CN113591940B - 一种印染配色的多模型融合方法、装置、设备及介质 - Google Patents
一种印染配色的多模型融合方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113591940B CN113591940B CN202110783420.1A CN202110783420A CN113591940B CN 113591940 B CN113591940 B CN 113591940B CN 202110783420 A CN202110783420 A CN 202110783420A CN 113591940 B CN113591940 B CN 113591940B
- Authority
- CN
- China
- Prior art keywords
- data
- printing
- color matching
- data set
- dyeing
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种印染配色的多模型融合方法、装置、设备及介质,方法包括:对获取到的原始数据进行数据预处理,得到印染配色数据集;根据数据的性质特点对所述印染配色数据集进行划分,得到多个数据组;通过组合多个不同模型得到的模型组合对每个所述数据组进行特征提取,得到目标特征;对所述目标特征进行特征融合,得到特征集;根据所述特征集进行自动印染配色。本发明能够提高对印染配色数据的特征提取能力,提高自动印染配色模型的预测性能,本发明可广泛应用于计算机技术领域。
Description
技术领域
本发明涉及计算机技术领域,尤其是一种印染配色的多模型融合方法、装置、设备及介质。
背景技术
自动印染配色对纺织行业的增值提效具有重要的促进意义。在目前的纺织行业中,依旧使用Kubelka-Munk(KM)理论的方式建立线性模型来拟合染料组合和染料溶度之间的关系。但是,从实际情况来看,染色配方中的染料组合往往并不是使用KM理论进行建模的所呈现的线性方式,而一般呈现为非线性关系。所以目前的计算机自动印染配色领域需要一个好的模型或者算法来拟合这种非线性关系。近年来随着机器学习在诸多领域的广泛应用,因为机器学习有着比较强大的非线性表达能力,所以在自动印染配色研究中发挥越来越重要的作用,但目前还存在传统机器学习模型所需的人工提取特征耗时耗力等困难,且印染配色领域的产品溶度、光谱、底物材料等大量复杂数据加剧了机器学习模型应用中存在的对于复杂数据难以拟合的问题。
在自动印染配色预测方法研究方面,现有方法常常是构建染色配方与对应产品混合物反射率值的单一模型,或者是构建染色配方与对应颜色三刺激值的单一模型,但自动染色配色过程十分复杂,牵扯到许多色彩学、光学及着色等问题,包含着色时间、着色温度、着色助剂等影响因素,此外还受工艺、织物对光线吸收和反射的不同效果等因素的影响。这些单一的模型方法只能够解决少数的自动染色配色问题,并不能适应目前错综复杂的自动印染配色环境。因此上述常见由单一模型组成的印染配色模型对于实际的复杂自动印染配色而言应用价值并不突出。综上所述,自动印染配色研究面临着一个主要困难:如何设计一个有效的模型从复杂且大量的印染配色训练数据中提取出相关特征来提高自动染色配方预测的性能。
因为由单一模型组成的自动印染配色模型性能不足和应用性不突出,并不能很好的完成自动印染配色的相关任务,使得自动印染配色领域的数据处理以及印染配色数据特征提取能力偏弱,从而导致计算机自动印染配色的效果不佳。
发明内容
有鉴于此,本发明实施例提供一种印染配色的多模型融合方法、装置、设备及介质,以提高对印染配色数据的特征提取能力,提高自动印染配色模型的预测性能。
本发明的一方面提供了一种印染配色的多模型融合方法,包括:
对获取到的原始数据进行数据预处理,得到印染配色数据集;
根据数据的性质特点对所述印染配色数据集进行划分,得到多个数据组;
通过组合多个不同模型得到的模型组合对每个所述数据组进行特征提取,得到目标特征;
对所述目标特征进行特征融合,得到特征集;
根据所述特征集进行自动印染配色。
可选地,所述对获取到的原始数据进行数据预处理,得到印染配色数据集,包括:
对所述原始数据的非数值变量进行编码处理,得到第一数据;
对所述原始数据的目标数据进行填充处理和异常数据剔除处理,得到第二数据;
对所述原始数据中小数值数据进行log变换处理,得到第三数据;
对所述第一数据、所述第二数据以及所述第三数据进行批标准化处理,得到所述印染配色数据集。
可选地,所述根据数据的性质特点对所述印染配色数据集进行划分,得到多个数据组,包括:
确定所述印染配色数据集的特征属性;其中,所述特征属性包括类型、质量、用途和可靠度;
根据所述印染配色数据集的特征属性,将印染配色数据集划分为不同的数据组;其中,所述数据组包括染色剂光谱数据组、底物/标准物的光谱数据组以及配方中使用的材料类别组。
可选地,所述通过组合多个不同模型得到的模型组合对每个所述数据组进行特征提取,得到目标特征,包括:
获取各个所述数据组;
根据各个所述数据组的属性特征,采用不同的组合模型进行处理,得到特征向;
其中,所述特征向量用于表征各个所述数据组的属性特征。
可选地,所述对所述目标特征进行特征融合,得到特征集,包括:
采用特征融合的方法将从不同数据组提取到的目标特征进行合并处理,得到所述特征集;
其中,所述特征集用于表征印染配色过程中的印染规律和数据特征。
可选地,所述方法还包括:
根据所述特征及对印染配方中材料的使用溶度进行预测。
可选地,所述方法还包括:
根据所述特征及对印染配方中使用的材料种类进行预测。
本发明实施例还提供了一种印染配色的多模型融合装置,包括:
第一模块,用于对获取到的原始数据进行数据预处理,得到印染配色数据集;
第二模块,用于根据数据的性质特点对所述印染配色数据集进行划分,得到多个数据组;
第三模块,用于通过组合多个不同模型得到的模型组合对每个所述数据组进行特征提取,得到目标特征;
第四模块,用于对所述目标特征进行特征融合,得到特征集;
第五模块,用于根据所述特征集进行自动印染配色。
本发明实施例还提供了一种电子设备,包括处理器以及存储器;
所述存储器用于存储程序;
所述处理器执行所述程序实现如前面所述的方法。
本发明实施例还提供了一种计算机可读存储介质,所述存储介质存储有程序,所述程序被处理器执行实现如前面所述的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行前面的方法。
本发明的实施例对获取到的原始数据进行数据预处理,得到印染配色数据集;根据数据的性质特点对所述印染配色数据集进行划分,得到多个数据组;通过组合多个不同模型得到的模型组合对每个所述数据组进行特征提取,得到目标特征;对所述目标特征进行特征融合,得到特征集;根据所述特征集进行自动印染配色。本发明能够提高对印染配色数据的特征提取能力,提高自动印染配色模型的预测性能。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的整体步骤流程图;
图2为本发明实施例提供的数据预处理的步骤流程图;
图3为本发明实施例提供的特征融合的步骤流程图;
图4为本发明实施例提供的整体实现原理示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
针对现有技术存在的问题,本发明提出了一种印染配色的多模型融合方法,如图1所示,包括以下步骤:
对获取到的印染配色数据集,进行必要的数据预处理工作;
将印染配色数据集根据数据的性质特点划分为不同的数据组;
针对不同的数据组使用不同的组合模型进行处理得到相关特征;
将所有提取到的数据特征经过特征融合后形成特征集;
使用融合以后的特征集进行相关的下游任务,例如计算机自动印染配色。
进一步地,所诉对获取到的印染配色数据集,进行必要的数据预处理工作这一步骤,如图2所示,具体包括:
非数值变量的编码;
必要数据的填充操作和异常数据的删除;
对数值较小的数据进行log变换;
批标准化过程。
进一步地,所述将印染配色数据集根据数据的性质特点划分为不同的数据组这一步骤,具体包括:
确定所述印染配色数据集的特征属性;所述特征属性包括类型、质量、用途和可靠度等;
根据所述印染配色数据集的特征属性,将印染配色数据集划分为不同的数据组,例如染色剂光谱数据组、底物/标准物的光谱数据组、配方中使用的材料类别组等。
进一步地,所述针对不同的数据组使用不同的组合模型进行处理得到相关特征这一步骤,具体包括:
获取印染配色数据集中不同的数据组;
根据不同的印染配色数据源组,利用数据组中数据的特点和性质使用不同的组合模型进行处理;
数据组过不同的组合模型处理后,可以自动提取到不同数据组内部表达的特征和性质,用特征向量的形式来表现出来;
进一步地,所述将所有提取到的数据特征经过特征融合后形成特征集这一步骤,如图3所示,具体包括:
将所有不同数据组提取到的特征,通过特征融合的形式进行合并表示,形成表达整个印染配色数据的特征集,从而更好的表达整个印染配色过程中的内部蕴含的规律和数据内部所含有的特征。
进一步地,所述使用融合以后的特征集进行计算机自动印染配色这一步骤,具体包括:
根据特征融合以后的印染配色特征集,用于各种印染配色的下游任务,例如印染配方中的材料使用的溶度预测、配方中使用的材料种类预测、自动产生印染配方等。
下面结合说明书附图,对本发明的实现原理进行详细说明:
如图4所示,本发明的整体实现原理如下:
图4是本实施例设计的一个基于多模型融合方法的一个印染配色模型,暂时命名CMR-Color。该模型由四个部分组成:ResNet模型、典型CNN模型、数据编码过程和MLP模型。
首先,本实施例从印染配色数据集中的所有数据,根据数据的不同性质特点,分成三部分:
1)染色剂产品光谱数据:对于配方中的染色剂产品光谱数据,是由不同波长和浓度的光谱吸收数据组成的二维数据。每个染色配方包含着各种不同的染色剂产品,这增加了染色剂产品光谱数据的复杂性。为了表达染料组分光谱数据的颜色特征,本模型应用ResNet网络来提取染料组分光谱数据中表达的颜色特征。通过ResNet网络的多通道卷积运算,将染料配方中多个染色剂产品的光谱二维数据叠加起来,提取出不同染色剂产品的颜色特征。
2)底物/标准物光谱:与染色剂产品的光谱数据相比,基材/标准物的光谱数据只包括固定溶解度的光谱数据,所以基材/标准品的光谱数据是沿固定溶度的不同波长的数据序列。所以模型使用了经典的的CNN模型,从左到右的卷积操作来提取光谱数据的特征,并进行maxpooling操作,在保持主要特征的同时减少参数的数量。
3)配方中的使用的各种材料以及染色流程等非数值数据。这类数据包含着不同数量的分类变量,例如,"染色过程"包含5个类别,"基材输送"有96个类别,而"纤维材料"和"染色过程"的类别数量相对较少。因此,本模型采用一定的数据编码过程,将这些非数值变量转化为可计算的数值变量,用于后续印染配色模型的训练。
所有印染配色数据经过不同的组合模型处理后,都会得到一个能表达印染配色数据本身特点以及性质的一个特征向量,因为本实施例将原始的印染配色分为多个部分分别处理,所以会得到多个不同的特征下向量,本实施例使用了特征向量合并的方式,将所有组合模型提取到的特征向量,进行特征融合,最终得到了一个能够表达整个印染配色数据集的特征向量。
通过最终获取到的特征向量,可以将它用于各种印染配色的下游任务,根据下游任务的不同,使用的组合模型也会产生对应的改变。本模型的任务是预测配方中所有材料以及染色剂产品的溶度值。所以使用了MLP模型进行回归预测。
以上是其中一个下游任务的实例,来说明本发明的多模型融合方法的实例原理。
综上所述,本发明的实施例中,针对不同特性的印染配色数据采用不同的组合模型进行处理,比起用单一模型提取到的特征更符合不同数据组内部的特征规律和性质特点。自动印染配色多模型融合方法利用了不同组合模型各自的优点,集成的处理大量且复杂的印染配色数据,充分表达了印染配色数据的内部特征和规律。通过本发明提出的自动印染配色的多模型融合方法,提取出的印染配色数据的特征集,可以很好的用于计算机自动印染配色。
本发明实施例还提供了一种印染配色的多模型融合装置,包括:
第一模块,用于对获取到的原始数据进行数据预处理,得到印染配色数据集;
第二模块,用于根据数据的性质特点对所述印染配色数据集进行划分,得到多个数据组;
第三模块,用于通过组合多个不同模型得到的模型组合对每个所述数据组进行特征提取,得到目标特征;
第四模块,用于对所述目标特征进行特征融合,得到特征集;
第五模块,用于根据所述特征集进行自动印染配色。
本发明实施例还提供了一种电子设备,包括处理器以及存储器;
所述存储器用于存储程序;
所述处理器执行所述程序实现如前面所述的方法。
本发明实施例还提供了一种计算机可读存储介质,所述存储介质存储有程序,所述程序被处理器执行实现如前面所述的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行前面的方法。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外,在本发明的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本发明,但应当理解的是,除非另有相反说明,所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本发明的范围,本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (7)
1.一种印染配色的多模型融合方法,其特征在于,包括:
对获取到的原始数据进行数据预处理,得到印染配色数据集;
根据数据的性质特点对所述印染配色数据集进行划分,得到多个数据组;
通过组合多个不同模型得到的模型组合对每个所述数据组进行特征提取,得到目标特征;
对所述目标特征进行特征融合,得到特征集;
根据所述特征集进行自动印染配色;
所述根据数据的性质特点对所述印染配色数据集进行划分,得到多个数据组,包括:
确定所述印染配色数据集的特征属性;其中,所述特征属性包括类型、质量、用途和可靠度;
根据所述印染配色数据集的特征属性,将印染配色数据集划分为不同的数据组;其中,所述数据组包括染色剂光谱数据组、底物/标准物的光谱数据组以及配方中使用的材料类别组;
所述通过组合多个不同模型得到的模型组合对每个所述数据组进行特征提取,得到目标特征,包括:
获取各个所述数据组;
根据各个所述数据组的属性特征,采用不同的组合模型进行处理,得到特征向量;
其中,所述特征向量用于表征各个所述数据组的属性特征;
所述对所述目标特征进行特征融合,得到特征集,包括:
采用特征融合的方法将从不同数据组提取到的目标特征进行合并处理,得到所述特征集;
其中,所述特征集用于表征印染配色过程中的印染规律和数据特征。
2.根据权利要求1所述的一种印染配色的多模型融合方法,其特征在于,所述对获取到的原始数据进行数据预处理,得到印染配色数据集,包括:
对所述原始数据的非数值变量进行编码处理,得到第一数据;
对所述原始数据的目标数据进行填充处理和异常数据剔除处理,得到第二数据;
对所述原始数据中小数值数据进行log变换处理,得到第三数据;
对所述第一数据、所述第二数据以及所述第三数据进行批标准化处理,得到所述印染配色数据集。
3.根据权利要求1所述的一种印染配色的多模型融合方法,其特征在于,所述方法还包括:
根据所述特征集对印染配方中材料的使用溶度进行预测。
4.根据权利要求1所述的一种印染配色的多模型融合方法,其特征在于,所述方法还包括:
根据所述特征集对印染配方中使用的材料种类进行预测。
5.一种印染配色的多模型融合装置,其特征在于,包括:
第一模块,用于对获取到的原始数据进行数据预处理,得到印染配色数据集;
第二模块,用于根据数据的性质特点对所述印染配色数据集进行划分,得到多个数据组;
第三模块,用于通过组合多个不同模型得到的模型组合对每个所述数据组进行特征提取,得到目标特征;
第四模块,用于对所述目标特征进行特征融合,得到特征集;
第五模块,用于根据所述特征集进行自动印染配色;
所述第二模块,具体用于:
确定所述印染配色数据集的特征属性;其中,所述特征属性包括类型、质量、用途和可靠度;
根据所述印染配色数据集的特征属性,将印染配色数据集划分为不同的数据组;其中,所述数据组包括染色剂光谱数据组、底物/标准物的光谱数据组以及配方中使用的材料类别组;
所述第三模块,具体用于:
获取各个所述数据组;
根据各个所述数据组的属性特征,采用不同的组合模型进行处理,得到特征向量;
其中,所述特征向量用于表征各个所述数据组的属性特征;
所述第四模块,具体用于:
采用特征融合的方法将从不同数据组提取到的目标特征进行合并处理,得到所述特征集;
其中,所述特征集用于表征印染配色过程中的印染规律和数据特征。
6.一种电子设备,其特征在于,包括处理器以及存储器;
所述存储器用于存储程序;
所述处理器执行所述程序实现如权利要求1-4中任一项所述的方法。
7.一种计算机可读存储介质,其特征在于,所述存储介质存储有程序,所述程序被处理器执行实现如权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110783420.1A CN113591940B (zh) | 2021-07-12 | 2021-07-12 | 一种印染配色的多模型融合方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110783420.1A CN113591940B (zh) | 2021-07-12 | 2021-07-12 | 一种印染配色的多模型融合方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113591940A CN113591940A (zh) | 2021-11-02 |
CN113591940B true CN113591940B (zh) | 2023-09-26 |
Family
ID=78246827
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110783420.1A Active CN113591940B (zh) | 2021-07-12 | 2021-07-12 | 一种印染配色的多模型融合方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113591940B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115033559B (zh) * | 2022-08-11 | 2023-04-07 | 富联裕展科技(深圳)有限公司 | 一种染色模型的建立方法、染色方法、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111553114A (zh) * | 2020-04-11 | 2020-08-18 | 东华大学 | 一种基于数据驱动的纺织印染智能配色方法 |
CN112330767A (zh) * | 2020-11-25 | 2021-02-05 | 山东师范大学 | 一种最大差异化配色方法、系统、介质及电子设备 |
-
2021
- 2021-07-12 CN CN202110783420.1A patent/CN113591940B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111553114A (zh) * | 2020-04-11 | 2020-08-18 | 东华大学 | 一种基于数据驱动的纺织印染智能配色方法 |
CN112330767A (zh) * | 2020-11-25 | 2021-02-05 | 山东师范大学 | 一种最大差异化配色方法、系统、介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113591940A (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dhamdhere et al. | How important is a neuron? | |
Xu et al. | Quantization of fully convolutional networks for accurate biomedical image segmentation | |
Pourkaramdel et al. | Fabric defect detection based on completed local quartet patterns and majority decision algorithm | |
Banić et al. | Smart light random memory sprays Retinex: a fast Retinex implementation for high-quality brightness adjustment and color correction | |
Yang et al. | An improved genetic algorithm for optimal feature subset selection from multi-character feature set | |
US11631230B2 (en) | Method, device, system and computer-program product for setting lighting condition and storage medium | |
Xie et al. | On data scaling in masked image modeling | |
CN104008538A (zh) | 基于单张图像超分辨率方法 | |
CN113591940B (zh) | 一种印染配色的多模型融合方法、装置、设备及介质 | |
Peeters et al. | Using chatgpt for entity matching | |
Zheng et al. | Truncated low-rank and total p variation constrained color image completion and its moreau approximation algorithm | |
Wang et al. | A high-throughput phenotyping pipeline for image processing and functional growth curve analysis | |
Shan et al. | Hyperspectral image denoising with dual deep CNN | |
CN112836602A (zh) | 基于时空特征融合的行为识别方法、装置、设备及介质 | |
Siavelis et al. | An improved GAN semantic image inpainting | |
Lutz et al. | Benchmark of automated machine learning with state-of-the-art image segmentation algorithms for tool condition monitoring | |
Wen et al. | SVBRDF Recovery from a Single Image with Highlights Using a Pre‐trained Generative Adversarial Network | |
Zhang et al. | Color-patterned fabric defect detection algorithm based on triplet attention multi-scale U-shape denoising convolutional auto-encoder | |
CN117237479A (zh) | 基于扩散模型的产品风格自动生成方法、装置及设备 | |
CN110135379A (zh) | 舌象分割方法及装置 | |
Huang et al. | DeeptransMap: a considerably deep transmission estimation network for single image dehazing | |
Junejo et al. | Probabilistic modeling of histogram based fuzzy image enhancement algorithm | |
Fan et al. | Adversarial Latent Autoencoder with Self-Attention for Structural Image Synthesis | |
CN112749906A (zh) | 卷烟主流烟气光谱数据的感官评价方法 | |
Zhang et al. | Hardware-aware one-shot neural architecture search in coordinate ascent framework |
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 |