染程优化方法以及设备

技术领域

本揭露是有关于一种布料染色技术，特别是有关于一种染程优化方法以及设备。

背景技术

一般而言，当对布料进行染色时，往往需要繁杂的步骤。尤其是，当对布料进行浸染时，需要专业技术人员根据以往的经验及染色布的状况手动地调整染槽的温度。这大大增加染色的时间以及人力资源。因此，要如何有效地调整染槽的温度以节省染色的时间以及人力资源是本领域技术人员急欲解决的问题。

发明内容

本揭露提供一种染程优化方法，包括以下步骤。收集与即时染程对应的即时染着率曲线以及即时温度曲线，并根据即时染着率曲线以及即时温度曲线判断即时染程是否成功。当判断即时染程不成功时，从多个历史染着率曲线选择与即时染着率曲线相似的参考染着率曲线。以第一时间区段由即时染着率曲线以及参考染着率曲线分别找出第一即时染着率线段以及第一参考染着率线段，并比较第一即时染着率线段以及第一参考染着率线段以产生第一比较结果。以第一时间区段由即时温度曲线找出第一即时温度线段，并根据第一比较结果调整第一即时温度线段的斜率以产生建议温度曲线。

在一实施例中，染程优化方法还包括以下步骤。以第二时间区段由即时染着率曲线以及参考染着率曲线分别找出第二即时染着率线段以及第二参考染着率线段，并比较第二即时染着率线段以及第二参考染着率线段以产生第二比较结果。以第二时间区段由即时温度曲线找出第二即时温度线段，并根据第二比较结果调整第二即时温度线段的斜率以产生建议温度曲线。

在一实施例中，染程优化方法还包括以下步骤。根据多个历史染着率曲线、多个历史温度曲线以及多个染程结果训练染程判断模型。将即时染着率曲线以及即时温度曲线输入染程判断模型以判断即时染程是否成功。

在一实施例中，染程优化方法还包括以下步骤。将多个历史染着率曲线以及多个历史温度曲线做为多个训练样本，并以多个染程结果做为与多个训练样本分别对应的多个训练标签。根据多个训练样本以及多个训练标签训练染程判断模型。

在一实施例中，染程优化方法还包括以下步骤。计算第一即时染着率线段的斜率以及第一参考染着率线段的斜率，并根据第一即时染着率线段的斜率以及第一参考染着率线段的斜率计算斜率差。当判断斜率差大于斜率阈值时，调整第一即时温度线段以产生建议温度曲线，并通过温度调整器根据建议温度曲线调整染色设备的温度。

本揭露提供一种染程优化设备，包括数据收集器、存储器以及处理器。数据收集器收集与即时染程对应的即时染着率曲线以及即时温度曲线。存储器存储多个指令。处理器连接存储器，其中处理器用以执行多个指令以：根据即时染着率曲线以及即时温度曲线判断即时染程是否成功；当判断即时染程不成功时，从多个历史染着率曲线选择与即时染着率曲线相似的参考染着率曲线；以第一时间区段由即时染着率曲线以及参考染着率曲线分别找出第一即时染着率线段以及第一参考染着率线段，并比较第一即时染着率线段以及第一参考染着率线段以产生第一比较结果；以及以第一时间区段由即时温度曲线找出第一即时温度线段，并根据第一比较结果调整第一即时温度线段的斜率以产生建议温度曲线。

在一实施例中，处理器还执行以下步骤。以第二时间区段由即时染着率曲线以及参考染着率曲线分别找出第二即时染着率线段以及第二参考染着率线段，并比较第二即时染着率线段以及第二参考染着率线段以产生第二比较结果。以第二时间区段由即时温度曲线找出第二即时温度线段，并根据第二比较结果调整第二即时温度线段的斜率以产生建议温度曲线。

在一实施例中，处理器还执行以下步骤。根据多个历史染着率曲线、多个历史温度曲线以及多个染程结果训练染程判断模型。将即时染着率曲线以及即时温度曲线输入染程判断模型以判断即时染程是否成功。

在一实施例中，处理器还执行以下步骤。以多个历史染着率曲线以及多个历史温度曲线做为多个训练样本，并以多个染程结果做为与多个训练样本分别对应的多个训练标签。根据多个训练样本以及多个训练标签训练染程判断模型。

在一实施例中，处理器还执行以下步骤。计算第一即时染着率线段的斜率以及第一参考染着率线段的斜率，并根据第一即时染着率线段的斜率以及第一参考染着率线段的斜率计算斜率差。当判断斜率差大于斜率阈值时，调整第一即时温度线段以产生建议温度曲线，并通过温度调整器根据建议温度曲线调整染色设备的温度。

基于上述，本揭露的染程优化方法以及设备可基于历史染着率曲线判断即时染程是否成功，并在不成功的情况下比较历史染程以及即时染程。相较于传统方法，本揭露的染程优化方法以及设备可在节省染色的时间及人力成本的情况下，有效判断染程是否成功。

附图说明

图1是本揭露的染程优化方法的流程图；

图2是根据本揭露一些实施例的历史温度曲线以及历史染着率曲线的示意图；

图3是根据本揭露一些实施例的即时温度曲线以及即时染着率曲线的示意图；

图4是本揭露的染程优化设备的示意图。

【符号说明】

S110～S140：步骤

T1：第一时间区段

T2：第二时间区段

HTEM：历史温度曲线

HDYR：历史染着率曲线

TEM：即时温度曲线

DYR：即时染着率曲线

LS21：第一参考染着率线段

LS22：第二参考染着率线段

LS31：第一即时染着率线段

LS32：第二即时染着率线段

LS33：第一即时温度线段

LS34：第二即时温度线段

400：染程优化设备

410：数据收集器

420：处理器

430：存储器

500：染色设备

510：检测模组

520：回流管线

530：出水管线

540：染槽

600：温度调整器

具体实施方式

图1是本揭露的染程优化方法的流程图。请参照图1，本揭露的染程优化方法包括步骤S110～S140。

首先，于步骤S110中，收集与即时染程对应的即时染着率(Degree of Dyeing)曲线以及即时温度曲线，并根据即时染着率曲线以及即时温度曲线判断即时染程是否成功。

S110可通过染程判断模型来完成。在一些实施方式中，可根据多个历史染着率曲线、多个历史温度曲线以及多个染程结果训练染程判断模型。接着，可将即时染着率曲线以及即时温度曲线输入染程判断模型以判断即时染程是否成功。

具体来说，历史染程可具有对应的历史染着率曲线、历史温度曲线以及染程结果，因此可通过收集多个历史染程的数据以得到多个历史染着率曲线、多个历史温度曲线以及多个染程结果。然后，可将多个历史染着率曲线以及多个历史温度曲线做为多个训练样本，并将多个染程结果做为与多个训练样本分别对应的多个训练标签。接着，可根据多个训练样本以及多个训练标签来训练染程判断模型。举例来说，可通过深度神经网络(DNN)算法来训练染程判断模型。如此，可将多个历史染着率曲线以及多个历史温度曲线做为深度神经网络算法的多个训练样本，并可将多个染程结果做为深度神经网络算法的多个训练标签。

于步骤S120中，当判断即时染程不成功时，从多个历史染着率曲线选择与即时染着率曲线相似的参考染着率曲线。于步骤S130中，以第一时间区段由即时染着率曲线以及参考染着率曲线分别找出第一即时染着率线段以及第一参考染着率线段，并比较第一即时染着率线段以及第一参考染着率线段以产生第一比较结果。需特别说明的是，第一时间区段可例如是以10秒为单位的时间区段，如此可在维持运算系统可靠度的情形下，即时得到具有参考价值的染着率线段。然后，本揭露不以此为限，若是运算系统效能足够的话，亦可以秒或毫秒为单位来选择第一时间区段，以得到更具即刻性的染着率线段。

于步骤S140中，以第一时间区段由即时温度曲线找出第一即时温度线段，并根据第一比较结果调整第一即时温度线段的斜率以产生建议温度曲线。在一些实施方式中，可计算第一即时染着率线段的斜率以及第一参考染着率线段的斜率，并根据第一即时染着率线段的斜率以及第一参考染着率线段的斜率计算斜率差。接着，当判断斜率差大于斜率阈值时，调整第一即时温度线段以产生建议温度曲线，并通过温度调整器根据建议温度曲线调整染色设备的温度。

以下以实际的例子说明上述步骤。图2是根据本揭露一些实施例的历史温度曲线HTEM以及历史染着率曲线HDYR的示意图。图3是根据本揭露一些实施例的即时温度曲线TEM以及即时染着率曲线DYR的示意图。请同时参照图2以及图3，可将历史温度曲线HTEM以及历史染着率曲线HDYR做为训练样本，并可将其染程结果做为训练标签，再通过深度神经网络算法根据训练样本以及训练标签来训练染程判断模型。此外，还可根据其他的历史温度曲线、历史染着率曲线以及对应的染程结果，以相同的方式进一步训练染程判断模型，以提升染程判断模型的判断的精准度。

当完成即时染程时，可将即时染着率曲线以及即时温度曲线输入染程判断模型，以判断即时染程是否成功。假设染程判断模型判断即时染程不成功，且即时染着率曲线DYR与历史染着率曲线HDYR相似时，可将历史染着率曲线HDYR做为参考染着率曲线，以第一时间区段T1由即时染着率曲线DYR以及历史染着率曲线HDYR分别找出第一即时染着率线段LS31以及第一参考染着率线段LS21。

接着，可计算第一即时染着率线段LS31的斜率以及第一参考染着率线段LS21的斜率，并根据第一即时染着率线段LS31的斜率以及第一参考染着率线段LS21的斜率计算斜率差。假设斜率差大于斜率阈值且第一即时染着率线段LS31的斜率小于第一参考染着率线段LS21的斜率，可增加第一即时温度线段LS33的斜率，以产生新的第一即时温度线段。

再者，可以第二时间区段T2由即时染着率曲线DYR以及历史染着率曲线HDYR分别找出第二即时染着率线段LS32以及第二参考染着率线段LS22，并可计算第二即时染着率线段LS32的斜率以及第二参考染着率线段LS22的斜率，并根据第二即时染着率线段LS32的斜率以及第二参考染着率线段LS22的斜率计算斜率差。假设斜率差大于斜率阈值且第二即时染着率线段LS32的斜率大于第二参考染着率线段LS22的斜率，可减少第二即时温度线段LS34的斜率，以产生新的第二即时温度线段。

以此类推，可以相同方式调整即时温度曲线TEM中的其他即时温度线段，以产生建议温度曲线。

图4是本揭露的染程优化设备400的示意图。请参照图4，染程优化设备400连接于染色设备500以及温度调整器600。染程优化设备400包括数据收集器410、处理器420以及存储器430。处理器420连接数据收集器410以及存储器430。染色设备500包括检测模组510、回流管线520、出水管线530及染槽540，其中检测模组510可配置在回流管线520上，且回流管线520可连接染槽540的出水管线530。因此，检测模组510所检测的回流管线520中的染液与染槽540中的染液相同。

数据收集器410从染色设备500的检测模组510收集与即时染程对应的即时染着率曲线以及即时温度曲线。在一些实施方式中，检测模组510可施加光线照射回流管线520中的染液，通过检测照射染液后的光线产生即时染着率曲线，并通过检测染液的温度产生即时温度曲线。

存储器430存储多个指令。处理器420用以执行这些指令，以进行如图1所述的染程优化方法的步骤S110～S140。如此，处理器420通过温度调整器600根据上述建议温度曲线调整染色设备500的温度，例如染槽540中的染液的温度。

在一些实施方式中，染程优化设备400可以是智能手机、平板计算机、笔记本计算机、桌上型计算机或者任意可处理数据的运算系统，且数据收集器410、处理器420及存储器430可以是配置在染程优化设备400中的无线或有线收发电路、CPU以及缓存。

综上所述，本揭露提供的染程优化方法可线上判断即时染程是否成功，并在不成功的情况下比较历史染程以及即时染程，进而快速且准确地产生建议温度曲线。如此，相较于传统方法，可更有效地调整染槽的温度以节省染色的时间以及人力资源。此外，本揭露提供的染程优化方法还可结合深度神经网络算法，以有效训练染程判断模型。

虽然本揭露已以实施例揭露如上，然并非用以限定本揭露，任何所属技术领域中具有通常知识者，在不脱离本揭露的精神和范围内，当可作些许的更动与润饰，故本揭露的保护范围当视后附的权利要求所界定的范围为准。