[发明专利]一种印染配色的多模型融合方法、装置、设备及介质有效
| 申请号: | 202110783420.1 | 申请日: | 2021-07-12 |
| 公开(公告)号: | CN113591940B | 公开(公告)日: | 2023-09-26 |
| 发明(设计)人: | 郝天永;陈木森;曾宪中 | 申请(专利权)人: | 华南师范大学 |
| 主分类号: | G06F18/25 | 分类号: | G06F18/25;G06F18/10;G06F18/213 |
| 代理公司: | 广州嘉权专利商标事务所有限公司 44205 | 代理人: | 余凯欢 |
| 地址: | 510631 广东*** | 国省代码: | 广东;44 |
| 权利要求书: | 查看更多 | 说明书: | 查看更多 |
| 摘要: | |||
| 搜索关键词: | 一种 印染 配色 模型 融合 方法 装置 设备 介质 | ||
1.一种印染配色的多模型融合方法,其特征在于,包括:
对获取到的原始数据进行数据预处理,得到印染配色数据集;
根据数据的性质特点对所述印染配色数据集进行划分,得到多个数据组;
通过组合多个不同模型得到的模型组合对每个所述数据组进行特征提取,得到目标特征;
对所述目标特征进行特征融合,得到特征集;
根据所述特征集进行自动印染配色;
所述根据数据的性质特点对所述印染配色数据集进行划分,得到多个数据组,包括:
确定所述印染配色数据集的特征属性;其中,所述特征属性包括类型、质量、用途和可靠度;
根据所述印染配色数据集的特征属性,将印染配色数据集划分为不同的数据组;其中,所述数据组包括染色剂光谱数据组、底物/标准物的光谱数据组以及配方中使用的材料类别组;
所述通过组合多个不同模型得到的模型组合对每个所述数据组进行特征提取,得到目标特征,包括:
获取各个所述数据组;
根据各个所述数据组的属性特征,采用不同的组合模型进行处理,得到特征向量;
其中,所述特征向量用于表征各个所述数据组的属性特征;
所述对所述目标特征进行特征融合,得到特征集,包括:
采用特征融合的方法将从不同数据组提取到的目标特征进行合并处理,得到所述特征集;
其中,所述特征集用于表征印染配色过程中的印染规律和数据特征。
2.根据权利要求1所述的一种印染配色的多模型融合方法,其特征在于,所述对获取到的原始数据进行数据预处理,得到印染配色数据集,包括:
对所述原始数据的非数值变量进行编码处理,得到第一数据;
对所述原始数据的目标数据进行填充处理和异常数据剔除处理,得到第二数据;
对所述原始数据中小数值数据进行log变换处理,得到第三数据;
对所述第一数据、所述第二数据以及所述第三数据进行批标准化处理,得到所述印染配色数据集。
3.根据权利要求1所述的一种印染配色的多模型融合方法,其特征在于,所述方法还包括:
根据所述特征集对印染配方中材料的使用溶度进行预测。
4.根据权利要求1所述的一种印染配色的多模型融合方法,其特征在于,所述方法还包括:
根据所述特征集对印染配方中使用的材料种类进行预测。
5.一种印染配色的多模型融合装置,其特征在于,包括:
第一模块,用于对获取到的原始数据进行数据预处理,得到印染配色数据集;
第二模块,用于根据数据的性质特点对所述印染配色数据集进行划分,得到多个数据组;
第三模块,用于通过组合多个不同模型得到的模型组合对每个所述数据组进行特征提取,得到目标特征;
第四模块,用于对所述目标特征进行特征融合,得到特征集;
第五模块,用于根据所述特征集进行自动印染配色;
所述第二模块,具体用于:
确定所述印染配色数据集的特征属性;其中,所述特征属性包括类型、质量、用途和可靠度;
根据所述印染配色数据集的特征属性,将印染配色数据集划分为不同的数据组;其中,所述数据组包括染色剂光谱数据组、底物/标准物的光谱数据组以及配方中使用的材料类别组;
所述第三模块,具体用于:
获取各个所述数据组;
根据各个所述数据组的属性特征,采用不同的组合模型进行处理,得到特征向量;
其中,所述特征向量用于表征各个所述数据组的属性特征;
所述第四模块,具体用于:
采用特征融合的方法将从不同数据组提取到的目标特征进行合并处理,得到所述特征集;
其中,所述特征集用于表征印染配色过程中的印染规律和数据特征。
6.一种电子设备,其特征在于,包括处理器以及存储器;
所述存储器用于存储程序;
所述处理器执行所述程序实现如权利要求1-4中任一项所述的方法。
7.一种计算机可读存储介质,其特征在于,所述存储介质存储有程序,所述程序被处理器执行实现如权利要求1-4中任一项所述的方法。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于华南师范大学,未经华南师范大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202110783420.1/1.html,转载请声明来源钻瓜专利网。





