第二测试数据；
4)U数据集输入数据归一化处理，采用最大最小方法；
5)将子网络从1到n分别进行训练；
6)网络结构的选择(神经元数目，训练算法)；
7)初始化的权重和偏差，设置最大的迭代次数：iter的最大，最小误差：误差最小；
8)训练过程时，神经元从1个到最大的iter过程，修正权重和偏差，直到网络输出误差小于设置误差，并且由验证数据和训练数据进行交叉验证(cross–validation)，避免陷入局部极小值；
9)保存所有子神经网络结构和最优参数；
10)冻结MANN网络结构MANNi；
11)由MANN对测试数据进行预测，从i＝1,...,n分别依次输出x1’,x2’,…xn’，利用∑xi＝1和含量权重优先法由整合模型输出x1,x2,…xn；
12)输出结果Rn:X＝(x1,x2,…xn)T；
MANN结构和MANN子网络均取为3层前向网络结构，MANN子网络的隐层选用10个节点，网络训练均采用Levenberg-Marquardt算法，设网络的学习率为0.01，隐层和输出层的传递函数分别为Sigmoid和线性函数，训练时采用的是4-折交叉验证(4-fold-5cross–validation)来提高泛化能力，得到训练均方误差(MSE)为4.45×10；
所述步骤(2)中模块化人工神经网络选色模型包括任务分解模块、子网络模块和整合模块3个部分，所述任务分解模块根据标准样整体反射率RS(λ)与单色纤维反射率Ri(λ)之间的相关性公式来分解，相关性公式如式(1)所示，
Figure FDA0004057587130000021
即，先将输入数据标准样整体反射率RS(λ)分解成i个子网络模块，子网络模块输入数据为
Figure FDA0004057587130000022
输出为xi，每个
Figure FDA0004057587130000023
分别对应配方xi，经初始化后，将分解得到的子网络分别进行训练和验证，最后各子网络经整合模块将输出的xi连起来形成最终结果X，所述整合模块的整合方法为舍弃所有的xi<1％的单色，剩余的xi对应的n个单色构成匹配单色集Rn，n≤i，λ为波长；
(3)用光谱光度仪测定来样的整体反射率Rp，作为待匹配对象；
(4)以步骤(3)中测得的来样的整体反射率Rp作为输入数据，单色数据库中单色纤维反射率Ri作为备选色，用步骤(2)训练过的模块化人工神经网络选色模型进行分析，得到X＝[x1,x2,x3,…,xn]T，经整合后输出构成来样的单色组合集Rm，m≤n；
(5)全光谱配色计算，运用混色模型，结合全光谱配色算法对来样Rp经过步骤(4)
筛选出的单色反射率Rm直接进行匹配，全光谱配色计算采用最小二乘法使得到的光谱曲线与来样色的光谱曲线的差别达到最小，得到配方组成单色对应的拼色比例Y，获得配方Y＝(FT×F)-1×FT×FS，
其中；来样
Figure FDA0004057587130000024
单色集
Figure FDA0004057587130000025
yi表示织物中i组分单色所占的质量比例；
(6)配方修正；按步骤(5)获得的配方均匀混和后在横机上织片仿样，计算来样与仿样之间的色差，色差在允许范围内，则打印配方；否则，根据两者之间在各波长下反射率的色差，采用全光谱迭代修正方法修正配方，直到满足要求后输出配方。
2.如权利要求1所述的一种色纺纱智能选色配色方法，其特征在于，所述步骤(1)中的光谱光度仪测试采用的孔径为2～30mm，测试波长λ范围至少包含400～700nm，波长间隔5～20nm。
3.如权利要求1所述的一种色纺纱智能选色配色方法，其特征在于，所述子网络模块输入数据分为训练数据、验证数据和测试数据，子网络输入数据需进行归一化处理。
4.如权利要求1所述的一种色纺纱智能选色配色方法，其特征在于，所述初始化的权重和偏差设置为最大的迭代次数，iter最大；最小误差，误差最小。
5.如权利要求1所述的一种色纺纱智能选色配色方法，其特征在于，所述模块化人工神经网络结构和子网络结构均为3层前向网络结构，子网络的隐层选用10个节点，训练时采用的是Levenberg-Marquardt训练算法，设模块化人工神经网络的学习率为0.01，隐层和输出层的传递函数分别为Sigmoid和线性函数，训练过程中采用4-折交叉验证。
6.如权利要求1所述的一种色纺纱智能选色配色方法，其特征在于，所述步骤(5)中的混色模型如下；
Figure FDA0004057587130000031
Figure FDA0004057587130000032
或
Figure FDA0004057587130000033
或
Figure FDA0004057587130000034
其中；Rs(λ)表示波长为λ时混色标准样的整体反射率；Ri(λ)表示波长为λ时i组分单色纤维的反射率；R(λ)为波长λ下的反射率；yi表示织物中i组分单色所占的质量比例，其中，Σyi＝1。
7.如权利要求1所述的一种色纺纱智能选色配色方法，其特征在于，所述步骤(6)中色差采用CIE1976L*a*b*或CMC2:1色差公式。
8.如权利要求1所述的一种色纺纱智能选色配色方法，其特征在于，所述步骤(6)中的全光谱迭代修正方法如下；
定义来样与仿样之间的色差ΔT＝F(s)-F(t)，
Figure FDA0004057587130000041
其中，上标“s”表示来样，“t”表示初始仿样，ΔX是为了使ΔT减少至零所需的变量，
因此ΔT＝F(S)-F(t)＝FΔX，ΔX＝(FTF)-1FT(F(S)-F(t))，
不断修正上述条件，直到满足结果后输出配方。
CN201810852849.XA 2018-07-30 2018-07-30 一种色纺纱智能选色配色方法 Active CN109582994B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810852849.XA CN109582994B (zh) 2018-07-30 2018-07-30 一种色纺纱智能选色配色方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810852849.XA CN109582994B (zh) 2018-07-30 2018-07-30 一种色纺纱智能选色配色方法

Publications (2)

Publication Number Publication Date
CN109582994A CN109582994A (zh) 2019-04-05
CN109582994B true CN109582994B (zh) 2023-05-12

Family

ID=65919681

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810852849.XA Active CN109582994B (zh) 2018-07-30 2018-07-30 一种色纺纱智能选色配色方法

Country Status (1)

Country Link
CN (1) CN109582994B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110055649B (zh) * 2019-05-15 2021-06-08 江南大学 混纺纱的智能生产方法
CN110485018B (zh) * 2019-08-14 2020-06-26 愉悦家纺有限公司 基于离散渐变色谱的四基色纤维耦合混配纺制渐变纱的方法
CN111118684A (zh) * 2019-12-19 2020-05-08 温州新天科技有限公司 一种环保型回收有色纤维色纱的制备工艺
CN111695293B (zh) * 2020-05-27 2023-10-13 杭州慕锐科技有限公司 一种面向纺织品类超大尺寸设计图基于调色板的全自动智能配色方法及监控方法
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
CN113008373B (zh) * 2021-03-01 2024-01-12 嘉兴学院 对散纤维颜色测量的方法
CN113976037A (zh) * 2021-09-24 2022-01-28 中国航发北京航空材料研究院 一种计算机辅助同色同谱涂料配色方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN107766603A (zh) * 2017-04-24 2018-03-06 东华大学 一种色纺纱计算机测配色方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020184168A1 (en) * 2001-06-05 2002-12-05 Mcclanahan Craig J. System and method for determining acceptability of proposed color solution using an artificial intelligence based tolerance model

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN107766603A (zh) * 2017-04-24 2018-03-06 东华大学 一种色纺纱计算机测配色方法

Non-Patent Citations (7)

* 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》;20151204(第11期);全文 *
基于Friele模型的色纺纱光谱配色研究;沈加加等;《针织工业》;20130730(第5期);全文 *
基于Ga-BP神经网络的色纺纱配色;马崇启等;《天津工业大学学报》;20161231(第6期);全文 *
基于STEARNS-NOECHE理论的色纺纱测配色研究;王玉娟;《中国优秀硕士学位论文全文数据库》;20170915(第9期);全文 *
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》;20150820(第6期);全文 *
棉色纺纱素色效果的宽容度研究;曹应刚等;《现代纺织技术》;20130415(第1期);全文 *
麻灰纱色纤维混合模型分析;李君丽;《中国优秀硕士学位论文全文数据库》;20170215(第2期);全文 *

Also Published As

Publication number Publication date
CN109582994A (zh) 2019-04-05

Similar Documents

Publication Publication Date Title
CN109582994B (zh) 一种色纺纱智能选色配色方法
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
US7911648B2 (en) Method for creating a color transform relating color reflectances produced under reference and target operating conditions and data structure incorporating the same
CN105787559B (zh) 基于神经网络的色纺纱配色方法
Shen et al. Spectrophotometric prediction of pre-colored fiber blends with a hybrid model based on artificial neural network and Stearns–Noechel model
Almodarresi et al. A scanner based neural network technique for color matching of dyed cotton with reactive dye
CN115855809B (zh) 一种基于光谱重建的纺织品色牢度自动评级方法
CN106937018B (zh) 基于rbf神经网络用于纺织品喷墨印染的色彩映射方法
CN101325648A (zh) 颜色处理装置和颜色处理方法
JP2021196304A (ja) 繊維製品等の色変化評価方法
Şahin et al. Artificial neural networks approach for prediction of CIELab values for yarn after dyeing and finishing process
CN109992928A (zh) 一种建立书画纸输出质量预测模型的方法
JP2018191073A (ja) 着色材料の配合量の算出方法
US7777916B2 (en) Method for producing a table of predicted reflectances under target operating conditions and data structure and printing system incorporating the table
CN105787275B (zh) 一种皮革染色的计算机配色方法
CN109946245B (zh) 一种染料的计算机配色方法
Kuo et al. Computerized color separation system for printed fabrics by using backward-propagation neural network
CN113192034B (zh) 基于反向传播神经网络的混合染液浓度检测方法
CN113128104A (zh) 一种基于改进bp神经网络的计算机测配色方法
JPH04235322A (ja) カラーマッチング方法およびその装置
US7782489B2 (en) Method for selecting a sample set useful in relating color reflectances producible under reference and target operating conditions and the sample set producing thereby
Senthilkumar Use of artificial neural networks (ANNs) in colour measurement
Wei et al. Spectral reflectance estimation based on two-step k-nearest neighbors locally weighted linear regression
CN105740951B (zh) 一种皮革涂饰计算机配色方法

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
GR01 Patent grant
GR01 Patent grant