CN116029191A - 染料配方模型训练方法、计算机装置及存储介质 - Google Patents

染料配方模型训练方法、计算机装置及存储介质 Download PDF

Info

Publication number
CN116029191A
CN116029191A CN202111257947.7A CN202111257947A CN116029191A CN 116029191 A CN116029191 A CN 116029191A CN 202111257947 A CN202111257947 A CN 202111257947A CN 116029191 A CN116029191 A CN 116029191A
Authority
CN
China
Prior art keywords
dye
cloth sample
data
database
model
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.)
Pending
Application number
CN202111257947.7A
Other languages
English (en)
Inventor
蒋抱阳
闫继开
梁飞
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.)
Shenzhen Fulian Fugui Precision Industry Co Ltd
Original Assignee
Shenzhen Fugui Precision Industrial Co Ltd
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 Shenzhen Fugui Precision Industrial Co Ltd filed Critical Shenzhen Fugui Precision Industrial Co Ltd
Priority to CN202111257947.7A priority Critical patent/CN116029191A/zh
Publication of CN116029191A publication Critical patent/CN116029191A/zh
Pending legal-status Critical Current

Links

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

本申请提供一种染料配方模型训练方法、计算机装置及存储介质，其中，所述方法包括：首先将染料抽象数字化，获取数据建立数据库，即获取第一数据，基于所述第一数据建立第一数据库；获取第二数据，基于所述第二数据建立第二数据库；其次对染色模型构建拟合迭代，即将所述第一数据库和第二数据库中的数据作为训练样本，构建染料配方模型，对所述染料配方模型进行至少一次迭代更新，直至获得符合预设的要求的目标染料配方模型。本申请可以辅助染料配方推算，提高印染行业试样环节的效率。

Description

染料配方模型训练方法、计算机装置及存储介质
技术领域
本申请涉及纺织技术领域，特别是指一种染料配方模型训练方法、计算机装置及存储介质。
背景技术
传统印染行业染料配方的推算主要依据员工经验进行，当有新的订单时，员工一方面依据以往染色的布料记录查找相似的染色信息，另一方面凭借个人经验进行配方的进一步调整。但是由于历史布料存在褪色等现象，导致历史染色信息存在不同程度的偏差；同时，依据人的经验所做的主观配方调整，存在很大的不确定性，而且对员工的个人经验依赖较高，致使调色周期长、不确定性大，导致企业的赢单机会减少，利益受损。
发明内容
以提高染料配方推算为目标，本发明提供了一种染料配方模型训练方法、计算机装置及存储介质，进而可以达到由客户目标颜色值和所用布料，直接推算得到所需颜料的种类及浓度等配方信息。
所述染料配方模型训练方法包括：获取第一数据，基于所述第一数据建立第一数据库；获取第二数据，基于所述第二数据建立第二数据库；将所述第一数据库和所述第二数据库中的数据作为训练样本，构建染料配方模型，对所述染料配方模型进行至少一次迭代更新，直至获得符合预设的要求的目标染料配方模型，其中，所述至少一次迭代更新中的任意一次迭代更新包括：获取第一布样，利用上一次迭代更新后的染料配方模型获得所述第一布样的第一配方推算结果；根据所述第一配方结果进行打样，获得所述第一配方结果对应的第二布样；比较所述第一布样和所述第二布样，获得所述第一布样和所述第二布样的差异；基于所述第一布样和所述第二布样的差异，判断上一次迭代更新后的染料配方模型是否达到所述预设的要求；当上一次迭代更新后的染料配方模型符合所述预设的要求时，将上一次迭代更新后的染料配方模型作为所述目标染料配方模型；当上一次迭代更新后的染料配方模型不符合所述预设的要求时，基于所述第二布样获得更新后的第二数据库，在所述上一次迭代更新后的染料配方模型的基础上，利用所述第一数据库和更新后的第二数据库中的数据构建当前更新的染料配方模型，对所述当前更新的染料配方模型进行下一次迭代更新。
可选地，所述获取第一数据，基于所述第一数据建立第一数据库包括：对多种基础染料进行染色实验，所述多种基础染料包括分散染料、活性染料、阳离子染料、酸性染料；利用分光仪采集获取每种基础染料的不同浓度下的实验结果的第一反射率值，根据第一反射率值获得每种基础染料在不同浓度下的第一K/S曲线，其中，K表示光线的吸收率，S表示光线的色散率；利用误差函数处理所述第一K/S曲线，获得第二K/S曲线；将所述第二K/S曲线作为所述第一数据，保存所述第一数据至所述第一数据库中。
可选地，所述第二数据包括：历史布样的染料配方中所用染料的种类、浓度，所述历史布样所用布料的种类、批次，所述历史布样的第一Labch色彩值以及第三K/S曲线，其中，L表示明亮度，a表示红绿色差，b表示黄蓝色差，c表示饱和度，h表示色调，K表示光线的吸收率，S表示光线的色散率；所述基于所述历史染料配方第二数据建立第二数据库包括：保存所述第二数据至所述第二数据库中。
可选地，所述将所述第一数据库和第二数据库中的数据作为训练样本，构建染料配方模型包括：基于染料混色模型和染料单色模型，利用所述训练样本训练神经网络模型，获得所述染料配方模型。
可选地，所述获取第一布样，利用所述染料配方模型获得所述第一布样的第一配方推算结果包括：获取所述第一布样的第四K/S曲线以及第二Labch色彩值，其中，L表示明亮度，a表示红绿值，b表示黄蓝值，c表示饱和度，h表示色调，K表示光线的吸收率，S表示光线的色散率；利用所述染料配方模型根据所述第二Labch色彩值以及第四K/S曲线，获得所述第一布样的第一配方推算结果，所述第一布样的第一配方推算结果包括：所述第一布样中的各种染料的种类以及每种染料的浓度。
可选地，所述比较所述第一布样和所述第二布样，获得所述第一布样和所述第二布样的差异包括：获取所述第二布样的第五K/S曲线以及第三Labch色彩值；计算所述第二Labch色彩值和所述第三Labch色彩值的色差值，将所述色差值作为所述第一布样和所述第二布样的差异。
可选地，所述基于所述第一布样和所述第二布样的差异，判断上一次迭代更新后的染料配方模型是否符合所述预设的要求包括：判断所述第一布样和所述第二布样的差异是否在预设的阈值范围内；当所述第一布样和所述第二布样的差异在所述预设的阈值范围内时，确定所述上一次迭代更新后的染料配方模型符合所述预设的要求；或当所述第一布样和所述第二布样的差异不在所述预设的阈值范围内时，确定所述上一次迭代更新后的染料配方模型不符合所述预设的要求。
所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现所述染料配方模型训练方法。
所述计算机装置包括存储器和至少一个处理器，所述存储器中存储有至少一个指令，所述至少一个指令被所述至少一个指令被所述至少一个处理器执行时实现所述染料配方模型训练方法。
相较于现有技术，所述染料配方模型训练方法、计算机装置及存储介质，可以利用训练获得的染料配方推算模型实现印染配方的快速推算，由客户目标颜色值和所用布料，直接推算得到所需颜料的种类及浓度等配方信息，可以通过拟合优化迭代染色模型有效提高印染行业试样环节的效率，减少试样时间，助力客户获取更多订单；同时，配方的推算由依赖人工转为完全由模型推算，可以大大降低人力成本以及对经验丰富的员工的依赖。具有周期短、成本低、对人员的依赖程度低等优点，将有效助力纺织行业的智能化转型升级，帮助企业更好应对小批量、多品种、快交期、个性化的市场需求。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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，还可以根据提供的附图获得其他的附图。
图1是本申请实施例提供的染料配方模型训练方法的流程图。
图2是本申请实施例提供的计算机装置的架构图。
主要元件符号说明
计算机装置 3
处理器 32
存储器 31
染料配方模型训练系统 30
如下具体实施方式将结合上述附图进一步说明本申请。
具体实施方式
为了能够更清楚地理解本申请的上述目的、特征和优点，下面结合附图和具体实施例对本申请进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本申请，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。
参阅图1所示，为本申请实施例提供的染料配方模型训练方法的流程图。
在本实施例中，所述染料配方模型训练方法可以应用于计算机装置中，对于需要进行染料配方模型训练的计算机装置，可以直接在计算机装置上集成本申请的方法所提供的用于染料配方模型训练的功能，或者以软件开发工具包(Software Development Kit，SDK)的形式运行在计算机装置上。
如图1所示，所述染料配方模型训练方法具体包括以下基本步骤，根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
步骤S1，获取第一数据，基于所述第一数据建立第一数据库。
在一个实施例中，用户在实验室中对纺织行业中的多种基础染料进行染色实验，所述多种基础染料包括分散染料、活性染料、阳离子染料、酸性染料等。
举例而言，对活性染料(例如B型活性染料)进行染色实验的实验操作过程包括：准备主要实验仪器及染料(例如染杯、量筒、刻度吸量管、温度计、恒温水浴锅、电炉、烘箱、电子天平、吸耳球；B型活性染料一只，食盐、氯化钠、碳酸钠、碳酸氢钠、磷酸钠、氢氧化钠等助剂)；对被染物例如纯棉织物布料进行处理(例如浸润和挤干水分)；控制染色温度保持在例如65摄氏度、染色时间保持在例如30分钟、固色温度保持在例如65摄氏度、固色时间保持在例如30分钟、浴比保持在例如1比20，控制食盐、氯化钠、碳酸钠、碳酸氢钠、磷酸钠、氢氧化钠等助剂的浓度保持在例如10克每升；通过改变活性染料的浓度(活性染料的浓度＝活性染料的质量/被染物的质量×100％)，对处理后的纯棉织物布料进行不同浓度的染色，将得到的不同浓度的活性染料的染色布料作为实验结果。
在一个实施例中，利用分光仪(或反射率检测仪)采集获取每种基础染料的不同浓度下的实验结果的第一反射率值，所述第一反射率值是指在不同的波长λ的光线下获得的反射率R(λ)。根据公式：K(λ)/S(λ)＝(1-R(λ))2/2R(λ)获得每种基础染料在不同浓度下的K/S值。对任一基础染料在不同浓度下的K/S值进行拟合，在第一直角坐标系中绘制所述任一基础染料在不同浓度下的第一K/S曲线，其中，λ表示光线的波长，K表示光线的吸收率，S表示光线的色散率。所述第一直角坐标系的横轴表示λ的值，所述第一直角坐标系的纵轴表示K/S值。
在一个实施例中，利用误差函数(error function or Gauss error function)处理所述第一K/S曲线，消除所述第一K/S曲线中由于基础染料浓度不同导致的误差，获得第二K/S曲线。将所述第二K/S曲线作为所述第一数据，保存所述第一数据至所述第一数据库中。所述第一数据库可以预先保存在计算机装置中。
步骤S2，获取第二数据，基于所述第二数据建立第二数据库。
在一个实施例中，所述第二数据包括：历史布样的染料配方中所用染料的种类、浓度，所述历史布样所用布料的种类、批次，所述历史布样的第一Labch色彩值以及第三K/S曲线，其中，L表示明亮度，a表示红绿色差，b表示黄蓝色差，c表示饱和度，h表示色调，K表示光线的吸收率，S表示光线的色散率。
在一个实施例中，所述历史布样可以从工厂根据历史订单制造的布样库存中进行选择，所述历史布样包含多种布样。所述历史布样的染料配方中所用染料的种类、浓度以及所述历史布样所用布料的种类、批次，可以从所述历史订单中的配料表进行获取。
在一个实施例中，获取所述历史布样的第一Labch色彩值的方法包括：利用分光仪(或反射率检测仪)采集获取每种历史布样的第二反射率值R’(λ)，利用CIE-XYZ色彩空间理论根据所述第二反射率值R’(λ)计算获得所述第一Labch色彩值中的L、a、b，再根据公式c＝(a2+b2)1/2和h＝arctan(b/a)计算获得所述第一Labch色彩值中的c和h。
在一个实施例中，获取所述历史布样的第三K/S曲线的方法与步骤S1中获取所述第一K/S曲线的方法相同。
在一个实施例中，所述基于所述历史染料配方第二数据建立第二数据库包括：保存所述第二数据至所述第二数据库中。所述第一数据库可以预先保存在计算机装置中。
步骤S3，将所述第一数据库和第二数据库中的数据作为训练样本，构建染料配方模型。
在一个实施例中，基于染料混色模型和染料单色模型，利用所述训练样本基于混色模型和染料单色模型训练神经网络模型，获得所述染料配方模型。所述神经网络模型可以是卷积神经网络(Convolutional Neural Networks,CNN)模型。
需要说明的是，当步骤S8之后对当前更新的染料配方模型进行下一次迭代更新时，所述第二数据库是指更新后的第二数据库；根据所述第一数据库和更新的第二数据库构建的染料配方模型是指迭代更新后的染料配方模型。
步骤S4，获取第一布样，利用上一次迭代更新后的染料配方模型获得所述第一布样的第一配方推算结果。
在一个实施例中，所述第一布样可以是所述历史布样中的任意一种布样。
在一个实施例中，所述利用所述染料配方模型获得所述第一布样的第一配方推算结果包括：获取所述第一布样的第四K/S曲线以及第二Labch色彩值(L2、a2、b2、c2、h2)，其中，L表示明亮度，a表示红绿值，b表示黄蓝值，c表示饱和度，h表示色调，K表示光线的吸收率，S表示光线的色散率；将所述第二Labch色彩值以及第四K/S曲线输入所述染料配方模型，利用所述染料配方模型根据所述第二Labch色彩值以及第四K/S曲线获得所述第一布样的第一配方推算结果，所述第一布样的第一配方推算结果包括：所述第一布样中的各种染料的种类以及每种染料的浓度。需要说明的是，所述第一布样的第四K/S曲线以及第二Labch色彩值可以直接根据步骤S2进行获取。
步骤S5，根据所述第一配方结果进行打样，获得所述第一配方结果对应的第二布样；比较所述第一布样和所述第二布样，获得所述第一布样和所述第二布样的差异。
在一个实施例中，所述根据所述第一配方结果进行打样，获得所述第一配方结果对应的第二布样包括：利用与步骤S1中在实验室中对纺织行业中的多种基础染料进行染色实验的方法，在实验室中根据所述第一布样中的各种染料的种类以及每种染料的浓度进行染色打样，获得所述第二布样。
在一个实施例中，所述比较所述第一布样和所述第二布样，获得所述第一布样和所述第二布样的差异包括：获取所述第二布样的第五K/S曲线以及第三Labch色彩值(L3、a3、b3、c3、h3)；计算所述第二Labch色彩值和所述第三Labch色彩值的色差值，将所述色差值作为所述第一布样和所述第二布样的差异。
需要说明的是，所述获取所述第二布样的第五K/S曲线以及第三Labch色彩值的方法与步骤S2中的方法相同。
在一个实施例中，所述计算所述第二Labch色彩值和所述第三Labch色彩值的色差值所用的公式为：[(L2-L3)2+(a2-a3)2+(b2-b3)2]1/2。
步骤S6，基于所述第一布样和所述第二布样的差异，判断上一次迭代更新后的染料配方模型是否达到所述预设的要求，当上一次迭代更新后的染料配方模型符合所述预设的要求时，执行步骤S7；当上一次迭代更新后的染料配方模型不符合所述预设的要求时，执行步骤S8。
在一个实施例中，所述基于所述第一布样和所述第二布样的差异，判断上一次迭代更新后的染料配方模型是否符合所述预设的要求包括：判断所述第一布样和所述第二布样的差异是否在预设的阈值范围内(例如，小于等于0.6)；当所述第一布样和所述第二布样的差异在所述预设的阈值范围内时，确定所述上一次迭代更新后的染料配方模型符合所述预设的要求；或当所述第一布样和所述第二布样的差异不在所述预设的阈值范围内时，确定所述上一次迭代更新后的染料配方模型不符合所述预设的要求。
步骤S7，将上一次迭代更新后的染料配方模型作为所述目标染料配方模型。
步骤S8，基于所述第二布样获得更新后的第二数据库，在所述上一次迭代更新后的染料配方模型的基础上，利用所述第一数据库和更新后的第二数据库中的数据构建当前更新的染料配方模型，对所述当前更新的染料配方模型进行下一次迭代更新，执行步骤S3。
在一个实施例中，所述基于所述第二布样获得更新后的第二数据库包括：将所述第二布样的第五K/S曲线以及第三Labch色彩值保存至所述第二数据库，获得所述更新后的第二数据库。
在一个实施例中，所述在所述上一次迭代更新后的染料配方模型的基础上，利用所述第一数据库和更新后的第二数据库中的数据构建当前更新的染料配方模型包括：利用所述第一数据库和更新后的第二数据库中的数据在所述上一次迭代更新后的染料配方模型的基础上，继续训练所述神经网络模型，获得所述当前更新的染料配方模型。
上述图1详细介绍了本申请的染料配方模型训练方法，下面结合图2，对实现所述染料混色模型训练方法的硬件装置架构进行介绍。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
参阅图2所示，为本申请较佳实施例提供的计算机装置的结构示意图。在本申请较佳实施例中，所述计算机装置3包括存储器31、至少一个处理器32。本领域技术人员应该了解，图2示出的计算机装置的结构并不构成本申请实施例的限定，既可以是总线型结构，也可以是星形结构，所述计算机装置3还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。
在一些实施例中，所述计算机装置3包括一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的终端，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。
需要说明的是，所述计算机装置3仅为举例，其他现有的或今后可能出现的电子产品如可适应于本申请，也应包含在本申请的保护范围以内，并以引用方式包含于此。
在一些实施例中，所述存储器31用于存储程序代码和各种数据，例如安装在所述计算机装置3中的染料配方模型训练系统30，并在计算机装置3的运行过程中实现高速、自动地完成程序或数据的存取。所述存储器31包括只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者任何其他能够用于携带或存储数据的计算机可读的存储介质。
在一些实施例中，所述至少一个处理器32可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述至少一个处理器32是所述计算机装置3的控制核心(Control Unit)，利用各种接口和线路连接整个计算机装置3的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块，以及调用存储在所述存储器31内的数据，以执行计算机装置3的各种功能和处理数据，例如执行图1所示的染料配方模型训练的功能。
在一些实施例中，所述染料配方模型训练系统30运行于计算机装置3中。所述染料配方模型训练系统30可以包括多个由程序代码段所组成的功能模块。所述染料配方模型训练系统30中的各个程序段的程序代码可以存储于计算机装置3的存储器31中，并由至少一个处理器32所执行，以实现染料混色模型训练的功能。
尽管未示出，所述计算机装置3还可以包括给各个部件供电的电源(比如电池)，优选的，电源可以通过电源管理装置与所述至少一个处理器32逻辑相连，从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述计算机装置3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块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装置(可以是服务器、个人电脑等)或处理器(processor)执行本申请各个实施例所述方法的部分。
在本申请的一个实施例中，所述存储器31存储一个或多个指令(即至少一个指令)，所述至少一个指令被所述至少一个处理器32所执行以实现图1所示的染料配方模型训练的目的。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
最后所应说明的是，以上实施例仅用以说明本申请的技术方案而非限制，尽管参照以上较佳实施例对本申请进行了详细说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或等同替换，而不脱离本申请技术方案的精神和范围。

Claims (9)

1.一种染料配方模型训练方法，其特征在于，所述方法包括：
获取第一数据，基于所述第一数据建立第一数据库；
获取第二数据，基于所述第二数据建立第二数据库；
将所述第一数据库和所述第二数据库中的数据作为训练样本，构建染料配方模型，对所述染料配方模型进行至少一次迭代更新，直至获得符合预设的要求的目标染料配方模型，其中，所述至少一次迭代更新中的任意一次迭代更新包括：
获取第一布样，利用上一次迭代更新后的染料配方模型获得所述第一布样的第一配方推算结果；
根据所述第一配方结果进行打样，获得所述第一配方结果对应的第二布样；
比较所述第一布样和所述第二布样，获得所述第一布样和所述第二布样的差异；
基于所述第一布样和所述第二布样的差异，判断上一次迭代更新后的染料配方模型是否达到所述预设的要求；
当上一次迭代更新后的染料配方模型符合所述预设的要求时，将上一次迭代更新后的染料配方模型作为所述目标染料配方模型；
当上一次迭代更新后的染料配方模型不符合所述预设的要求时，基于所述第二布样获得更新后的第二数据库，在所述上一次迭代更新后的染料配方模型的基础上，利用所述第一数据库和更新后的第二数据库中的数据构建当前更新的染料配方模型，对所述当前更新的染料配方模型进行下一次迭代更新。
2.根据权利要求1所述的染料配方模型训练方法，其特征在于，所述获取第一数据，基于所述第一数据建立第一数据库包括：
对多种基础染料进行染色实验，所述多种基础染料包括分散染料、活性染料、阳离子染料、酸性染料；
利用分光仪采集获取每种基础染料在不同浓度下的实验结果的第一反射率值，根据所述第一反射率值获得每种基础染料在不同浓度下的第一K/S曲线，其中，K表示光线的吸收率，S表示光线的色散率；
利用误差函数处理所述第一K/S曲线，获得第二K/S曲线；
将所述第二K/S曲线作为所述第一数据，保存所述第一数据至所述第一数据库中。
3.根据权利要求1所述的染料配方模型训练方法，其特征在于，所述第二数据包括：
历史布样的染料配方中所用染料的种类、浓度，所述历史布样所用布料的种类、批次，所述历史布样的第一Labch色彩值以及第三K/S曲线，其中，L表示明亮度，a表示红绿色差，b表示黄蓝色差，c表示饱和度，h表示色调；
所述基于所述历史染料配方第二数据建立第二数据库包括：保存所述第二数据至所述第二数据库中。
4.根据权利要求1所述的染料配方模型训练方法，其特征在于，所述将所述第一数据库和第二数据库中的数据作为训练样本，构建染料配方模型包括：
基于染料混色模型和染料单色模型，利用所述训练样本训练神经网络模型，获得所述染料配方模型。
5.根据权利要求1所述的染料配方模型训练方法，其特征在于，所述获取第一布样，利用所述染料配方模型获得所述第一布样的第一配方推算结果包括：
获取所述第一布样的第四K/S曲线以及第二Labch色彩值，其中，L表示明亮度，a表示红绿值，b表示黄蓝值，c表示饱和度，h表示色调，K表示光线的吸收率，S表示光线的色散率；
利用所述染料配方模型根据所述第二Labch色彩值以及第四K/S曲线，获得所述第一布样的第一配方推算结果，所述第一布样的第一配方推算结果包括：所述第一布样中的各种染料的种类以及每种染料的浓度。
6.根据权利要求5所述的染料配方模型训练方法，其特征在于，所述比较所述第一布样和所述第二布样，获得所述第一布样和所述第二布样的差异包括：
获取所述第二布样的第五K/S曲线以及第三Labch色彩值；
计算所述第二Labch色彩值和所述第三Labch色彩值的色差值，将所述色差值作为所述第一布样和所述第二布样的差异。
7.根据权利要求6所述的染料配方模型训练方法，其特征在于，所述基于所述第一布样和所述第二布样的差异，判断上一次迭代更新后的染料配方模型是否符合所述预设的要求包括：
判断所述第一布样和所述第二布样的差异是否在预设的阈值范围内，阈值范围根据色差理论和实际生产需求进行设定；
当所述第一布样和所述第二布样的差异在所述预设的阈值范围内时，确定所述上一次迭代更新后的染料配方模型符合所述预设的要求；
当所述第一布样和所述第二布样的差异不在所述预设的阈值范围内时，确定所述上一次迭代更新后的染料配方模型不符合所述预设的要求。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现如权利要求1至7中任意一项所述的染料配方模型训练方法。
9.一种计算机装置，其特征在于，该计算机装置包括存储器和至少一个处理器，所述存储器中存储有至少一个指令，所述至少一个指令被所述至少一个处理器执行时实现如权利要求1至7中任意一项所述的染料配方模型训练方法。
CN202111257947.7A 2021-10-27 2021-10-27 染料配方模型训练方法、计算机装置及存储介质 Pending CN116029191A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111257947.7A CN116029191A (zh) 2021-10-27 2021-10-27 染料配方模型训练方法、计算机装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111257947.7A CN116029191A (zh) 2021-10-27 2021-10-27 染料配方模型训练方法、计算机装置及存储介质

Publications (1)

Publication Number Publication Date
CN116029191A true CN116029191A (zh) 2023-04-28

Family

ID=86090274

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111257947.7A Pending CN116029191A (zh) 2021-10-27 2021-10-27 染料配方模型训练方法、计算机装置及存储介质

Country Status (1)

Country Link
CN (1) CN116029191A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117933771A (zh) * 2023-09-27 2024-04-26 广东腾珑科技有限公司 一种纺织品染色配方的形成、控制及反馈迭代方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117933771A (zh) * 2023-09-27 2024-04-26 广东腾珑科技有限公司 一种纺织品染色配方的形成、控制及反馈迭代方法

Similar Documents

Publication Publication Date Title
TWI611314B (zh) 為一紡織染色製程決定一目標控制數據組之裝置、方法及其電腦程式產品
CN116029191A (zh) 染料配方模型训练方法、计算机装置及存储介质
Qu et al. Analysis of drug-DNA binding data
CN112383891A (zh) 一种基于物模型自动匹配的设备注册方法和装置
Bretz et al. On multiple comparisons in R
CN115619754A (zh) 一种基于bp神经网络算法应用的纺织品计算机配色方法
US20060010018A1 (en) Method and device for optimizing processes
CN107761307A (zh) 一种洗衣机用电控制监测法
CN113699032A (zh) 培养箱及控制的方法、装置
CN112595346A (zh) 一种液浮陀螺温度循环自动化测试方法、系统及控制装置
CN117933771A (zh) 一种纺织品染色配方的形成、控制及反馈迭代方法
CN115865617B (zh) 一种vpn远程诊断及维护系统
AU2016324351B2 (en) Power analyser and method for the use thereof
JPH04226420A (ja) レンズの染色方法
CN110579336A (zh) 激光振放链输出功率预测系统及方法
Collishaw et al. Controlled coloration: a success strategy for the dyeing of cellulosic fibres with reactive dyes
CN102621518A (zh) 一种电度表自动校验方法
Bradbury et al. Reactive Dye Selection and Process Development for Exhaust Dyeing of Cellulose.
Loria The Mexican economy: balance-of-payments-constrained growth model--the importance of the exchange rate, 1970-1999
US20220383173A1 (en) Port server for heterogeneous hardware
CN218097851U (zh) 染色机染液工艺参数在线检测装置
KR102047121B1 (ko) 지거 상압 염색 제어 시스템
CN106959683A (zh) 分布式机器人系统的灰盒自主测试方法及系统
Hall et al. Better estimates of multiexponential decay parameters
Sumner Random Errors in Dyeing—The Relative Importance of Dyehouse Variables in the Reproduction of Dyeings

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