一种毛针织纱智能选色拼毛方法与流程

本发明涉及一种毛针织纱智能选色拼毛方法，属于纺织配色
技术领域：
。
背景技术：
：在毛针织产品中，散纤维或者毛条先染色后混色的品种越来越多，这种混色品种纱由2种或2种以上的不同颜色、相同或不同的纤维所组成。在混色毛针织纱的生产加工过程中，拼毛是其最关键的生产环节。“拼毛”就是将已染色的不同颜色毛条或者散毛纤维相互搭配，达到所需要的颜色和风格。现有技术一般为工厂里的拼毛人员依靠经验和反复试纺来配色，或者依靠计算机的排列组合方法，穷举所有的可能，往往给出很多配方，根本无法快速精确识别出其真实色，所以生产周期长、生产效率低，难以适应“小批量、多品种、快交货”的市场需求。支持向量机(svm)模型作为一种已经成熟的识别模型在多个领域都有大量应用，其原理如下：支持向量机(svm)主要通过支持向量对不同类别样本进行分类决策。其决策依据主要通过非线性核函数算法寻找一个最优分类面(optimalhyper-plane)，使其两侧样本的分类间隔(margin)最大。因此svm算法本身是一种二值分类方法，即不属于这类就属于另外一类的关系。其算法内核为一个对称函数φ映射k:x×x→f，因此对于所有的xi和x，都有k(xi,x)＝{φ(xi),φ(x)}，将输入空间x转化到特征空间f。但其在色纺纱领域的运用处于起步阶段，例如中国公开了一种基于最小二乘支持向量机的色纺纱配色的发明，申请号为cn201710188008.9，在该专利中提到将svm模型运用至色纺纱配色，其主要技术是将标准样的反射率和对应比例关系作为训练样本用于训练svm模型，通过训练好的svm模型可以直接得到预测的配方的组成色及比例，存在的明显不足有：(1)该方法用最小二乘支持向量机直接计算比例，建立的是标准样的反射率和对应比例的关系，而svm模型是一个分类技术，用于按比例分类，相当于一个比例就是一个分类，要有应用价值，必须穷举所有的组成方案和比例作为训练样本，训练样本量太大，可行性并不高；(2)该发明同时要求目标样就是由该基准色组成的样本，例如专利中的训练中的标准样，能预报较接近的比例。而实际应用时目标色通常不是由基准色样组成，对未知基准色样的样本缺乏泛化性能。技术实现要素：本发明的目的是为了克服以上问题，提供一种能快速精确配色的毛针织纱智能选色拼毛方法，模拟人工配色中人眼对颜色的经验识别能力，无需穷举所有的组成方案和比例作为训练样本，可减少训练样本量，实现智能配色，本发明采用支持向量机(svm)进行组成单色识别，然后在此基础上进行配色，对未知基准色样的样本具有泛化性能，提高配色效果的符合率。本发明的毛针织纱智能选色拼毛方法，包括以下步骤；步骤一、测定毛针织纱来样反射率：采用光谱光度仪测定，毛针织纱来样反射率，测试条件要求包含镜面反射，包含波长为400～700nm的完整数据，反射率波长测定间隔0～10nm；步骤二、svm识别组成色；先对svm模型进行训练，将已知颜色组成配方的毛针织纱样品定义为标准样并进行反射率测定，将采集得到的标准样反射率数据进行数据预处理得到特征向量第一数据集，将特征向量第一数据集分为支持向量机模型训练用的训练集和验证集；将采集的来样反射率数据进行数据预处理，预处理形成特征向量第二数据集；对特征向量第二数据集用训练好的svm模型进行识别，获得来样毛针织纱的组成色的颜色构成；步骤三、运用三刺激值匹配算法或全光谱配色算法计算毛针织纱各组成色的最佳组合比例，即根据步骤二获得的毛针织纱来样组成色得到各组成色的单色反射率，运用单色反射率对步骤一测得的来样反射率进行计算，得到拼毛配方。上述选色拼毛方法，其中，所述svm模型类型选用为c-svc，采用rbf核函数，惩罚系数c为3，核函数参数γ为0.0323，rbf核函数公式(1)如下，k(xi，x)＝exp(-γ||xi-x||2)，γ>0……公式(1)。上述选色拼毛方法，其中，所述svm模型采用将多分类识别转化为二分类识别，其步骤如下，1)识别y1时，含y1为一类，其余y2…ym为一类，判定是否有y1；2)识别y2时，含y2为一类，y1，y3…ym视为一类，判定是否有y2；……m)识别ym时，含ym为一类，y1…ym-1视为一类，判定是否有ym；这样可将多分类识别公式(2)的多个输出方程转化为二分类识别公式(3)的单个输出，f(xi)＝{y1,y2,…ym}，xi＝{x1,x2,…,xl}，y＝±1，i＝1，…，n………公式(2)；f(xi)＝yj，xi＝{x1,x2,…,xl}，yj＝±1，j＝1，…，m，…………公式(3)式中n为样品总个数，m为构成颜色总数，l为输入数据的维数，公式(2)表明，输入xi为l维数据，输出为{y1,y2,…ym}，+1表示含有，-1表示不含，公式(3)表示每一次输出结果对应某一单个颜色存在与否的判断，如果单色库中有m种颜色，则计算m次后，得到该输入色纺纱xi的颜色组成。上述选色拼毛方法，其中，特征在于，所述数据预处理采用先将反射率扩大100倍，然后在此基础上联合l*a*b*值使用，形成x＝[100*r(λ1),100*r(λ2)，…,100*r(λn),l*,a*,b*]t，其中r(λn)代表λn时的反射率值，n值由反射率波长测定间隔决定，间隔为10时，n值为31；l*，a*，b*为cie1976lab值，由r(λ)根据cielab公式计算得到。上述选色拼毛方法，其中，所述步骤三还包括混色反射率模型，混色反射率模型满足以下两关系式：其中：rs(λ)表示波长为λ时毛针织纱来样的反射率，ri(λ)表示波长为λ时i组分单色的反射率，αi表示i组分单色所占的质量比例，m为模型参数，根据毛纱的类型、纱支数调整。与现有技术相比，本发明的积极效果为：本发明的突出优点在于构建了基于支持向量机的组成色识别模型，对组成色预先进行识别，缩小选色范围，减少了计算量，提高纱线效果的符合率，与传统人工配色方法以及先前的计算机配色方法相比，具有速度快，配色准确率高，操作简单方便，效率高。附图说明图1为本发明智能选色拼毛的流程图。图2为本发明svm识别组成色的流程图。图3为本发明svm识别模型的体系结构图。图4为本发明hy-70291配方预报结果图。图5为本发明5m0040配方预报结果图。图6为本发明hy-65511配方预报结果图。图7为未经svm识别的hy-65511配方预报结果图。具体实施方式下面结合具体实施例对本发明进行详细说明。实施本发明的智能选色拼毛方法需要硬件部分和软件部分。其中，硬件部分主要包括光谱光度仪和计算机；软件部分主要为来样反射率获取、svm识别和配色运算程序。其工作原理：如图1所示，通过光谱光度仪测定来样反射率作为数据输入端，用训练过的svm对预处理过的来样反射率数据进行组成色识别，用识别的组成色，结合混色模型，对来样色反射率进行全光谱和三刺激值匹配运算，输出配方。本实施例详细步骤如下，步骤一、反射率的测定；反射率测定：由datacolor850光谱光度仪采集，测试条件为d65光源、10°视场、20mm孔径，选择波长范围400-700nm，间隔10nm。步骤二、支持向量机(svm)识别组成色；①svm的训练；数据：从样卡中选取了100个已知拼毛组成配方的毛针织纱样品作为标准样，共有10个组成色(标记为y02,y06,y08,y10,y27,y31,y42,y47,y57,y58)。svm模型的构建与训练：svm算法由一个集成的软件支持向量分类libsvm在matlabr2011b版本下实现，这里选用的svm类型为c-svc，因为它不仅具有优秀的性能，而且只有两个参数(c，γ)，c为惩罚因子用于设置分离不同类别边缘的宽度，γ为核参数决定的决策面的结构，这两个值都由工具自带的网格搜索法确定。本实施案例获得最佳参数为：采用rbf函数，惩罚系数c为3，核函数参数γ为0.0323，核函数公式(1)如下，k(xi，x)＝exp(-γ||xi-x||2)，γ>0………公式(1)。训练过程如图2所示，首先将已知颜色组成配方的毛针织纱样品定义为标准样，采集得到的标准样反射率数据进行数据预处理，数据预处理采用先将反射率扩大100倍，然后在此基础上联合l*,a*,b*值使用，形成xi＝[100*r(λ1),100*r(λ2)，…,100*r(λn),l*,a*,b*]t。经预处理后形成特征向量第一数据集xi，然后将第一数据集分为训练集和验证集两个部分，利用训练集确定支持向量机分类识别模型的权值和支持向量；验证过程中利用已经确定的分类识别支持向量机模型对验证集进行识别，验证过程的输入为验证集的反射率数据，输出为验证集的颜色构成，比较输出值与实际值的符合程度；如果验证结果准确度较高说明该训练有效，否则重新选择新的参数进行训练，直到达到满意的结果为止。本发明训练获得毛针织纱标准样10种颜色的平均训练预报准确率为96％。②来样反射率预处理：即光谱特征的提取过程，可采用数据值放大、1阶导数、2阶导数、主成分分析、增加特征值等方法。本发明数据预处理采用先将反射率扩大100倍，然后在此基础上联合l*,a*,b*值使用的方法，形成xi＝[100*r(λ1),100*r(λ2)，…,100*r(λn),l*,a*,b*]t，其中r(λn)代表λn时的反射率值，n值由反射率波长测定间隔决定，间隔为10时，n值为31；l*，a*，b*为cie1976lab值，由r(λ)根据cielab公式计算得到，该公式为现有成熟技术，在此不做过多赘述。将采集的毛针织纱来样反射率数据rs同样先将反射率扩大100倍，然后在此基础上联合l*,a*,b*值使用，其中l*,a*,b*值可从datacolor850光谱光度仪得到，经过预处理后形成特征向量第二数据集，rs处理后得到的放大数据如表1所示。表1来样反射率放大100倍的数据和l*a*b*值③svm选色当毛针织纱仅有两种组成颜色时，构建的svm颜色二分类识别模型结构如图3所示，当毛针织纱的颜色构成大于两种颜色时，该svm模型就是一个多分类识别模型，即定义某一样本输入对应多个组成颜色输出，如公式(2)所示，f(xi)＝{y1,y2,…ym}，xi＝{x1,x2,…,xl}，y＝±1，i＝1，…，n………公式(2)；式中n为样品总个数，m为构成颜色总数，l为输入数据的维数，公式(2)表明，输入xi为l维数据，输出为{y1,y2,…ym}，由对应的m个颜色构成符号表示，+1表示含有，-1表示不含。由于没有严格意思上真正的并行算法，这里采用将多分类识别转化为二分类识别，其步骤如下，1)识别y1时，含y1为一类，其余y2…ym为一类，判定是否有y1；2)识别y2时，含y2为一类，y1，y3…ym视为一类，判定是否有y2；……m)识别ym时，含ym为一类，y1…ym-1视为一类，判定是否有ym；这样可将公式(2)的多个输出方程转化为公式(3)单个输出：f(xi)＝yj，xi＝{x1,x2,…,xl}，yj＝±1，j＝1，…，m，…………公式(3)公式(3)表示每一次输出结果对应某一单个颜色存在与否的判断，如果单色库中有m种颜色，则计算m次后，得到该输入色纺纱xi的颜色组成。以hy-70291样本为例，判断包含y02,y06,y08,y10,y27,y31,y42,y47,y57,y58这10种颜色中的哪几种，采用训练后的svm式(3)计算10次后的输出结果为，y＝{-1,-1,-1，+1，-1，+1，+1，-1，-1，+1},表示该色纺纱由颜色y10，y31，y42,和y58。用训练好的svm模型对来样反射率数据进行识别，获得到该毛针织纱的组成色的构成范围如表2所示。表2毛针织纱来样经svm模型识别得到的组成色来样组成色hy-70291b-058,b-010,b-042,b-0315m0040b-42,b-047,b-027hy-65511b-010,b-057步骤三、运用三刺激值匹配算法或全光谱配色算法计算毛针织纱各组成色的最佳组合比例，即根据步骤二获得的毛针织纱来样组成色得到各组成色的单色反射率，运用单色反射率对步骤一测得的来样反射率进行计算，得到拼毛配方，其中单色反射率为现有已知数据，在此不做赘述。其中配色算法采用优化的混色反射率模型，混色反射率模型满足以下两关系式，其中：rs(λ)表示波长为λ时毛针织纱来样的反射率，ri(λ)表示波长为λ时i组分单色的反射率，xi表示i组分单色所占的质量比例，m为模型参数，根据毛纱的类型、纱支数调整。三刺激值匹配算法与全光谱配色算法具体过程如下所述；(1)三刺激值配色算法根据步骤二中选定的组成单色(rα、rβ…rγ)，运算采用三刺激值算法计算毛针织纱各组成色的组成比例，因三刺激值配色只需同时满足x(s)＝x(m),y(s)＝y(m),z(s)＝z(m)；相比全光谱算法，此算法只有三个等式，灵活度更高，能比全光谱配色得到更精确的计算结果；其中k是归一化常数,δλ是波长间隔。x、y、z为三刺激值，rλ是样品的光谱反射率，sλ是标准照明体的相对光谱功率；为标准色度观察者三刺激值；为了方便计算机算法的实现，先定义下列矩阵和矢量：三刺激值等式用矩阵表示为ktsr(s)＝ktsr(m)；因单色光谱配色算法选取，因此不会存在特别严重的光谱异构性，即在任何一个波长下配色样的反射比与标准色样的对应值相差不太大，故可相当精确地表示为，定义其中可得r(s)-r(m)＝d[f(s)-f(m)]，因此tsdf(s)＝tsdf(m)，设f(m)＝f×x，其中f(r)代表公式(3)，得tsdf(s)＝tsdfx，解得x＝(tsdf)-1tsdf(s)，筛选得到最总配方(2)光谱配色算法采用最小二乘法，使由几个单色(r1,r2…rn任意组合)混合得到的光谱曲线匹配客户来样(rs)的光谱曲线时差异达到最小；即设置使匹配色与来样色满足式中表示来样在波长λ处的反射率；表示匹配样在波长λ处的反射率。波长范围选用可见光400～700nm，间隔10nm；因而即其中f(r)λ代表公式(3)。设来样匹配样则f(s)＝f(t)，即f(s)＝f×x，其中由于上述方程为31个方程求解3个未知量，因此使用最小二乘法求解方程组即得x＝(ft×f)-1×ft×f(s)对应的单色为(rx…rn)，选择其中差异较小的2-3个组合(rα、rβ…rγ)。式中：上标“t”表示矩阵转置，上标“-1”表示矩阵求逆；rx表示r1-rn中的任意一个单色，rα、rβ，rγ代表r1-rn中的具体某一个单色。三刺激值算法与全光谱配色算法二者选其一进行运算即可，经步骤三得到的预报配方如表3所示，从表3可以看出，预报配方与实际配方接近一致，来样配色预报结果如图4-6所示，来样hy-70291、5m0040、hy-65511配方数皆只有一种，能锁定精确配方，所以本方法预报准确性高。表3毛针织纱来样的预报配方和实际配方以hy-65511为例，通过现有计算机配色技术对其进行配方预测。现有计算机配色技术除颜色识别过程不采用svm识别组成色模型外，其余实施条件与上述步骤一、步骤三都相同。配方预测结果如图7所示，从图7中可以看出未经过svm模型识别组成色的配方预测给出的配方非常多，配方数有18种，无法快速锁定精确配方。以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。当前第1页12