[发明专利]基于神经网络的色纺纱配色方法

说明书

技术领域

本发明设计一种基于神经网络的色纺纱配色方法，属于纺织配色技术领域。

背景技术

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。

发明内容

本发明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，发明了基于神经网络的色纺纱配色方法。

本发明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。