TWI764423B - 織物染色製程助劑試配性的判斷方法及其判斷系統 - Google Patents
織物染色製程助劑試配性的判斷方法及其判斷系統Info
- Publication number
- TWI764423B TWI764423B TW109143638A TW109143638A TWI764423B TW I764423 B TWI764423 B TW I764423B TW 109143638 A TW109143638 A TW 109143638A TW 109143638 A TW109143638 A TW 109143638A TW I764423 B TWI764423 B TW I764423B
- Authority
- TW
- Taiwan
- Prior art keywords
- dyeing
- dyeing process
- tested
- fabric
- strength
- Prior art date
Links
Images
Landscapes
- Spectrometry And Color Measurement (AREA)
- Coloring (AREA)
Abstract
一種織物染色製程助劑適配性的判斷方法。判斷方法包含以下步驟。提供織物以進行待測染色製程。記錄待測染色製程的待測助劑配方,並且待測助劑配方包括第一均染劑比例及第一促染劑比例。對織物在待測染色製程的多個時間點上各自的第一力度染著率以及第一力度染著率變化量依序進行量測步驟。利用決策樹根據多個第一力度染著率以及多個第一力度染著率變化量產生第一適配結果。判斷待測助劑配方是否適配待測染色製程。
Description
本案係關於一種織物染色製程助劑試配性的判斷方法及其判斷系統,特別係關於一種利用決策樹的織物染色製程助劑試配性的判斷方法及其判斷系統。
傳統上,在染色製程完成時織物的染著率與均勻度與染色製程初期添加的助劑(例如,均散劑與促染劑)的比例有所關聯。若助劑或其比例不適配,則織物的染著率可能達不到期望值或可能產生色花現象。在對新的色樣進行染色製程的試驗時,通常會耗費大量時間測試助劑及其比例與染色製程的適配性。因此,如何更快速的判斷助劑的比例以及助劑與染色製程的適配性為本領域中重要的議題。
本揭露提供一種織物染色製程助劑適配性的判斷方法。判斷方法包含以下步驟。提供織物,用以進行待測染色製程。記錄待測染色製程的待測助劑配方,並且待測助劑配方包括第一均染劑比例及第一促染劑比例。對織物在待測染色製程的多個時間點上各自的第一力度染著率以及第一力度染著率變化量依序進行量測步驟。利用決策樹根據多個第一力度染著率以及多個第一力度染著率變化量產生第一適配結果。判斷待測助劑配方是否適配待測染色製程,其中決策樹是根據多筆訓練資料的分群結果而產生,每一訓練資料包括已知助劑配方及已知助劑配方與染色製程的已知適配結果。
本揭露提供一種織物染色製程助劑適配性的判斷系統。判斷系統包括光感測器以及電子計算機。光感測器用以量測織物在待測染色製程的多個時間點上各自的第一力度染著率以及第一力度染著率變化量。電子計算機用以記錄多個待測染色製程的待測助劑配方,並利用決策樹通過多個第一力度染著率及多個第一力度染著率變化量判斷待測助劑配方是否適配待測染色製程。
綜上所述,本揭露利用決策樹依據織物在染色製程中的力度染著率及力度染著率變化量,判斷所添加的助劑配方是否適配染色製程。
以下將以圖式揭露本發明之複數個實施方式,為明確說明起見,許多實務上的細節將在以下敘述中一併說明。然而,應瞭解到,這些實務上的細節不應用以限制本發明。也就是說,在本發明部分實施方式中,這些實務上的細節是非必要的。此外,為簡化圖式起見,一些習知慣用的結構與元件在圖式中將以簡單示意的方式繪示之。
本揭露提供一種織物染色製程助劑適配性的判斷方法及其判斷系統,其可在待測染色製程進行期間,記錄待測染色製程的待測助劑配方,並對織物的第一力度染著率及第一力度染著率的變化量進行量測與計算,再利用決策樹依據第一力度染著率及第一力度染著率的變化量判斷待測助劑配方是否適配待測染色製程。
請先看到第1圖,第1圖繪示本揭露的一實施方式的待測染色製程的染色裝置200及判斷系統100的示意圖。染色裝置200用以對織物210進行待測染色製程。判斷系統100包含光感測器110以及電子計算機120。光感測器110用以量測待測染色製程中的織物210的色彩的光譜資料。電子計算機120包含儲存元件124以及處理器122。處理器122用以運行儲存元件124中的決策樹DT。
在織物210的待測染色製程中添加染料230及待測助劑配方220,以對織物210進行待測染色製程。待測助劑配方220包含第一均染劑比例222以及第一促染劑比例224。由於在完成待測染色製程時,織物210的染著率以及色彩均勻度會受到待測染色製程中所添加的待測助劑配方220的影響。在實際染色製程中,織物210的最終染著率以及色彩均勻度(也就是染色結果)與待測染色製程進行期間織物210的色彩的光譜資料的關聯性相當高。因此,在本揭露中對織物210在待測染色製程進行期間的色彩的光譜資料進行量測,並且由電子計算機120依據量測的光譜資料運行決策樹DT,從而利用決策樹DT判斷待測助劑配方220是否適配此次的待測染色製程。例如,目前的待測染色製程欲基於染料230將織物220染成亮紫色,決策樹DT可以根據取樣的光譜資料判斷採用的待測助劑配方220是否適配當前的染料230以及待測染色製程。
請一併參閱第2圖,第2圖繪示本揭露的待測染色製程的助劑適配性的判斷方法S100的流程圖。判斷方法100包含步驟S120、步驟S140、步驟S160以及步驟S180。步驟S120為提供織物進行待測染色製程,步驟S140為記錄待測染色製程的待測助劑配方,步驟S160為對織物在待測染色製程的多個時間點進行量測步驟,且步驟S180為使用決策樹判斷待測助劑配方適配與否。關於決策樹如何建立以及為何能用以根據染著率判斷適配與否,將在後續說明中進一步解釋。
請同時參照第1圖及第2圖,在步驟S120中,提供織物210進行待測染色製程。織物210可以是尼龍織物或是聚酯織物。在此,「待測染色製程」可以是酸性染色製程或是分散性染色製程。舉例來說,在織物210為尼龍織物時採用酸性染色製程,且在織物210為聚酯織物時採用分散性染色製程。
在一些實施方式中,待測染色製程可由酸性染色製程實施。在酸性染色製程的初期(例如,70℃時),將織物210、待測助劑配方220和染料230置入染缸240,並以每分鐘1℃的速率升溫至100℃。在100℃持溫一段時間,接續以每分鐘2℃的速率降溫至70℃,藉此進行酸性染色製程。
在一些實施方式中,待測染色製程可由分散性染色製程實施。在分散性染色製程的初期(例如,40℃時),將織物210、待測助劑配方220和染料230置入染缸240,並以每分鐘1℃的速率升溫至130℃,在130℃持溫一段時間,接續以每分鐘2℃的速率降溫至70℃,藉此進行分散性染色製程。其中在130℃持溫的時間可以依據在分散性染色製程中所添加的染料230種類設定。
在步驟S140中,在待測染色製程中記錄初始添加的待測助劑配方220,其中待測助劑配方220可包括第一均染劑比例222以及第一促染劑比例224,且不同的待測助劑配方220可應用於各自的待測染色製程。如此,在後續步驟S160~S180中,決策樹DT可以依據織物210在待測染色製程中的色彩的光譜資料,判斷此次添加的待測助劑配方220是否適配待測染色製程。
在步驟S160中,對織物210在待測染色製程中的多個時間點進行量測步驟。接著,在步驟S180中,由電子計算機120使用決策樹DT根據在步驟S160得到的量測結果判斷待測助劑配方220是否適配待測染色製程,並產生第一適配結果,第一適配結果代表待測助劑配方220是否適配目前的待測染色製程。
為了較佳地理解量測步驟S160,請一併參閱第3圖。第3圖繪示對單次染色製程進行量測步驟S160的流程圖。如第3圖所示,第3圖中的步驟S160包含步驟S161、步驟S162、步驟S163及步驟S164。步驟S161為分析光譜資料,步驟S162為傳送至電子計算機,步驟S163為產生第一力度染著率,且步驟S164為產生第一力度染著率變化量。
在步驟S161中,分析織物210在同一待測染色製程中的多個時間點中的色彩的光譜資料可以由光感測器110達成。上述的「同一待測染色製程中的多個時間點」可以是酸性染色製程在40℃、50℃、60℃、70℃、80℃、90℃、100℃初始時、100℃結束時以及第二次來到70℃所對應的時間;或者可以是分散性染色製程在70℃、80℃、90℃、100℃、110℃、120℃、130℃初始時、130℃結束時以及第二次來到70℃所對應的時間。此外,上述的「光譜資料」可以是Lab值、RGB值或是力度值。
在一些實施方式中,光感測器110可以是RGB數位感測器,且其量測目標可以是待測染色製程中的織物210。具體來說,可在對應的時間點,將待測染色製程使用中的織物210取出做分析。例如,將織物210中分為多個小塊做為樣本織物(如第1圖中繪示三小塊的樣本織物210做為例示),並於待測染色製程中的多個時間點分別量測樣本織物在前述多個時間點的RGB值。
在一些實施方式中,可藉由光譜取樣裝置量測織物210的光譜資料。舉例來說,光譜取樣裝置具有光感測器、滾輪以及用於驅動滾輪的馬達,且光感測器可例如是RGB數位感測器。在待測染色製程結束後,可以將在前述多個時間點分別採取的樣本織物依序設置在滾輪上,並由馬達驅動滾輪,使RGB數位感測器可以依序量測多個樣本織物的光譜資料。
在步驟S162中,可將前述所得到的待測染色製程中織物210在多個時間點的光譜資料傳送至電子計算機120。具體而言,可將步驟S161所得到的織物210在多個時間點的光譜資料儲存在電子計算機120的儲存元件124中,其中儲存元件124可由硬碟實施。
在步驟S163中,織物210在待測染色製程中多個時間點的光譜資料可由電子計算機120的處理器122自儲存元件124提取並換算為第一力度染著率。在步驟S164中,由電子計算機120將在各個時間點中任兩相鄰者的力度染著率者換算為力度染著率變化量。
傳統上,紡織廠的工作人員透過肉眼觀察待測染色製程中織物在多個時間點顏色的變化幅度,判斷織物完成待測染色製程時的顏色是否合格。然而,傳統作法中,以肉眼觀察染色製程時的顏色依賴人力經驗進行判斷,且隨著當時作業環境的光線與判斷的人員可能有所差異。相較之下,於本揭露可以藉由光感測器110取得織物210在多個時間點的光譜資料的變化幅度,再以處理器122根據光譜資料判斷在待測染色製程中所添加的待測助劑配方220是否適配待測染色製程。由於光譜資料的感測具有客觀的判斷標準,可以避免人工判斷上的誤差。
如第2圖及第3圖所示,在步驟S180中,由電子計算機120使用決策樹DT根據在步驟S160中得到的第一力度染著率以及第一力度染著率變化量判斷待測助劑配方220是否適配待測染色製程,並產生第一適配結果。
請一併參閱第4圖,第4圖繪示根據本揭露的一實施方式中判斷系統100及判斷方法S100所使用的決策樹DT的示意圖。決策樹DT包含複數個節點,如第4圖所示的實施方式中,決策樹DT包含複數個節點N1、N2a~N2b以及N3a~N3c。
如第4圖所示,每一個節點各自包含一組分群條件其對應力度染著率/力度染著率變化量的門檻值。決策樹DT用以將待測染色製程(對應的第一力度染著率以及第一力度染著率變化量)與各自節點(各自的力度染著率門檻或力度染著率變化量的門檻值)進行比較,進而產生第一適配結果。需特別說明的是,第4圖的決策樹DT僅為例示性說明,本揭露的決策樹DT並不以第4圖之實施方式為限,實際應用中決策樹DT可以包含更多層或更少層的節點,且各節點的門檻值是根據決策樹DT的訓練過程而決定。關於決策樹DT的訓練過程將在後續說明中進一步解釋。
如第4圖的例子所示,節點N1具有分群條件E6的門檻值90.16,舉例來說,分群條件E6可以是酸性染色製程在90℃時的力度染著率是否小於門檻值90.16。節點N2a具有分群條件E9的門檻值100.2,舉例來說,分群條件E9可以是酸性染色製程在第二次來到70℃時的力度染著率是否小於門檻值100.2。節點N2b具有分群條件E23的門檻值23.86,舉例來說,分群條件E23可以是酸性染色製程在50℃至60℃的力度染著率變化量是否小於門檻值23.86。依此類推,節點N3a~N3c也具有各自的分群條件E8、E5以及E1。並且,分群條件E8、E5以及E1可以分別是酸性染色製程在100℃結束時、80℃時以及40℃時的力度染著率。
以下假設步驟S160當中進行一次待測染色製程在各個溫度下所對應的時間點量測到第一力度染著率以及第一力度染著率變化量為一筆量測資料MD1,並且量測資料MD1對應的待測染色製程是酸性染色製程。量測資料MD1在90℃時的第一力度染著率大於節點N1的門檻值90.16,因此被劃分至節點N2b。量測資料MD1在50℃至60℃的第一力度染著率變化量小於節點N2b的門檻值23.86,因此被劃分至節點N3b。量測資料MD1在70℃的第一力度染著率小於節點N3b的門檻值82.53,因此被劃分至「適配」。因此,決策樹DT針對量測資料MD1產生的第一適配結果為「適配」。
以下假設步驟S160當中進行另一次待測染色製程在各個溫度下所對應的時間點量測到第一力度染著率以及第一力度染著率變化量為另一筆量測資料MD2,並且量測資料MD2對應的待測染色製程是酸性染色製程。量測資料MD2在90℃時的第一力度染著率大於節點N1的門檻值90.16,因此被劃分至節點N2b。量測資料MD2在50℃至60℃的第一力度染著率變化量大於節點N2b的門檻值23.86,因此被劃分至節點N3c。量測資料MD2在40℃的第一力度染著率大於節點N3c的門檻值29.72,因此被劃分至「不適配」。因此,決策樹DT針對量測資料MD2產生的第一適配結果為「不適配」。
如上所述,本揭露的判斷系統100及判斷方法S100便可根據步驟S160當中量測到的多個第一力度染著率以及多個第一力度染著率變化量,並基於決策樹DT進行各個節點的判斷產生各自的第一適配結果,例如量測資料MD1對應的第一適配結果為「適配」,量測資料MD2對應的第一適配結果為「不適配」。
進一步而言,假設步驟S160當中進行的待測染色製程是分散性染色製程,決策樹DT的分群條件E6、E9、E8、E5以及E1可以是分散性染色製程分別在120℃時、第二次來到70℃時、130℃結束時、110℃時、70℃時的力度染著率。分群條件E23可以是分散性染色製程在80℃至90℃時的力度染著率變化量。如此,決策樹DT可以判斷尼龍織物進行酸性染色製程的適配結果或者是判斷聚酯織物進行分散性染色製程的適配結果。
透過上述步驟S180,判斷系統100及判斷方法S100可以利用光感測器110取得織物210在多個時間點的光譜資料的變化幅度配合決策樹DT,自動化產生第一適配結果,以此得知所述待測助劑配方是否適配所述待測染色製程。上述自動判斷的過程(步驟S120~S180)本身並不依賴肉眼觀察也可以避免當下人力觀察的誤差。並且,決策樹DT可以即時地判斷待測助劑配方是否適配待測染色製程,從而縮短紡織廠進行試染流程的時間,進而更快速的達到客戶指示的色樣、染著率以及色彩均勻度。
需補充說明的是,決策樹DT是根據訓練資料而建構。每一筆訓練資料包括已知染色製程的已知助劑配方、第二力度染著率、第二力度染著率變化量以及已知助劑配方與已知染色製程的已知適配結果。於一些實施方式中,前述的「已知適配結果」可以是由紡織廠的工作人員透過觀察待測染色製程中的染液或織物在多個時間點顏色的變化幅度而判斷。於一些實施方式中,「已知適配結果」也可以是決策樹DT根據累積下來的染色數據以及先前工作人員對每一次染色製程的判斷結果而建構。
為了更佳的理解決策樹DT的建構及使用,請參閱第5圖,第5圖繪示本揭露的另一實施方式的待測染色製程的助劑適配性的判斷方法S200。相較於判斷方法S100而言,判斷方法S200更包含步驟S191、S192、S193、S194以及S195。步驟S191為收集訓練資料,步驟S192為訓練決策樹,步驟S193為人為判讀織物210染色適配與否,步驟S194為比對適配結果是否一致,且步驟S195為更新資料庫。
在步驟S191中,收集用於訓練決策樹的多筆訓練資料可由電子計算機120執行。具體而言,電子計算機120可在單次已知染色製程中收集其所添加的已知助劑配方、多個時間點的第二力度染著率及第二力度染著率變化量、以及由工作人員的判斷的已知適配結果,並將上述的已知助劑配方、第二力度染著率、第二染著率變化量及已知適配結果整合為一筆訓練資料。因此,電子計算機120可在多次已知染色製程中收集多筆訓練資料。
在步驟S192中,可由多筆訓練資料中的已知助劑配方、各個時間點上的第二力度染著率以及第二力度染著率變化量中挑選分群條件,做為建構如第4圖所示的決策樹DT的節點。並且,將訓練資料中的已知適配結果(例如,適配或不適配)做為決策樹分類/判別的目標。也就是說,可由分群條件決定決策樹的節點,並由多筆訓練資料的分群結果產生決策樹。
在決策樹DT每一個節點的選擇中,每個節點基於所對應分群條件將多筆訓練資料區分為多筆第一訓練子資料以及多筆第二訓練子資料,使分群後的多筆第一訓練子資料盡可能具有相似的已知適配結果(例如大部分均為適配,或者大部分均為不適配),並且使得分群後的多筆第二訓練子資料也盡可能具有相似的已知適配結果(例如大部分均為不適配,或者大部分均為適配)。也就是說,每一個節點所挑選的分群條件的目標在於使分群後的多筆第一訓練子資料及多筆第二訓練子資料各自在適配結果上具有較低的亂度。具體而言,在步驟S192中,是由多筆訓練資料在各時間點上的第二力度染著率以及第二力度染著率變化量中挑選分群條件,並依照分群條件將多筆訓練資料分群為第一訓練子資料以及第二訓練子資料,以使得第一訓練子資料及第二訓練子資料各自對應的已知適配結果達到低亂度。在一實施方式中,可以透過熵(Entropy)或吉尼不純度(Gini impurity)函式來計算分群後的第一/第二訓練子資料的亂度。
在一些實施方式中,可透過線性回歸函數模擬各個時間點的力度染著率及力度染著率變化量,藉此利用決策樹判斷待測助劑配方是否適配待測染色製程。也就是說,在實際進行待測染色製程之前,執行步驟S180,並經由決策樹判斷待測助劑配方是否適配待測染色製程。如此一來,可以提升染色製程完成時織物的染著率以及色彩均勻度,從而達到織物產品的品質牢固度需求。
接著,根據本次待測染色製程得到的織物210最終染色結果,進行人為判讀判斷適配與否並產生第二適配結果,在步驟S193中,電子計算機120接收(例如透過鍵盤、滑鼠輸入或透過有線/無線傳輸介面傳輸)上述第二適配結果。例如,由紡織廠內的工作人員透過染色製程中織物在各個時間點的光譜資料判讀織物的染色是否合格,從而判斷待測助劑配方是否適配待測染色製程。
基於上述實施方式,透過建立決策樹,目標是可以正確判斷待測助劑配方與待測染色製程的適配結果,使得由決策樹產生的第一適配結果與累積的訓練資料中由工作人員判斷的第二適配結果趨於一致。因此,決策樹基於待測資料所產生的第一適配結果可等效或趨近經過人為的專業經驗判斷的結果。
在步驟S194中,比對決策樹產生的第一適配結果與工作人員判斷的第二適配結果是否一致。若決策樹在步驟S180中所產生的第一適配結果與工作人員在步驟S193所判斷的第二適配結果一致,則結束流程。對此,代表決策樹的自動判斷正確,因此在後續待測染色製程中可以信任決策樹的判斷,以逐漸降低人為判斷的時間成本。反之,若決策樹與工作人員判斷的適配結果不同,則接續步驟S195。
在步驟S195中,將判讀的待測染色製程中的待測助劑配方、織物在各個時間點的力度染著率以及力度染著率變化量以及工作人員判斷的第二適配結果匯入資料庫,以更新資料庫中的訓練資料。並且,可接續步驟S192,再由資料庫中更新後的訓練資料訓練決策樹。如此,決策樹會考慮本次待測染色製程的待測資料並修正模型,以使決策樹之後的判斷更為準確。
綜上所述,本揭露可藉由決策樹對待測助劑配方與待測染色製程的適配結果達到全自動的判斷。因此,相較於具有誤差風險的人為判斷方式而言,本揭露的織物染色製程助劑適配性的判斷方法可具有更高的精準性。
雖然本揭露已以實施方式揭露如上,然其並非用以限定本揭露,任何本領域通具通常知識者,在不脫離本揭露之精神和範圍內,當可作各種之更動與潤飾,因此本揭露之保護範圍當視後附之申請專利範圍所界定者為準。
為使本揭露之上述和其他目的、特徵、優點與實施例能更明顯易懂,所附符號之說明如下
100:判斷系統
110:光感測器
120:電子計算機
122:處理器
124:儲存元件
200:染色裝置
210:織物
220:待測助劑配方
222:第一均染劑比例
224:第一促染劑比例
230:染料
240:染缸
DT:決策樹
S100,S200:判斷方法
S120,S140,S160,S161,S162,S163,S164,S180,S191,S192,S193,S194,S195:步驟
為使本揭露之上述和其他目的、特徵、優點與實施例能更明顯易懂,所附圖式之說明如下:
第1圖繪示本揭露的一實施方式的待測染色製程的染色裝置及判斷系統的示意圖。
第2圖繪示本揭露的染色製程的助劑適配性的判斷方法的流程圖。
第3圖繪示對單次染程進行量測步驟S160的流程圖。
第4圖繪示根據本揭露的一實施方式的判斷系統及判斷方法所使用的決策樹的示意圖。
第5圖繪示本揭露的另一實施方式的待測染色製程的助劑適配性的判斷方法的流程圖。
國內寄存資訊(請依寄存機構、日期、號碼順序註記)
無
國外寄存資訊(請依寄存國家、機構、日期、號碼順序註記)
無
100:判斷系統
110:光感測器
120:電子計算機
122:處理器
124:儲存元件
200:染色裝置
210:織物
220:待測助劑配方
222:第一均染劑比例
224:第一促染劑比例
230:染料
240:染缸
DT:決策樹
Claims (10)
- 一種織物染色製程助劑適配性的判斷方法,包括: 提供織物,用以進行待測染色製程; 記錄所述待測染色製程的待測助劑配方,所述待測助劑配方包括第一均染劑比例及第一促染劑比例; 對所述織物在所述待測染色製程的多個時間點上各自的第一力度染著率以及第一力度染著率變化量依序進行量測步驟;以及 利用決策樹根據多個所述第一力度染著率以及多個所述第一力度染著率變化量產生第一適配結果,判斷所述待測助劑配方是否適配所述待測染色製程,其中所述決策樹是根據多筆訓練資料的分群結果而產生,每一所述訓練資料包括已知助劑配方與已知染色製程的已知適配結果。
- 如請求項1所述的織物染色製程助劑試配性的判斷方法,其中產生所述決策樹的步驟包括: 收集多筆所述訓練資料,所述訓練資料包括所述已知助劑配方的第二均染劑比例以及第二促染劑比例、所述已知助劑配方在所述已知染色製程中的多個時間點上各自的第二力度染著率以及第二力度染著率變化量、以及所述已知助劑配方與所述已知染色製程的所述已知適配結果; 由多筆所述訓練資料中各時間點上的所述第二力度染著率以及所述第二力度染著率變化量中挑選分群條件,依照所述分群條件將多筆所述訓練資料分群為第一訓練子資料以及第二訓練子資料,以使得所述第一訓練子資料及所述第二訓練子資料各自對應的所述已知適配結果達到低亂度;以及 依照所述分群條件決定所述決策樹的節點。
- 如請求項1所述的織物染色製程助劑試配性的判斷方法,更包括: 接收所述待測助劑配方與所述待測染色製程的第二適配結果;以及 比對所述第二適配結果是否與所述第一適配結果相同。
- 如請求項3所述的織物染色製程助劑試配性的判斷方法,更包括: 若所述第二適配結果與所述第一適配結果不同,根據所述第一均染劑比例、所述第一促染劑比例、所述多個第一力度染著率以及所述多個第一力度染著率變化量以及所述第二適配結果更新所述訓練資料;以及 根據更新後的所述訓練資料,重新產生所述決策樹。
- 如請求項1所述的織物染色製程助劑試配性的判斷方法,其中所述量測步驟包括: 使用光感測器獲取在所述待測染色製程中的多個時間點上各自的光譜資料,透過電子計算機自所述光譜資料得到對應的所述第一力度染著率,根據每兩相鄰時間點的所述第一力度染著率得到所述第一力度染著率變化量。
- 如請求項5所述的織物染色製程助劑試配性的判斷方法,其中所述量測步驟包括: 提供光譜取樣裝置,具有所述光感測器、滾輪及用以驅動所述滾輪的馬達; 在所述待測染色製程的多個時間點上分別採取樣本織物; 將多個所述樣本織物設置在所述滾輪上;以及 使用光感測器量測在所述滾輪上的多個所述樣本織物以取得多筆所述光譜資料。
- 如請求項1所述的織物染色製程助劑試配性的判斷方法,其中所述織物包括聚酯織物或尼龍織物。
- 一種織物染色製程助劑適配性的判斷系統,包括: 光感測器,用以量測織物在待測染色製程的多個時間點上各自的第一力度染著率以及第一力度染著率變化量;以及 電子計算機,用以記錄所述待測染色製程的待測助劑配方,並利用決策樹通過多個所述第一力度染著率及多個所述第一力度染著率變化量判斷所述待測助劑配方是否適配所述待測染色製程。
- 如請求項8所述的織物染色製程助劑試配性的判斷系統,其中所述光感測器為RGB數位感測器。
- 如請求項8所述的織物染色製程助劑適配性的判斷系統,其中所述電子計算機用以收集多筆訓練資料,且各所述訓練資料包含已知助劑配方及所述已知助劑配方與已知染色製程的已知適配結果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109143638A TWI764423B (zh) | 2020-12-10 | 2020-12-10 | 織物染色製程助劑試配性的判斷方法及其判斷系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109143638A TWI764423B (zh) | 2020-12-10 | 2020-12-10 | 織物染色製程助劑試配性的判斷方法及其判斷系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI764423B true TWI764423B (zh) | 2022-05-11 |
TW202223716A TW202223716A (zh) | 2022-06-16 |
Family
ID=82594085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109143638A TWI764423B (zh) | 2020-12-10 | 2020-12-10 | 織物染色製程助劑試配性的判斷方法及其判斷系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI764423B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101718684A (zh) * | 2009-11-23 | 2010-06-02 | 华侨大学 | 间歇染色过程织物色泽在线软测量方法和系统 |
TWI611314B (zh) * | 2016-11-17 | 2018-01-11 | 財團法人資訊工業策進會 | 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 |
CN111160781A (zh) * | 2019-12-30 | 2020-05-15 | 内蒙古鄂尔多斯资源股份有限公司东昊厂 | 一种羊绒纺织生产计算投入量的复合动态制成率模型 |
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 |
-
2020
- 2020-12-10 TW TW109143638A patent/TWI764423B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101718684A (zh) * | 2009-11-23 | 2010-06-02 | 华侨大学 | 间歇染色过程织物色泽在线软测量方法和系统 |
TWI611314B (zh) * | 2016-11-17 | 2018-01-11 | 財團法人資訊工業策進會 | 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 |
CN111160781A (zh) * | 2019-12-30 | 2020-05-15 | 内蒙古鄂尔多斯资源股份有限公司东昊厂 | 一种羊绒纺织生产计算投入量的复合动态制成率模型 |
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 |
Also Published As
Publication number | Publication date |
---|---|
TW202223716A (zh) | 2022-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103454204B (zh) | 信息处理设备、信息处理方法和程序 | |
US11144576B2 (en) | Target class feature model | |
CN111024528B (zh) | 一种沥青混合料粘弹性参数测量方法 | |
CN111191726B (zh) | 一种基于弱监督学习多层感知器的故障分类方法 | |
CN110146455A (zh) | 基于深度学习的激光光谱气体浓度测量方法 | |
CN107724111A (zh) | 纺织品染色配方获取方法、装置、存储介质和计算机设备 | |
CN105004745B (zh) | 一种由核磁共振谱预测原油粘度的方法 | |
CN105787945A (zh) | 一种基于特征色的数码印花颜色再现精度的评价方法 | |
TWI764423B (zh) | 織物染色製程助劑試配性的判斷方法及其判斷系統 | |
CN111597620A (zh) | 一种道路载荷测量的不确定度评估方法 | |
CN104870982A (zh) | 用于评估医学测量曲线的方法 | |
CN109297534A (zh) | 用于评价室内环境质量的环境参数权重确定方法及系统 | |
CN109034483A (zh) | 一种基于质量功能配置的检测规划方法 | |
CN115393645A (zh) | 一种土壤自动分类定名方法、系统、存储介质及智能终端 | |
CN106290263B (zh) | 一种基于遗传算法的libs定标定量分析方法 | |
CN109766518B (zh) | 考虑样本个体差异的不确定加速退化建模和分析方法 | |
Subali et al. | A new model for measuring the complexity of SQL commands | |
CN109946245A (zh) | 一种染料的计算机配色方法 | |
CN110348094A (zh) | 基于影响网络的石油管道泄漏检测方法及系统 | |
CN114460116B (zh) | 一种支持向量机回归结合灵敏度分析的元素含量定量分析方法 | |
CN113702140A (zh) | 一种组织切片染色时间自动计算及流程优化的方法 | |
JP4723209B2 (ja) | 温度測定方法およびその方法を実施する装置 | |
CN111460128A (zh) | 一种基于认知诊断的计算机化自适应测验方法 | |
CN113607734B (zh) | 无损式估测植物叶绿素含量及分布的可视化方法 | |
CN109945974A (zh) | 染色制程的验证方法 |