技术领域
[0001] 本
发明涉及配染领域，尤其是一种天然植物染料配染棉织物的方法。
背景技术
[0002] 天然植物染料是从植物的根、茎、叶及果实中提取出来。如:靛蓝、茜草、紫草、红花、桑、茶等。随着人们日益重视环保，市场需求已经越来越迫切，特别是高端市场的需求已经显现。天然
染色不但可以得到各种鲜艳的高彩度色，更可以得到大量细腻的中间色，优雅的色彩是大自然最慷慨的赐予，值得我们细细品味。并且透过不同次数与不同色相的复染，可以染出更丰富隽永的色彩层次。天然植物染料是由
生物体中提取的,与环境相容性好,生物可降解，而且无毒无害，对
皮肤无过敏性和致癌性。具有较好的
生物可降解性和环境相容性。合成染料虽然鲜明亮丽,但天然染料的庄重典雅也是合成染料不能比拟的。除染色功能外,天然染料还具有药物、香料等多种功能。天然染料大多为中药,在染色过程中,其药物和
香味成分与色素一起被织物吸收,使染后的织物对人体有特殊的药物保健功能。在当今人们崇尚绿色消费品的浪潮冲击下，必将有更广阔的发展前景。 但目前要使天然染料商品化，完全替代合成染料还是不现实的。天然染料的配染
质量差、染色效率低也制约了它的发展，比如传统的配染中均匀度差且有明显色差等诸多问题，因此，有必要改进传统的染色方法。目前天然染料的应用规模和总量还很小，因此，产业化的路还很长。
发明内容
[0003] 本发明的发明目的在于针对上述
现有技术的不足，提供一种天然植物染料配染棉织物的方法。
[0004] 本发明解决其技术问题所采用的技术方案是：一种天然植物染料配染棉织物的方法，包括以下步骤：（1）选取红、黄、蓝三原色的植物染料，根据植物染料性质制得染液原液，根据植物染液原液的性质，分别对植物原液进行后处理，得到标准的红、黄、蓝三原色染料成品，利用光学仪器获取制得的染料成品的光学信息；
（2）选取有
颜色的根茎植物原料切碎，放入有
水的容器中，加热煮20—30min，提取煎汁并根据原料性质进行后处理，制得调色液，利用光学仪器获取制得的调色液的光学信息；
（3）利用计算机进行初始配色计算和反馈计算，从而得到与目标颜色参数匹配的配色样调色配方；
（4）根据上述步骤（3）计算出的调色配方将染液原液与调色液按照比例混合并调节PH值，根据需要调配出所需颜色;
（5）将棉织物按照以下一种或多种工序进行预处理：原布准备、烧毛、退浆、煮炼、漂白；
（6）取所述步骤（4）中的染液加热，浸入预处理过的棉织物，沸煮10—20min；
（7）取所述步骤（4）冷却后的染液，根据色泽要求，加入媒染剂；
（8）将上述步骤（6）中经过煮染的棉织物浸渍在所述步骤（7）取得的染液中媒染20-
40min后，进行水洗、完成配染。
[0005] 进一步，步骤（1）中的红色植物染料选取茜草、黄色植物染料选取荩草、蓝色植物染料选取菘蓝。
[0006] 更进一步，茜草的提取方案为：称量天然植物茜草，粉粹成细粉末状，与
溶剂按浴比1∶8混合置于适当的圆底烧瓶中，在
温度为85℃下加热回流1.5h，重复2次，过滤之后合并滤液，利用
旋转蒸发仪浓缩染液定容，制得天然红色染料；荩草的提取方案为：称量天然植物荩草，切碎，以水为溶剂，按浴比1∶10混合置于釜中浸渍2h,沸煮1h后过滤，得滤液，再加入与滤液等量的水，沸煮1h,利用
旋转蒸发仪浓缩染液定容，制得天然黄色染料；菘蓝的提取方案为：称量天然植物菘蓝，干燥后粉粹成细粉末状，以75 %
乙醇为溶剂，与溶剂按浴比1∶8混合置于适当的圆底烧瓶中，在温度为85℃下加热回流4h，重复4次，过滤之后合并滤液，利用旋转蒸发仪浓缩染液，加入石灰，制得天然靛蓝染料。
[0007] 进一步，步骤（1）中的光学仪器具体分光光度计，需要采集的光学信息具体包括：制得的天然植物染料光
波长，光的颜色，光的补色。
[0008] 进一步，步骤（2）中有颜色的根茎植物原料包括紫草、苏木、苏枋、靛蓝、红花、黄栀子、姜金、槐米、薯莨、紫苏、墨水树、五倍子、苏木、皂斗。
[0009] 进一步，所述步骤（3）中的计算机进行初始配色计算和反馈计算，其中计算机进行初始配色是指按照预设参数调配，其中的反馈计算包括按照工艺参数采集配染样本照片数据集和按照工艺参数归类以及利用参数归类重调配比和参数，工艺参数包括染料配比和带有时间参数的配染工序。
[0010] 更加进一步，按照工艺参数归类包括步骤如下：1处理染色
块照片数据集；2构建
算法模型，算法模型具体选取自适应
卷积神经网络；3训练算法模型； 4对测试数据集按照工艺参数归类。
[0011] 更加细化的进一步，所述的步骤1处理染色块照片数据集包括：1a对输入的带工艺参数染色块照片数据集做进行归一化处理；1b从归一化后数据集中任意选取一定数量比例的带工艺参数染色块照片作为训练集，剩余的带工艺参数染色块照片作为测试集。
[0012] 更加细化的进一步，其特征在于，按照工艺参数归类的步骤2构建算法模型即自适应神经网络包括：21搭建一个6层的算法模型;22设置算法模型中每一层的参数。
[0013] 更加细化的进一步，其特征在于，步骤3训练算法模型包括：31将当前期望损失值的初始值设置为零；32从训练集中选取100幅带工艺参数染色块的照片，依次输入到算法模型中，输出每幅照片对应的预测分类工艺参数，并利用损失值计算公式，计算所选取的100幅带工艺参数染色块照片输入到算法模型后算法模型的损失值；33判断算法模型的损失值与当前期望损失值之差是否小于0.1，若是，则执行步骤37，否则，执行步骤36；36用当前
迭代时的算法模型损失值作为当前期望损失值，利用反向传播算法，用当前期望损失值更新算法模型中所有的参数后执行步骤32；37将测试集中所有的染色块照片及分类工艺参数依次输入到算法模型中，输出每幅照片对应的预测分类工艺参数，并利用测试准确率计算公式，计算算法模型在测试集上的测试准确率；38判断算法模型是否满足停止训练条件，若是，则执行步骤312，否则，执行步骤39；39在算法模型主全连接层前添加一个卷积层,得到新的算法模型；310判断新的算法模型是否已添加了三个卷积层，若是，则得到添加卷积层后的算法模型后执行步骤311，否则，执行步骤31；311在添加卷积层后的算法模型中主全连接层前添加一个降
采样层后执行步骤31；312得到训练好的算法模型后执行步骤4。
[0014] 本发明的有益效果是，能有效提高天然植物染料的配染质量和效率，并且具体地在进行配染工艺的选取中利用计算机进行初始配色计算和反馈计算，从而得到与目标颜色参数匹配的配色样调色配方，且反馈计算中应用高效的卷积神经网络算法形成精准的数据参数反馈，通过数据参数的反馈可以很大提高配染的效率；另外利用配染的光学信息来进行数据评价，更加的客观准确。
具体实施方式
[0015] 本发明的天然植物染料配染棉织物的方法，包括以下步骤：（1）选取红、黄、蓝三原色的植物染料，根据植物染料性质制得染液原液，根据植物染液原液的性质，分别对植物原液进行后处理，得到标准的红、黄、蓝三原色染料成品，利用光学仪器获取制得的染料成品的光学信息；上述步骤中，制得的标准的红、黄、蓝三原色染料可直接进行加减法混色，初始调配出接近于目标颜色的染料，并获取染料的光学信息，输入计算机中进行颜色的初始比对。（2）选取有颜色的根茎植物原料切碎，放入有水的容器中，加热煮20—30min，提取煎汁并根据原料性质进行后处理，制得调色液，利用光学仪器获取制得的调色液的光学信息；上述步骤中制得调色液可辅助步骤（1）中的染料配色，可根据经验或数据分析添加调色液，使得调配出的染料更接近于目标颜色，并获取其光学信息，输入计算机进行二次颜色对比。（3）利用计算机进行初始配色计算和反馈计算，从而得到与目标颜色参数匹配的配色样调色配方；（4）根据上述步骤（3）计算出的调色配方将染液原液与调色液按照比例混合并调节PH值，根据需要调配出所需颜色;（5）将棉织物按照以下一种或多种工序进行预处理：练漂、烧毛、退浆、煮炼、漂白；①原布准备：原布准备包括原布检验、翻布（分批、分箱、打印）和缝头。原布检验的目的是检查坯布质量，发现问题能及时加以解决。检验内容包括物理指标和外观疵点两项。前者包括原布的长度、幅度、重量、经
纬纱线
密度和密度、强
力等，后者如纺疵、织疵、各种班渍及破损等。通常抽查总量的10%左右。原布检验后，必须将原布分批、分箱，并在布头上打印，标明品种、加工工艺、批号、箱号、发布日期和翻布人代号，以便于管理。为了确保连续成批的加工，必须将原布加以缝接。 ②烧毛：烧毛的目的在于烧去布面上的绒毛，使布面光洁美观，并防止在染色、印花时因绒毛存在而产生染色不匀及印花疵病。织物烧毛是将织物平幅快速通过高温火焰，或擦过赤热的金属表面，这时布面上存在的绒毛很快升温，并发生燃烧，而布身比较紧密，升温较慢，在未升到着火点时，即已离开了火焰或赤热的金属表面，从而达到烧去绒毛，又不操作织物的目的。 ③退浆：
纺织厂为了顺利的织布，往往对
经纱上浆以提高强力和
耐磨性。坯布上的浆料即影响织物的吸水性能，还影响染整产品的质量，且会增加染化药品的消耗，故在煮练前应先去除浆料，这个过程叫退浆。棉织物上的浆料可采用
碱退浆、酶退浆、酸退浆和
氧化剂退浆等方法，将其从织物上退除。碱退浆使浆料膨化，与
纤维粘着力下降，经水洗从织物上退除。酶、酸、
氧化剂使
淀粉降解，在水中
溶解度增大，经水洗退除。由于酸、氧化剂对棉纤损伤大，很少单独使用，常与酶退浆、碱退浆联合使用。 ④煮练：棉纤维生长时，有天然杂质（果胶质、蜡状物质、含氮物质等）一起伴生。棉织物经退浆后，大部分浆料及部分天然杂质已被去除，但还有少量的浆料以及大部分天然杂质还残留在织物上。这些杂质的存在，使绵织布的布面较黄，渗透性差。同时，由于有棉籽壳的存在，大大影响了棉布的外观质量。故需要将织物在高温的浓碱液中进行较长时间的煮练，以去除残留杂质。煮练是利用烧碱和其他煮练助剂与果胶质、蜡状物质、含氮物质、棉籽壳发生化学降解反应或乳化作用、膨化作用等，经水洗后使杂质从织物上退除。 ⑤漂白：棉织物经煮练后，由于纤维上还有天然色素存在，其外观不够洁白，用以染色或印花，会影响色泽的鲜艳度。漂白的目的就在于去除色素，赋于织物必要的和稳定的白度，而纤维本身则不受显著的损伤。棉织物常用的漂白方法有次氮酸钠法、双氧水法和亚氯酸钠法。
次氯酸钠漂白的漂液PH值为10左右，在常温下进行，设备简单，操作方便、成本低，但对织物强度损伤大，白度较低。双氧水漂白的漂液PH值为10，在高温下进行漂白，漂白织物白度高而稳定，手感好，还能去除浆料及天然杂质。缺点是对设备要求高，成本较高。在适当条件下，与烧碱联合，能使退浆、煮练、漂白一次完成。亚氯酸钠漂白的漂液PH值为4～4.5，在高温下进行，具有白度好，对纤维损伤小的优点，但漂白时易产生有毒气体，污染环境，
腐蚀设备，设备需要特殊的金属材料制成，故在应用上受到一定限制。次氯酸钠和亚氯酸钠漂白后都要进行脱氯，以防织物在存在过程中因残氯存在而受损。漂白后的布我们常称本白布。（6）取所述步骤（4）中的染液加热，浸入预处理过的棉织物，沸煮10—
20min；（7）取所述步骤（4）冷却后的染液，根据色泽要求，加入媒染剂；（8）将上述步骤（6）中经过煮染的棉织物浸渍在所述步骤（7）取得的染液中媒染20-40min后，进行水洗、完成配染。
[0016] 具体地，步骤（1）中的红色植物染料选取茜草、黄色植物染料选取荩草、蓝色植物染料选取菘蓝。荩草，中药名。为禾本科植物荩草的全草。全国均有分布。具有止咳定喘，解毒杀虫之功效。常用于久咳气喘，
肝炎，咽喉炎，
口腔炎，鼻炎，淋巴结炎，
乳腺炎，疮疡疥癣。茜草性寒入血分，能凉血
止血，且能化瘀。菘蓝又名茶蓝、板蓝根等。茎直立，绿色，顶部多分枝，植株光滑无毛，带白粉霜。全国各地均有栽培。有清
热解毒、凉血消斑、利咽止痛的功效。
[0017] 选用以上三种染料作为主染料，可按照比例调配出多种颜色的植物染料，并且在中医药理学上，三种药物相辅相成，互为君臣，可有效起到清热凉血的保健作用，使人心旷神怡。
[0018] 更具体地，茜草的提取方案为：称量天然植物茜草，粉粹成细粉末状，与溶剂按浴比1∶8混合置于适当的圆底烧瓶中，在温度为85℃下加热回流1.5h，重复2次，过滤之后合并滤液，利用旋转蒸发仪浓缩染液定容，制得天然红色染料；荩草的提取方案为：称量天然植物荩草，切碎，以水为溶剂，按浴比1∶10混合置于釜中浸渍2h,沸煮1h后过滤，得滤液，再加入与滤液等量的水，沸煮1h,利用旋转蒸发仪浓缩染液定容，制得天然黄色染料；菘蓝的提取方案为：称量天然植物菘蓝，干燥后粉粹成细粉末状，以75 %乙醇为溶剂，与溶剂按浴比1∶8混合置于适当的圆底烧瓶中，在温度为85℃下加热回流4h，重复4次，过滤之后合并滤液，利用旋转蒸发仪浓缩染液，加入石灰，制得天然靛蓝染料。
[0019] 经过试验，按照以上步骤及工艺参数提取的染料原液更接近于标准色，有助于计算机配色。
[0020] 具体地，步骤（1）中的光学仪器具体分光光度计，需要采集的光学信息具体包括：制得的天然植物染料光波长，光的颜色，光的补色。具体地，步骤（2）中有颜色的根茎植物原料包括紫草、苏木、苏枋、靛蓝、红花、黄栀子、姜金、槐米、薯莨、紫苏、墨水树、五倍子、苏木、皂斗。
[0021] 具体地，所述步骤（3）中的计算机进行初始配色计算和反馈计算，其中计算机进行初始配色是指按照预设参数调配，其中的反馈计算包括按照工艺参数采集配染样本照片数据集和按照工艺参数归类以及利用参数归类重调配比和参数，工艺参数包括染料配比和带有时间参数的配染工序。更具体地，按照工艺参数归类包括步骤如下：1处理染色块照片数据集；2构建算法模型，算法模型具体选取自适应卷积神经网络；3训练算法模型； 4对测试数据集按照工艺参数归类。
[0022] 另外实施中，所述的步骤1处理染色块照片数据集包括：1a对输入的带工艺参数染色块照片数据集做进行归一化处理；1b从归一化后数据集中任意选取一定数量比例的带工艺参数染色块照片作为训练集，剩余的带工艺参数染色块照片作为测试集。
[0023] 在具体实施中，将吸收系数K；散射系数S；光未透射时，在最大吸收波长下的反射率R数据直接形成绘图绘表形成评价数据。评价数据可以用于直接评价配染的质量。
[0024] 具体实施时，其中按照工艺参数归类的步骤2构建算法模型即自适应神经网络包括：21搭建一个6层的算法模型，其结构依次为：主卷积层→副卷积层→主降采样层→主全连接层→主丢弃层→副全连接层；22设置算法模型中每一层的参数如下：将算法模型的
输入层特征图总数设置为6，特征图尺寸设置为128×128；将主卷积层中卷积
滤波器的总数设置为64、卷积滤波器的
像素大小设置为6×6，特征图尺寸设置为128×128，卷积步长设置为2个像素；将副卷积层中卷积滤波器的总数设置为64、卷积滤波器的像素大小设置为6×6，特征图尺寸设置为128×128，卷积步长设置为2个像素；将主降采样层中
池化区域大小设置为4×4，池化步长设置为4个像素，特征图尺寸设置为64×64；将主全连接层结点总数设置为2048；将丢弃层的保留概率为0.75；将副全连接层结点总数设置为染色块类别数；其中的步骤3训练算法模型包括：31将当前期望损失值的初始值设置为零；32从训练集中选取100幅带工艺参数染色块的照片，依次输入到算法模型中，输出每幅照片对应的预测分类工艺参数，并利用损失值计算公式，计算所选取的100幅带工艺参数染色块照片输入到算法模型后算法模型的损失值；33判断算法模型的损失值与当前期望损失值之差是否小于0.1，若是，则执行步骤37，否则，执行步骤36；36用当前迭代时的算法模型损失值作为当前期望损失值，利用反向传播算法，用当前期望损失值更新算法模型中所有的参数后执行步骤32；37将测试集中所有的染色块照片及分类工艺参数依次输入到算法模型中，输出每幅照片对应的预测分类工艺参数，并利用测试准确率计算公式，计算算法模型在测试集上的测试准确率；38判断算法模型是否满足停止训练条件，若是，则执行步骤312，否则，执行步骤39；39在算法模型主全连接层前添加一个卷积层,得到新的算法模型；310判断新的算法模型是否已添加了三个卷积层，若是，则得到添加卷积层后的算法模型后执行步骤311，否则，执行步骤
31；311在添加卷积层后的算法模型中主全连接层前添加一个降采样层后执行步骤31；312得到训练好的算法模型后执行步骤4。其中按照工艺参数归类的步骤4对测试数据集按照工艺参数归类包括：将测试染色块照片数据集输入到训练好的算法模型中，得到测试集的测试准确率。
[0025] 另外，按照工艺参数归类的步骤32中所述每幅照片的分类工艺参数及预测分类工艺参数均为行数等于1，列数等于染色块照片的类别数量的向量。
[0026] 另外，按照工艺参数归类的步骤32中所述的损失值计算如下：表示任一幅染色块照片的预测分类工艺参数中任一列的元素的求对数与表示对应任一幅染色块照片的分类工艺参数中任一列的元素的乘积然后做幂指数运算并做求和或积分。
[0027] 另外，按照工艺参数归类的步骤36中所述反向传播算法包括更新算法模型中每个全连接层结点的连接参数和更新算法模型中每个卷积层卷积滤波器的参数。
[0028] 另外，按照工艺参数归类的步骤38中所述停止训练条件是指测试准确率大于期望的染色块分类准确率或者算法模型的结构层达到
阈值。
[0029] 另外，按照工艺参数归类的步骤39中所述添加的卷积层的卷积滤波器总数为128、滤波器的像素大小为6×6，卷积步长为2个像素，步骤311中所述添加降采样层的卷积核大小设置为4×4，步长设置为4个像素。
[0030]
实施例1 配染绿色棉织物（1）称量天然植物荩草，切碎，以水为溶剂，按浴比1∶10混合置于釜中浸渍2h,沸煮1h后过滤，得滤液，再加入与滤液等量的水，沸煮1h,利用旋转蒸发仪浓缩染液定容，制得天然黄色染料；利用分光光度计测得制得的天然黄色染料的波长为450nm,光的颜色为蓝色，补色为黄色。
[0031] （2）称量天然植物菘蓝，干燥后粉粹成细粉末状，以75 %乙醇为溶剂，与溶剂按浴比1∶8混合置于适当的圆底烧瓶中，在温度为85℃下加热回流4h，重复4次，过滤之后合并滤液，利用旋转蒸发仪浓缩染液，加入石灰，制得天然靛蓝染料。利用分光光度计测得制得的天然靛蓝染料的波长为585nm,光的颜色为黄色，补色为蓝色。
[0032] （3）将测得的数据输入计算机，设置目标颜色为绿色，波长为600nm，光的颜色为橙色，补色为绿色，利用计算机进行初始配色计算和反馈计算，从而得到与目标颜色参数匹配的配色样调色配方和工艺如下：根据荩草的染料原液的性质，将5g荩草的染料原液分散在100ml水中，溶液用
醋酸调节pH值为6。
[0033] 根据菘蓝的染料原液的性质，将5g菘蓝的染料原液分散在100ml水中，加入一定量烧碱和还原剂SRP，升温至60 ℃，还原15min，制成隐色体染液，用玻璃棒蘸取染液滴于
滤纸上观察无染料颗粒即还原完全。将上述完全还原的菘蓝染料原液与上述调节好PH值的荩草的染料原液按照8:3的比例混合，取预处理过的棉织物，将棉织物于40℃染色15min后入
氯化钠，再续染15min，取出后空气氧化完全，水洗，烘干，利用分光光度计获取染出来的棉织物的光学信息，将吸收系数K；散射系数S；光未透射时，在最大吸收波长下的反射率R数据直接形成绘图绘表形成评价数据，评价数据可以用于直接评价配染的质量。
[0034] （4）利用反馈计算，其中计算机进行初始配色是指按照预设参数调配，其中的反馈计算包括按照工艺参数采集配染样本照片数据集和按照工艺参数归类以及利用参数归类重调配比和参数，工艺参数包括染料配比和带有时间参数的配染工序。更具体地，按照工艺参数归类包括步骤如下：1处理染色块照片数据集；2构建算法模型，算法模型具体选取自适应卷积神经网络；3训练算法模型； 4对测试数据集按照工艺参数归类。另外实施中，所述的步骤1处理染色块照片数据集包括：1a对输入的带工艺参数染色块照片数据集做进行归一化处理；1b从归一化后数据集中任意选取一定数量比例的带工艺参数染色块照片作为训练集，剩余的带工艺参数染色块照片作为测试集。
[0035] 具体实施时，其中按照工艺参数归类的步骤2构建算法模型即自适应神经网络包括：21搭建一个6层的算法模型，其结构依次为：主卷积层→副卷积层→主降采样层→主全连接层→主丢弃层→副全连接层；22设置算法模型中每一层的参数如下：将算法模型的输入层特征图总数设置为6，特征图尺寸设置为128×128；将主卷积层中卷积滤波器的总数设置为64、卷积滤波器的像素大小设置为6×6，特征图尺寸设置为128×128，卷积步长设置为2个像素；将副卷积层中卷积滤波器的总数设置为64、卷积滤波器的像素大小设置为6×6，特征图尺寸设置为128×128，卷积步长设置为2个像素；将主降采样层中池化区域大小设置为4×4，池化步长设置为4个像素，特征图尺寸设置为64×64；将主全连接层结点总数设置为2048；将丢弃层的保留概率为0.75；将副全连接层结点总数设置为染色块类别数；其中的步骤3训练算法模型包括：31将当前期望损失值的初始值设置为零；32从训练集中选取100幅带工艺参数染色块的照片，依次输入到算法模型中，输出每幅照片对应的预测分类工艺参数，并利用损失值计算公式，计算所选取的100幅带工艺参数染色块照片输入到算法模型后算法模型的损失值；33判断算法模型的损失值与当前期望损失值之差是否小于0.1，若是，则执行步骤37，否则，执行步骤36；36用当前迭代时的算法模型损失值作为当前期望损失值，利用反向传播算法，用当前期望损失值更新算法模型中所有的参数后执行步骤32；37将测试集中所有的染色块照片及分类工艺参数依次输入到算法模型中，输出每幅照片对应的预测分类工艺参数，并利用测试准确率计算公式，计算算法模型在测试集上的测试准确率；38判断算法模型是否满足停止训练条件，若是，则执行步骤312，否则，执行步骤39；39在算法模型主全连接层前添加一个卷积层,得到新的算法模型；310判断新的算法模型是否已添加了三个卷积层，若是，则得到添加卷积层后的算法模型后执行步骤311，否则，执行步骤
31；311在添加卷积层后的算法模型中主全连接层前添加一个降采样层后执行步骤31；312得到训练好的算法模型后执行步骤4。其中按照工艺参数归类的步骤4对测试数据集按照工艺参数归类包括：将测试染色块照片数据集输入到训练好的算法模型中，得到测试集的测试准确率。
[0036] 另外，按照工艺参数归类的步骤32中所述每幅照片的分类工艺参数及预测分类工艺参数均为行数等于1，列数等于染色块照片的类别数量的向量。
[0037] 另外，按照工艺参数归类的步骤32中所述的损失值计算如下：表示任一幅染色块照片的预测分类工艺参数中任一列的元素的求对数与表示对应任一幅染色块照片的分类工艺参数中任一列的元素的乘积然后做幂指数运算并做求和或积分。
[0038] 另外，按照工艺参数归类的步骤36中所述反向传播算法包括更新算法模型中每个全连接层结点的连接参数和更新算法模型中每个卷积层卷积滤波器的参数。
[0039] 另外，按照工艺参数归类的步骤38中所述停止训练条件是指测试准确率大于期望的染色块分类准确率或者算法模型的结构层达到阈值。
[0040] 另外，按照工艺参数归类的步骤39中所述添加的卷积层的卷积滤波器总数为128、滤波器的像素大小为6×6，卷积步长为2个像素，步骤311中所述添加降采样层的卷积核大小设置为4×4，步长设置为4个像素。
[0041] 下面是本发明实施例配染与传统配染工艺效果对比：配染物表面光照射评价 A B C D
1 采用方法 传统配染工艺 本发明实例配染 备注：
2 吸收系数参考量 8.5 16.5 大于15为优、8-15为中等、其他为较差
3 散射系数参考量 7.6 1.2 低于2.5为优、7.5-2.5为中等、其他为较差
4 反射率参考量 0.65 0.9 大于8.5为优、0.75-0.85为中等、其他为较差
配染物表面拍照评价 A B C D
1 采用方法 传统配染工艺 本发明实例配染 备注：
2 均匀度 一般 优良
3 色差 明显 无色差
4 长期变化 有色差变化 基本没有变化 统计时间为一年
有实施例可知，本发明的配染工艺效果明显优于传统配染工艺。
[0042] 由技术常识可知，本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。上述公开的实施方案，就各方面而言，都只是举例说明，并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。
