用于染色的神经网络计算机配色算法

2试验分析

试验中利用极品中三元系列染料的活性染色配方建立了用于配色的BP网络，由于样本数据复杂，故在此不列出全部样本数据．现仅列出训练样本中的极品中三元1O组样本数据及对比试验结果，验证用于配色试验训练过的BP网络．在工厂染色试验中获得的部分小样的颜色三刺激值及染色溶液浓度配方数据如表2所示．

首先，对BP网络进行有教师值的训练，并对教师值的模拟染色配方进行试验．训练BP网络用sim0函数进行仿真，样本数据为表2中各小样的颜色三刺激值、l，、z)的规格化修正值，教师值(itp目标样本)为表2中各小样对应的极品中三元的染色溶液浓度(3BS、3RS、FBN)，表3为BP网络模拟配方．在Matlab中给出了该网络训练的最后训练精度，即训练次数(Epoch)在4567／5000次，误差(MSE)达到理想值0．000999907／0．001，Gradient0．00160489／le-010．

其次，验证配色系统的泛化能力．用未经训练(但是在基础类库表涵盖数据配方范围)的三拼色小样(如

表4部分色样配方预测及实际染色对比从泛化结果看，训练过的BP网络对于涵盖在样本范围内的配方浓度具有较好的适应性，而对训练范围外(即用中色系列染料模拟深色和浅色色样的染色溶液配方)的样本，系统模拟结果误差比较大．综合结果分析：采用BP网络用于针织品染色配色处于试验探索阶段，初步试验得到了较好的结果，BP网络对于训练过的样本数据识别性较好，配方精度达到了理想的0．001．分析预测配方数据误差情况并结合实际经验，对于浅色系，由于本身浓度值比较小，得出的误差值看似很小，但是对于样本本身来说误差还是较大的，特别是在泛化方面还有待于提高．

 3结论

与传统的计算机配色方法相比，神经网络配色具有的优点：(1)克服了在多种染料配色过程中，色料混合公式染料浓度增加非线性变化问题；(2)具有普遍应用的意义，不仅对于已有基础数据(染料系列、染色工艺)建立色料模型进行配色．BP网络具有学习能力，对于更新的工艺环境、新的染料系列、新的配方数据，可以随时重新训练配色系统，从而实现配色系统的自动调整；(3)可以改变输入节点和输出节点数目，适应不同的采样设备获取的色信息．例如：-nf以使用在RGB颜色空间配色，也可以用于三刺激值配色，或者针对亮度、彩度和色相空间等有明确颜色信息的方案配色．只要能够全面给出所需要匹配的色样本信息使BP网络能够精确找出配色规律就可用于新系统的构建．这样计算机配色系统硬件就可以使用数码设备如专用数码相机、扫描设备等，而不局限于分光光度仪获取色信息，为配色技术发展开拓更广阔的空间．

• · 印染加工中的色差控制
• · 活性染料印染物的防沾污皂洗问题
• · 纺织印染加工抗起毛起球解决方案
• · 降低织物缩水率的措施
• · 染色与印花有什么不同？
• · 色渍（斑）产生的原因及预防措施
• · 溢流喷射印花染色机在针织物染色过程学习
• · 如何提升溢流染色机的染色质量?
• · 溢流喷射染色机堵布的防止及排除
• · 溢流喷射染色机产生堵布的原因及解决方法