基于深度学习的有色纤维配色算法研究

发布时间：2021-11-27 16:48

　　近些年来,人工智能一次又一次的让世人惊叹,大数据时代的来临让人们看到了未来发展的趋势所在,各行各业都开始向人工智能化进军,抢占未来的先机。而纺织行业中计算机配色算法最能契合计算机发展的洪流,可以作为纺织行业的信息化领头羊。因此本论文将深度学习应用在有色纤维的配色算法,希望达到预测配比与真实值一致,提升配色效率,节约劳动成本,实现产业升级。本论文对于深度学习所需要的有色纤维样本采取实验室自制,通过梳棉机将其三色混合与两色混合组成样本。通过测色配色仪测量出样品的反射率值,将原始数据整理成表,作为深度学习模型的训练数据。随后使用TensorFlow工具包Ludwig学习反射率与有色纤维颜色配比之间的数值逻辑关系。将样本数据整理成CSV文件,将构建的逻辑关系整理成YAML文件,通过Ludwig进行模型训练、验证、预测。最终将模型预测值与真实值进行比较,得到配色结果。由于Tensorflow无法找到反射率与配比之间的逻辑值进行训练,配色结果不理想。本文使用MATLAB（2016A）来构建深度神经模型进行有色纤维配色。构建两个深度学习模型P1与P2,P1的输出端为5个,P2的输出端为8个。将样本数... 

【文章来源】：东华大学上海市 211工程院校 教育部直属院校

【文章页数】：72 页

【学位级别】：硕士

【部分图文】：

神经网络

Y = [y1，y2，y3，y4，y5]Ty1，y2，y3，y4，y5表示该样本中有 5 个单色纤维组成有色纤维，分别对五种颜色的不同重量比例，因此输出层的神经元个数即为单色组成的个。选用最为基础的多重隐含层，输入输出关系可以由两个公式给出：y = W1P + n (a)Y = W2y + m (b)公式中：P 作为输入端输入数据 Rλ经过初始化后的神经元输入；W1、W始化输入层、隐含层和输出层神经元之间的连接权值；n 为初始化隐含层阙 为输出层阙值。根据公式(a),P 在隐含层传递函数的作用下产生了隐含层的 y，根据公式(b)，y 在输出层传递函数的作用下产生输出层的输出 Y，整个纤维深度神经网络配色模型的向量关系如图 2-1 所示。

训练

【参考文献】：
期刊论文
[1]基于BP神经网络的色纺纱配色[J]. 沈加加,周翔,屠天民.  纺织学报. 2015(11)
[2]计算机测配色在印染小样系统中的应用[J]. 郑志成,汪斌荣,徐海江,胡正明.  染整技术. 2015(03)
[3]深度学习的昨天、今天和明天[J]. 余凯,贾磊,陈雨强,徐伟.  计算机研究与发展. 2013(09)
[4]基于光谱视觉响应拟合的计算机配色算法[J]. 何国兴,周明训.  大气与环境光学学报. 2006(06)
[5]三刺激值配色与反射光谱配色的运用[J]. 李戎,顾峰.  中原工学院学报. 2004(06)
[6]基于线性数据库的色差权重因子计算机配色[J]. 王喜昌,华臻,宫严军,宋东草.  光学学报. 2004(09)
[7]机器学习研究[J]. 王珏,石纯一.  广西师范大学学报(自然科学版). 2003(02)
[8]色纺纱配色方法初探[J]. 江新卫.  棉纺织技术. 2000(05)
[9]计算机测配色的历史与现状[J]. 李戎,潘玮,顾峰,陈东辉.  北京纺织. 1999(02)
[10]电脑配色软件对配色结果的影响[J]. 张俊孜.  印染. 1998(03)

硕士论文
[1]色纺纱配色算法改进及计算机测配色系统开发[D]. 程璐.天津工业大学 2018
[2]品牌服装色彩供应链的成本与效率分析[D]. 张礼鹏.东华大学 2015



本文编号：3522687