基于色度学优化S-N模型参数的羊毛色纺纱配色方法

本发明涉及一种基于cielch优化stearns-noechel模型参数的羊毛色纺纱配色方法，属于色纺纱配色。

背景技术：

1、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。混色纱织物的颜色与其组成的单组分纤维颜色及比例有关，精准的色纺纱配色方法对提高生产效率、节约打样成本有着关键作用。

2、1941年，duntle提出混色织物的反射率可以由单色纤维的反射率乘以纤维质量比的加和来计算；stearns和noechel在此基础上根据纤维种类、纤维物理形态以及纤维配比，提出了stearns-noechel配色模型(简称s-n模型)，通过预设不同的参数进行配方预测。高新等在采用改进stearns-noechel模型的混色棉纤维颜色预测一文中通过二波段法对s-n模型进行优化，将整个波段分为两段，分别确定各自的待定参数，对混色棉纤维预测精度有较大提高；王泉等人在stearns-noechel模型在天然彩色棉混色中的应用一文选用s-n模型对混色彩色棉的颜色进行预测，分别确定了在纤维、纱线、织物层次间的最优参数m值；liuyang等人在the optimization ofcolor-prediction models for colored cottonfiber yarns一文中将混色样分为彩色与黑白色，分别进行波长与参数m的拟合，对颜色预测精度有了较大的提升；白婧等人在纯棉色纺纱配色中的stearns-noechel模型参数优化一文中基于最优参数m值与反射光波长的关系，对s-n模型的参数确定做出优化，分别对非彩色与彩色色纺纱建立m值关于反射光波长的函数，满足棉纤维配色要求。房安宁在散纤维测色与混色的光谱匹配模型研究一文中对s-n模型进行优化，采用基于最小二乘法的全光谱匹配算法，得到最优参数m以达到拟合色差最小和所有样品平均拟合色差最小。马崇启等人在基于stearns-noechel模型的色纺纱配色算法改进一文中通过对参数m进行循环赋值确定s-n模型中的最优参数，并将人眼视觉特性以代码表示并用于色纺纱的配色，配色效果得到进一步提高。杨柳等在纺针织物紧密程度对颜色预测的影响一文中引入织物紧密程度常数优化参数m，使得预测平均色差变小。

3、然而，目前大多数学者是通过传统的数理统计方法对参数m值进行优化来改进s-n模型，普通的线性函数难以对参数m值进行精确对应。

4、bp神经网络作为人工神经网络中应用最广泛的模型之一，通过反向传播算法进行训练，可以适应各种非线性函数和复杂映射关系。因而，将bp神经网络技术应用于色纺纱的颜色预测模型当中有着重要意义。沈加加等人在基于bp神经网络的色纺纱配色专利中构建了色纺纱bp神经网络配色模型，可以实现色纺纱反射率与配方之间的非线性映射。由于上述方法的准确性仍然不够高，本发明采取了与之不同的方法，选用颜色参数明度cie l、饱和度cie c、色相cie h作为bp神经网络的输入层，有着更符合人类感知的颜色特征，同时降低输入层的维度，便于bp神经网络学习；将s-n配色模型中的特征值m作为输出层，使l、c、h能够对s-n配色模型中参数m值进行精确对应。

技术实现思路

1、本发明的目的是提供一种基于色度学优化s-n模型参数的羊毛色纺纱配色方法其特征在于，通过对s-n配色模型中的参数m值进行优化，从而使得能够准确的对应m值。

2、为解决上述技术问题，本发明的目的是这样实现的：

3、本发明所涉及的bp神经网络优化s-n模型的羊毛色纺纱配色方法，其特征在于，包括如下步骤：

4、s1、测试羊毛原材料的cie lab色度参数：选用彩色、黑色和白色羊毛纤维，并对所选取的各色羊毛纤维测试其cie lab色度参数；

5、s2、实验样品的制备：选取彩色羊毛纤维中的一种颜色的羊毛纤维与黑色羊毛纤维或白色纤维进行两色混合，并通过开松、梳理、并条、粗纱、细纱、股线、织片流程制备多个羊毛色纺纱织物；

6、再在彩色羊毛纤维中选取三种颜色的羊毛纤维通过开松、梳理、并条、粗纱、细纱、股线、织片流程制备多个羊毛色纺纱织物；

7、s3、测试羊毛色纺纱织物的色度学参数：采用datacolor 600分光光度仪对上一步骤所制备的羊毛色纺纱织物进行颜色测量，多次测量取其平均值，记录每个样品在可见光谱400-700nm时的反射率值；所述色度学参数包括明度cie l、饱和度cie c和色相cie h；

8、s4、寻找色度学参数与s-n配色模型中参数m之间的关系：所述s-n配色模型是假设存在一个关于反射率的中间函数使加和关系成立，如下式(1)、(2)所示：

9、

10、

11、式中：rblend(λ)为羊毛色纺纱织物样品在波长为λ时的光谱反射率；ri(λ)为第i组分单色在λ波长时的光谱反射率；xi为第i组分在羊毛色纺纱织物中所占的比例；f[r(λ)]为s-n模型经验式，r(λ)关于波长λ的中间函数；m为待定参数；

12、s4、bp神经网络对s-n优化：采用三层前馈神经网络在matlab r2020b的环境下进行训练，输入层为羊毛色纺纱织物样品的明度、饱和度和色相，输出层为羊毛色纺纱织物的最优m值；所述最优m值是指利用matlab对m在0-1范围内，间隔0.001进行赋值，当拟合反射率与实际反身率之间的色差最小时所对应的m值；

13、在输入层和输出层之间设置有隐含层，所述隐含层的节点数按照式(3)进行计算：

14、

15、式中，m为输入层节点数；n为输出层节点数；s为隐含层节点数；k为1～10之间的整数；

16、计算出隐含层的节点数为3-12；并对其逐个进行仿真实验，并观察对应相差系数，最接近1时，拟合度最高，确认为隐含层的节点数；

17、所述输入层至隐含层的传递函数为tansig函数，隐含层到输出层传递函数为purelin线性函数，模型训练函数为traingdm函数；并进行设定次数的迭代，目标误差为10-6；

18、将所确定的参数m值，得到经过bp神经网络优化的s-n配色模型。

19、在上述方案的基础上并作为上述方案的优选方案：所述彩色羊毛纤维包括红色、黄色、绿色、蓝色、橙色的羊毛纤维，所选择的羊毛纤维的细度为18.1-20um，长度为55-90mm。

20、在上述方案的基础上并作为上述方案的优选方案：所述彩色羊毛纤维与黑色或白色羊毛纤维的质量配比为1：9-9：1。

21、在上述方案的基础上并作为上述方案的优选方案：步骤s4中，所述隐含层的节点数为7。

22、本发明的有益效果是：本发明所涉及的bp神经网络优化s-n模型的羊毛色纺纱配色方法，通过数理统计方法研究lch与s-n配色模型中参数m值之间的关系，认为lch与参数m值具有相关性。然后，基于bp神经网络将cie lch作为输入层对参数m值进行优化，可以很好地预测最优参数m值，对所研究的羊毛色纺纱颜色精准预测提供了可行性。