[发明专利]一种基于最小二乘支持向量机的色纺纱配色方法

说明书

技术领域

本发明涉及一种基于最小二乘支持向量机的色纺纱配色方法，属于色纺纱计算机配色的技术领域。

背景技术

色纺纱是先将纤维染色，选择两种或两种以上不同颜色的纤维，经过特定纺纱工序混和加工纺制而成，具有朦胧立体的混色效果，特殊的外观风格，高附加值。色纺纱无需进行染整工序，在节省能源、保护环境等方面有明显的优势。

色纺纱的颜色主要取决于所选色纤维的种类、颜色和比例，用色纺纱制成的针织物在纺织服装市场上颇受青睐。国内外色纺市场逐步扩大，色纺纱在纺织面料中的比重越来越大，需求量呈现逐年上升趋势。

色纺市场有“批量小、品种繁多、变化大、周期短、交货快”的要求，色纺纱的工艺较复杂，对色纺企业的生产监控管理、技术手段、设计水平、自主创新开发等方面的要求都较高。

目前大多数色纺企业仍然采用人工配色方法，传统的人工配色工作量大、耗时、成本较高，而且主观性强，人工配色完全依靠人眼观察，容易受配色人员的心理状态、外界环境、个人经验及对颜色的敏感度等因素影响，配色效果缺乏统一的衡量标准，配色的准确度不高，再现性差。色纺行业紧跟市场流行趋势，纤维原料的变化、流行色周期的缩短、产品的低价竞争，以及计算机和电子信息的智能化发展方向，都在一定程度上冲击着传统的人工配色。在这种环境下，计算机测配色成为纺织行业中色纺纱配色的一个发展趋势。然而目前世界上最先进的配色软件Datacolor-Match在染料配色方面的运用已经很成功，但是它并不适用于色纺纱及色纺织物的配色。已有的色纺纱计算机配色理论的研究，包括Stearns-Noechel模型、Friele模型和Kubelka-Munk理论等，这些传统理论模型在推导过程中受假设条件的限制，在实际生产应用中适用性较差。另外，BP神经网络法需要提供大量样本进行学习，否则样本量小，获得的模型精度比较低，同时BP神经网络在训练中对所学习的样本十分敏感，易导致模型变得不精确。

计算机配色相关行业人员已进行一些研究和专利发明，例如，中国发明专利公开了一种皮革染色的计算机配色方法，申请号：201610110717.0，其特征在于，包括测量待配色样品的反射率R_t(λ)，经SKM模型公式转化为K/S_t(λ)，并作为输入项，由训练好的BP神经网络进行重均K/S值的预测，利用光谱拟合算法，通过最小二乘法计算获得染色配方。该专利针对皮革染色的特点，提高配色的一次准确率，但是这个技术方案中选用的神经网络法学习所需样本容量大，否则模型精度低，同时泛化性能差，对样本十分敏感，易导致模型不精确。

另一发明专利涉及印刷技术领域，是一种基于最小二乘支持向量机的胶印油墨配色方法，申请号：201210212306.4，该专利对每一种基础油墨分别以不同的浓度梯度进行打样，各选取m个浓度比例，测量打样得到的各标准色样相应的XYZ值；获取待测目标样品的XYZ值，并选取N个参与配色的油墨，得到m*N个XYZ值与对应的浓度比例训练样本数据；对LS-SVM函数进行训练，建立XYZ值与油墨配方的关系，实现XYZ值到油墨浓度比例的转换；将待测目标样品的XYZ值输入到训练好的LS-SVM函数模型，计算得到相应的油墨配方。该发明专利对基础油墨数据库的精度要求小，配色简便，效率高。但是该方案中对获得的配方没有进行验证及修正，配方数据的精确度有待提高。另一方面，油墨配色与色纺纱配色的特点不同，油墨之间的混合属于化学方法，而色纺纱的混合属于物理过程，是纤维之间的混合。

上述专利各有优点与缺点，同时并没有涉及针对色纺纱的计算机精细配色方法。

发明内容

本发明的目的是在快速准确获得配方的同时避免目标样与配方样的反射光谱一致而颜色效果差别很大。

为了达到上述目的，本发明的技术方案是提供一种基于最小二乘支持向量机的色纺纱配色方法，其特征在于，包括以下步骤：

步骤1、选定不同颜色的基准色纤维，各基准色纤维的颜色具有相对独立的特点，采集各基准色纤维对应的颜色数据值；

步骤2、选取部分或全部基准色纤维，以不同组合方式和不同的混合比例进行纺纱制样，获得不同的试样，将不同组合方式和不同的混合比例定义为不同的配方比例，并将获得的试样定义为标准样，测量所有标准样的颜色数据值；

步骤3、将各标准样的颜色数据值及对应的配方比例作为训练集，对最小二乘支持向量机函数模型进行训练，并建立颜色数据值与比例关系之间的关系；