买专利,只认龙图腾
首页 专利交易 科技果 科技人才 科技服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

【发明授权】一种色纺纱智能选色配色方法_浙江理工大学上虞工业技术研究院有限公司;浙江华孚色纺有限公司;嘉兴学院_201810852849.X 

申请/专利权人:浙江理工大学上虞工业技术研究院有限公司;浙江华孚色纺有限公司;嘉兴学院

申请日:2018-07-30

公开(公告)日:2023-05-12

公开(公告)号:CN109582994B

主分类号:G06F30/27

分类号:G06F30/27;G06N3/0464;G06N3/08;G06F113/12

优先权:

专利状态码:有效-授权

法律状态:2023.05.12#授权;2019.04.30#实质审查的生效;2019.04.05#公开

摘要:一种色纺纱智能选色配色方法,采用模块化人工神经网络选色模型和全光谱配色计算,包括以下步骤;建立基础单色和标准样品数据库;单色纤维用光谱光度仪测试得到单色纤维反射率Ri,将单色纤维反射率Ri数据贮存于基础单色数据库中,i=1,2,…,n;挑选已知配方的样品将其定义为标准样,将标准样通过光谱光度仪测试得到的整体反射率RS数据作为标准样数据库。

主权项:1.一种色纺纱智能选色配色方法,其特征在于,采用模块化人工神经网络选色模型和全光谱配色计算,包括以下步骤;1建立基础单色和标准样品数据库;单色纤维用光谱光度仪测试得到单色纤维反射率Ri,将单色纤维反射率Ri数据贮存于基础单色数据库中,i=1,2,…,n;挑选已知配方的样品将其定义为标准样,将标准样通过光谱光度仪测试得到的整体反射率RS数据作为标准样数据库;2模块化人工神经网络选色模型的构建与训练;构建模块化人工神经网络选色模型以整体反射率RS为输入数据,集成若干步骤1标准样数据库中的整体反射率RS及其对应的已知配方用于训练选色模型,将整体反射率RS分成若干与单色纤维反射率Ri相关的子网络模块,分别进行训练,经整合后输出构成标准样的单色组合集Rn,n≤i;选色模型具体训练过程如下,任务:实现输入反射率RSλ与目标输出X之间的映射;输入:代表色纺纱样品特征的l个反射率数据RSλl×1维;1集成m个样品反射率RSλl×m维和相应配方Xn×m维,以及染色纤维反射率Riλl×n维;2数据分解成U1,U2,…,Un子模块:l×m维,分别对应配方x1,x2,…xn,l×m维;3将每个U数据集分为三部分:第二训练数据、第二验证数据、第二测试数据;4U数据集输入数据归一化处理,采用最大最小方法;5将子网络从1到n分别进行训练;6网络结构的选择神经元数目,训练算法;7初始化的权重和偏差,设置最大的迭代次数:iter的最大,最小误差:误差最小;8训练过程时,神经元从1个到最大的iter过程,修正权重和偏差,直到网络输出误差小于设置误差,并且由验证数据和训练数据进行交叉验证cross–validation,避免陷入局部极小值;9保存所有子神经网络结构和最优参数;10冻结MANN网络结构MANNi;11由MANN对测试数据进行预测,从i=1,...,n分别依次输出x1’,x2’,…xn’,利用∑xi=1和含量权重优先法由整合模型输出x1,x2,…xn;12输出结果Rn:X=x1,x2,…xnT;MANN结构和MANN子网络均取为3层前向网络结构,MANN子网络的隐层选用10个节点,网络训练均采用Levenberg-Marquardt算法,设网络的学习率为0.01,隐层和输出层的传递函数分别为Sigmoid和线性函数,训练时采用的是4-折交叉验证4-fold-5cross–validation来提高泛化能力,得到训练均方误差MSE为4.45×10;所述步骤2中模块化人工神经网络选色模型包括任务分解模块、子网络模块和整合模块3个部分,所述任务分解模块根据标准样整体反射率RSλ与单色纤维反射率Riλ之间的相关性公式来分解,相关性公式如式1所示, 即,先将输入数据标准样整体反射率RSλ分解成i个子网络模块,子网络模块输入数据为输出为xi,每个分别对应配方xi,经初始化后,将分解得到的子网络分别进行训练和验证,最后各子网络经整合模块将输出的xi连起来形成最终结果X,所述整合模块的整合方法为舍弃所有的xi1%的单色,剩余的xi对应的n个单色构成匹配单色集Rn,n≤i,λ为波长;3用光谱光度仪测定来样的整体反射率Rp,作为待匹配对象;4以步骤3中测得的来样的整体反射率Rp作为输入数据,单色数据库中单色纤维反射率Ri作为备选色,用步骤2训练过的模块化人工神经网络选色模型进行分析,得到X=[x1,x2,x3,…,xn]T,经整合后输出构成来样的单色组合集Rm,m≤n;5全光谱配色计算,运用混色模型,结合全光谱配色算法对来样Rp经过步骤4筛选出的单色反射率Rm直接进行匹配,全光谱配色计算采用最小二乘法使得到的光谱曲线与来样色的光谱曲线的差别达到最小,得到配方组成单色对应的拼色比例Y,获得配方Y=FT×F-1×FT×FS,其中;来样单色集yi表示织物中i组分单色所占的质量比例;6配方修正;按步骤5获得的配方均匀混和后在横机上织片仿样,计算来样与仿样之间的色差,色差在允许范围内,则打印配方;否则,根据两者之间在各波长下反射率的色差,采用全光谱迭代修正方法修正配方,直到满足要求后输出配方。

全文数据:一种色纺纱智能选色配色方法技术领域本发明涉及一种色纺纱智能选色配色方法,属于纺织配色技术领域。背景技术色纺是将两种或两种以上不同颜色的纤维经过充分混合后经梳毛、牵伸、粗纱和细纱制成具有独特混色效果可以是均一色,也可以是非均一色的纱线生产方法。相比于染色,色纺作为一种新型的颜色获取方式,符合绿色低碳环保的发展模式,具有更现在的优点:1与常规染色纱生产相比,色纺纱生产更加环保,因为拼色过程中可以使用大量不染色纤维原棉,从而减少染料和助剂的使用量,有些颜色可以使用回收的有色纤维,实现纺织纤维的再利用,与传统的先纺后染工艺相比,色纺可节水50%左右,减少污水50%左右;2色纺可以生产均一的颜色,也可以在同一根纱线上呈现出多种颜色,色彩更加丰富;对于原液着色纤维生产而言,更能填补其产品颜色少的缺陷。3对于混纺产品来说,不同种类的纤维分别染色,可以有效避免染色过程中存在的竞染、沾色以及纤维的损伤等染色问题;4而企业仅需要建立一个原色有色纤维库,这些原色都用固定的染色配方,并且会保留较长一段时间,因此不再需要对每个客户来样进行染色打样,通过储备的染色纤维拼色即可满足颜色的需求,然后直接纺纱,生产效率高,交货期短,同时也更有利于染色产品颜色质量的稳定。色纺纱最理想的再现方法就是找到原配方的有色纤维组成和比例,但单根纤维直径只有十几微米,人眼基本无法识别单纤维的颜色,外加受相邻以及与之交错的纤维的影响,目前尚未有仪器能够精确测量出单纤维的颜色值或者测量整体颜色后在“不失真”的情况下分离出单纤维的颜色。在纺织品染色配方预测中广泛应用的计算机测配色技术,不能适用于色纺纱的配方预测。申请号为CN201710653770.X的专利公开了一种色纺纱计算机测配色方法,其方法为建立单色基础数据库并利用其改进Friele模型和训练三层BP神经网络进行配色,该专利建立了单色纤维反射率与配色配方之间的关系。该专利重点在于利用神经网络优化Friele模型参数从而达到改进配方预报精确度的目的,重点在于解决已知配方组成色的情况下的配方预报,不能实现原组成色的分析,适用于基础数据少的情况,面对基础数据大的情况,预报配方的排列组合多,无法优选,而色纺纱的配色特点在于效果的一致性,因此选择配方组成色的重要性远大于配方比例的预报。发明内容本发明为了克服以上问题,提供一种色纺纱智能选色配色方法,模拟经验人员的经验打样,能适应基础数据大的情况,采用模块化人工神经网络MANN实现对来样颜色的初步组成分析,即对来样的组成色进行分析,筛选组成色后再用全光谱配色方法计算配方比例,减少计算机计算量,达到快速配色的目的。为了达到上述目的,本发明采用以下技术方案来实现:一种色纺纱智能选色配色方法,其特征在于,包括以下步骤:1建立基础单色和标准样品数据库;单色纤维用光谱光度仪测试得到单色纤维反射率Ri,将单色纤维反射率Ri数据贮存于基础单色数据库中,i=1,2,…,n;挑选已知配方的样品将其定义为标准样,配方包括组成色及其对应比例,将标准样通过光谱光度仪测试得到的整体反射率RS数据作为标准样数据库;2模块化人工神经网络选色模型的构建与训练;构建模块化人工神经网络选色模型以整体反射率RS为输入数据,集成若干步骤1标准样数据库中的整体反射率RS及其对应的已知配方用于训练选色模型,将整体反射率RS分成若干与单色纤维反射率Ri相关的子网络模块,分别进行训练,经整合后输出构成标准样的单色组合集Rn,n≤i;3测定来样的整体反射率Rp;用光谱光度仪测定来样的整体反射率Rp,作为待匹配对象;4MANN选色;以步骤3中整体反射率Rp作为输入数据,单色数据库中单色纤维反射率Ri作为备选色,用步骤2训练过的模块化人工神经网络选色模型进行分析,得到X=[x1,x2,x3,…,xn]T,经整合后输出构成来样的Rm,m≤n;5全光谱配色计算;运用混色模型,结合全光谱配色算法对来样Rp经过步骤4筛选出的单色反射率Rm直接进行匹配,全光谱配色计算采用约束最小二乘法使得到的光谱曲线与来样色的光谱曲线的差别达到最小,得到配方组成单色对应的拼色比例yi,获得配方Y=FT×F-1×FT×Fp,其中来样单色集6配方修正;按步骤5获得的配方均匀混和后在横机上织片打样,计算来样与打样之间的色差,色差在允许范围内,则打印配方;否则,根据两者之间在各波长下反射率的色差,采用全光谱迭代修正方法修正配方,直到满足要求后输出配方。上述选色配色方法,其中,所述步骤1中的光谱光度仪测试采用的孔径为2~30mm,测试波长λ范围至少包含400~700nm,波长间隔5~20nm。上述选色配色方法,其中,所述步骤2中模块化人工神经网络选色模型包括任务分解模块、子网络模块和整合模块3个部分,所述任务分解模块根据标准样整体反射率RSλ与单色纤维反射率Riλ之间的相关性公式来分解,相关性公式如式1所示,即,先将输入数据标准样整体反射率RSλ分解成i个子网络模块,子网络模块输入数据为输出为xi,每个分别对应配方色xi,经初始化后,将分解得到的子网络分别进行训练和验证,最后各子网络经整合模块将输出的xi连起来形成最终结果X,所述整合模块的整合方法为舍弃所有的xi1%的单色,剩余的xi对应的n个单色构成来样的单色集Rn,n≤i。进一步说,所述子网络模块输入数据分为训练数据、验证数据和测试数据,子网络输入数据需进行归一化处理。进一步说,所述初始化的权重和偏差设置最大的迭代次数:iter最大;最小误差:误差最小。上述选色配色方法,其中,所述模块化人工神经网络结构取为3层前向网络结构,子网络的隐层选用10个节点,训练时采用的是Levenberg-Marquardt训练算法,设模块化人工神经网络的学习率为0.01,隐层和输出层的传递函数分别为Sigmoid和线性函数,训练过程中采用4-折交叉验证。上述选色配色方法,其中,所述步骤5中的混色模型如下:或或其中:Rsλ表示波长为λ时混色标准样的反射率;Riλ表示波长为λ时i组分单色纤维的反射率;Rλ为波长λ下的反射率;yi表示织物中i组分单色所占的组成比例,其中,Σyi=1。上述选色配色方法,其中,所述步骤6中色差采用CIE1976L*a*b*或CMC2:1色差公式。上述选色配色方法,其中,所述步骤6中的全光谱迭代修正方法如下;定义来样与仿样之间的色差:ΔT=Fs-Ft,其中,上标“s”表示来样,“t”表示初始仿样,ΔY是为了使ΔT减少至零所需的变量,因此:ΔT=FS-Ft=FΔY;ΔY=FTF-1FTFS-Ft,不断修正上述条件,直到满足结果后输出配方。与现有技术相比,本发明的积极效果是:本发明的智能配色方法,利用光谱特征结合模块化人工神经网络,实现颜色组成的智能识别,即类似经验人员的经验筛选。现有技术需要从几十个满足色差要求的配方筛选出最有的配方,其筛选难度大,而本发明技术缩小了备选色的范围,减少了配方的个数,更有利于输出正确的配方。附图说明图1为本发明智能选色配色流程图。图2为本发明MANN选色模型结构图。图3为本发明HE123经MANN选色的配方预报结果图。图4为本发明HH42633经MANN选色的配方预报结果图。图5为本发明HE123无MANN选色的配方预报结果图。图6为本发明HH42363无MANN选色的配方预报结果图。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。实施例1本发明的智能选色配色算法在Colormatchforblend上实施。用于本发明的软件程序主要包括测定反射率、配色计算和拼色修正程序三部分。如图1所示,一种色纺纱智能选色配色方法,具体包括以下步骤:1建立基础单色和标准样品数据库;单色纤维用光谱光度仪测试得到单色纤维反射率Ri,将单色纤维反射率Ri数据贮存于基础单色数据库中,i=1,2,…,n;挑选已知配方的样品将其定义为标准样,配方包括组成色及其对应比例,将标准样通过光谱光度仪测试得到的整体反射率RS数据作为标准样数据库;选用工厂中常用的单色毛纤维毛条纺纱后,用横机加工成织片,用DatacolorSF600puls光谱光度仪器,测试条件:采用孔径:20mm,测试范围:400~700nm,波长间隔10nm,10°标准观察者,D65光源,测量其反射率值Riλ,存入单色数据库中。实验数据为华孚色纺有限公司提供的41版样卡中600个色纺纱样品,其中使用的染色纤维共60个,用于分析的盲测样本为100个,剩余数据集分成第一训练数据、第一验证数据,比例为3:1。色纺纱样品和染色纤维的反射率数据由DatacolorSF600puls光谱光度仪采集,20mm孔径,选择波长范围400-700nm,间隔10nm,获得31维的反射率数据Rsλ并存入标准样数据库。2MANN选色模型的构建与训练;构建模块化神经网络MANN选色模型模块化人工神经网络选色模型的构建与训练;构建模块化人工神经网络选色模型以整体反射率RS为输入数据,集成若干步骤1标准样数据库中的整体反射率RS及其对应的已知配方用于训练选色模型,将整体反射率RS分成若干与单色纤维反射率Ri相关的子网络模块,分别进行训练,经整合后输出构成标准样的单色组合集Rn,n≤i,其模型结构示意如图2所示。本神经网络在带有神经网络工具箱的Matlab2011b版本中运行,运行环境:电脑ThinkpadNewX1Carbon,IntelI5CPU,64bit,内存8G。MANN选色模型具体训练过程如下,任务:实现输入反射率RSλ与目标输出X之间的映射;输入:代表色纺纱样品特征的l个反射率数据RSλl×1维;1集成m个样品反射率RSλl×m维和相应配方Xn×m维,以及染色纤维反射率Riλl×n维;2数据分解成U1,U2,…,Un子模块:l×m维,分别对应配方值x1,x2,…xn,l×m维;3将每个U数据集分为三部分:第二训练数据、第二验证数据、第二测试数据;4U数据集输入数据归一化处理,采用最大最小方法;5将子网络从1到n分别进行训练;6网络结构的选择神经元数目,训练算法;7初始化的权重和偏差,设置最大的迭代次数:iter的最大,最小误差:误差最小;8训练过程时,神经元从1个到最大的iter过程,修正权重和偏差,直到网络输出误差小于设置误差。并且由验证数据和训练数据进行交叉验证cross–validation,避免陷入局部极小值;9保存所有子神经网络结构和最优参数;10冻结MANN网络结构MANNi;11由MANN对测试数据进行预测,从i=1,...,n分别依次输出x1’,x2’,…xn’,利用∑xi=1和含量权重优先法由整合模型输出x1,x2,…xn;12输出结果Rn:X=x1,x2,…xnT。本发明提出的MANN结构和MANN子网络均取为3层前向网络结构,MANN子网络的隐层选用10个节点,网络训练均采用Levenberg-Marquardt算法,设网络的学习率为0.01,隐层和输出层的传递函数分别为Sigmoid和线性函数,训练时采用的是4-折交叉验证4-foldcross–validation来提高泛化能力,得到训练均方误差MSE为4.45×10-5。3测定来样的整体反射率Rp;用光谱光度仪测定来样的整体反射率Rp,存入计算机,作为待匹配对象;4MANN选色;以来样的整体反射率Rp作为为输入数据,单色数据库中单色Ri作为备选色,用训练过的MANN选色模型进行分析,输出X=[x1,x2,x3,…,xn]T,经整合构成单色组合集Rm,m≤n;5全光谱配色计算;运用混色模型,结合全光谱配色算法对来样Rp经过步骤4筛选出的单色反射率Rm直接进行匹配,采用约束最小二乘法使得到的光谱曲线与来样色的光谱曲线的差别达到最小,得到配方组成单色对应的拼色比例yi,获得配方Y=FT×F-1×FT×FS。其中:来样单色集上述配色方法,其中,所述步骤5中的混色模型如下:或或其中:Rsλ表示波长为λ时混色标准样的反射率;Riλ表示波长为λ时i组分单色纤维的反射率;Rλ为波长λ下的反射率;yi表示织物中i组分单色所占的质量比例,其中,Σyi=1。配色的目的是使得到的光谱反射率与来样的反射率完全相同,即希望来样色与预测配方色满足:式中表示来样在波长λ处的反射率;表示预测配方样在波长λ处的反射率。波长范围选用400~700nm,间隔为10nm;由式4和式2知,针对本例,则有:即其中,fRλ表示混色模型的表达式3,式中yi表示各单色纤维的质量比例,上标“s”表示来样,“m”表示预测配方样;设来样预测配方样则式7等同于;Fs=Fm式9,进而有FS=FY;其中由于方程9为31个方程求解3个未知量,方程有多个解,为此采用最小二乘法求解方程组,使;解得Y=FT×F-1×FT×FS式11式中,上标“-1”表示矩阵求逆。这样即可解得各单色纤维的组成比例y1,y2,y3。因此得到最佳匹配结果:红色R1λ和y1;黄色R2λ和y2;白色R3λ和y3;如果选择的单色较多,则可得到各自的最小差异匹配方案;6配方修正;由式2得其中fR即为混色模型式2,由上式可以计算得到预测配方样的反射率R。根据来样和预测配方样的反射率值通过色差公式计算预测配方的色差。纺织工业上色差常采用CIE1976L*a*b*简称CIELAB色差公式或CMC2:1色差公式,该公式为现有成熟技术,在此不做过多赘述。色差在允许范围内,则打印配方;否则,迭代修正配方,根据两者之间在各波长下反射率的色差,定义来样与仿样之间的色差ΔT=Fs-Ft,其中,上标“s”表示来样,“t”表示初仿样。ΔX是为了使ΔT减少至零所需的变量,因此ΔT=FS-Ft=FΔX,ΔX=FTF-1FTFS-Ft;采用全光谱迭代修正方法修正配方,直到满足结果后输出配方,贴样。选择样品HE123和HH42363进行测试,用光谱光度仪测试两者的反射率Rp,采用上述带有MANN选色模型的配色方法进行分析预测,MANN选色模型选色数据如表1,得到预测结果如图3、4所示,HE123经MANN筛选的配方的个数为4个,HH42363经MANN筛选的配方的个数为13个。根据表1的预测配方和组成比例,混色纺纱后在横机上仿织小样,用Datacolor600puls光谱光度仪器测定初仿样的反射率,计算来样样品与初仿样之间的色差,得到HE123的一种预测配方与其原始配方间的色差为0.09,HH42363的一种预测配方与其原始配方间的色差为0.16,若色差在允许范围内,则配色完成,打印配方;否则,采用全光谱迭代修正方法修正配方,直到满足结果后输出配方,贴样。表1来样原始配方与预测配方实施例2同样选择样品HE123和HH42363进行测试,用光谱光度仪测试两者的反射率Rp,选择现有计算机配色技术对样品进行配方预测,现有技术除识别组成单色的模型未采用上述MANN选色模型外,其它实施条件均与上述实施例1相同,经现有计算机配色技术得到预测配方结果如图5、6所示,HE123配方数为263个,HH42363配方数为255个。实施例1经过MANN筛选得到的配方个数明显较实施例2少的多,二者对比可以看出MANN选色模型大大减少了预测配方的个数,更有利于输出正确的配方。以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员,在不脱离本发明构思的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围内。

权利要求:1.一种色纺纱智能选色配色方法,其特征在于,采用模块化人工神经网络选色模型和全光谱配色计算,包括以下步骤;1建立基础单色和标准样品数据库;单色纤维用光谱光度仪测试得到单色纤维反射率Ri,将单色纤维反射率Ri数据贮存于基础单色数据库中,i=1,2,…,n;挑选已知配方的样品将其定义为标准样,将标准样通过光谱光度仪测试得到的整体反射率RS数据作为标准样数据库;2模块化人工神经网络选色模型的构建与训练;构建模块化人工神经网络选色模型以整体反射率RS为输入数据,集成若干步骤1标准样数据库中的整体反射率RS及其对应的已知配方用于训练选色模型,将整体反射率RS分成若干与单色纤维反射率Ri相关的子网络模块,分别进行训练,经整合后输出构成标准样的单色组合集Rn,n≤i;3用光谱光度仪测定来样的整体反射率Rp,作为待匹配对象;4以步骤3中测得的整体反射率Rp作为输入数据,单色数据库中单色纤维反射率Ri作为备选色,用步骤2训练过的模块化人工神经网络选色模型进行分析,得到X=[x1,x2,x3,…,xn]T,经整合后输出构成来样的单色组合集Rm,m≤n;5全光谱配色计算,运用混色模型,结合全光谱配色算法对对来样Rp经过步骤4筛选出的单色反射率Rm直接进行匹配,全光谱配色计算采用最小二乘法使得到的光谱曲线与来样色的光谱曲线的差别达到最小,得到配方组成单色对应的拼色比例Y,获得配方Y=FT×F-1×FT×FS,其中;来样单色集6配方修正;按步骤5获得的配方均匀混和后在横机上织片仿样,计算来样与仿样之间的色差,色差在允许范围内,则打印配方;否则,根据两者之间在各波长下反射率的色差,采用全光谱迭代修正方法修正配方,直到满足要求后输出配方。2.如权利要求1所述的一种色纺纱智能选色配色方法,其特征在于,所述步骤1中的光谱光度仪测试采用的孔径为2~30mm,测试波长λ范围至少包含400~700nm,波长间隔5~20nm。3.如权利要求1所述的一种色纺纱智能选色配色方法,其特征在于,所述步骤2中模块化人工神经网络选色模型包括任务分解模块、子网络模块和整合模块3个部分,所述任务分解模块根据标准样整体反射率RSλ与单色纤维反射率Riλ之间的相关性公式来分解,相关性公式如式1所示,即,先将输入数据标准样整体反射率RSλ分解成i个子网络模块,子网络模块输入数据为输出为xi,每个分别对应配方色xi,经初始化后,将分解得到的子网络分别进行训练和验证,最后各子网络经整合模块将输出的xi连起来形成最终结果X,所述整合模块的整合方法为舍弃所有的xi1%的单色,剩余的xi对应的n个单色构成匹配单色集Rn,n≤i。4.如权利要求3所述的一种色纺纱智能选色配色方法,其特征在于,所述子网络模块输入数据分为训练数据、验证数据和测试数据,子网络输入数据需进行归一化处理。5.如权利要求3所述的一种色纺纱智能选色配色方法,其特征在于,所述初始化的权重和偏差设置为最大的迭代次数,iter最大;最小误差,误差最小。6.如权利要求3所述的一种色纺纱智能选色配色方法,其特征在于,所述模块化人工神经网络结构和子网络结构均为3层前向网络结构,子网络的隐层选用10个节点,训练时采用的是Levenberg-Marquardt训练算法,设模块化人工神经网络的学习率为0.01,隐层和输出层的传递函数分别为Sigmoid和线性函数,训练过程中采用4-折交叉验证。7.如权利要求1所述的一种色纺纱智能选色配色方法,其特征在于,所述步骤5中的混色模型如下;或或其中;Rsλ表示波长为λ时混色标准样的整体反射率;Riλ表示波长为λ时i组分单色纤维的反射率;Rλ为波长λ下的反射率;yi表示织物中i组分单色所占的质量比例,其中,Σyi=1。8.如权利要求1所述的一种色纺纱智能选色配色方法,其特征在于,所述步骤6中色差采用CIE1976L*a*b*或CMC2:1色差公式。9.如权利要求1所述的一种色纺纱智能选色配色方法,其特征在于,所述步骤6中的全光谱迭代修正方法如下;定义来样与仿样之间的色差ΔT=Fs-Ft,其中,上标“s”表示来样,“t”表示初始仿样,ΔX是为了使ΔT减少至零所需的变量,因此ΔT=FS-Ft=FΔX,ΔX=FTF-1FTFS-Ft,不断修正上述条件,直到满足结果后输出配方。

百度查询: 浙江理工大学上虞工业技术研究院有限公司;浙江华孚色纺有限公司;嘉兴学院 一种色纺纱智能选色配色方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。

相关技术
相关技术
相关技术
相关技术