一种皮革染色的计算机配色方法与流程

本发明涉及一种皮革染色的计算机配色方法，具体涉及一种皮革或纺织品染色时计算机提供配方预报的方法。

背景技术：

制革行业是一个古老、落后但出口创汇能力又较强的行业,虽然经过了几千年的发展,却始终摆脱不了以手工制造、经验控制为主的局面。企业的自动化程度非常低，目前，国内皮革加工厂无一例外都采用人工配色，即当染厂接到客户来样后，由染色师傅根据经验给出标准色样的大致配方，然后试染，再进行调色，最后确定染色配方。显然人工配色对染色师傅的经验要求很高，而且费时费力,极大地限制了皮革加工厂生产效率的提高。而应用计算机代替人工进行配色,则可极大地提高工厂的生产效率。因此,在皮革加工企业中应用计算机配色技术将是一种新的趋势。

计算机配色技术在纺织印染行业已经广泛应用，但在皮革染色配色中基本没有应用。计算机配色技术难以在皮革行业推广的一个主要技术原因有：皮革原料差异大，不同季节、不同气候、不同产地、不同生长期的同品种皮坯对染料吸收差异很大。为此必须建立适合皮革配色的计算机配色方法。

本发明通过历史样本库，用生产实际样本通过神经网络算法解决传统模型无法应对的具体生产工艺的影响，提高配色的一次准确率，推动皮革与纺织行业的自动化水平的提升，产生巨大的经济效益。

技术实现要素：

本发明根据以上现状，根据皮革染色的特点，提供一种一次配色准确率高的皮革计算机配色方法。

本发明解决其技术问题所采取的技术方案是：一种皮革染色的计算机配色方法，其特征在于包括以下步骤：

1)测量待配色样品的反射率为Rt(λ)，经SKM模型公式转化 K/St(λ)。

2)以K/St(λ)为输入项，由训练好的BP神经网络进行重均反射率的预测，得到K/Swt(λ)。

3)利用光谱拟合算法，由K/Si(λ)拟合K/Swt(λ)，通过最小二乘法计算获得染色配方C(x1,x2...xn)。

所述的一种皮革染色的计算机配色方法，其特征在于，所述步骤1)中反射率的测试采用积分球型双光束分光测色仪，λ波长范围为可见光400-700nm，波长间隔10nm。选择皮板的正面为测色面，分别在左、中、右肩，左、中、右脊，左、中、右臀，测量取平均值。

所述的一种皮革染色的计算机配色方法，其特征在于，所述步骤1中，采用的SKM模型为Kubeil-Munk单常数模型，表达式为公式(1)。

(公式1)

所述的一种皮革染色的计算机配色方法，其特征在于，所述步骤2中采用的是经常用数据库训练的BP神经网络。

所述的一种皮革染色的计算机配色方法，其特征在于，所述步骤2中采用BP神经网络是以由K/Ss(λ)为输入项,重均K/Sw(λ)为输出项构建而成。将常用配方库中储存的样本进行反射率测量得到Rs(λ)，经SKM模型转化为K/Ss(λ),重均K/S值K/Sw(λ)则由样本对应的配方转化而成。

所述的一种皮革染色的计算机配色方法，其特征在于，重均K/S值K/Sw(λ)由转化公式(2)计算，x1,x2...xn为配方百分比。K/Si(λ)为第i个组成染料经SKM模型转化后的反射率值。

K/Sw(λ)＝x1K/S1(λ)+x2K/S2(λ)+…+xnK/Sn(λ) (公式2)

所述的一种皮革染色的计算机配色方法，其特征在于，所述步骤2)BP神经网络的训练，中间隐含层采用logsig函数，输出层采用purelin函数,采用“Levenberg-Marquardt”算法。

所述的一种皮革染色的计算机配色方法，其特征在于，所述步骤4)计算拟合对象为K/Sw(λ)，而非K/St(λ)，并采用基于最小二乘法的光谱配色算法计算获得配方。

附图说明

图1本发明实施例的配色流程图。

图2是本发明实施例的训练结果示意图。

图3是本发明实施例1所述Rt1(λ),K/St1(λ),K/Swt1(λ),Rc1(λ)的波形图。

图4是本发明实施例1所述Rt2(λ),K/St2(λ),K/Swt2(λ),Rc2(λ)的波形图。

图5是本发明实施例1所述Rt3(λ),K/St3(λ),K/Swt3(λ),Rc3(λ)的波形图。

图6是本发明实施例1所述Rt4(λ),K/St4(λ),K/Swt4(λ),Rc4(λ)的波形图。

具体实施方式

实施例1

在本发明所述实施例采用了一个简单的样本库。该数据库共有3中染料(黄E-3G、红S-BR、蓝E-BL)。其存储的样本组成见表1。

表1数据库集

注：E-3G为黄E-3G，S-BR为红S-BR，E-BL为蓝E-BL

其中，BP神经网络模型的构建与训练：将常用配方库中储存的训练样本进行测量获得Rs(λ)，由SKM模型转化为K/Ss(λ)。3只染料的Ri(λ)经SKM模型转化K/Si(λ)，根据配方和公式2计算得到K/Sw(λ)。以K/Ss(λ)为输入项，对应的K/Sw(λ)为输出项，构建BP神经网络配色模型。这里采用最简单的3层结构，以样本模型反射率K/Ss(λ)为输入层，N个隐含层(N个数由经验结合实验设置，这里设置为38)，以重均模型光谱K/Sw(λ)为输出层，其中 建立K/Ss(λ)与K/Sw(λ)之间的神经网络模型，其结构如下图所示。中间隐含层采用logsig函数，输出层采用purelin函数,采用“Levenberg-Marquardt”算法。

该算法在带有神经网络工具箱的Matlab 2011b版本中运行，中间隐含层采用logsig函数，输出层采用purelin函数,本例子中采用“trainlm(Levenberg-Marquardt)”算法，主要代码如下：＝net＝newff(K/Ss(λ),K/Sw(λ),38,{'logsig','purelin'},'trainlm')；％模型构建[net,tr]＝train(net,K/Ss(λ),K/Sw(λ),[],[],val,test)；％训练，val,test分别为制定的验证和训练集。训练结果见图2。

配色时，测量待配色样品的反射率为Rt(λ)，经SKM模型公式转化K/St(λ),以K/St(λ)为输入项，由BP神经网络配色模型进行预测，预测得到重均K/S值K/Swt(λ)。

K/Swt(λ)＝sim(net,K/St(λ))；％用训练好的神经网络进行预 测，输入数据为K/St(λ)，得到预测重均K/S值K/Swt(λ)。

最后利用光谱拟合算法，由K/Si(λ)拟合K/Swt(λ)，通过最小二乘法计算获得染色配方C(x1,x2...xn)。

具体来说，获得的重均K/S值K/Swt(λ)，因此重均K/S值K/Swt(λ)与配色组成xi和K/Si(λ)之间满足下式，

展开为：

设：

则：K/Sw＝P×C,

由于上述方程为31个方程求解n个未知量(通常n<31)，需要使用最小二乘法求解方程组,得到该光谱配色算法为：

C＝(P^TP)^-1P^Tf(Rw)

然后进行下述步骤，主要包括：(1)测量标样(红1.2％黄0.8％) 的反射率，并转化为模型反射率；测量采用Datacolor600光谱光度仪，波长范围400～700nm，波长间隔10nm。用Rt1(λ)表示，将Rt1(λ)代入配色模型公式(1)，转化为模型反射率K/St1(λ)；(2)以K/St1(λ)为输入层，应用训练好的BP神经网络进行计算，获得K/Swt1(λ)；(3)用单色模型反射率K/St1(λ)拟合重均模型反射率K/Swt1(λ)，运用最小二乘法，获得配方C1(红1.06％,黄0.82％)；(4)根据预报的配方C1进行打样，并测得打样色的反射率Rc1(λ)；计算标样Rt1(λ)与打样色Rc1(λ)之间的色差，得到CMC色差为0.32。配色完成。Rt1(λ),K/St1(λ),K/Swt1(λ),Rc1(λ)见图3。

实施例2：

在本发明的实施例以及比较例中，作为示例性地并便于比较，采用了一个简单的样本库。该数据库共有3只染料(黄E-3G，红S-BR，蓝E-BL)。其存储的样本组成见表1。

表1数据库集

注：E-3G为黄E-3G，S-BR为红S-BR，E-BL为蓝E-BL

其中，BP神经网络模型的构建与训练：将常用配方库中储存的训练样本进行测量获得Rs(λ)，由SKM模型转化为K/Ss(λ)。3只染料的Ri(λ)经SKM模型转化K/Si(λ)，根据配方和公式2计算得到K/Sw(λ)。以K/Ss(λ)为输入项，对应的K/Sw(λ)为输出项，构建BP神经网络配色模型。这里采用最简单的3层结构，以样本模型反射率K/Ss(λ)为输入层，N个隐含层(N个数由经验结合实验设置，这里设置为38)，以重均模型光谱K/Sw(λ)为输出层，其中建立K/Ss(λ)与K/Sw(λ)之间的神经网络模型，其结构如下图所示。中间隐含层采用logsig函数，输出层采用purelin函数,采用“Levenberg-Marquardt”算法。

该算法在带有神经网络工具箱的Matlab 2011b版本中运行，中间隐含层采用logsig函数，输出层采用purelin函数,本例子中采用“trainlm(Levenberg-Marquardt)”算法，主要代码如下：

net＝newff(K/Ss(λ),K/Sw(λ),38,{'logsig','purelin'},'trainlm')；％模型构建

[net,tr]＝train(net,K/Ss(λ),K/Sw(λ),[],[],val,test)；％训练，val,test分别为制定的验证和训练集。

训练解决见图2。

配色时，测量待配色样品的反射率为Rt(λ)，经SKM模型公式转化K/St(λ),以K/St(λ)为输入项，由BP神经网络配色模型进行预测，预 测得到重均K/S值K/Swt(λ)。

K/Swt(λ)＝sim(net,K/St(λ))；％用训练好的神经网络进行预测，输入数据为K/St(λ)，得到预测重均K/S值K/Swt(λ)。

最后利用光谱拟合算法，由K/Si(λ)拟合K/Swt(λ)，通过最小二乘法计算获得染色配方C(x1,x2...xn)。

具体来说，获得的重均K/S值K/Swt(λ)，因此重均K/S值K/Swt(λ)与配色组成xi和K/Si(λ)之间满足下式，

展开为：

设：

则：K/Sw＝P×C,

由于上述方程为31个方程求解n个未知量(通常n<31)，需要使用最小二乘法求解方程组,得到该光谱配色算法为：

C＝(P^TP)^-1P^Tf(Rw)

然后进行下述主要步骤(1)测量标样(黄0.4％蓝1.6％)的反射率，并转化为模型反射率；测量采用Datacolor600光谱光度仪，波长范围400～700nm，波长间隔10nm。用Rt2(λ)表示，将Rt2(λ)代入配色模型公式(1)，转化为模型K/S值K/St2(λ)；(2)以K/St2(λ)为输入层，应用训练好的BP神经网络进行计算，获得K/Swt2(λ)；(3)用单色模型K/S值K/St2(λ)拟合重均模型K/S值K/Swt2(λ)，运用最小二乘法，获得配方C2(红0.12％黄0.22％,蓝1.58％)；(4)根据预报的配方C2进行打样，并测得打样色的反射率Rc2(λ)；计算标样Rt2(λ)与打样色Rc2(λ)之间的色差，得到CMC色差为0.21。配色完成。Rt2(λ),K/St2(λ),K/Swt2(λ),Rc2(λ)见图4。

实施例3：

在本发明的实施例以及比较例中，作为示例性地并便于比较，采用了一个简单的样本库。该数据库共有3只染料(黄E-3G，红S-BR，蓝E-BL)。其存储的样本组成见表1。

表1数据库集

注：E-3G为黄E-3G，S-BR为红S-BR，E-BL为蓝E-BL

其中，BP神经网络模型的构建与训练：将常用配方库中储存的训练样本进行测量获得Rs(λ)，由SKM模型转化为K/Ss(λ)。3只染料的Ri(λ)经SKM模型转化K/Si(λ)，根据配方和公式2计算得到K/Sw(λ)。以K/Ss(λ)为输入项，对应的K/Sw(λ)为输出项，构建BP神经网络配色模型。这里采用最简单的3层结构，以样本模型反射率K/Ss(λ)为输入层，N个隐含层(N个数由经验结合实验设置，这里设置为38)，以重均模型光谱K/Sw(λ)为输出层，其中建立K/Ss(λ)与K/Sw(λ)之间的神经网络模型，其结构如下图所示。中间隐含层采用logsig函数，输出层采用purelin函数,采用“Levenberg-Marquardt”算法。

该算法在带有神经网络工具箱的Matlab 2011b版本中运行，中间隐含层采用logsig函数，输出层采用purelin函数,本例子中采用“trainlm(Levenberg-Marquardt)”算法，主要代码如下：

net＝newff(K/Ss(λ),K/Sw(λ),38,{'logsig','purelin'},'trainlm')；％模型构建

[net,tr]＝train(net,K/Ss(λ),K/Sw(λ),[],[],val,test)；％训 练，val,test分别为制定的验证和训练集。

训练解决见图2。

配色时，测量待配色样品的反射率为Rt(λ)，经SKM模型公式转化K/St(λ),以K/St(λ)为输入项，由BP神经网络配色模型进行预测，预测得到重均K/S值K/Swt(λ)。

K/Swt(λ)＝sim(net,K/St(λ))；％用训练好的神经网络进行预测，输入数据为K/St(λ)，得到预测重均K/S值K/Swt(λ)。

最后利用光谱拟合算法，由K/Si(λ)拟合K/Swt(λ)，通过最小二乘法计算获得染色配方C(x1,x2...xn)。

具体来说，获得的重均K/S值K/Swt(λ)，因此重均K/S值K/Swt(λ)与配色组成xi和K/Si(λ)之间满足下式，

展开为：

设：

则：K/Sw＝P×C,

由于上述方程为31个方程求解n个未知量(通常n<31)，需要使用最小二乘法求解方程组,得到该光谱配色算法为：

C＝(P^TP)^-1P^Tf(Rw)

然后进行下述主要步骤：(1)测量标样(红0.8％蓝1.2％)的反射率，并转化为模型反射率；测量采用Datacolor600光谱光度仪，波长范围400～700nm，波长间隔10nm。用Rt3(λ)表示，将Rt3(λ)代入配色模型公式(1)，转化为模型K/S值K/St3(λ)；(2)以K/St3(λ)为输入层，应用训练好的BP神经网络进行计算，获得K/Swt3(λ)；(3)用单色模型K/S值K/St3(λ)拟合重均模型K/S值K/Swt3(λ)，运用最小二乘法，获得配方C3(红0.69％,黄0.08％，蓝1.25％)；(4)根据预报的配方C3进行打样，并测得打样色的反射率Rc3(λ)；计算标样Rt3(λ)与打样色Rc3(λ)之间的色差，得到CMC色差为0.27。配色完成。Rt3(λ),K/St3(λ),K/Swt3(λ),Rc3(λ)见图5。

实施例4：

在本发明的实施例以及比较例中，作为示例性地并便于比较，采用了一个简单的样本库。该数据库共有3只染料(黄E-3G，红S-BR，蓝E-BL)。其存储的样本组成见表1。

表1数据库集

注：E-3G为黄E-3G，S-BR为红S-BR，E-BL为蓝E-BL

其中，BP神经网络模型的构建与训练：将常用配方库中储存的训练样本进行测量获得Rs(λ)，由SKM模型转化为K/Ss(λ)。3只染料的Ri(λ)经SKM模型转化K/Si(λ)，根据配方和公式2计算得到K/Sw(λ)。以K/Ss(λ)为输入项，对应的K/Sw(λ)为输出项，构建BP神经网络配色模型。这里采用最简单的3层结构，以样本模型反射率K/Ss(λ)为输入层，N个隐含层(N个数由经验结合实验设置，这里设置为38)，以重均模型光谱K/Sw(λ)为输出层，其中建立K/Ss(λ)与K/Sw(λ)之间的神经网络模型，其结构如下图所示。中间隐含层采用logsig函数，输出层采用purelin函数,采用“Levenberg-Marquardt”算法。

该算法在带有神经网络工具箱的Matlab 2011b版本中运行，中间隐含层采用logsig函数，输出层采用purelin函数,本例子中采用“trainlm(Levenberg-Marquardt)”算法，主要代码如下：

net＝newff(K/Ss(λ),K/Sw(λ),38,{'logsig','purelin'},'trainlm')；％模型构建

[net,tr]＝train(net,K/Ss(λ),K/Sw(λ),[],[],val,test)；％训练，val,test分别为制定的验证和训练集。

训练解决见图2。

配色时，测量待配色样品的反射率为Rt(λ)，经SKM模型公式转化K/St(λ),以K/St(λ)为输入项，由BP神经网络配色模型进行预测，预测得到重均K/S值K/Swt(λ)。

K/Swt(λ)＝sim(net,K/St(λ))；％用训练好的神经网络进行预测，输入数据为K/St(λ)，得到预测重均K/S值K/Swt(λ)。

最后利用光谱拟合算法，由K/Si(λ)拟合K/Swt(λ)，通过最小二乘法计算获得染色配方C(x1,x2...xn)。

具体来说，获得的重均K/S值K/Swt(λ)，因此重均K/S值K/Swt(λ)与配色组成xi和K/Si(λ)之间满足下式，

展开为：

设：

则：K/Sw＝P×C,

由于上述方程为31个方程求解n个未知量(通常n<31)，需要使用最小二乘法求解方程组,得到该光谱配色算法为：

C＝(P^TP)^-1P^Tf(Rw)

然后进行下述步骤：(1)测量标样(红0.6％黄0.6％蓝0.8％)的反射率，并转化为模型反射率；测量采用Datacolor600光谱光度仪，波长范围400～700nm，波长间隔10nm。用Rt4(λ)表示，将Rt4(λ)代入配色模型公式(1)，转化为模型K/S值K/St4(λ)；(2)以K/St4(λ)为输入层，应用训练好的BP神经网络进行计算，获得K/Swt4(λ)；(3)用单色模型反射率K/St4(λ)拟合重均模型K/S值K/Swt4(λ)，运用最小二乘法，获得配方C4(红0.57％黄0.69％蓝0.87％)；(4)根据预报的配方C4进行打样，并测得打样色的反射率Rc4(λ)；计算标样Rt4(λ)与打样色Rc4(λ)之间的色差，得到CMC色差为0.14。配色完成。Rt4(λ),K/St4(λ),K/Swt4(λ),Rc4(λ)见图6。

以上对本发明所提供的染色的计算机配色方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容部应理解为对本发明的限制。