原液着色涤纶短纤维、纱线及织物的颜色预测

摘要： 为探究纤维在加工成纱线和织物之后的颜色差异，文章通过测色仪采集原液着色涤纶短纤维、纱线和织物的L、a、b值，并运用神经网络的方法实现纤维、纱线和织物之间的颜色预测。分别以纤维与纱线、纱线与织物、纤维与织物的L、a、b值作为网络输入和目标，比较了不同训练算法的网络性能;利用控制变量法调整神经元数量和传递函数等，以最小化均方误差与最小色差为目标，确定较合理的网络结构。结果表明：trainlm（Levenberg-Marquardt）训练算法的网络输出与目标之间的均方误差最小，适合作为网络训练算法。隐层神经元数量在100时，样本数据网络输入与隐层、隐层与输出的传递函数分别为tansig和purelin时，均方误差最小且预测与真实值之间的平均色差较小;3个训练组的平均色差均小于0.7，表明网络预测效果较好，研究结果在企业对于纤维、纱线到织物生产过程中颜色把控具有一定的参考价值。

关键词： 神经网络;原液着色涤纶;均方误差;颜色预测;色差

中图分类号： TS101.1

文献标志码： A

原液着色涤纶生产过程中纤维到纱线、纱线到织物会有颜色变化，纱线、织物发生颜色变化通常并非由于纤维本身颜色改变所引起，还有诸多影响因素，如纱线粗细程度、捻度、捻向、织物结构等。目前，企业对纤维到纱线及织物的颜色变化的判断主要依赖人工经验，存在主观性且不易控制。因此，如何准确预测纤维、纱线和织物两两之间颜色规律对于企业生产具有实际应用价值。

关于纺织品颜色预测，国内外已有较多研究。Friele模型提出在纤维的物理混合中，混色纱反射率与单色纤维反射率必然存在某种加和关系，因此寻求最优σ值是理论的关键步骤。杨瑞华［1］将Friele模型应用于多通道转杯纺黏胶织物配色系统，其对数码转杯纺黏胶混色针织物的配方预测效果较好，能够基本满足生产需求。Kubelka-Munk单常数理论多用于织物配色与预测，单常数理论仅考虑了吸收系数K，简化了计算，但丢失了色料的散射信息。Zhang等［2］提出一种改进Kubelka-Munk双常数理论，与Kubelka-Munk理论相对值法、Stearns-Noechel模型、修正的Stearns-Noechel模型和Friele模型作色差的对照实验，改进后的理论有较好的预测效果。Wang等［3］提出了一种Kubelka-Munk迭代模型，构建了原配色复丝颜色预测模型，建立了能够体现不同颜色单丝位置排列方式的复丝几何结构模型，为色纺纱颜色预测模型和织物几何结构模型的构建提供思路。Sun［4］利用全色相混合模型中有色纤维的混合比可以预测成形纱的颜色，模型中有色纤维的混合比也可以通过纱线的颜色进行预测。高新等［5］分析了单常数Kubelka-Munk模型在有色纤维颜色预测方面的不足，通过标准化映射方法改善该模型的适用性，消除极端反射率对预测效果的不利影响，提高了单常数Kubelka-Munk模型对混色棉纤维的颜色预测精度。程璐等［6］提出运用反向传播神经网络的方法对色纺纱的黑白纤维混合配色进行预测，模拟染料配色方法和基于颜色混合模型中的Kubelka-Munk双常数理论的配色方法对黑白纤维混合配色的结果进行对比。YANG等［7］选择了两个常用的模型Stearns-Noechel和Friele进行修正，以提高颜色预测的准确性。Stearns-Noechel-3在修正的Stearns-Noechel模型中具有最高的精度。BP神经网络是一种机器学习方法，按照误差逆向传播算法训练的多层前馈神经网络，具有计算快、精度高的优点，能处理繁琐的映射关系。马崇启等［8］针对传统配色方法及配色算法存在不足之处，利用BP神经网络对色纺纱进行配方预测，拟合配方绝对误差均值为0.033，初次打样色差均值为1.69，准确度较高。沈加加等［9］采用BP神经网络构建色纺纱配色模型，构建的BP神经网络能够对训练范围内的样品进行准确地预测。BP神经网络用于色纺纱颜色预测方面有很高的精度。黄烨等［10］通过对纤维、纱线的反射率值规律性探索，采用遗传算法优化BP网络建立GA-BP预测模型，将遗传算法的全局搜索能力和BP神经网络的局部寻优能力相结合，从而获取最优的素色纱线颜色预测结果。

本文采用原液着色涤纶纤维为原料，以其制成的纱线、织物为研究对象，运用BP神经网络方法建立生产过程中纤维与纱线、纱线与织物及纤维与织物颜色量化参数之间的规律。通过实验测试其颜色参数，调控网络结构，以最小均方误差（Mean squared error，EMS）与色差（DEcmc）为目标，实现颜色预测，可为企业生产提供预测的准确性和效率。

1 实 验

1.1 材料和仪器

材料：原液着色涤纶短纤维、纱线及针织物样品（滁州霞客无染彩色纺有限公司），纤维规格为长度38 mm、线密度为1.5 dtex;纱线线密度为32支，捻向为Z捻，捻度为1 m内1 810个捻回;针织物线圈长度约为2.5 cm，平方米质量200 g/m2。

仪器：Datacolor 1050测色仪（美国Datacolor公司）。

1.2 颜色参数的采集

通过Datacolor 1050测色仪采集得到由企业生产的288组原液着色涤纶短纤维、纱线和针织物的L、a、b值。其中L值代表亮度，L越大，亮度越高;a值代表从绿色到红色的分量，a值越正越红，越负越绿;b代表从蓝色到黄色的分量，b值越正越黄，越负越蓝。其中可见光范围400～700 nm、CIELAB标尺、D65光源、10°测量、超小测量孔径4 mm。每个样品沿45°旋转，共测试8次，取8次平均值。图1为从288组样品中随机选择的12组样品，每组样品从左到右分别是纤维、纱线及针织物的实物。由图1可以明显看出，纤维在加工成纱线，以及纱线加工成针织物后，存在明显的颜色差异。

1.3 神经网络构建

1.3.1 BP网络结构

图2为BP神经网络结构，处理信息的单元一般分为：输入（Input）、隐层（Hidden Layer）和输出层（Output Layer）。在前向传递中，输入信号从输入节点开始逐层处理，直至输出（Output）。如果得不到期望输出，则转入反向传播，BP神经网络能不断修正各层网络权值（W）和偏置值（b）以使误差达到最小，充分逼近期望输出。根据研究需要，本实验一共构建了3个神经网络，分别用于由纤维颜色预测纱线颜色、由纱线颜色预测织物颜色及由纤维颜色预测织物颜色。

1.3.2 网络输入与目标

实验共测得288组纤维、纱线和织物样本的L、a、b数据。为增加网络的泛化性能，通过添加噪声的方式，即以288组原始数据为基准并进行±2%偏移，将数据扩充到1 000组。将数据按照8︰1︰1划分为训练组共800组样品，验证组共100组样品，测试组共100组样品。其中训练组参与网络训练，即通过训练样本，网络不断学习并调整网络权重和偏置值，从而减小网络输出和目标的误差，以提升网络性能。验证组数据的作用是实时监测网络性能，及时停止训练，使网络权值和偏置值保持在合理的数值。测试组用于在训练完成后对网络模型进行测试，测试组数据并不参与网络训练，因此用于评估网络性能及泛化能力更为可靠。实际网络训练时分别将纤维组作为输入，纱线组作为目标;纱线组作为输入，织物组作为目标;纤维作为输入，织物作为目标。本文以纤维—纱线组为例，输入是纤维组的L、a、b值，输出是纱线组的L、a、b值。

1.3.3 网络数据预处理

神经网络的输入与目标均为真实L值、a值和b值，而网络的输出则是预测值。其中L值的范围为［0，100］，a和b值的取值范围为［-128，127］。为了减少偏差较大样本数据对网络训练结果性能的影响，需要将输入和输出参数规范在0～1，其计算公式如下：

y=（x-xmin）xmax-xmin（1）

式中：x为原值，y为规范化值，分别对应原值x的最大和最小值。

例如输入L值原值为39.88、50.88、51.70、49.13、45.57，其对应的最大和最小值分别为51.70和39.88，那么经式（1）后，规范化值为0、0.93、1、0.84、0.54。

1.3.4 训练参数与网络性能评定

设定网络训练参数：学习目标为1×10-5，学习率为001，最大训练参数为1 000次。

均方误差EMS是常用评定网络性能的指标之一，即计算模型预测值与实际值之间差异，用于评估模型在给定数据上的拟合程度，该值越小网络性能越好，其计算式公式如下：

E=1m∑mi=11k∑kj=1（y-y）2（2）

式中：m为训练样本个数，k为输出个数，y、y分别为第i个样本的第j个的预测值与实际值。

色差DEcmc也是评价网络性能的指标，CMC（2︰1）色差公式是作为纺织行业计算颜色差异的重要指标，纺织品色差具体计算公式如下：

DEcmc=ΔLlSL2+ΔCcSC2+ΔHSH212（3）

式中：DEcmc为色差值，ΔL、ΔC、ΔH分别为明度差、饱和度差、色相差;SL、SC、SH分别为ΔL、ΔC、ΔH的加权系数;l=2，c=1［11］。

2 结果与分析

2.1 训练算法对网络性能的影响

MatLab软件的神经网络工具箱可以方便地建立并训练一个网络，工具箱提供多种不同的传递函数及训练算法。设置隐藏层神经元数量为10时，激活函数和传递函数分别为tansig+purelin，训练算法分别为trainlm、trainrp、traingda、traincgf、traincgp、traincgb、traincgb、traingdx时观察EMS的变化，每次训练10次，10次训练结果平均EMS如图3所示。

由图3可以看出，traingda和traingdx算法不仅平均EMS较大，分别约为47.8和34，且标准差大，其值明显较其他6种算法大，说明用这两种算法，网络的输出值与目标值差异较大，即网络性能较差。而算法为trainlm时，其网络输出与目标之间的EMS最小，约为3.1，且标准差较小，说明网络性能最好且网络性能比较稳定。其余5种训练算法的EMS介于4.47～6.45，网络性能和稳定性差异不大。因此，使用trainlm算法作为网络训练算法比较合适。

2.2 网络结构对网络性能的影响

2.2.1 神经元数量

影响网络性能的网络结构主要包括神经元数量和传递函数。在其他网络结构不变时，调节并选择最适合的神经元数量以满足最小均方误差EMS及训练的高效性。以纤维组作为输入端，纱线组作为输出端，训练算法为trainlm，网络传递函数为tansig和purelin下，设定神经元数量分别为10、40、70、100时，得到其网络输出与目标之间的均方误差。训练结果如图4所示。

由图4可以看出，在神经元数量S=100时网络效果较好，其平均EMS约为1.2。而神经元数量超过100时，由于网络训练速度较慢，及降低均方误差效果不太明显，故不再继续增加神经元数量。由表1可知，神经元数量为100时其EMS均值、EMS标准差和DEcmc均较小，表明BP网络此时较稳定且预测效果较好。

2.2.2 传递函数

MatLab神经网络工具箱提供了多种类型传递函数，如tansig、logsig、purelin、compet、radbas、hardlim等，其中较为常用的是tansig、logsig和purelin。为考察传递函数对网络性能的影响，网络输入与隐层、隐层与输出层的传递函数分别按照组合tansig+purelin（组合1）、tansig+tansig（组合2）、logsig+logsig（组合3），网络性能如表2所示。其中对称S型传递函数、对数S型传递函数和线性传递函数的表达式分别如下：

tansig（x）=21+e-2x-1（4）

logsig（x）=11+e-x（5）

y=x（6）

由表2可以看出，纤维—纱线组，纤维—织物组和纱线—织物组，均以组合1（tansig+purelin）作为网络输入与隐层、隐层与输出层的传递函数时，EMS均值、EMS标准差较小，网络稳定且预测效果较好，真实色差（DEcmc）也较小，表明预测颜色与实际颜色相近。

2.3 纤维到纱线的预测结果分析

在神经元数量为100时，网络输入与隐层、隐层与输出的传递函数分别为tansig和purelin时，将数据组的预测值和真实值颜色作对比。其中表3、表4分别为纤维—纱线组部分测试组和训练组L、a、b值及色差，即随机选取了15个样本，按照色差较大（前5个）、一般（中间5个）、色差较小（后5个）划分数据。由表3、表4可以看出，测试组中色差较大的样本色差在1.60～2.26，其中测试组60号样品的色差较大，主要在于b值的差异较大，真实颜色相较于预测颜色偏蓝。色差较小的样本色差在0.06～0.17，其中测试组61号样品的色差较小，仅有0.06，L、a、b值比较接近。训练组色差较大的样本色差在1.66～2.33，其中训练组523号样品的色差较大，主要在于L值的差异较大，L值差值为4.71，真实颜色相较于预测颜色偏亮;色差较小的样本色差在0.08～0.19，其中训练组28号色差较小，仅有0.08。

2.4 纤维到织物的预测结果分析

表5、表6分别为纤维—织物组部分训练组及测试组样本L、a、b值及色差，同样随机选取了15个样本为代表，可看出测试组中色差较大的样本色差在1.28～3.00，其中测试组47号样品色差较大，主要在于b值差异较大，真实颜色值相较于预测颜色值偏黄。色差较小的样本色差在0.09～0.18，如测试组56号样品色差较小，仅有0.09。训练组色差较大的样本色差在1.71～2.96，其中训练组228号样品的色差较大，主要在于L和b值的差异较大，真实颜色相较于预测颜色偏暗及偏蓝;色差较小的样本色差在0.07～0.15，其中训练组6号色差较小，仅有0.07。

2.5 纱线到织物的预测结果分析

表7、表8分别为纱线—织物组部分训练组及测试组样本L、a、b值及色差，同样随机选取了15个样本为代表，可看出测试组中色差较大的样本色差在1.68～3.60，其中测试组4号样品色差较大，L、a、b值均有不同程度差异，导致总色差较大。色差较小的样本色差在0.08～0.14，其中测试组98号色差较小，仅有0.08。训练组色差较大的样本色差在2.42～359，其中训练组18号样品的色差较大，其L、a、b值差异均较大;色差较小的样本色差在0.10～0.15，其中训练组2号的色差较小，仅有0.10。

2.6 真实与预测颜色对比

将3个组共计90个样品的真实颜色和预测颜色进行对比，如图5所示，每个样品左下侧为样品真实颜色，右上角为样品预测颜色。由图5可见，每组样品左侧5对样品颜色差异稍大，右侧5对样品的颜色差异很小，几乎没有差别，中间5对样品颜色差异介于上述之间。

经计算得到测试组纤维—纱线、纤维—织物、纱线—织物的平均色差依次为0.58、0.64、0.69，而训练组的平均色差依次为0.49、0.49、0.54。测试组为未经网络训练的样品，其色差和训练组接近，说明网络具有较好的鲁棒性。同时从色差规律来看，纱线—织物组平均色差相较于其他两组较大，纤维—纱线组平均色差较小。综合上述结果说明，BP神经网络预测模型对于纤维、纱线和织物两两之间的颜色预测具有良好的可行性和准确性。

3 结 论

通过3个BP神经网络建立了原液着色涤纶短纤维、纱线、织物三者颜色上的联系，运用控制变量法对不同BP神经网络结构进行了对比与分析，得出了以下结论：

1） 以trainlm、trainrp、traingda等8种训练算法，对比了神经元数量分别为10、40、70、100时网络的预测效果，结果表明以trainlm作为训练算法，神经元数量为100且网络输入与隐层、隐层与输出的传递函数分别为tansig和purelin时，网络的EMS均在1.20以下，色差在0.52～0.64，网络具有较好的预测效果。

2） 经训练后的网络用于原液着色涤纶短纤维、纱线、织物间颜色的测试组平均色差均小于0.7，说明网络具有较好的颜色预测准确性。

以上结果表明，构建的BP神经网络对于L、a、b值预测具有一定的可行性，后续还将继续增加训练样本提高预测的准确性，以期为企业把控纤维、纱线到织物生产过程中颜色规律提供参考。

参考文献：

［1］杨瑞华. 多通道转杯纺羊毛混色织物的Friele模型［J］. 服装学报， 2020， 5（1）： 1-5.

YANG R H. Friele model of color mixing wool fabric produced by multi-channel rotor spun yarn［J］. Journal of Clothing Science， 2020， 5（1）： 1-5.

［2］ZHANG G， ZHOU G， PAN R， et al. Color prediction for pre-colored cotton fiber blends based on improved Kubelka-Munk double-constant theory［J］. Fibers and Polymers， 2021， 22（2）： 1-9.

［3］WANG Y， LI W， WANG J. Color prediction model for hybrid multifilament fabric［J］. Textile Research Journal， 2022， 92（7/8）： 1038-1048.

［4］SUN X Q. Research on colored yarns for a full color phase mixing model and the stearns-noechel color prediction approach［J］. Textile Research Journal， 2022， 93（1/2）： 206-220.

［5］高新， 潘如如， 高卫东. 基于单常数Kubelka-Munk理论的棉纤维颜色预测［J］. 丝绸， 2020， 57（9）： 34-38.

GAO X， PAN R R， GAO W D. Cotton fiber color prediction based on single constant Kubelka-Munk theory［J］. Journal of Silk， 2020， 57（9）： 34-38.

［6］程璐， 马崇启， 王玉娟. 麻灰纱中色纤维混合模型运用［J］. 纺织学报， 2017， 38（7）： 44-48.

CHENG L， MA C Q， WANG Y J. Application of colored fiber mixed models in gray spun yarn［J］. Journal of Textile Research， 2017， 38（7）： 44-48.

［7］YANG L， BAI J， ZHANG R， et al. The optimization of color-prediction models for colored cotton fiber yarns［J］. Textile Research Journal， 2019， 89（19/20）： 4007-4014.

［8］马崇启， 王玉娟， 刘建勇. 基于Ga-BP神经网络的色纺纱配色［J］. 天津工业大学学报， 2016， 35（6）： 27-31.

MA C Q， WANG Y J， LIU J Y. Color matching in colored spun yarn based on Ga-BP neural network［J］. Journal of Tiangong University， 2016， 35（6）： 27-31.

［9］沈加加， 周翔， 屠天民. 基于BP神经网络的色纺纱配色［J］. 纺织学报， 2015， 36（11）： 34-38.

SHEN J J， ZHOU X， TU T M. Recipe prediction of melange yarn based on BP neural network［J］. Journal of Textile Research， 2015， 36（11）： 34-38.

［10］黄烨. 基于GA-BP神经网络对原液着色纤维素色纱线的颜色预测［D］. 天津： 天津工业大学， 2019.

HUANG Y. Color Prediction of Cellulose Colored Yarn Using GA-BP Neural Network for Raw Material Coloring［D］. Tianjin： Tiangong University， 2019.

Color prediction of polyester staple fibers， yarns， and fabrics colored with raw liquid

ZHANG Chi， WANG Xiangrong

XIANG Duowen1， LI Shaocong1， WANG Xu1， FANG Yinchun1， ZHANG Wenqiang2， PENG Xuguang2

（1.School Textile and Garment， Anhui Polytechnic University， Wuhu 241000， China; 2.Chuzhou Seeker Non-dyeingColor Spinning Co.， Ltd.， Chuzhou 239000， China）

Abstract： In the production process of raw liquid colored polyester， there will be color changes from fibers to yarns and from yarns to fabrics. The color changes of yarns and fabrics are often not caused by the color changes of the fibers themselves. There are many factors that can cause color changes， such as yarn thickness， twist， twist direction， and fabric structure. At present， the judgment of color changes from fibers to yarns and fabrics by enterprises mainly relies on manual experience， which is subjective and difficult to control. Therefore， accurately predicting the color patterns between fibers， yarns， and fabrics has practical application value for enterprise production. In recent years， many domestic researchers have developed many theoretical models for color prediction in the textile field. Traditional color matching models include the Friele model， Stearns-Noechel model， and Kubelka-Munk model， which have certain limitations.

To control the regularity of color parameters L， a， and b in the production process of polyester fibers， yarns， and fabrics dyed with raw liquid， and to improve the accuracy of color prediction between fibers， yarns， and fabrics， this paper took the samples of polyester fibers， yarns， and fabrics dyed with raw liquids produced by enterprises as the research object and proposed a color prediction method based on neural networks， which are intelligent computing methods that simulate biological neural networks in computer network systems. Firstly， a colorimeter was used to obtain the L， a， and b values of 288 sets of color samples， each containing fiber， yarn， and fabric samples of the same color. Then， the samples were divided into three training groups， namely fiber yarn group， yarn fabric group， and fiber fabric group. Simultaneously， the data were input into the network for modeling， with fiber groups as inputs and yarn groups as targets; the yarn group served as the input， and the fabric group served as the target; fibers served as input and fabrics as target. Finally， the performance of the neural network was adjusted based on the average EMS of the network and the color difference between the output and the true color. The training algorithm， number of neurons， and transfer function were adjusted separately. This article expanded the sample data to 1， 000 groups by adding noise， enhancing the network’s generalization ability and improving the accuracy of experimental results. The experimental results show that with trainlm as the training algorithm， when the number of neurons is 100 and the transfer functions of the network input and hidden layer and hidden layer and output are tansig and purelin， respectively， the EMS of the network is below 1.20， and the color difference is between 0.52 and 0.64， the network has good predictive performance. The average color difference of the test group using the trained network for coloring polyester staple fibers， yarns， and fabrics in the original solution is less than 07， indicating that the network training effect is good.

The use of neural networks for color prediction presents a new method for color prediction， and the results of this study can provide reference for enterprises to control color changes in textile production processes.

Key words： neural networks; dyed polyester with original solution; mean squared error; color prediction; chromatic aberration