基于神经网络的色纺纱配色方法技术

本发明专利技术涉及一种基于神经网络的色纺纱配色方法，包括以下步骤：(1)测量标样反射率，并转化为模型反射率；(2)采用BP神经网络计算重均模型反射率F(Rw)；(3)利用约束最小二乘法算法，获得配方C预报方案；(4)根据预报的配方进行打样，并测得打样色的反射率Rp；(5)计算标样反射率Rs与打样色Rp之间的色差，如果色差满足设定要求，就完成配色，否则，进入配方修正程序。

【技术实现步骤摘要】
基于神经网络的色纺纱配色方法
本专利技术设计一种基于神经网络的色纺纱配色方法，属于纺织配色

技术介绍
色纺是将两种或两种以上不同颜色的染色纤维经过充分混合，经纺纱形成具有独特颜色效果纱线的过程，这种生产方式在纺织工业中越来越备受青睐，其优点主要表现在以下几个方面，1)优先使用原棉(未染色棉)作为一种基本颜色进行拼色，大大减少了需要染色的纤维量；2)对于染厂来说，常年染特定的颜色，有利于颜色质量的控制和稳定；3)对于仅有几十种颜色的原液着色纤维来说，这种生产方式可以大大丰富其色彩；3)对于混纺产品，采用这种生产方式，不同种类纤维分别染色，可以有效避免染色过程中染料间竞染、沾色以及对纤维损伤等一系列问题。因此，近年来，色纺纱在棉纺行业所占的比例正在逐年升高。2014年全国色纺纱线已发展出超过600万锭的生产能力,仅江浙地区就有60多家棉纺企业生产色纺纱线,生产规模与生产能力逐年上升,其中浙江省色纺纱的能力已占棉纺能力的1/3以上。但配色是色纺纱生产的主要难题，由于其配色是有色纤维的混合，不同常规染料着色配色，因此，目前色纺纱测配色都是依靠人工目测和拿经验配色来完成，缺少必要的配色辅助软件。目前冠以色纺纱配色的理论主要有传统模型(Stearns–Noechel模型，Friele模型和Kubelka-Munk理论)和人工神经网络(ANN)两大类。传统模型受推导过程中的假设条件限制，应用于不同与推导时采用的纤维或工艺时，适用性较差，人工神经网络具备优异的非线性映射能力，但完全依赖神经网络自由拟合时，往往泛化能力不佳。
技术实现思路
本专利技术利用两类模型的优点进行互补，利用传统模型建立的配方与颜色间的约束关系提高神经网络的泛化能力，利用神经网络拟合纤维种类、工艺对传统模型的影响，专利技术了基于神经网络的色纺纱配色方法。本专利技术提出了的一种基于神经网络的色纺纱配色方法，包括以下步骤：(1)测量标样反射率，并转化为模型反射率；采用光谱光度仪测试获得标样的反射率Rs，代入经验配色模型公式，转化为标样模型反射率F(Rs)；光谱光度仪测量波长范围400～700nm，间隔10nm；(2)采用BP神经网络计算重均模型反射率F(Rw)；以标样模型反射率F(Rs)为输入层，应用BP神经网络进行计算，输出重均模型反射率F(Rw)。(3)利用约束最小二乘法算法，获得配方C预报方案；用单色模型反射率F(Ri)拟合步骤(2)获得的重均模型反射率F(Rw)，在约束条件下运算，获得配方C(最佳单色组成和相应比例)；(4)根据预报的配方进行打样，并测得打样色的反射率Rp；根据配方C进行生产打样，将打样色经光谱光度仪测试后获得反射率Rp；(5)计算标样反射率Rs与打样色Rp之间的色差，如果色差满足设定要求，就完成配色，否则，进入配方修正程序。上述配色方法，其中，所述步骤(2)中的BP神经网络的输入和输出项均为模型反射率。上述配色方法，其中，所述步骤(2)中的模型反射率，使用的公式为色纺纱Stearns-Noechel配色模型，将反射率代入配色模型，转化为模型反射率。其中:f[R(λ)]为模型反射率表达式；M为参数，其值与纤维种类与纺纱工艺有关，大小由试验来确定；R(λ)表示波长为λ时的反射率；上述配色方法，其中，所述步骤(2)中的BP神经网络的必须事先经过训练。上述配色方法，其中，所述步骤(2)中的BP神经网络的训练是以存储的色纺纱样本和对应配方(单色纤维组成与比例)为训练库，采用光谱光度仪测得的储存的色纺纱样本的反射率Rc以及单色的反射率Ri,并分别经经验配色模型转化为F(Rc)和F(Ri)，以31维的样本模型反射率数据F(Rc)为输入层，以31维重均模型反射率数据F(Rw)为输出层，训练时隐含层设为设置范围为“5-50”，训练目标为10-5～10-7。上述配色方法，其中，所述步骤(3)中采用约束最小二乘法，约束条件为配方中组成单色比例和为“1”，显然并且组成单色比例均为非负值。上述配色方法，其中，所述步骤(1)、(2)、(3)中先将反射率转化为模型反射率，然后用神经网络优化输出重均模型反射率，最后由约束最小二乘法计算配方，因此充分利用了传统配色模型和神经网络的优点，又克服了各自的缺陷。上述配色方法，其中，所述步骤(5)中采用非线性配方修正方法，可以作为一次配色的有力补充，主要利用模型光谱差来实现。上述配色方法，其中，所述步骤(5)中采用非线性配方修正方法，首先计算实际打样光谱值与理论计算光谱值间的差值△F(R)＝F(Rp)-F(Rrp)，然后用该差值修正标样的模型光谱F(Rsm)＝F(Rs)-△F(R)，以F(Rsm)为新的模型反射率光谱输入。上述打样方法，其中，所述步骤(7)中配色计算是以标准样和打样色的色差作为衡量标准，色差采用CIE1976L*a*b*或CMC2:1色差公式，选择任意单色样的组合，根据其混和比例的不同得到不同的色差，输出色差最小的配方，即最佳的单色组成和相应比例。与现有技术相比，本专利技术的积极效果是：传统配色理论存在假设条件，因此在实际应用时必然存在一定的偏离问题，不同的工厂，不同的原料，不同生产工艺，这个偏离可能更大，适用性差，本专利技术利用神经网络解决传统配色模型与实际生产的偏离问题，与单独使用神经网络或传统模型方法相比，是一种更精准，实用的配色方法，并且这种思想同样可以应用于染料、涂料等其它颜色领域的精确配色。附图说明图1是本专利技术的流程示意图。图2是采用本专利技术实施中神经网络的训练结果示意图。图3实施例1中的Rs1,F(Rs1),Fw(Rs1),Rp1波形示意图。图4实施例2中的Rs2,F(Rs2),Fw(Rs2),Rp2波形示意图。图5实施例3中的Rs3,F(Rs3),Fw(Rs3),Rp3波形示意图。图6实施例4中的Rs4,F(Rs4),Fw(Rs4),Rp4,F(Rsm),Rp4-1波形示意图。具体实施方式下面结合附图通过实施例对本专利技术进一步阐述。在本专利技术的实施例以及比较例中，作为示例性地并便于比较，采用了一个简单的样本库。共有27个样本。其样本组成见表1。表1样本库表1说明：R10B90代表红(red)10％蓝(blue)90％组成的样本，R代表红red，B代表蓝blue，W代表白white，Y代表黄yellow，G代表绿green，D代表黑Black。从表1可以看到，训练样本共包括6个单色(R,B,W,Y,G,D)，将样本和单色纤维经织片后由光谱光谱仪测试获得反射率Rc和Ri,，光谱光度仪器测试波长为400～700nm，间隔10nm。将Rc和Ri代入模型公式(1)，获得F(Rc)和F(Ri),以F(Rc)为输入层，F(Rw)为输出项进行训练。这里采用简单的3层网络，隐含层设为设置范围为“38”，训练达到目标偏差为10-7，表示训练完成，训练结果见图2.其中模型公式为其中M取：0.000137679*λ+0.08842，λ为波长。约束最小二乘法也可以在matlab中用laqlin函数实现，主要代码如下：[C,resnorm,residual,exitflag,output,lambda]＝lsqlin(Fw(R),P,[],[],Aeq,beq,lb,ub)；其中，％C求解方程，P为F(Ri)组成的矩阵Ae本文档来自技高网...

【技术保护点】
一种基于神经网络的色纺纱配色方法，其特征是：采用串联神经网络与Stearns‑Noechel色纺纱配色模型，具体包括以下步骤：(1)测量标样反射率，并转化为模型反射率；采用光谱光度仪测试获得标样的反射率Rs，代入配色模型公式，转化为标样模型反射率F(Rs)；光谱光度仪测量条件是波长范围400～700nm，间隔10nm；(2)采用BP神经网络计算重均模型反射率F(Rw)；以标样模型反射率F(Rs)为输入，应用BP神经网络进行计算，输出重均模型反射率F(Rw)。(3)利用约束最小二乘法算法，获得配方C预报方案；用单色模型反射率F(Ri)拟合步骤(2)获得的重均模型反射率F(Rw)，在约束条件下运算，获得配方C,配方C包括各单色组份和相应比例；(4)根据预报的配方进行打样，并测得打样色Rp的反射率；根据配方C进行生产打样，将打样色经光谱光度仪测试后获得反射率Rp；(5)计算标样反射率Rs与打样色Rp之间的色差，如果色差满足设定要求，就完成配色，否则，进入配方修正程序。

【技术特征摘要】
1.一种基于神经网络的色纺纱配色方法，其特征是：采用串联神经网络与Stearns-Noechel色纺纱配色模型，具体包括以下步骤：(1)测量标样反射率，并转化为模型反射率；采用光谱光度仪测试获得标样的反射率Rs，代入配色模型公式，转化为标样模型反射率F(Rs)；光谱光度仪测量条件是波长范围400～700nm，间隔10nm；(2)采用BP神经网络计算重均模型反射率F(Rw)；以标样模型反射率F(Rs)为输入，应用BP神经网络进行计算，输出重均模型反射率F(Rw)；(3)利用约束最小二乘法算法，获得配方C预报方案；用单色模型反射率F(Ri)拟合步骤(2)获得的重均模型反射率F(Rw)，在约束条件下运算，获得配方C,配方C包括各单色组份和相应比例；(4)根据预报的配方进行打样，并测得打样色Rp的反射率；根据配方C进行生产打样，将打样色经光谱光度仪测试后获得反射率Rp；(5)计算标样反射率Rs与打样色Rp之间的色差，如果色差满足设定要求，就完成配色，否则，进入配方修正程序；所述步骤(2)中的BP神经网络的输入和输出项均为模型反射率，即反射率都经Stearns-Noechel配色模型公式转化。2.根据权利要求1所述的一种基于神经网络的色纺纱配色方法，其特征在于，所述的Stearns-Noechel配色模型公式为：其中:f[R(()]为Stearns-Noechel模型反射率表达式；M为参数，其值与纤维种类与纺纱工艺有关，大小由试验来确定；R(()表示波长为(时的反射率。3.根据权利要求1所述的一种基于神经网络的色纺纱配色方法，其特征在于：...

【专利技术属性】
技术研发人员：沈加加，
申请(专利权)人：嘉兴学院，
类型：发明
国别省市：浙江;33