CN115855809B - 一种基于光谱重建的纺织品色牢度自动评级方法 - Google Patents
一种基于光谱重建的纺织品色牢度自动评级方法 Download PDFInfo
- Publication number
- CN115855809B CN115855809B CN202310145478.2A CN202310145478A CN115855809B CN 115855809 B CN115855809 B CN 115855809B CN 202310145478 A CN202310145478 A CN 202310145478A CN 115855809 B CN115855809 B CN 115855809B
- Authority
- CN
- China
- Prior art keywords
- sample
- color
- color fastness
- spectrum
- textile
- 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
- 239000004753 textile Substances 0.000 title claims abstract description 137
- 238000001228 spectrum Methods 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012360 testing method Methods 0.000 claims abstract description 68
- 230000004044 response Effects 0.000 claims abstract description 50
- 230000000007 visual effect Effects 0.000 claims abstract description 30
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000004519 manufacturing process Methods 0.000 claims abstract description 4
- 239000004744 fabric Substances 0.000 claims description 72
- 239000011159 matrix material Substances 0.000 claims description 36
- 230000003595 spectral effect Effects 0.000 claims description 28
- 239000013598 vector Substances 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000004737 colorimetric analysis Methods 0.000 claims description 8
- 238000005286 illumination Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000004075 alteration Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000010186 staining Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000005406 washing Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims 1
- 238000005259 measurement Methods 0.000 description 6
- 239000003086 colorant Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000002845 discoloration Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 238000002798 spectrophotometry method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- Spectrometry And Color Measurement (AREA)
Abstract
本发明为一种基于光谱重建的纺织品色牢度自动评级方法，包括：制作纺织样本；针对不同色牢度测试需求，开展色牢度测试；开展色牢度目视评级，得到纺织样本的色牢度目视评级结果；在规定条件下，利用数码相机拍摄纺织样本及光谱建模样本数字图像，提取拍摄对象数字响应值；利用光谱建模样本对相机进行光谱建模，得到光谱重建模型；利用光谱重建模型重建纺织样本的光谱；利用纺织样本光谱计算得到对应的颜色数据；利用纺织样本颜色数据，计算得到对应色牢度测试的色差及颜色属性差值；构建纺织样本的色牢度预测模型；利用色牢度预测模型预测目标纺织样本的色牢度等级。本发明消除了主观差异，克服了现有评级方法因偏色导致的评级不准问题。
Description
技术领域
本发明属于计算机数字图像处理技术领域，具体涉及一种基于光谱重建的纺织品色牢度自动评级方法。
背景技术
色牢度是指纺织品的颜色在材料加工和使用过程中对各种作用的抵抗力，在检测纺织品外观质量时是一项非常重要的指标。纺织品的色牢度通常根据评定样品的变色情况和未染色贴衬织物的沾色情况来确定的。以级数来表示，通常分为五级，并在相邻两级之间设有半级，形成五级九档，等级越高，色牢度越好，等级越低，色牢度则越差。
在色牢度评级方面，传统方法主要采用人工目视法。通常是在暗房内，由经过专门训练的专业人员在标准光源箱下，利用人眼直观观测需要评级的样品与标准样品之间的色差，并与标准色卡进行对比，通过感官得出色差最接近的标准灰卡等级，最终作为样品色牢度等级。由于评级人员的工作经验、生理状态等主观的差异，这种方法不可避免会对最终评级的结果造成影响，同时该方法不能对色差进行定量分析，只能根据评级人员的感觉估计出色差的范围值，而且工作效率也很低。随着分光光度计等颜色测量设备的出现，分光光度法等方法也被用来评价色牢度等级。分光光度计利用物体的反射或透射特性，通过在标准照明和标准观察者条件下，通过积分计算出颜色三刺激值。分光光度计仅能针对颜色单一的平面物体进行接触式颜色测量，这是一种单点测量方法，因此在实际应用中会存在一定的局限性。
而后来发展的基于数码照相评级法，则主要是利用数码相机系统对纺织品色牢度等级进行评定。通过数码相机获取样本颜色图像，提取图像的RGB颜色值，并将RGB值转换为CIELab值，进而计算得到色牢度等级。但目前主流的色牢度评级方法均以RGB图像作为原始数据，通过将RGB值转换成XYZ值，再将XYZ值转换到CIELab颜色空间数据，未利用物体颜色的指纹“光谱反射率”计算颜色信息，存在颜色偏差，导致色牢度评级不准。针对这一问题，目前国内外尚未提出较好的解决方法。
发明内容
为了解决背景技术中所述问题，本发明提出一种基于光谱重建的纺织品色牢度自动评级方法。纺织品色牢度评级主要与纺织品色牢度实验前后的颜色色差值有关，因此基于光谱重建算法对纺织品颜色测量与色牢度评级理论可行。该方法通过数码相机在实验灯箱内拍摄目标织物数字图像，利用光谱重建算法得到物体表面光谱，然后依据色度学理论计算得到颜色数据值，能够有效避免传统人工对色牢度评级时所存在的主观差异，避免传统由RGB直接计算到颜色值的偏色问题，并且能够在不同照明光源下实现色牢度的自动化评级应用，具有十分重要的应用价值。本发明的技术具体实施方案包括以下步骤：
步骤1，制作纺织样本；
步骤2，针对不同色牢度测试需求，开展色牢度测试；
步骤3，开展色牢度目视评级，得到纺织样本的色牢度目视评级结果；
步骤4，利用数码相机拍摄纺织样本及光谱建模样本数字图像，提取拍摄对象的数字响应值；
步骤5，利用光谱建模样本对相机进行光谱建模，得到光谱重建模型；
步骤6，利用光谱重建模型重建纺织样本的光谱；
步骤7，利用纺织样本光谱计算得到对应的颜色数据；
步骤8，利用纺织样本颜色数据，计算得到对应色牢度测试的色差及颜色属性差值；
步骤9，构建纺织样本的色牢度预测模型；
步骤10，利用色牢度预测模型预测目标纺织样本的色牢度等级。
进一步的，步骤1中，制作纺织样本。色牢度评级依据色牢度试验前后样本的变色情况和贴衬织物的沾色情况通常分为变色色牢度和沾色色牢度，对于变色色牢度需要准备纺织样本对，对于沾色色牢度则需准备纺织样本对与贴衬织物对。对于不同的色牢度试验如摩擦色牢度、耐水色牢度、日晒色牢度等则需要根据试验仪器选择不同大小尺寸的纺织样本。
进一步的，步骤2中，针对不同色牢度测试需求，开展色牢度测试。对于沾色色牢度可由耐摩擦色牢度试验得到沾色样本，耐摩擦色牢度实验需要将纺织样本对放置在色牢度摩擦仪上，同时将贴衬织物即标准摩擦白布（干摩擦布和湿摩擦布）分别固定于色牢度摩擦仪的摩擦头上，调整摩擦次数，按下启动开关，在一定的压力作用下，摩擦头将对纺织样本进行来回摩擦规定次数，同时纺织样本颜色将转移到贴衬织物上，即可得到沾色贴衬织物样本。对于变色色牢度可由耐洗色牢度、日晒色牢度试验等得到变色样本，实验均需要准备纺织样本对，其中一个作为原样，另一个作为测试布样。将测试布样放入色牢度试验机中，经过特定的测试程序后，即可得到变色后的测试布样。
进一步的，步骤3中，开展色牢度目视评级，得到纺织样本的色牢度目视评级结果过程如下：请专业评级人员在规定环境下开展目视评级，一般要求在同一稳定且有效的光源下进行，且通常在暗房中进行操作，评级灯箱内不能放置任何与实验无关的物品。对于变色色牢度，评级时，将纺织样品原样和变色后测试样各一块同一方向并列放置于同一平面上，同时将评定变色用灰色样卡也靠近放置于同一平面；对于沾色色牢度，评级时，将未沾色贴衬织物与沾色贴衬织物按同一方向并列放置于同一平面，同时将评定沾色用灰色样卡也靠近置于同一平面上。
进一步的，步骤4中，利用数码相机拍摄纺织样本及光谱建模样本数字图像，提取拍摄对象数字响应值的方法如下：
在均匀光照的密闭日光照明条件下，将待拍摄样本放置于载样台，数码相机拍摄光路垂直于拍摄载样台平面，设定数码相机的拍摄参数，使拍摄的爱色丽ColorChecker 24色色卡灰梯尺的白色色块RGB值约为235，灰梯尺黑色色块RGB值约在35，完成拍摄参数设定，分别拍摄纺织样本和光谱重建样本数字图像，设定数字响应值的提取区域大小为m像素×n像素，分别提取纺织样本和光谱重建样本在指定区域内的raw格式数字响应值的平均值，具体如式（1）所示，
其中，i指示提取区域内第i个像素，ri、gi和bi分别为第i个像素的红、绿、蓝三通道raw响应值，为1×3的行向量。需要强调的是，raw格式数字响应值相对于现有方法中常用的RGB响应值而言，未经过数码相机数字图像后处理操作，数据更加纯净，对于高精度的光谱重建至关重要。
进一步的，步骤5中，利用光谱建模样本对相机进行光谱建模，得到光谱重建模型的方法如下：
利用基于多项式扩展的伪逆法对数码相机进行光谱建模。以二阶多项式为例，多光谱建模样本的raw响应值进行多项式扩展，其扩展形式如式（2）所示，共包含10个扩展项，
其中，r、g、b为任一样本的红、绿、蓝三通道raw响应值，dexp为经过多项式扩展后的数字响应值向量，上标‘T’表示转置，经过多项式扩展之后，光谱建模样本的数字响应值扩展矩阵如式（3）所示，
其中，下标‘j’指示第j个光谱建模样本，P为光谱建模样本的数量，dexp,j为第j个样本的数字响应值扩展向量，Dtrain为光谱建模样本的扩展矩阵。
通过Tikhonov正则化对光谱重建矩阵的求解进行正则化约束，具体求解方法如式（4）至式（7）所示。首先，对光谱建模样本的响应值扩展矩阵Dtrain进行奇异值分解，然后对特征值加上一个极小数α得到约束特征值，以降低响应值扩展矩阵的条件数，并重建得到正则化约束之后的响应值扩展矩阵Dtrain,rec，最后求解获得光谱重建矩阵Q，完成相机的光谱建模，得到光谱重建模型。
其中，U和V分别为经奇异值分解得到的正交分解矩阵，S和P为包含特征值的对角矩阵，Rtrain为光谱建模样本的光谱矩阵，数据已知，I为单位矩阵，pinv(·)为伪逆运算符号。
进一步的，步骤6中，利用光谱重建模型重建纺织样本的光谱的方法如下：
对于已提取的任意目标纺织样本的raw响应值向量dtest，首先按照式（1）对其进行相同阶数的多项式扩展，得到raw响应值扩展向量dtest,exp，然后利用步骤5中构建的光谱重建矩阵Q对齐进行光谱重建，得到目标纺织样本的光谱数据，具体如式（8）所示，
其中，矩阵Q为光谱重建矩阵，rtest为目标纺织样本的重建光谱向量。
进一步的，步骤7中，利用纺织样本光谱计算得到对应的颜色数据的方法如下：
依据色度学理论，首先利用光谱计算织物样本的三刺激值数据，计算原理如式（9）和式（10）所示，
其中，
式中，x(λ) 、y(λ)和z(λ)为标准观察者颜色匹配函数，E(λ)为织物样本的光谱数据，S(λ)为光源的相对光谱功率分布函数，λ为波长，k为调节因子，X、Y和Z分别为织物样本的三刺激值数据。
然后，计算得到织物样本对应的CIELab颜色数据。依据色度学理论，由三刺激值数据计算得到其对应的CIELab颜色数据的方法如式（11）至式（12）所示，
其中，
式中，L、a和b分别为织物样本在CIELab颜色空间的亮度、红绿和黄蓝颜色值，X、Y和Z分别为织物的三刺激值数据，Xn、Yn和Zn分别为参考光源的三刺激值数据，式（12）中H和Hn分别表示织物和参考光源的三刺激值。
进一步的，步骤8中，利用纺织样本颜色数据，计算得到对应色牢度测试的色差及颜色属性差值的方法如下：
利用织物样本对的CIELab颜色数据，计算得到织物样本对的CIEDE2000色差值∆E2000，以及对应的∆L、∆a和∆b颜色差值，CIEDE2000色差公式如式（13）所示，
其中，ΔL、ΔC、ΔH为纺织样本对在CIELCh颜色空间的名度、饱和度和色调差值，由CIELab到CIELCh颜色空间的转换在计算色差时自动完成，此处不再赘述。kH、kL、kC为色差计算时的色调、明度、饱和度权重。对于纺织样本，一般采用kL=1.5，kH= kC=1。SL、SC、SH分别为明度、饱和度和色调的权重函数，RT为色差计算的调整项。颜色差值∆L、∆a和∆b的计算如式（14）至式（16）所示，
其中，（L1, a1, b1）和（L2, a2, b2）分别为织物样本对中参考原样和色牢度测试样的CIELab颜色数据。
进一步的，步骤9中，构建纺织样本的色牢度预测模型方法如下：
利用BP（Back Propagation，BP）神经网络构建纺织样本的色牢度预测模型，BP神经网络是一种多层前馈神经网络，由输入层，隐含层和输出层构成。以纺织样本的CIEDE2000色差值、∆L、∆a和∆b值作为输入，以纺织样本对应的目视评级结果作为输出。设置输入层节点数为4，输出层节点数为1，隐含层节点数为5，随机划分训练集和测试集，隐含层中的神经元采用Sigmoid激活函数，如式（17）所示：
其中，S(·)为Sigmoid激活函数，x为自变量，e为自然对数。采用均方根误差RMSE（root-mean-square error，RMSE）来衡量模型得到的纺织样本预测色牢度等级与目视等级之间的偏差，均方根误差公式如式（18）所示：
其中，RMSE表示均方根误差，y表示模型预测值，y1表示真实值，n表示建模样本的数量。依据建模样本的均方根误差，建模过程BP神经网络各节点之间的权重不断调整，直至建模样本的误差的总体平均值达到稳定收敛状态，完成色牢度预测模型的构建。
进一步的，步骤10中，利用色牢度预测模型预测目标纺织样本的色牢度等级的方法如下：
对于变色色牢度，模型输入值为纺织样本原样与变色后测试样的CIEDE2000色差值、∆L、∆a和∆b值；对于沾色色牢度，模型输入值为原始贴衬织物与沾色后贴衬织物的CIEDE2000色差值、∆L、∆a和∆b值。将目标纺织样本的上述色差和颜色差值输入步骤9构建好的色牢度预测模型，即可得到对应色牢度自动评价等级。
本发明针对当前人工目测法评级的主观性，分光光度计等测色设备在复杂织物颜色测量方面存在的局限性，以及现有基于照相测色的色牢度评级中存在的偏色问题，依据照相评级方式与光谱重建算法，提出了基于光谱重建的纺织品色牢度自动化评级方法。本发明消除了传统人工目测法对色牢度评级所存在的主观差异，解决了分光光度计在实际应用中的局限性，解决了偏色问题对目前基于照相测色的色牢度评级不准的问题。
附图说明
图1为本发明实施例的流程图。
具体实施方式
本发明技术方案具体实施时可由本领域技术人员采用计算机软件技术运行。
结合附图1，本发明实施例通过一种基于光谱重建的纺织品色牢度自动评级方法，具体包括以下步骤：
步骤1，制作纺织样本；
步骤2，针对不同色牢度测试需求，开展色牢度测试；
步骤3，开展色牢度目视评级，得到纺织样本的色牢度目视评级结果；
步骤4，利用数码相机拍摄纺织样本及光谱建模样本数字图像，提取拍摄对象的数字响应值；
步骤5，利用光谱建模样本对相机进行光谱建模，得到光谱重建模型；
步骤6，利用光谱重建模型重建纺织样本的光谱；
步骤7，利用纺织样本光谱计算得到对应的颜色数据；
步骤8，利用纺织样本颜色数据，计算得到对应色牢度测试的色差及颜色属性差值；
步骤9，构建纺织样本的色牢度预测模型；
步骤10，利用色牢度预测模型预测目标纺织样本的色牢度等级。
下面通过实施例具体说明每个步骤的处理过程：实施例以评定沾色用灰色样卡、评定变色用灰色样卡、标准摩擦白布，Y（B）571-Ⅲ色牢度摩擦仪、Nikon数码相机以及实验灯箱为基础，对本发明方法进行测试。
步骤1中，制作纺织样本。实施例以耐摩擦色牢度试验为例，准备不同颜色的纯棉纺织样品共70组，尺寸为10*25cm，标准摩擦白布70组。
步骤2中，针对不同色牢度测试需求，开展色牢度测试。实施例采用Y（B）571-Ⅲ色牢度摩擦仪进行耐摩擦试验。对于沾色色牢度可由耐摩擦色牢度试验等得到沾色样本，耐摩擦色牢度实验需要将纺织样本对放置在色牢度摩擦仪上，同时将贴衬织物即标准摩擦白布（干摩擦布和湿摩擦布）分别固定于色牢度摩擦仪的摩擦头上，调整摩擦次数，按下启动开关，在一定的压力作用（9N）下，摩擦头将对纺织样本进行来回摩擦规定次数，同时纺织样本颜色将转移到贴衬织物上，即可得到沾色贴衬织物样本。实施例中为得到各个梯度的色牢度等级的测试样本，分别将纺织样本摩擦150~200次。对于变色色牢度可由耐洗色牢度、日晒色牢度试验等得到变色样本，耐洗色牢度实验需要准备纺织样本对，其中一块作为原样，另一块作为测试布样。将测试布样放入色牢度试验机中，经过特定的测试程序后，即可得到变色后的测试布样。上述沾色色牢度、变色色牢度的测试方法是本领域通用的试验方法，具体可参考通用标准GB/T 3920-2008，GB/T 3921-2008，GB/T8426-1998。
步骤3中，开展色牢度目视评级，得到纺织样本的色牢度目视评级结果过程如下：请专业评级人员在规定环境下开展目视评级，一般要求在同一稳定且有效的光源下进行，且通常在暗房中进行操作，评级灯箱内不能放置任何与实验无关的物品。对于变色色牢度，评级时，将纺织样品原样和变色后测试样各一块同一方向并列放置于同一平面上，同时将评定变色用灰色样卡也靠近放置于同一平面，评级人员观察纺织样品原样和变色后测试样的色差，当色差最接近于灰色样卡上某个级数所具有的观感色差时，将该级数作为纺织样品的变色色牢度级数；对于沾色色牢度，评级时，将未沾色贴衬织物与沾色贴衬织物按同一方向并列放置于同一平面，同时将评定沾色用灰色样卡也靠近置于同一平面上，评级人员观察未沾色贴衬织物与沾色贴衬织物的色差，当色差最接近于灰色样卡上某个级数所具有的观感色差时，将该级数作为贴衬织物的沾色色牢度级数。
步骤4中，利用数码相机拍摄纺织样本及光谱建模样本数字图像，提取拍摄对象数字响应值，实施例中使用Nikon数码相机进行拍摄。具体过程如下：
在均匀光照的密闭日光照明条件下，将待拍摄样本放置于载样台，数码相机拍摄光路垂直于拍摄载样台平面，设定数码相机的拍摄参数，使拍摄的爱色丽ColorChecker 24色色卡灰梯尺的白色色块RGB值约为235，灰梯尺黑色色块RGB值约在35，完成拍摄参数设定，分别拍摄纺织样本和光谱重建样本数字图像，设定数字响应值的提取区域大小为m像素×n像素，分别提取纺织样本和光谱重建样本在指定区域内的raw格式数字响应值的平均值，具体如式（1）所示，
其中，i指示提取区域内第i个像素，ri、gi和bi分别为第i个像素的红、绿、蓝三通道raw响应值，为1×3的行向量。需要强调的是，raw格式数字响应值相对于现有方法中常用的RGB响应值而言，未经过数码相机数字图像后处理操作，数据更加纯净，对于高精度的光谱重建至关重要。
步骤5中，完成建模样本的拍摄后，利用光谱建模样本对相机进行光谱建模，得到光谱重建模型的方法如下：
利用基于多项式扩展的伪逆法对数码相机进行光谱建模。以二阶多项式为例，多光谱建模样本的raw响应值进行多项式扩展，其扩展形式如式（2）所示，共包含10个扩展项，
其中，r、g、b为任一样本的红、绿、蓝三通道raw响应值，dexp为经过多项式扩展后的数字响应值向量，上标‘T’表示转置，经过多项式扩展之后，光谱建模样本的数字响应值扩展矩阵如式（3）所示，
其中，下标‘j’指示第j个光谱建模样本，P为光谱建模样本的数量，dexp,j为第j个样本的数字响应值扩展向量，Dtrain为光谱建模样本的扩展矩阵。
通过Tikhonov正则化对光谱重建矩阵的求解进行正则化约束，具体求解方法如式（4）至式（7）所示。首先，对光谱建模样本的响应值扩展矩阵Dtrain进行奇异值分解，然后对特征值加上一个极小数α得到约束特征值，以降低响应值扩展矩阵的条件数，并重建得到正则化约束之后的响应值扩展矩阵Dtrain,rec，最后求解获得光谱重建矩阵Q，完成相机的光谱建模，得到光谱重建模型。
其中，U和V分别为经奇异值分解得到的正交分解矩阵，S和P为包含特征值的对角矩阵，Rtrain为光谱建模样本的光谱矩阵，数据已知，I为单位矩阵，pinv(·)为伪逆运算符号。
步骤6中，得到光谱重建模型后，利用光谱重建模型重建纺织样本的光谱，方法如下：
对于已提取的任意目标纺织样本的raw响应值向量dtest，首先按照式（1）对其进行相同阶数的多项式扩展，得到raw响应值扩展向量dtest,exp，然后利用步骤5中构建的光谱重建矩阵Q对齐进行光谱重建，得到目标纺织样本的光谱数据，具体如式（8）所示，
其中，矩阵Q为光谱重建矩阵，rtest为目标纺织样本的重建光谱向量。
步骤7中，得到纺织样本光谱后，计算得到对应的颜色数据的方法如下：
依据色度学理论，首先利用光谱计算织物样本的三刺激值数据，计算原理如式（9）和式（10）所示，
其中，
式中，x(λ) 、y(λ)和z(λ)为标准观察者颜色匹配函数，E(λ)为织物样本的光谱数据，S(λ)为光源的相对光谱功率分布函数，λ为波长，k为调节因子，X、Y和Z分别为织物样本的三刺激值数据。
然后，计算得到织物样本对应的CIELab颜色数据。依据色度学理论，由三刺激值数据计算得到其对应的CIELab颜色数据的方法如式（11）至式（12）所示，
其中，
式中，L、a和b分别为织物样本在CIELab颜色空间的亮度、红绿和黄蓝颜色值，X、Y和Z分别为织物的三刺激值数据，Xn、Yn和Zn分别为参考光源的三刺激值数据，式（12）中H和Hn分别表示织物和参考光源的三刺激值。
步骤8中，利用纺织样本颜色数据，计算得到对应色牢度测试的色差及颜色属性差值的方法如下：
利用织物样本对的CIELab颜色数据，计算得到织物样本对的CIEDE2000色差值∆E2000，以及对应的∆L、∆a和∆b颜色差值，CIEDE2000色差公式如式（13）所示，
其中，ΔL、ΔC、ΔH为纺织样本对在CIELCh颜色空间的名度、饱和度和色调差值，由CIELab到CIELCh颜色空间的转换在计算色差时自动完成，此处不再赘述。kH、kL、kC为色差计算时的色调、明度、饱和度权重。对于纺织样本，一般采用kL=1.5，kH= kC=1。SL、SC、SH分别为明度、饱和度和色调的权重函数，RT为色差计算的调整项。颜色差值∆L、∆a和∆b的计算如式（14）至式（16）所示，
其中，（L1, a1, b1）和（L2, a2, b2）分别为织物样本对中参考原样和色牢度测试样的CIELab颜色数据。
步骤9中，构建纺织样本的色牢度预测模型方法如下：
利用BP（Back Propagation，BP）神经网络构建纺织样本的色牢度预测模型，BP神经网络是一种多层前馈神经网络，由输入层，隐含层和输出层构成。以纺织样本的CIEDE2000色差值、∆L、∆a和∆b值作为输入，以纺织样本对应的目视评级结果作为输出。设置输入层节点数为4，输出层节点数为1，隐含层节点数为5，随机划分训练集和测试集，隐含层中的神经元采用Sigmoid激活函数，如式（17）所示：
其中，S(·)为Sigmoid激活函数，x为自变量，e为自然对数。采用均方根误差RMSE（root-mean-square error，RMSE）来衡量模型得到的纺织样本预测色牢度等级与目视等级之间的偏差，均方根误差公式如式（18）所示：
其中，RMSE表示均方根误差，y表示模型预测值，y1表示真实值，n表示建模样本的数量。依据建模样本的均方根误差，建模过程BP神经网络各节点之间的权重不断调整，直至建模样本的误差的总体平均值达到稳定收敛状态，完成色牢度预测模型的构建。
实施例中一共70组样本，将其中的49组作为训练样本，21组作为测试样本，按照上述步骤完成色牢度预测，其中21个测试样本的色牢度等级如表（1）所示，均方根误差RMSE计算得到为0.239，小于0.5，数据误差在允许范围内，表明本发明方法与目视法结果具有较高的一致性。
表（1） 测试样本的色牢度等级
步骤10中，利用色牢度预测模型预测目标纺织样本的色牢度等级。对于变色色牢度，模型输入值为纺织样本原样与变色后测试样的CIEDE2000色差值、∆L、∆a和∆b值；对于沾色色牢度，模型输入值为原始贴衬织物与沾色后贴衬织物的CIEDE2000色差值、∆L、∆a和∆b值。将目标纺织样本的上述色差和颜色差值输入步骤9构建好的色牢度预测模型，即可得到对应色牢度自动评价等级。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (9)
1.一种基于光谱重建的纺织品色牢度自动评级方法，其特征在于，包括以下步骤：
步骤1，制作纺织样本；
步骤2，针对不同色牢度测试需求，开展色牢度测试；
步骤3，开展色牢度目视评级，得到纺织样本的色牢度目视评级结果；
步骤4，利用数码相机拍摄纺织样本及光谱建模样本数字图像，提取拍摄对象的数字响应值；
步骤5，利用光谱建模样本对相机进行光谱建模，得到光谱重建模型；
步骤6，利用光谱重建模型重建纺织样本的光谱；
步骤7，利用纺织样本光谱计算得到对应的颜色数据；
步骤8，利用纺织样本颜色数据，计算得到对应色牢度测试的色差及颜色属性差值；
步骤9，构建纺织样本的色牢度预测模型；
步骤9中，构建纺织样本的色牢度预测模型方法如下：
利用BP神经网络构建纺织样本的色牢度预测模型，BP神经网络是一种多层前馈神经网络，由输入层，隐含层和输出层构成；以纺织样本的CIEDE2000色差值、∆L、∆a和∆b值作为输入，以纺织样本对应的目视评级结果作为输出，设置输入层节点数为4，输出层节点数为1，隐含层节点数为5，随机划分训练集和测试集，隐含层中的神经元采用Sigmoid激活函数，如式（17）所示：
其中，S(·)为Sigmoid激活函数，x为自变量，e为自然对数；采用均方根误差RMSE来衡量模型得到的纺织样本预测色牢度等级与目视等级之间的偏差，均方根误差公式如式（18）所示：
其中，RMSE表示均方根误差，y表示模型预测值，y1表示真实值，n表示建模样本的数量；依据建模样本的均方根误差，建模过程中BP神经网络各节点之间的权重不断调整，直至建模样本的误差的总体平均值达到稳定收敛状态，完成色牢度预测模型的构建；
步骤10，利用色牢度预测模型预测目标纺织样本的色牢度等级。
2.如权利要求1所述的一种基于光谱重建的纺织品色牢度自动评级方法，其特征在于：步骤2中，对于沾色色牢度，由耐摩擦色牢度试验得到沾色样本，耐摩擦色牢度实验是将纺织样本对放置在色牢度摩擦仪上，同时将贴衬织物即标准摩擦白布分别固定于色牢度摩擦仪的摩擦头上，调整摩擦次数，按下启动开关，在一定的压力作用下，摩擦头将对纺织样本进行来回摩擦规定次数，同时纺织样本颜色将转移到贴衬织物上，即可得到沾色贴衬织物样本；对于变色色牢度，由耐洗色牢度、日晒色牢度试验得到变色样本，实验均需要准备纺织样本对，其中一个作为原样，另一个作为测试布样，将测试布样放入色牢度试验机中，经过特定的测试程序后，即可得到变色后的测试布样。
3.如权利要求1所述的一种基于光谱重建的纺织品色牢度自动评级方法，其特征在于：步骤3中，开展色牢度目视评级，得到纺织样本的色牢度目视评级结果过程如下：请专业评级人员在规定环境下开展目视评级，在同一稳定且有效的光源下进行，且在暗房中进行操作，评级灯箱内不能放置任何与实验无关的物品；对于变色色牢度，评级时，将纺织样品原样和变色后测试样各一块同一方向并列放置于同一平面上，同时将评定变色用灰色样卡也靠近放置于同一平面；对于沾色色牢度，评级时，将未沾色贴衬织物与沾色贴衬织物按同一方向并列放置于同一平面，同时将评定沾色用灰色样卡也靠近置于同一平面上。
4.如权利要求1所述的一种基于光谱重建的纺织品色牢度自动评级方法，其特征在于：步骤4中，利用数码相机拍摄纺织样本及光谱建模样本数字图像，提取拍摄对象数字响应值的方法如下：
在均匀光照的密闭日光照明条件下，将待拍摄样本放置于载样台，数码相机拍摄光路垂直于拍摄载样台平面，设定数码相机的拍摄参数，使拍摄的爱色丽ColorChecker 24色色卡灰梯尺的白色色块RGB值为235，灰梯尺黑色色块RGB值为35，完成拍摄参数设定，分别拍摄纺织样本和光谱建模样本数字图像，设定数字响应值的提取区域大小为m像素×n像素，分别提取纺织样本和光谱建模样本在指定区域内的raw格式数字响应值的平均值，具体如式（1）所示，
其中，i指示提取区域内第i个像素，ri、gi和bi分别为第i个像素的红、绿、蓝三通道raw响应值，为1×3的行向量。
5.如权利要求1所述的一种基于光谱重建的纺织品色牢度自动评级方法，其特征在于：步骤5中，利用光谱建模样本对相机进行光谱建模，得到光谱重建模型的方法如下：
利用基于多项式扩展的伪逆法对数码相机进行光谱建模，针对二阶多项式，多光谱建模样本的raw响应值进行多项式扩展，其扩展形式如式（2）所示，共包含10个扩展项，
其中，r、g、b为任一样本的红、绿、蓝三通道raw响应值，dexp为经过多项式扩展后的数字响应值向量，上标T表示转置，经过多项式扩展之后，光谱建模样本的数字响应值扩展矩阵如式（3）所示，
其中，下标j指示第j个光谱建模样本，P为光谱建模样本的数量，dexp,j为第j个样本的数字响应值扩展向量，Dtrain为光谱建模样本的扩展矩阵；
通过Tikhonov正则化对光谱重建矩阵的求解进行正则化约束，具体求解方法如式（4）至式（7）所示；首先，对光谱建模样本的响应值扩展矩阵Dtrain进行奇异值分解，然后对特征值加上一个极小数α得到约束特征值，以降低响应值扩展矩阵的条件数，并重建得到正则化约束之后的响应值扩展矩阵Dtrain,rec，最后求解获得光谱重建矩阵Q，完成相机的光谱建模，得到光谱重建模型；
其中，U和V分别为经奇异值分解得到的正交分解矩阵，S和P为包含特征值的对角矩阵，Rtrain为光谱建模样本的光谱矩阵，数据已知，I为单位矩阵，pinv(·)为伪逆运算符号。
6.如权利要求5所述的一种基于光谱重建的纺织品色牢度自动评级方法，其特征在于：步骤6中，利用光谱重建模型重建纺织样本的光谱的方法如下：
对于已提取的任意目标纺织样本的raw响应值向量dtest，首先按照式（1）对其进行相同阶数的多项式扩展，得到raw响应值扩展向量dtest,exp，然后利用步骤5中构建的光谱重建矩阵Q对齐进行光谱重建，得到目标纺织样本的光谱数据，具体如式（8）所示，
其中，矩阵Q为光谱重建矩阵，rtest为目标纺织样本的重建光谱向量。
7.如权利要求1所述的一种基于光谱重建的纺织品色牢度自动评级方法，其特征在于：步骤7中，利用纺织样本光谱计算得到对应的颜色数据的方法如下：
依据色度学理论，首先利用光谱计算织物样本的三刺激值数据，计算原理如式（9）和式（10）所示，
其中，
式中，x(λ) 、y(λ)和z(λ)为标准观察者颜色匹配函数，E(λ)为织物样本的光谱数据，S(λ)为光源的相对光谱功率分布函数，λ为波长，k为调节因子，X、Y和Z分别为织物样本的三刺激值数据；
然后，计算得到织物样本对应的CIELab颜色数据，依据色度学理论，由三刺激值数据计算得到其对应的CIELab颜色数据的方法如式（11）至式（12）所示，
其中，
式中，L、a和b分别为织物样本在CIELab颜色空间的亮度、红绿和黄蓝颜色值，X、Y和Z分别为织物的三刺激值数据，Xn、Yn和Zn分别为参考光源的三刺激值数据，式（12）中H和Hn分别表示织物和参考光源的三刺激值。
8.如权利要求1所述的一种基于光谱重建的纺织品色牢度自动评级方法，其特征在于：步骤8中，利用纺织样本颜色数据，计算得到对应色牢度测试的色差及颜色属性差值的方法如下：
利用织物样本对的CIELab颜色数据，计算得到织物样本对的CIEDE2000色差值∆E2000，以及对应的∆L、∆a和∆b颜色差值，CIEDE2000色差公式如式（13）所示，
其中，ΔL、ΔC、ΔH为纺织样本对在CIELCh颜色空间的名度、饱和度和色调差值， kH、kL、kC为色差计算时的色调、明度、饱和度权重，SL、SC、SH分别为明度、饱和度和色调的权重函数，RT为色差计算的调整项；颜色差值∆L、∆a和∆b的计算如式（14）至式（16）所示，
其中，（L1, a1, b1）和（L2, a2, b2）分别为织物样本对中参考原样和色牢度测试样的CIELab颜色数据。
9.如权利要求1所述的一种基于光谱重建的纺织品色牢度自动评级方法，其特征在于：步骤10中，利用色牢度预测模型预测目标纺织样本的色牢度等级的方法如下：
对于变色色牢度，模型输入值为纺织样本原样与变色后测试样的CIEDE2000色差值、∆L、∆a和∆b值；对于沾色色牢度，模型输入值为原始贴衬织物与沾色后贴衬织物的CIEDE2000色差值、∆L、∆a和∆b值；将目标纺织样本的上述色差和颜色差值输入步骤9构建好的色牢度预测模型，即可得到对应色牢度自动评价等级。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310145478.2A CN115855809B (zh) | 2023-02-21 | 2023-02-21 | 一种基于光谱重建的纺织品色牢度自动评级方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310145478.2A CN115855809B (zh) | 2023-02-21 | 2023-02-21 | 一种基于光谱重建的纺织品色牢度自动评级方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115855809A CN115855809A (zh) | 2023-03-28 |
| CN115855809B true CN115855809B (zh) | 2023-05-26 |
Family
ID=85658584
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310145478.2A Active CN115855809B (zh) | 2023-02-21 | 2023-02-21 | 一种基于光谱重建的纺织品色牢度自动评级方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115855809B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116893134B (zh) * | 2023-09-11 | 2023-11-14 | 佛山市杰德纺织有限公司 | 一种牛仔布耐色牢度测试方法 |
| CN117808901B (zh) * | 2024-03-01 | 2024-04-26 | 深圳市富安娜家居用品股份有限公司 | 一种纺织品色牢度预测方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110318267A (zh) * | 2019-07-10 | 2019-10-11 | 苏州新民印染有限公司 | 一种可形成具有绉感的ptt/pet复合纤维织物的染色工艺 |
| CN110530790A (zh) * | 2019-08-19 | 2019-12-03 | 上海熹宝科技有限公司 | 一种纺织品色牢度的检测评级系统及检测评级方法 |
| CN111007017A (zh) * | 2019-11-14 | 2020-04-14 | 汕头市中广测分析中心有限公司 | 一种纺织品耐洗涤色牢度溶液沾色试验方法 |
| CN111044452A (zh) * | 2019-12-27 | 2020-04-21 | 福清洪良染织科技有限公司 | 一种纺织物用耐水洗色牢度检测机及检测方法 |
| WO2022099901A1 (zh) * | 2020-11-10 | 2022-05-19 | 云南中烟工业有限责任公司 | 一种根据色牢度测定烟用接装纸粘唇力的方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105842158A (zh) * | 2016-03-21 | 2016-08-10 | 浠讳寒 | 棉布耐摩擦色牢度分级标准样品及其制备方法 |
| CN110644216B (zh) * | 2019-09-30 | 2022-05-03 | 哈工大机器人（合肥）国际创新研究院 | 一种纺织品自动化色牢度评级装置 |
| JP2021196304A (ja) * | 2020-06-17 | 2021-12-27 | 株式会社桑原 | 繊維製品等の色変化評価方法 |
| CN112697682B (zh) * | 2020-11-27 | 2022-06-10 | 中杭监测技术研究院有限公司 | 一种基于机器视觉进行家具耐光色牢度检测的方法 |
| CN113506235B (zh) * | 2021-09-08 | 2021-12-03 | 武汉纺织大学 | 一种对抗曝光变化的自适应加权光谱重建方法 |
| CN114235153B (zh) * | 2022-02-24 | 2022-05-13 | 武汉纺织大学 | 一种基于数码相机的织物颜色数字化测量方法 |
-
2023
- 2023-02-21 CN CN202310145478.2A patent/CN115855809B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110318267A (zh) * | 2019-07-10 | 2019-10-11 | 苏州新民印染有限公司 | 一种可形成具有绉感的ptt/pet复合纤维织物的染色工艺 |
| CN110530790A (zh) * | 2019-08-19 | 2019-12-03 | 上海熹宝科技有限公司 | 一种纺织品色牢度的检测评级系统及检测评级方法 |
| CN111007017A (zh) * | 2019-11-14 | 2020-04-14 | 汕头市中广测分析中心有限公司 | 一种纺织品耐洗涤色牢度溶液沾色试验方法 |
| CN111044452A (zh) * | 2019-12-27 | 2020-04-21 | 福清洪良染织科技有限公司 | 一种纺织物用耐水洗色牢度检测机及检测方法 |
| WO2022099901A1 (zh) * | 2020-11-10 | 2022-05-19 | 云南中烟工业有限责任公司 | 一种根据色牢度测定烟用接装纸粘唇力的方法 |
Non-Patent Citations (5)
| Title |
|---|
| Investigation of light source effects on digital camera-based spectral estimation;jinxing liang等;《optics express》;第29卷(第26期);43899-43916 * |
| 全自动测色仪系统误差分析及技术改造;张桂彬等;《北京机械工业学院学报》(第02期);第28-31页 * |
| 基于数码相机的光谱测量方法研究;梁金星;《中国博士学位论文全文数据库基础科学辑》(第4期);全文 * |
| 纺织品色差和色牢度的数码影像技术评级;张勇等;《印染》;第37卷(第21期);第37-40页 * |
| 纺织品色牢度仪器评级影响因素分析;袁志磊等;《纺织检测与标准》;第2卷(第6期);第16-20页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115855809A (zh) | 2023-03-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115855809B (zh) | 一种基于光谱重建的纺织品色牢度自动评级方法 | |
| Leon et al. | Color measurement in L∗ a∗ b∗ units from RGB digital images | |
| CN104572538B (zh) | 一种基于k‑pls回归模型的中医舌图像颜色校正方法 | |
| JP6004481B2 (ja) | カラー画像処理方法、カラー画像処理装置およびカラー画像処理プログラム | |
| US11614362B1 (en) | Method of digital measuring color of fabrics based on digital camera | |
| JP2013047678A (ja) | 塗色データベースの作成方法及びそのデータベースを用いた検索方法、並びにそれらのシステム、プログラム及び記録媒体 | |
| WO2003029811A1 (en) | Assessing colour fastiness | |
| Gökmen et al. | A non-contact computer vision based analysis of color in foods | |
| CN109325938A (zh) | 一种基于光密度空间的中心化图像通道差的色素分离方法 | |
| CN111784780B (zh) | 基于深度学习的彩色摄像机的颜色标定方法 | |
| JP2014187558A (ja) | 画像色分布検査装置および画像色分布検査方法 | |
| Zerman et al. | Colornet-estimating colorfulness in natural images | |
| CN115797260B (zh) | 一种视觉高保真纺织面料换色方法及系统 | |
| Finlayson et al. | Root-polynomial colour correction | |
| CN111896109B (zh) | 一种基于数码相机原始响应值的光谱重建方法 | |
| CN114397094B (zh) | 一种基于光谱重建和色貌模型的光源显色性评价方法 | |
| CN113259658B (zh) | 物体喜好记忆色的获取方法及喜好记忆色标准色卡 | |
| JP2020094985A (ja) | 分光画像推定システム、分光画像推定方法、及びプログラム | |
| Wei et al. | Spectral reflectance estimation based on two-step k-nearest neighbors locally weighted linear regression | |
| CN115753644B (zh) | 一种基于非线性约束插值的织物颜色照相测量方法 | |
| Huynh et al. | Recovery of spectral sensitivity functions from a colour chart image under unknown spectrally smooth illumination | |
| CN115711672A (zh) | 一种基于rbf的纺织品颜色测量方法 | |
| Wang et al. | A study of digital camera spectral reconstruction based on bp neural networks and polynomial expansions | |
| Jason et al. | Models to predict naturalness and image quality for images containing three memory colors: sky, grass, and skin | |
| JP4189493B2 (ja) | 色彩コンフォートメータ |
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 |