技术领域
[0001] 本
发明涉及一种色纺纱智能选色配色方法，属于纺织配色技术领域。
背景技术
[0002] 色纺是将两种或两种以上不同
颜色的
纤维经过充分混合后经梳毛、牵伸、粗纱和细纱制成具有独特混色效果(可以是均一色，也可以是非均一色)的
纱线生产方法。相比于
染色，色纺作为一种新型的颜色获取方式，符合绿色低
碳环保的发展模式，具有更现在的优点：1)与常规染色纱生产相比，色纺纱生产更加环保，因为拼色过程中可以使用大量不染色纤维(原
棉)，从而减少染料和助剂的使用量，有些颜色可以使用回收的有色纤维，实现纺织纤维的再利用，与传统的先纺后染工艺相比，色纺可节
水50％左右，减少污水50％左右；2)色纺可以生产均一的颜色，也可以在同一根纱线上呈现出多种颜色，色彩更加丰富；对于原液着色纤维生产而言，更能填补其产品颜色少的
缺陷。3)对于混纺产品来说，不同种类的纤维分别染色，可以有效避免染色过程中存在的竞染、沾色以及纤维的损伤等染色问题；4)而企业仅需要建立一个原色(有色纤维)库，这些原色都用固定的染色配方，并且会保留较长一段时间，因此不再需要对每个客户来样进行染色打样，通过储备的染色纤维拼色即可满足颜色的需求，然后直接纺纱，生产效率高，交货期短，同时也更有利于染色产品颜色
质量的稳定。
[0003] 色纺纱最理想的再现方法就是找到原配方的有色纤维组成和比例，但单根纤维直径只有十几微米，人眼基本无法识别单纤维的颜色，外加受相邻以及与之交错的纤维的影响，目前尚未有仪器能够精确测量出单纤维的颜色值或者测量整体颜色后在“不失真”的情况下分离出单纤维的颜色。在纺织品染色配方预测中广泛应用的计算机测配色技术，不能适用于色纺纱的配方预测。
申请号为CN201710653770.X的
专利公开了一种色纺纱计算机测配色方法，其方法为建立单色
基础数据库并利用其改进Friele模型和训练三层BP神经网络进行配色，该专利建立了单色纤维反射率与配色配方之间的关系。该专利重点在于利用神经网络优化Friele模型参数从而达到改进配方预报精确度的目的，重点在于解决已知配方组成色的情况下的配方预报，不能实现原组成色的分析，适用于基础数据少的情况，面对基础数据大的情况，预报配方的排列组合多，无法优选，而色纺纱的配色特点在于效果的一致性，因此选择配方组成色的重要性远大于配方比例的预报。
发明内容
[0004] 本发明为了克服以上问题，提供一种色纺纱智能选色配色方法，模拟经验人员的经验打样，能适应基础数据大的情况，采用模
块化
人工神经网络(MANN)实现对来样颜色的初步组成分析，即对来样的组成色进行分析，筛选组成色后再用全
光谱配色方法计算配方比例，减少计算机计算量，达到快速配色的目的。
[0005] 为了达到上述目的，本发明采用以下技术方案来实现：
[0006] 一种色纺纱智能选色配色方法，其特征在于，包括以下步骤：
[0007] (1)建立基础单色和标准样品数据库；单色纤维用光谱光度仪测试得到单色纤维反射率Ri，将单色纤维反射率Ri数据贮存于基础单色数据库中，i＝1,2,…,n；挑选已知配方的样品将其定义为标准样，配方包括组成色及其对应比例，将标准样通过光谱光度仪测试得到的整体反射率RS数据作为标准样数据库；
[0008] (2)模块化人工神经网络选色模型的构建与训练；构建模块化人工神经网络选色模型以整体反射率RS为输入数据，集成若干步骤(1)标准样数据库中的整体反射率RS及其对应的已知配方用于训练选色模型，将整体反射率RS分成若干与单色纤维反射率Ri相关的子网络模块，分别进行训练，经整合后输出构成标准样的单色组合集Rn，n≤i；
[0009] (3)测定来样的整体反射率Rp；
[0010] 用光谱光度仪测定来样的整体反射率Rp，作为待匹
配对象；
[0011] (4)MANN选色；
[0012] 以步骤(3)中整体反射率Rp作为输入数据，单色数据库中单色纤维反射率Ri作为备选色，用步骤(2)训练过的模块化人工神经网络选色模型进行分析，得到X＝[x1,x2,x3,…,xn]T，经整合后输出构成来样的Rm，m≤n；
[0013] (5)全光谱配色计算；
[0014] 运用混色模型，结合全光谱配色
算法对来样Rp经过步骤(4)筛选出的单色反射率Rm直接进行匹配，全光谱配色计算采用约束最小二乘法使得到的光谱曲线与来样色的光谱曲线的差别达到最小，得到配方组成单色对应的拼色比例yi，获得配方Y＝(FT×F)-1×FT×F(p)，
[0015] 其中来样 单色集
[0016] (6)配方修正；
[0017] 按步骤(5)获得的配方均匀混和后在横机上织片打样，计算来样与打样之间的色差，色差在允许范围内，则打印配方；否则，根据两者之间在各
波长下反射率的色差，采用全光谱
迭代修正方法修正配方，直到满足要求后输出配方。
[0018] 上述选色配色方法，其中，所述步骤(1)中的光谱光度仪测试采用的孔径为2～30mm，测试波长λ范围至少包含400～700nm，波长间隔5～20nm。
[0019] 上述选色配色方法，其中，所述步骤(2)中模块化人工神经网络选色模型包括任务分解模块、子网络模块和整合模块3个部分，所述任务分解模块根据标准样整体反射率RS(λ)与单色纤维反射率Ri(λ)之间的相关性公式来分解，相关性公式如式(1)所示，[0020]
[0021] 即，先将输入数据标准样整体反射率RS(λ)分解成i个子网络模块，子网络模块输入数据为 输出为xi，每个 分别对应配方色xi，经初始化后，将分解得到的子网络分别进行训练和验证，最后各子网络经整合模块将输出的xi连起来形成最终结果X，所述整合模块的整合方法为舍弃所有的xi<1％的单色，剩余的xi对应的n个单色构成来样的单色集Rn，n≤i。
[0022] 进一步说，所述子网络模块输入数据分为
训练数据、验证数据和测试数据，子网络输入数据需进行归一化处理。
[0023] 进一步说，所述初始化的权重和偏差设置最大的迭代次数：iter最大；最小误差：误差最小。
[0024] 上述选色配色方法，其中，所述模块化人工神经网络结构取为3层前向网络结构，子网络的隐层选用10个
节点，训练时采用的是Levenberg-Marquardt训练算法，设模块化人工神经网络的学习率为0.01，隐层和
输出层的传递函数分别为Sigmoid和线性函数，训练过程中采用4-折交叉验证。
[0025] 上述选色配色方法，其中，所述步骤(5)中的混色模型如下：
[0026]
[0027]
[0028] 或
[0029] 或
[0030] 其中：Rs(λ)表示波长为λ时混色标准样的反射率；Ri(λ)表示波长为λ时i组分单色纤维的反射率；R(λ)为波长λ下的反射率；yi表示织物中i组分单色所占的组成比例，其中，Σyi＝1。
[0031] 上述选色配色方法，其中，所述步骤(6)中色差采用CIE1976L*a*b*或CMC2:1色差公式。
[0032] 上述选色配色方法，其中，所述步骤(6)中的全光谱迭代修正方法如下；
[0033] 定义来样与仿样之间的色差：ΔT＝F(s)-F(t)，
[0034] 其中，上标“s”表示来样，“t”表示初始仿样，ΔY是为了使ΔT减少至零所需的变量，
[0035] 因此：ΔT＝F(S)-F(t)＝FΔY；ΔY＝(FTF)-1FT(F(S)-F(t))，
[0036] 不断修正上述条件，直到满足结果后输出配方。
[0037] 与
现有技术相比，本发明的积极效果是：
[0038] 本发明的智能配色方法，利用光谱特征结合模块化人工神经网络，实现颜色组成的智能识别，即类似经验人员的经验筛选。现有技术需要从几十个满足色差要求的配方筛选出最有的配方，其筛选难度大，而本发明技术缩小了备选色的范围，减少了配方的个数，更有利于输出正确的配方。
附图说明
[0040] 图2为本发明MANN选色模型结构图。
[0041] 图3为本发明HE123经MANN选色的配方预报结果图。
[0042] 图4为本发明HH42633经MANN选色的配方预报结果图。
[0043] 图5为本发明HE123无MANN选色的配方预报结果图。
[0044] 图6为本发明HH42363无MANN选色的配方预报结果图。
具体实施方式
[0045] 下面结合具体
实施例对本发明进行详细说明。
[0046] 实施例1
[0047] 本发明的智能选色配色算法在Colormatch for blend上实施。
[0048] 用于本发明的
软件程序主要包括测定反射率、配色计算和拼色修正程序三部分。
[0049] 如图1所示，一种色纺纱智能选色配色方法，具体包括以下步骤：
[0050] (1)建立基础单色和标准样品数据库；单色纤维用光谱光度仪测试得到单色纤维反射率Ri，将单色纤维反射率Ri数据贮存于基础单色数据库中，i＝1,2,…,n；挑选已知配方的样品将其定义为标准样，配方包括组成色及其对应比例，将标准样通过光谱光度仪测试得到的整体反射率RS数据作为标准样数据库；
[0051] 选用工厂中常用的单色毛纤维(毛条)纺纱后，用横机加工成织片，用DatacolorSF600puls光谱光度仪器，测试条件：采用孔径：20mm，测试范围：400～700nm，波长间隔10nm，10°标准观察者，D65
光源，测量其反射率值Ri(λ)，存入单色数据库中。
[0052] 实验数据为华孚色纺有限公司提供的41版样卡中600个色纺纱样品，其中使用的染色纤维共60个，用于分析的盲测样本为100个，剩余数据集分成第一训练数据、第一验证数据，比例为3：1。色纺纱样品和染色纤维的反射率数据由DatacolorSF600puls光谱光度仪采集，20mm孔径，选择波长范围400-700nm，间隔10nm，获得31维的反射率数据Rs(λ)并存入标准样数据库。
[0053] (2)MANN选色模型的构建与训练；
[0054] 构建模块化神经网络(MANN)选色模型模块化人工神经网络选色模型的构建与训练；构建模块化人工神经网络选色模型以整体反射率RS为输入数据，集成若干步骤(1)标准样数据库中的整体反射率RS及其对应的已知配方用于训练选色模型，将整体反射率RS分成若干与单色纤维反射率Ri相关的子网络模块，分别进行训练，经整合后输出构成标准样的单色组合集Rn，n≤i，其模型结构示意如图2所示。
[0055] 本神经网络在带有神经网络工具箱的Matlab 2011b版本中运行，运行环境：电脑Thinkpad New X1 Carbon，Intel I5CPU，64bit，内存8G。
[0056] MANN选色模型具体训练过程如下，
[0057] 任务：实现输入反射率RS(λ)与目标输出X之间的映射；
[0058] 输入：代表色纺纱样品特征的l个反射率数据RS(λ)(l×1维)；
[0059] 1)集成m个样品反射率RS(λ)(l×m维)和相应配方X(n×m维)，以及染色纤维反射率Ri(λ)(l×n维)；
[0060] 2)数据分解成U1,U2,…,Un子模块： (l×m维)，分别对应配方值x1,x2,…xn,(l×m维)；
[0061] 3)将每个U数据集分为三部分:第二训练数据、第二验证数据、第二测试数据；
[0062] 4)U数据集输入数据归一化处理，采用最大最小方法；
[0063] 5)将子网络从1到n分别进行训练；
[0064] 6)网络结构的选择(神经元数目，训练算法)；
[0065] 7)初始化的权重和偏差，设置最大的迭代次数：iter的最大，最小误差：误差最小；
[0066] 8)训练过程时，神经元从1个到最大的iter过程，修正权重和偏差，直到网络输出误差小于设置误差。并且由验证数据和训练数据进行交叉验证(cross–validation)，避免陷入局部极小值；
[0067] 9)保存所有子神经网络结构和最优参数；
[0068] 10)冻结MANN网络结构MANNi；
[0069] 11)由MANN对测试数据进行预测，从i＝1,...,n分别依次输出x1’,x2’,…xn’，利用∑xi＝1和含量权重优先法由整合模型输出x1,x2,…xn；
[0070] 12)输出结果Rn:X＝(x1,x2,…xn)T。
[0071] 本发明提出的MANN结构和MANN子网络均取为3层前向网络结构，MANN子网络的隐层选用10个节点，网络训练均采用Levenberg-Marquardt算法，设网络的学习率为0.01，隐层和输出层的传递函数分别为Sigmoid和线性函数，训练时采用的是4-折交叉验证(4-fold -5cross–validation)来提高泛化能
力，得到训练均方误差(MSE)为4.45×10 。
[0072] (3)测定来样的整体反射率Rp；
[0073] 用光谱光度仪测定来样的整体反射率Rp，存入计算机，作为待匹配对象；
[0074] (4)MANN选色；
[0075] 以来样的整体反射率Rp作为为输入数据，单色数据库中单色Ri作为备选色，用训练过的MANN选色模型进行分析，输出X＝[x1,x2,x3,…,xn]T，经整合构成单色组合集Rm，m≤n；
[0076] (5)全光谱配色计算；
[0077] 运用混色模型，结合全光谱配色算法对来样Rp经过步骤(4)筛选出的单色反射率Rm直接进行匹配，采用约束最小二乘法使得到的光谱曲线与来样色的光谱曲线的差别达到最小，得到配方组成单色对应的拼色比例yi，获得配方Y＝(FT×F)-1×FT×FS。
[0078] 其中：来样 单色集
[0079] 上述配色方法，其中，所述步骤(5)中的混色模型如下：
[0080]
[0081]
[0082] 或
[0083] 或
[0084] 其中：Rs(λ)表示波长为λ时混色标准样的反射率；Ri(λ)表示波长为λ时i组分单色纤维的反射率；R(λ)为波长λ下的反射率；yi表示织物中i组分单色所占的质量比例，其中，Σyi＝1。
[0085] 配色的目的是使得到的光谱反射率与来样的反射率完全相同，即希望来样色与预测配方色满足：
[0086]
[0087] 式中 表示来样在波长λ处的反射率； 表示预测配方样在波长λ处的反射率。波长范围选用400～700nm，间隔为10nm；
[0088] 由式(4)和式(2)知，
[0089]
[0090] 针对本例，则有：
[0091]
[0092] 即
[0093] 其中，f(R)λ表示混色模型的表达式(3)，式中yi表示各单色纤维的质量比例，上标“s”表示来样，“m”表示预测配方样；
[0094] 设来样 预测配方样 则式(7)等同于；
[0095] F(s)＝F(m) 式(9)，
[0096] 进而有F(S)＝FY；
[0097] 其中
[0098] 由于方程(9)为31个方程求解3个未知量，方程有多个解，为此采用最小二乘法求解方程组，使；
[0099]
[0100] 解得Y＝(FT×F)-1×FT×FS 式(11)
[0101] 式中，上标“-1”表示矩阵求逆。这样即可解得各单色纤维的组成比例y1,y2,y3。
[0102] 因此得到最佳匹配结果：红色R1(λ)和y1；黄色R2(λ)和y2；白色R3(λ)和y3；如果选择的单色较多，则可得到各自的最小差异匹配方案；
[0103] (6)配方修正；
[0104] 由式(2)得
[0105] 其中f(R)即为混色模型式(2)，由上式可以计算得到预测配方样的反射率R。根据来样和预测配方样的反射率值通过色差公式计算预测配方的色差。纺织工业上色差常采用* * *CIE1976La b简称CIELAB色差公式或CMC(2:1)色差公式，该公式为现有成熟技术，在此不做过多赘述。色差在允许范围内，则打印配方；否则，迭代修正配方，根据两者之间在各波长下反射率的色差，
[0106] 定义来样与仿样之间的色差ΔT＝F(s)-F(t)，
[0107] 其中，上标“s”表示来样，“t”表示初仿样。
[0108] ΔX是为了使ΔT减少至零所需的变量，因此ΔT＝F(S)-F(t)＝FΔX，[0109] ΔX＝(FTF)-1FT(F(S)-F(t))；
[0110] 采用全光谱迭代修正方法修正配方，直到满足结果后输出配方，贴样。
[0111] 选择样品HE123和HH42363进行测试，用光谱光度仪测试两者的反射率Rp，采用上述带有MANN选色模型的配色方法进行分析预测，MANN选色模型选色数据如表1，得到预测结果如图3、4所示，HE123经MANN筛选的配方的个数为4个，HH42363经MANN筛选的配方的个数为13个。根据表1的预测配方和组成比例，混色纺纱后在横机上仿织小样，用Datacolor 600puls光谱光度仪器测定初仿样的反射率，计算来样样品与初仿样之间的色差，得到HE123的一种预测配方与其原始配方间的色差为0.09，HH42363的一种预测配方与其原始配方间的色差为0.16，若色差在允许范围内，则配色完成，打印配方；否则，采用全光谱迭代修正方法修正配方，直到满足结果后输出配方，贴样。
[0112] 表1来样原始配方与预测配方
[0113]
[0114]
[0115] 实施例2
[0116] 同样选择样品HE123和HH42363进行测试，用光谱光度仪测试两者的反射率Rp，选择现有计算机配色技术对样品进行配方预测，现有技术除识别组成单色的模型未采用上述MANN选色模型外，其它实施条件均与上述实施例1相同，经现有计算机配色技术得到预测配方结果如图5、6所示，HE123配方数为263个，HH42363配方数为255个。
[0117] 实施例1经过MANN筛选得到的配方个数明显较实施例2少的多，二者对比可以看出MANN选色模型大大减少了预测配方的个数，更有利于输出正确的配方。
[0118] 以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员，在不脱离本发明构思的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围内。
