CN109946245A - 一种染料的计算机配色方法 - Google Patents

Abstract

本发明涉及一种染料的计算机配色方法，根据待配色样品的反射率Rt(λ)得到多个候选染料配方后从中筛选出一个进行配色；筛选包括分析候选染料配方中各染料之间的配伍性的步骤；配伍性是用D_max来表征的，D_max＝|K_0max‑K_0min|，K_0max和K_0min分别为候选染料配方中的染料K₀值的最大值和最小值；K₀值是通过将候选染料配方中各染料质量占染料总质量的百分比同时输入到同一BP神经网络模型I中由其预测得到的；BP神经网络模型I是以历史染料配方中各染料质量占染料总质量的百分比及其对应的K₀值为输入和输出训练得到的BP神经网络。本发明的染料的计算机配色方法，配色准确度高，反应速度快，极具应用前景。

Description

一种染料的计算机配色方法

技术领域

本发明属于染料配色技术领域，涉及一种染料的计算机配色方法，具体涉及一种活性染料轧染染色时计算机提供预报配方并通过优化循环算法对预报配方进行筛选，最终得到一次染色准确性高并且最经济的配方的方法。

背景技术

目前染厂的自动化水平较低，接到客户来样后通常由染色师傅根据经验给出大致配方，再通过试染和调色等过程确定配方，其过程复杂且对染色师傅的经验要求很高，此外小样染色工艺放大过程易出现各种各样的问题，特别在轧染染色过程中极易出现首尾色差，导致这一现象的主要原因是配色的染料配伍性不好，染液槽中各染料浓度配比在经过一段时间染色后发生了变化，使得最终染出布样颜色前后不一致。这一问题的出现极大程度地影响了染厂的生产效率。

随着科技的不断进步，计算机配色技术已日趋成熟，当前的计算机配色技术已经达到了可以根据客户来样分析建模得到配色样品配方的程度，这能够一定程度上解决染色师傅经验不足的问题，因此越来越多应用在染色企业中。但目前的计算机配色技术并未涉及染料配伍性差的问题，该问题仍然是影响染厂生产效率的一大困难。

因此，开发一种能够解决染料配伍性问题的染料的计算机配色方法极具现实意义。

发明内容

本发明的目的是克服现有技术无法解决染料配伍性不佳问题的缺陷，提供一种能够解决染料配伍性问题的染料的计算机配色方法。

为达到上述目的，本发明采用的技术方案如下：

一种染料的计算机配色方法，根据待配色样品的反射率R_t(λ)得到多个候选染料配方后从中筛选出一个候选染料配方进行配色；

筛选包括对候选染料配方中各染料之间的配伍性进行分析的步骤；

配伍性是用D_max来表征的，D_max＝|K_0max-K_0min|，K_0max和K_0min分别为候选染料配方中的染料K₀值的最大值和最小值，D_max越小，配伍性越好；

候选染料配方中各染料的K₀值是通过将候选染料配方中各染料质量占染料总质量的百分比同时输入到同一BP神经网络模型I中由其预测得到的；

BP神经网络模型I是由染料数据库训练后的BP神经网络，染料数据库包含多个历史染料配方及历史染料配方中各染料的K₀值，训练时分别以各历史染料配方中各染料质量占染料总质量的百分比及其对应的K₀值为输入项和输出项；

多个历史染料配方和候选染料配方对应同一组染料，这是因为不同组染料不具有可比性；

历史染料配方中各染料的K₀值为染色过程中单位质量的织物上各染料的初始上染速率，染色使用的染液按历史染料配方配制而成。

本发明通过引入D_max＝|K_0max-K_0min|表征配伍性，同时建立BP神经网络模型I，通过该模型即可得到染料配方中对应各染料的K₀值，计算得到染料配方对应的D_max，而后对D_max进行分析，以提高挑选得到染料配方的配伍性，成功解决了轧染染色过程中极易出现的染料配伍性差的问题。

作为优选的技术方案：

如上所述的一种染料的计算机配色方法，所述染液的浓度(染液浓度是指染液中所有染料的质量与染液的体积之比)为0.01～200g/L；所述染色的温度为10～250℃，浴比为1:1～200，中性盐用量(中性盐的质量与水的体积之比)为0～300g/L，染色的温度、浴比和中性盐用量并不仅限于此，此处仅给出本发明适用的部分范围，工艺为轧染、浸染、冷轧堆染色或高温高压染色，染色工艺不限于此，还可以是湿短蒸等等，本发明的多组分染料配伍性评价方法适用范围较广，不受染色工艺的限制；所述染料为活性染料、酸性染料、直接染料或分散染料，染料不限于此，还可以是其他适合拼色的染料；所述织物为棉织物或粘胶织物，织物不限于此，还可以是其他适合上述染料或者其他可与其拼色的染料染色的所有织物。

如上所述的一种染料的计算机配色方法，历史染料配方中各染料的K₀值是通过以下过程得到的：

首先在线监测染液中各染料浓度随时间变化的数据，然后进行数据处理得到单位质量的织物上各染料上染量随时间变化的数据，接着用Origin软件对数据进行拟合得到各染料对应的上染量-时间拟合曲线，最后计算0时刻时上染量-时间拟合曲线的斜率得到各染料的K₀值；

所述上染量W_T的计算公式如下：

式中，C₀为染液中染料的初始浓度，单位为g/L，C_T为T时刻染液中染料的浓度，单位为g/L，m为染色开始时染液中染料的质量，单位为mg，M为织物的质量，单位为g；

所述K₀值的单位为mg·g^-1·min^-1。

如上所述的一种染料的计算机配色方法，所述在线监测采用拉曼光谱仪，本发明的保护范围不限于此，其他能够实现在线监测的仪器都可适用于本发明，例如紫外可见分光光度计等等，所述拉曼光谱仪的光纤探头插入到染液中，或者可以通过其他方式实现在线监测，例如直接监测，即将染液直接放置在拉曼激光下监测，只要是采用拉曼光谱仪在线监测染液中各染料浓度随时间变化的数据都在本发明的保护范围内；所述在线监测时拉曼光谱仪的激光器波长范围为200～1500nm，激光功率为0.01mW～3kW，曝光时间为0.0167～100sec，所述在线监测时拉曼光谱仪的测试条件范围并不局限于此，其也为根据激光器原始功率与滤光片组合方式的不同所能到达的最大范围；所述染液中各染料浓度是利用拉曼光谱通过化学计量学方法建立定量分析模型分析得到的。测试的激光器波长、激光功率及曝光时间等工艺参数可根据实际情况进行不同设置。

如上所述的一种染料的计算机配色方法，所述化学计量学方法为偏最小二乘法、主成分回归法、逐步多元线性回归法或经典最小二乘法；所述定量分析模型共有两个准确性评估指标，一个是校正相关系数(R²)，最大值为1，越接近1准确性越高，另一种是均方差(RMSEC)，最小值是0，越接近0准确性越高，可通过变换化学计量学方法和光谱预处理方法使其R²或RMSEC无限接近1或者0。

如上所述的一种染料的计算机配色方法，所述拟合采用Origin软件、Excel软件或CurveExpert Pro软件，本发明的保护范围不限于此，其他拟合软件同样适用于本发明；所述上染量-时间拟合曲线的相关系数不低于0.90；所述0时刻时上染量-时间拟合曲线的斜率是通过对上染量-时间拟合曲线进行一阶求导处理得到的。

如上所述的一种染料的计算机配色方法，采用染料数据库训练BP神经网络时训练的终止条件为：被错误识别的训练样本的数量占训练样本总数的比例不高于5％，被错误识别的训练样本是指BP神经网络输出的K₀值与实际K₀值不一致的训练样本。

如上所述的一种染料的计算机配色方法，所述根据待配色样品的反射率R_t(λ)得到多个候选染料配方的步骤如下：

(1)测量待配色样品的反射率R_t(λ)，代入公式(a)计算得到f[R_t(λ)]，即K/S_t(λ)，公式(a)的表达式如下：

f(x)＝(1-x)²/(2x)；

式中，x为自变量；测量待配色样品的反射率R_t(λ)是指在一块待配色样品上取多个不同位置点测量取其平均值作为R_t(λ)；

(2)以K/S_t(λ)为输入项，由BP神经网络模型II进行重均K/S值的预测，得到K/S_wt(λ)；

BP神经网络模型II是由配方数据库训练后的BP神经网络，BP神经网络模型I和II的训练是通过MATLAB软件进行的，配方数据库包含多个已配色样品的K/S_s(λ)及其对应的K/S_ws(λ)，训练时BP神经网络的输入项为K/S_s(λ)，输出项为K/S_ws(λ)；

K/S_s(λ)是通过测量已配色样品的反射率R_s(λ)后代入公式(a)计算得到的，K/S_ws(λ)是通过公式(b)计算得到的，公式(b)的表达式如下：

K/S_ws(λ)＝x₁K/S₁(λ)+x₂K/S₂(λ)+…+x_jK/S_j(λ)…+x_nK/S_n(λ)；

式中，x_j为已配色样品的染料配方中第j种染料的的质量占所有染料质量之和的比例，j＝1,2,3......n，n为已配色样品的染料配方的染料种类数，K/S_j(λ)是通过测量第j种染料的反射率后代入公式(a)计算得到的；

(3)利用光谱拟合算法，由K/S_i(λ)拟合K/S_wt(λ)，通过最小二乘法计算获得多个候选染料配方，K/S_i(λ)为一组染料中第i种染料在波长λ处的K/S值，波长λ范围为400～700nm，其是通过测量第i种染料的反射率后代入公式(a)计算得到的。

如上所述的一种染料的计算机配色方法，采用配方数据库训练BP神经网络基于“Levenberg-Marquardt”算法，BP神经网络的中间隐含层采用logsig函数，输出层采用purelin函数。

如上所述的一种染料的计算机配色方法，所述多个候选染料配方的数量为N，从1至N编号，所述筛选的流程如下：

(1)令t＝1；

(2)判断t≤N是否成立，如果否，则进步步骤(7)；反之，则进入下一步；

(3)判断编号为t的染料配方的D_max是否小于等于1，如果是，则进入步骤(5)；反之，则进入步骤(4)；

(4)令t＝t+1，返回步骤(2)；

(5)按编号为t的染料配方制作配方样卡，测试配方样卡的L、a、b值；

(6)将配方样卡的L、a、b值与目标色的L、a、b值进行比较，若不同，则返回步骤(4)；反之，则将候选染料配方输入成本数据库，同时令t＝t+1，返回步骤(2)；

(7)判断成本数据库中染色配方A的数量，若染色配方A的数量为1，则直接输出该染色配方A，若染色配方A的数量大于1，分别计算成本数据库中各候选染料配方的成本W，进入下一步，若染色配方A的数量为0，则直接输出编号为N的染色配方A；

(8)找到成本W最小的候选染料配方并输出。本发明的筛选首先是对染料配方D_max(配伍性)进行分析，挑选出D_max符合要求(≤1)的染料配方，然后制作配方样卡并测试其L、a、b值，选出与目标色L、a、b值相同的染料配方，最后计算该染料配方的成本，选择成本最低且符合以上条件的染料配方作为最终筛选结果。通过筛选，既提高了染料配方的配伍性，又通过配方样卡减少了可能的误差，同时还降低了生产成本。

发明机理：

本发明通过引入D_max＝|K_0max-K_0min|表征配伍性，同时建立BP神经网络模型I，将染料配方输入该模型即可得到染料配方中对应各染料的K₀值，进而得到染料配方对应的D_max，而后对D_max(配伍性)进行分析，对D_max(配伍性)进行分析的过程具体为(1)对染料配方D_max(配伍性)进行分析，挑选出D_max符合要求(≤1)的染料配方；(2)制作配方样卡并测试其L、a、b值，选出与目标色L、a、b值相同的染料配方；(3)计算该染料配方的成本，选择成本最低且符合以上条件的染料配方作为最终配方结果。通过对D_max(配伍性)进行分析，既提高了染料配方的配伍性，又通过配方样卡减少了可能的误差，同时还降低了生产成本。

有益效果：

(1)本发明的一种染料的计算机配色方法，配色准确度高，反应速度快；

(2)本发明的一种染料的计算机配色方法，提高了染料配方的配伍性，极具应用前景。

附图说明

图1和2分别为本发明的步骤(2)～(5)的流程示意图和数据处理流程图；

图3为本发明对染料配方进行筛选的流程图；

其中，染料配方A即为候选染料配方。

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。

本发明的一种染料的计算机配色方法，其具体步骤如下：

(1)训练BP神经网络模型I：

(1.1)获取多个历史染料配方中各染料的K₀值(染色过程中单位质量的织物上各染料的初始上染速率)，历史染料配方包括三种染料(活性红239、活性黄176和活性蓝194)：

首先按历史染料配方配制染液，使用该染液对织物进行染色，其次采用拉曼光谱仪在线监测染液中各染料浓度随时间变化的数据，再次进行数据处理得到单位质量的织物上各染料上染量随时间变化的数据，接着用Origin软件(也可用Excel软件或CurveExpertPro软件)对数据进行拟合得到各染料对应的上染量-时间拟合曲线，上染量-时间拟合曲线的相关系数不低于0.90，最后通过对上染量-时间拟合曲线进行一阶求导处理得到0时刻时上染量-时间拟合曲线的斜率，进而得到该历史染料配方中各染料的K₀值，依次针对多个历史染料配方进行以上操作获取多个历史染料配方中各染料的K₀值，在线监测时拉曼光谱仪的激光器波长范围为200～1500nm，激光功率为0.01mW～3kW，曝光时间为0.0167～100sec，各染料浓度是利用拉曼光谱通过化学计量学方法建立定量分析模型分析得到的，化学计量学方法为偏最小二乘法、主成分回归法、逐步多元线性回归法或经典最小二乘法，定量分析模型共有两个准确性评估指标，一个是校正相关系数(R²)，最大值为1，越接近1准确性越高，另一种是均方差(RMSEC)，最小值是0，越接近0准确性越高，可通过变换化学计量学方法和光谱预处理方法使其R²或RMSEC无限接近1或者0；

其中，染液的浓度为0.01～200g/L，pH值为0.1～14.0，染色的温度为10～250℃，浴比为1:1～200，中性盐用量为0～300g/L，工艺为轧染、浸染、冷轧堆染色或高温高压染色，染料为活性染料、酸性染料、直接染料或分散染料；织物为棉织物或粘胶织物，上染量W_T的计算公式如下：

式中，C₀为染液中染料的初始浓度，单位为g/L，C_T为T时刻染液中染料的浓度，单位为g/L，m为染色开始时染液中染料的质量，单位为mg，M为织物的质量，单位为g；K₀值的单位为mg·g^-1·min^-1；

(1.2)采用染料数据库训练BP神经网络得到BP神经网络模型I，染料数据库包含步骤(1.1)中的多个历史染料配方及多个历史染料配方中各染料的K₀值，训练时分别以各历史染料配方中各染料质量占染料总质量的百分比及其对应的K₀值为输入项和输出项，训练的终止条件为：被错误识别的训练样本的数量占训练样本总数的比例不高于5％，被错误识别的训练样本是指BP神经网络输出的K₀值与实际K₀值不一致的训练样本；

(2)根据待配色样品的反射率R_t(λ)得到多个候选染料配方，其中历史染料配方和候选染料配方对应同一组染料，步骤(2)～(5)如图1和2所示：

(2.1)测量待配色样品的反射率R_t(λ)，代入公式(a)计算得到f[R_t(λ)]，即K/S_t(λ)，公式(a)的表达式如下：

f(x)＝(1-x)²/(2x)；

式中，x为自变量；

(2.2)以K/S_t(λ)为输入项，由BP神经网络模型II进行重均K/S值的预测，得到K/S_wt(λ)；

BP神经网络模型II是由配方数据库训练后的BP神经网络，配方数据库包含多个已配色样品的K/S_s(λ)及其对应的K/S_ws(λ)，训练时BP神经网络的输入项为K/S_s(λ)，输出项为K/S_ws(λ)，训练BP神经网络模型II是基于“Levenberg-Marquardt”算法，BP神经网络的中间隐含层采用logsig函数，输出层采用purelin函数，本发明的配方数据库中共有三种染料(活性红239、活性黄176和活性蓝194)；

K/S_s(λ)是通过测量已配色样品的反射率R_s(λ)后代入公式(a)计算得到的，K/S_ws(λ)是通过公式(b)计算得到的，公式(b)的表达式如下：

K/S_ws(λ)＝x₁K/S₁(λ)+x₂K/S₂(λ)+…+x_jK/S_j(λ)…+x_nK/S_n(λ)；

式中，x_j为已配色样品的染料配方中第j种染料的的质量占所有染料质量之和的比例，j＝1,2,3......n，n为已配色样品的染料配方的染料种类数，K/S_j(λ)是通过测量第j种染料的反射率后代入公式(a)计算得到的；

(2.3)利用光谱拟合算法，由K/S_i(λ)拟合K/S_wt(λ)，通过最小二乘法计算获得多个候选染料配方，K/S_i(λ)为一组染料中第i种染料在波长λ处的K/S值，其是通过测量第i种染料的反射率后代入公式(a)计算得到的；

(3)逐个得到步骤(2)所得的多个候选染料配方中各染料的K₀值，具体是将各候选染料配方中各染料质量占染料总质量的百分比同时输入到同一BP神经网络模型I中由其预测得到的，并计算各个候选染料配方的D_max，D_max＝|K_0max-K_0min|，其中K_0max和K_0min分别为一候选染料配方中的染料K₀值的最大值和最小值，D_max越小，配伍性越好；

(4)筛选候选染料配方：

对多个候选染料配方(数量为N)进行从1至N进行编号，其筛选过程如图3所示：

(4.1)令t＝1；

(4.2)判断t≤N是否成立，如果否，则进入步骤(7)；反之，则进入下一步；

(4.3)判断编号为t的染料配方的D_max是否小于等于1，如果是，则进入步骤(4.5)；反之，则进入步骤(4.4)；

(4.4)令t＝t+1，返回步骤(4.2)；

(4.5)按编号为t的染料配方制作配方样卡，使用Datacolor SF650测试配方样卡的L、a、b值；

(4.6)将配方样卡的L、a、b值与目标色的L、a、b值进行比较，若不同，则返回步骤(4.4)；反之，则将候选染料配方输入成本数据库，同时令t＝t+1，返回步骤(2)；

(4.7)判断成本数据库中染色配方A的数量，若染色配方A的数量为1，则直接输出该染色配方A，若染色配方A的数量大于1，分别计算成本数据库中各候选染料配方的成本W，进入下一步，若染色配方A的数量为0，则直接输出编号为N的染色配方A；

(4.8)找到成本W最小的候选染料配方并输出；

(5)按照步骤(4)输出的染料配方进行配色。

经验证，本发明的染料的计算机配色方法配色精准度高，处理速度快，生产成本低廉，配方的配伍性好，极具应用前景。

Claims (10)

1.一种染料的计算机配色方法，其特征是：根据待配色样品的反射率R_t(λ)得到多个候选染料配方后从中筛选出一个候选染料配方进行配色；

筛选包括对候选染料配方中各染料之间的配伍性进行分析的步骤；

配伍性是用D_max来表征的，D_max＝|K_0max-K_0min|，K_0max和K_0min分别为候选染料配方中的染料K₀值的最大值和最小值，D_max越小，配伍性越好；

候选染料配方中各染料的K₀值是通过将候选染料配方中各染料质量占染料总质量的百分比同时输入到同一BP神经网络模型I中由其预测得到的；

BP神经网络模型I是由染料数据库训练后的BP神经网络，染料数据库包含多个历史染料配方及历史染料配方中各染料的K₀值，训练时分别以各历史染料配方中各染料质量占染料总质量的百分比及其对应的K₀值为输入项和输出项；

多个历史染料配方和候选染料配方对应同一组染料；

历史染料配方中各染料的K₀值为染色过程中单位质量的织物上各染料的初始上染速率，染色使用的染液按历史染料配方配制而成。

2.根据权利要求1所述的一种染料的计算机配色方法，其特征在于，所述染液的浓度为0.01～200g/L，pH值为0.1～14.0；所述染色的温度为10～250℃，浴比为1:1～200，中性盐用量为0～300g/L，工艺为轧染、浸染、冷轧堆染色或高温高压染色；所述染料为活性染料、酸性染料、直接染料或分散染料；所述织物为棉织物或粘胶织物。

3.根据权利要求1所述的一种染料的计算机配色方法，其特征在于，历史染料配方中各染料的K₀值是通过以下过程得到的：

首先在线监测染液中各染料浓度随时间变化的数据，然后进行数据处理得到单位质量的织物上各染料上染量随时间变化的数据，接着对数据进行拟合得到各染料对应的上染量-时间拟合曲线，最后计算0时刻时上染量-时间拟合曲线的斜率得到各染料的K₀值；

所述上染量W_T的计算公式如下：

式中，C₀为染液中染料的初始浓度，单位为g/L，C_T为T时刻染液中染料的浓度，单位为g/L，m为染色开始时染液中染料的质量，单位为mg，M为织物的质量，单位为g；

所述K₀值的单位为mg·g^-1·min^-1。

4.根据权利要求3所述的一种染料的计算机配色方法，其特征在于，所述在线监测采用拉曼光谱仪；所述在线监测时拉曼光谱仪的激光器波长范围为200～1500nm，激光功率为0.01mW～3kW，曝光时间为0.0167～100sec；所述染液中各染料浓度是利用拉曼光谱通过化学计量学方法建立定量分析模型分析得到的。

5.根据权利要求4所述的一种染料的计算机配色方法，其特征在于，所述化学计量学方法为偏最小二乘法、主成分回归法、逐步多元线性回归法或经典最小二乘法；所述定量分析模型共有两个准确性评估指标，一个是校正相关系数，最大值为1，越接近1准确性越高，另一种是均方差，最小值是0，越接近0准确性越高。

6.根据权利要求3所述的一种染料的计算机配色方法，其特征在于，所述拟合采用Origin软件、Excel软件或CurveExpert Pro软件；所述上染量-时间拟合曲线的相关系数不低于0.90；所述0时刻时上染量-时间拟合曲线的斜率是通过对上染量-时间拟合曲线进行一阶求导处理得到的。

7.根据权利要求1所述的一种染料的计算机配色方法，其特征在于，采用染料数据库训练BP神经网络时训练的终止条件为：被错误识别的训练样本的数量占训练样本总数的比例不高于5％，被错误识别的训练样本是指BP神经网络输出的K₀值与实际K₀值不一致的训练样本。

8.根据权利要求1所述的一种染料的计算机配色方法，其特征在于，所述根据待配色样品的反射率R_t(λ)得到多个候选染料配方的步骤如下：

(1)测量待配色样品的反射率R_t(λ)，代入公式(a)计算得到f[R_t(λ)]，即K/S_t(λ)，公式(a)的表达式如下：

f(x)＝(1-x)²/(2x)；

式中，x为自变量；

(2)以K/S_t(λ)为输入项，由BP神经网络模型II进行重均K/S值的预测，得到K/S_wt(λ)；

BP神经网络模型II是由配方数据库训练后的BP神经网络，配方数据库包含多个已配色样品的K/S_s(λ)及其对应的K/S_ws(λ)，训练时BP神经网络的输入项为K/S_s(λ)，输出项为K/S_ws(λ)；

K/S_s(λ)是通过测量已配色样品的反射率R_s(λ)后代入公式(a)计算得到的，K/S_ws(λ)是通过公式(b)计算得到的，公式(b)的表达式如下：

K/S_ws(λ)＝x₁K/S₁(λ)+x₂K/S₂(λ)+…+x_jK/S_j(λ)…+x_nK/S_n(λ)；

式中，x_j为已配色样品的染料配方中第j种染料的的质量占所有染料质量之和的比例，j＝1,2,3......n，n为已配色样品的染料配方的染料种类数，K/S_j(λ)是通过测量第j种染料的反射率后代入公式(a)计算得到的；

(3)利用光谱拟合算法，由K/S_i(λ)拟合K/S_wt(λ)，通过最小二乘法计算获得多个候选染料配方，K/S_i(λ)为一组染料中第i种染料在波长λ处的K/S值，其是通过测量第i种染料的反射率后代入公式(a)计算得到的。

9.根据权利要求8所述的一种染料的计算机配色方法，其特征在于，采用配方数据库训练BP神经网络基于“Levenberg-Marquardt”算法，BP神经网络的中间隐含层采用logsig函数，输出层采用purelin函数。

10.根据权利要求1所述的一种染料的计算机配色方法，其特征在于，所述多个候选染料配方的数量为N，从1至N编号，所述筛选的流程如下：

(1)令t＝1；

(2)判断t≤N是否成立，如果否，则进入步骤(7)；反之，则进入下一步；

(3)判断编号为t的染料配方的D_max是否小于等于1，如果是，则进入步骤(5)；反之，则进入步骤(4)；

(4)令t＝t+1，返回步骤(2)；

(5)按编号为t的染料配方制作配方样卡，测试配方样卡的L、a、b值；

(6)将配方样卡的L、a、b值与目标色的L、a、b值进行比较，若不同，则返回步骤(4)；反之，则将候选染料配方输入成本数据库，同时令t＝t+1，返回步骤(2)；

(7)判断成本数据库中染色配方A的数量，若染色配方A的数量为1，则直接输出该染色配方A；若染色配方A的数量大于1，分别计算成本数据库中各候选染料配方的成本W，进入下一步；若染色配方A的数量为0，则直接输出编号为N的染色配方A；

(8)找到成本W最小的候选染料配方并输出。