基于改进深层神经网络的织物配方智能预测算法

肖春华

摘  要： 针对织物三刺激配色精度不高，无法克服配色过程中出现的同色异谱等问题，提出了基于改进深层神经网络的织物配方智能预测算法。采用高光谱成像系统测量织物的光谱反射率信息，利用改进的深层神经网络来建立织物的光谱反射率--染色配方关系模型。实验结果显示，改进深层神经网络的配方预测值与真实值的平均误差在0.02以内，表明改进深层神经网络能有效的解决织物配方预测问题，具有很好的应用价值。

关键词： 三刺激值配色; 深层神经网络; 高光谱成像系统; 光谱反射率

中图分类号：TS101.8          文献标志码：A     文章编号：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

織物的智能配色是纺织领域中一个至关重要的环节，配色精度很大程度上决定了染制织物能否够达到客户的要求。鉴于国内庞大的纺织品市场需求和群众对纺织品质量要求的日益提高，实现织物的高精度配色正成为科研人员的研究热点。

国内外的研究学者对织物的智能配色[5]进行了大量研究，目前主要使用多项式拟合、支持向量机回归、线性回归等算法建立织物配方与对应颜色三刺激的关系模型。基于三刺激值的智能配色算法能够解决生活中多数的织物配色问题，但一直无法克服配色过程中出现的同色异谱[6]现象。为了克服织物配色过程中出现的同色异谱现象，本文提出利用改进深层神经网络实现光谱反射率——织物的关系模型。

1 深层神经网络的织物配色模型

深层神经网络能够以任意的精度逼近非线性函数，因此研究中采用深层神经网络建立织物光谱反射率与配方的关系模型。模型以光谱反射率作为输入，织物配方为输出，因此研究中采用多输入、多输出的深层神经网络结构。

深层神经网络模型的训练分为前向传播和反向传播两个过程。前向传播的公式如公式（1）所示，其根据输入的织物反射率预测出织物配方。式中[l]为网络的第[l]层，[al-1]为网络的第[l-1]层的输出，[bl]为网络的第[l]层的偏置，[Wl]为[l]层的权重矩阵，[gz]为神经元激活函数。

2 改进的深层神经网络织物配色模型

深层神经网络具有比浅层神经网络具有更好的数据拟合能力，但在使用过程中往往会因为网络层数过多而导致整个模型无法训练的情况。

为克服深层神经网络的因网络层数太多而导致整个模型无法训练的情况，研究中利用如图2所示的残差网络块[7，8]对模型进行改进。残差网络的输入为[x]，输出为[Fx+x]。若[Fx+x=x]，则残缺网络层实现了恒等变换的功能。恒等变换可以使模型变得容易训练，且有效提高模型整体的性能。

3 仿真测试

本次实验采用了343块织物的反射率数据和配方数据进行模型的构建。实验中，随机选取323块织物的光谱反射率—织物配方数据作为模型的训练数据，其余20块织物的数据作为测试数据集。表1为利用改进深层神经网络对测试数据进行预测得到的结果。

对表1数据归纳，可得如表2所示的结果数据。研究结果表明：改进深层神经网络在活性红、活性黄、活性蓝上的预测误差值都很小，因此改进深层神经网络具有非常好的织物配方预测功能。

四 结束语

本文通过分析当前国内外织物智能配色方法的优缺点，提出一种基于改进深层神经网络的织物配色模型。研究结果表明，改进的深层神经网络具有非常好的织物配方预测功能。织物的反射率受染料类型、织物材质、织物纹理等多方因素的影响，因此未来的研究中可考虑这些因素对配色的影响。

参考文献（References）：

[1] 李戎， 顾峰. 三刺激值配色与反射光谱配色的运用[J].中原工学院学报， 2004.15（6）：37-40

[2] 王凯， 张逸新， 张彦. 印刷品同色异谱评价指数的研究[J].包装工程， 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， 周华， 黄雅文. 毛混色纺纱智能配色软打样系统研发及实现[J].浙江理工大学学报， 2010.27（1）：12-16

[6] 商大伟. 基于色度空间中同色异谱现象的色牢度测定原理研究[D].青岛大学硕士学位论文， 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