一种基于改进BP神经网络的计算机测配色方法

技术领域

本发明属于计算机配色技术领域，具体涉及一种基于改进BP神经网络的计算机测配色方法。

背景技术

传统纺织配色主要根据配色师傅的先验知识进行，工作量大且耗费大量材料用于尝试，随着时代潮流的快速变化，人工配色已经无法满足需求，近年来计算机配色快速发展。计算机配色是用于色彩还原的一种技术，已在印刷纺织等行业成功应用。

授权公告号为：CN107766603B，主题名称为一种色纺纱计算机测配色方法的发明专利，其技术方案公开了“首先建立配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，然后基于改进Friele模型和训练好的三层BP神经网络计算目标样的初始配方并修正，最后进行打样或进一步修正后打样；具体步骤如下：

(1)建立配色基础数据库，选定多种单色纤维，通过不同的混合比例纺纱制样，测量单色纤维和纱线的颜色特征值和反射率；

(2)改进Friele模型并训练三层BP神经网络，所述改进Friele模型是指用纱线对应的常数σ替代Friele模型中的参数σ，σ根据式(Ⅰ)、式(II)、式(III)、式(IV)和式(V)通过编程确定，程序的终止条件为纱线的拟合反射率与实际反射率的色差评级大于等于设定值，式(Ⅰ)～(V)具体如下：

R(λ)＝R(λ)(II)；

式中，i为纤维的类别代号，j为纱线中单色纤维的颜色种类，e为自然常数，R(λ)表示在波长λ下纱线的反射率，f[R(λ)]为自变量是R(λ)的函数，R(λ)表示在波长λ下纱线的拟合反射率，R(λ)表示在波长为λ下纱线的实际反射率，x表示第d种颜色的单色纤维占纱线总质量的比例，d＝1,2,......j，R(λ)表示在波长λ下第d种颜色的单色纤维的实际反射率；

所述训练三层BP神经网络是指采用配色基础数据库中配方已知的纱线的纤维类别、纱线结构和纱线的颜色特征值训练三层BP神经网络，从而优化输入层与隐含层的权值w和隐含层与输出层权值w；

(3)基于改进Friele模型计算目标样的初始配方X，即通过编程求得使f[R(λ)]与f[R(λ)]相等的x即为初始配方X，f[R(λ)]与f[R(λ)]的计算公式如下：

(4)基于训练好的三层BP神经网络修正目标样的初始配方X得到配方C，即将目标样的纤维类别、纱线结构及纱线的颜色特征值输入到训练好的三层BP神经网络中得到配方Y，将配方Y与初始配方X加权平均得到配方C；

(5)按照配方C进行打样得到配方样，测量配方样的色度值L、a、b和目标样的色度值L、a、b，并计算色差，色差满足要求则进行大货生产，并将配方C录入智能数据库；反之，进入下一步；

(6)修正配方C，首先由改进Friele模型得到配方样的理论色度值为L、a、b，然后计算L、a、b，L＝L-L+L，a＝a-a+a，b＝b-b+b，最后将L、a、b输入到训练好的三层BP神经网络中得到修正后的配方C，按配方C进行打样得到修正配方样，计算修正配方样与目标样的色差，色差满足要求则进行大货生产，并将配方C录入智能数据库，否则重复进行修正直到色差满足要求”。

以上述发明专利为例，其虽然提及了通过BP神经网络进行测配色，但是其技术方案与本发明不同，本发明使用基于GA及LM算法的BP神经网络对图形学方法进行改良，使用处理后的染色数据(包括染料比例及色值)输入到神经网络中，对神经网络进行不断训练可以配出质量稳定、同色异谱指数小的颜色。基于神经网络的计算机配色是相关行业高效快速发展的重要技术路径，可以提升我国传统纺织印染业的发展。

发明内容

本发明的主要目的在于提供一种基于改进BP神经网络的计算机测配色方法，通过建立BP神经网络模型，对传统配色方式进行改进，获得更高的配色精度以及更好的泛化能力。

为达到以上目的，本发明提供一种基于改进BP神经网络的计算机测配色方法，通过计算机测色与配色，包括以下步骤：

步骤S1：从(某批次)样本中获取染料搭配比例D和染色搭配比例所对应的样本配色结果C，并且将染料搭配比例D和样本配色结果C进行归一化，以分隔得到用于测色与配色的训练样本和测试样本；

步骤S2：构建BP神经网络模型，并且设定BP神经网络模型中的相关参数；

步骤S3：根据构建的BP神经网络模型和获得的训练样本与测试样本，进行训练BP神经网络模型；

步骤S4：应用训练后的BP神经网络模型，并且进行计算机测色与配色。

作为上述技术方案的进一步优选的技术方案，步骤S1具体实施为以下步骤：

步骤S1.1：获取(某批次)样本的染料搭配比例D，D＝{d

步骤S1.2：获取染料搭配比例D所对应样本配色结果C，C＝{c

步骤S1.3：将染料比例D与样本配色结果C进行归一化，区间为[-1,1]；

步骤S1.4：分隔训练样本与测试样本，得到训练样本D

作为上述技术方案的进一步优选的技术方案，步骤S2具体实施为以下步骤：

步骤S2.1：根据BPNN拓扑结构，编码网络模型Net；

步骤S2.2：选定Sigmoid函数与Purelin函数分别为网络模型Net的隐藏层激活函数和输出层传递参数；

步骤S2.3：使用GA遗传算法对权重W与偏置b进行优化；

步骤S2.4：设定网络模型Net的学习率lr＝0.01，最大迭代次数total_epoch＝1000，隐藏层节点个数node＝12，均方差MSE＝0.001。

作为上述技术方案的进一步优选的技术方案，步骤S3具体实施为以下步骤：

步骤S3.1：将训练样本D

步骤S3.2：将扩充后的训练样本的数据输入网络后，使用LM算法对网络模型Net进行训练，其中正向传播过程用于计算数值，反向传播过程对参数进行优化，每对数据完成一次训练记为一个epoch；

步骤S3.3：完成一次训练后，使用测试样本D

作为上述技术方案的进一步优选的技术方案，步骤S4具体实施为以下步骤：

步骤S4.1：使用测色仪器获取待匹配织品的色值C

步骤S4.2：将配色结果C

步骤S4.3：使用染料比例D

为达到以上目的，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述一种基于改进BP神经网络的计算机测配色方法的步骤。

为达到以上目的，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述一种基于改进BP神经网络的计算机测配色方法的步骤。

本发明的有益效果是：使用遗传算法(Genetic Algorithm,GA)与莱文贝格-马夸特算法(Levenberg-Marquardt,LM)优化BP神经网络结构，然后使用处理后的染色数据(包括染料比例及色值)输入到神经网络中，对神经网络进行不断训练，应用时只需输入所需色值，即可得到染料比例。本方法利用神经网络处理非线性问题的优点，使用GA与LM算法优化后，可以加快神经网络模型收敛速度，提升配色精度以及泛化能力，优化染配色效果。

附图说明

图1是本发明的一种基于改进BP神经网络的计算机测配色方法的优化后的BP神经网络训练流程图。

图2是本发明的一种基于改进BP神经网络的计算机测配色方法的BP神经网络拓扑图。

具体实施方式

以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。在以下描述中界定的本发明的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背离本发明的精神和范围的其他技术方案。

在本发明的优选实施例中，本领域技术人员应注意，本发明所涉及的电子设备、计算机和样本等可被视为现有技术。

优选实施例。

本发明公开了一种基于改进BP神经网络的计算机测配色方法，通过计算机测色与配色，包括以下步骤：

步骤S1：从(某批次)样本中获取染料搭配比例D和染色搭配比例所对应的样本配色结果C，并且将染料搭配比例D和样本配色结果C进行归一化，以分隔得到用于测色与配色的训练样本和测试样本；

步骤S2：构建BP神经网络模型，并且设定BP神经网络模型中的相关参数；

步骤S3：根据构建的BP神经网络模型和获得的训练样本与测试样本，进行训练BP神经网络模型；

步骤S4：应用训练后的BP神经网络模型，并且进行计算机测色与配色。

具体的是，步骤S1具体实施为以下步骤：

步骤S1.1：获取(某批次)样本的染料搭配比例D，D＝{d

步骤S1.2：获取染料搭配比例D所对应样本配色结果C，C＝{c

步骤S1.3：将染料比例D与样本配色结果C进行归一化，区间为[-1,1]；

步骤S1.4：分隔训练样本与测试样本，得到训练样本D

更具体的是，步骤S2具体实施为以下步骤：

步骤S2.1：根据BPNN拓扑结构，编码网络模型Net；

步骤S2.2：选定Sigmoid函数与Purelin函数分别为网络模型Net的隐藏层激活函数和输出层传递参数；

步骤S2.3：使用GA遗传算法对权重W与偏置b进行优化；

步骤S2.4：设定网络模型Net的学习率lr＝0.01，最大迭代次数total_epoch＝1000，隐藏层节点个数node＝12，均方差MSE＝0.001。

进一步的是，步骤S3具体实施为以下步骤：

步骤S3.1：将训练样本D

步骤S3.2：将扩充后的训练样本的数据输入网络后，使用LM算法对网络模型Net进行训练，其中正向传播过程用于计算数值，反向传播过程对参数进行优化，每对数据完成一次训练记为一个epoch；

步骤S3.3：完成一次训练后，使用测试样本D

更进一步的是，步骤S4具体实施为以下步骤：

步骤S4.1：使用测色仪器获取待匹配织品的色值C

步骤S4.2：将配色结果C

步骤S4.3：使用染料比例D

本发明还公开了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述一种基于改进BP神经网络的计算机测配色方法的步骤。

本发明还公开了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述一种基于改进BP神经网络的计算机测配色方法的步骤。

结合图2可知，对于BP神经网络训练优化的步骤为：

1、确定BPNN的网络拓扑结构，编码网络连接权重；

2、解码优化后的连接权重；

3、初始化BP神经网络模型；

4、通过LM算法优化BP神经网络模型；

5、将训练样本加入训练模型，判断训练目标是否达到预期，如果否则继续训练，如果是则通过测试样本进行测试训练后的模型；

6、通过仿真验证后得到配色方案。

本发明首次使用遗传算法(Genetic Algorithm,GA)与莱文贝格-马夸特算法(Levenberg-Marquardt,LM)优化BP神经网络结构，然后使用处理后的染色数据(包括染料比例及色值)输入到神经网络中，对神经网络进行不断训练，应用时只需输入所需色值，即可得到染料比例。利用神经网络处理非线性问题的优点，使用GA与LM算法优化后，可以加快神经网络模型收敛速度，提升配色精度(同色异谱指数)以及泛化能力，优化染配色效果。

值得一提的是，本发明专利申请涉及的电子设备、计算机和样本等技术特征应被视为现有技术，这些技术特征的具体结构、工作原理以及可能涉及到的控制方式、空间布置方式采用本领域的常规选择即可，不应被视为本发明专利的发明点所在，本发明专利不做进一步具体展开详述。

对于本领域的技术人员而言，依然可以对前述各实施例所记载的技术方案进行修改，或对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围。