肖春華
摘 ?要: 針對織物三刺激配色精度不高,無法克服配色過程中出現(xiàn)的同色異譜等問題,提出了基于改進深層神經(jīng)網(wǎng)絡(luò)的織物配方智能預(yù)測算法。采用高光譜成像系統(tǒng)測量織物的光譜反射率信息,利用改進的深層神經(jīng)網(wǎng)絡(luò)來建立織物的光譜反射率--染色配方關(guān)系模型。實驗結(jié)果顯示,改進深層神經(jīng)網(wǎng)絡(luò)的配方預(yù)測值與真實值的平均誤差在0.02以內(nèi),表明改進深層神經(jīng)網(wǎng)絡(luò)能有效的解決織物配方預(yù)測問題,具有很好的應(yīng)用價值。
關(guān)鍵詞: 三刺激值配色; 深層神經(jīng)網(wǎng)絡(luò); 高光譜成像系統(tǒng); 光譜反射率
中圖分類號:TS101.8 ? ? ? ? ?文獻標(biāo)志碼:A ? ? 文章編號:1006-8228(2019)10-65-02
Abstract: The prediction accuracy of fabric tristimulus color matching is not high, and the problem of homochromolysis appearing in the color matching process cannot be overcome. An intelligent prediction algorithm for fabric formula based on improved deep neural network is proposed. The hyperspectral imaging system was used to measure the spectral reflectance information of the fabric, and the improved deep neural network was used to establish the relationship between the spectral reflectance of the fabric and the corresponding dyeing formulation. The experimental results show that the average error between the predicted value with the dyeing formulation of the improved deep neural network and the real value is less than 0.02, proving that the improved deep neural network has a good predictive effect on the fabric formulation and has good application value.
Key words: tristimulus color matching; deep neural network; hyperspectral imaging system; spectral reflectance
0 引言
織物的智能配色是紡織領(lǐng)域中一個至關(guān)重要的環(huán)節(jié),配色精度很大程度上決定了染制織物能否夠達到客戶的要求。鑒于國內(nèi)龐大的紡織品市場需求和群眾對紡織品質(zhì)量要求的日益提高,實現(xiàn)織物的高精度配色正成為科研人員的研究熱點。
國內(nèi)外的研究學(xué)者對織物的智能配色[5]進行了大量研究,目前主要使用多項式擬合、支持向量機回歸、線性回歸等算法建立織物配方與對應(yīng)顏色三刺激的關(guān)系模型。基于三刺激值的智能配色算法能夠解決生活中多數(shù)的織物配色問題,但一直無法克服配色過程中出現(xiàn)的同色異譜[6]現(xiàn)象。為了克服織物配色過程中出現(xiàn)的同色異譜現(xiàn)象,本文提出利用改進深層神經(jīng)網(wǎng)絡(luò)實現(xiàn)光譜反射率——織物的關(guān)系模型。
1 深層神經(jīng)網(wǎng)絡(luò)的織物配色模型
深層神經(jīng)網(wǎng)絡(luò)能夠以任意的精度逼近非線性函數(shù),因此研究中采用深層神經(jīng)網(wǎng)絡(luò)建立織物光譜反射率與配方的關(guān)系模型。模型以光譜反射率作為輸入,織物配方為輸出,因此研究中采用多輸入、多輸出的深層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。
深層神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練分為前向傳播和反向傳播兩個過程。前向傳播的公式如公式(1)所示,其根據(jù)輸入的織物反射率預(yù)測出織物配方。式中[l]為網(wǎng)絡(luò)的第[l]層,[al-1]為網(wǎng)絡(luò)的第[l-1]層的輸出,[bl]為網(wǎng)絡(luò)的第[l]層的偏置,[Wl]為[l]層的權(quán)重矩陣,[gz]為神經(jīng)元激活函數(shù)。
2 改進的深層神經(jīng)網(wǎng)絡(luò)織物配色模型
深層神經(jīng)網(wǎng)絡(luò)具有比淺層神經(jīng)網(wǎng)絡(luò)具有更好的數(shù)據(jù)擬合能力,但在使用過程中往往會因為網(wǎng)絡(luò)層數(shù)過多而導(dǎo)致整個模型無法訓(xùn)練的情況。
為克服深層神經(jīng)網(wǎng)絡(luò)的因網(wǎng)絡(luò)層數(shù)太多而導(dǎo)致整個模型無法訓(xùn)練的情況,研究中利用如圖2所示的殘差網(wǎng)絡(luò)塊[7,8]對模型進行改進。殘差網(wǎng)絡(luò)的輸入為[x],輸出為[Fx+x]。若[Fx+x=x],則殘缺網(wǎng)絡(luò)層實現(xiàn)了恒等變換的功能。恒等變換可以使模型變得容易訓(xùn)練,且有效提高模型整體的性能。
3 仿真測試
本次實驗采用了343塊織物的反射率數(shù)據(jù)和配方數(shù)據(jù)進行模型的構(gòu)建。實驗中,隨機選取323塊織物的光譜反射率—織物配方數(shù)據(jù)作為模型的訓(xùn)練數(shù)據(jù),其余20塊織物的數(shù)據(jù)作為測試數(shù)據(jù)集。表1為利用改進深層神經(jīng)網(wǎng)絡(luò)對測試數(shù)據(jù)進行預(yù)測得到的結(jié)果。
對表1數(shù)據(jù)歸納,可得如表2所示的結(jié)果數(shù)據(jù)。研究結(jié)果表明:改進深層神經(jīng)網(wǎng)絡(luò)在活性紅、活性黃、活性藍(lán)上的預(yù)測誤差值都很小,因此改進深層神經(jīng)網(wǎng)絡(luò)具有非常好的織物配方預(yù)測功能。
四 結(jié)束語
本文通過分析當(dāng)前國內(nèi)外織物智能配色方法的優(yōu)缺點,提出一種基于改進深層神經(jīng)網(wǎng)絡(luò)的織物配色模型。研究結(jié)果表明,改進的深層神經(jīng)網(wǎng)絡(luò)具有非常好的織物配方預(yù)測功能??椢锏姆瓷渎适苋玖项愋?、織物材質(zhì)、織物紋理等多方因素的影響,因此未來的研究中可考慮這些因素對配色的影響。
參考文獻(References):
[1] 李戎, 顧峰. 三刺激值配色與反射光譜配色的運用[J].中原工學(xué)院學(xué)報, 2004.15(6):37-40
[2] 王凱, 張逸新, 張彥. 印刷品同色異譜評價指數(shù)的研究[J].包裝工程, 2008.29(8):56-58
[3] Hinton G, Deng L, Yu D, et al. Deep Neural Networks for Acoustic Modeling in Speech Recognition: The Shared Views of Four Research Groups[J].IEEE Signal Processing Magazine, 2012.29(6):82-97
[4] Delori F C, Pflibsen K P. Spectral reflectance of the human ocular fundus[J]. Applied Optics, 1989.28(6):1061-1077
[5] 溫泉, 周華, 黃雅文. 毛混色紡紗智能配色軟打樣系統(tǒng)研發(fā)及實現(xiàn)[J].浙江理工大學(xué)學(xué)報, 2010.27(1):12-16
[6] 商大偉. 基于色度空間中同色異譜現(xiàn)象的色牢度測定原理研究[D].青島大學(xué)碩士學(xué)位論文, 2008.
[7] Hendling K, Franzl G, Statovci-Halimi B, et al. Residual network and link capacity weighting for efficient traffic engineering in MPLS networks[J].Teletraffic Science &Engineering, 2003.5:51-60
[8] Hinton G, Deng L, Yu D, et al. Deep Neural Networks for Acoustic Modeling in Speech Recognition: The Shared Views of Four Research Groups[J].IEEE Signal Processing Magazine, 2012.29(6):82-97