基于光谱反射率的色纺纱计算机修色算法

为提高色纺企业配色打样效率和配色效果,以Friele光学模型为基础,结合全光谱匹配配色算法,以某色纺企业的实际生产为例探讨色纺纱的计算机修色算法。首先随机确定21个混色标准样,分别从现有的80种单色棉纤维中选择2~4种计算拟合配比并打样,测得21组样纱的实际色差均值为2.36。将拟合配比进行赋值循环以计算标准样与仿样的反射率偏差最小时的配比调整量,用以修正拟合配比,并再次打样验证。结果表明:拟合配比第1次修正后实际色差均值为1.215,其中最小色差为0.59;经第2次配比修正后,实际仿样与标准样的色差均值减小到0.67,且每组色差均小于1,即所设计的修色算法精确度较高,且适用于企业实际生产。     

应用改进Stearns-Noeche模型的色纺纱配色技术

针对传统的人工配色繁复、效率低而现有的计算机配色修色算法不能满足生产实践需求的问题,在MatLab软件中开发出了一套计算机辅助色纺纱配色系统,并对该系统中的配色模块和修色模块进行了改进。在配色模块,采用在［0 1］区间对未知参数Ｍ 值和对单色纤维初始配方赋值迭代的方法,改进了采用M 值平均数的方法以及基于最小二乘法的初始配方求解算法;在修色模块,采用单色纤维调整量中间函数差最小的方法,改进了基于最小二乘法的三刺激值或反射率修色算法。该模型经过1~2 次修色可得到色差小于1 的配色结果,能满足色纺纱生产中多组分、定比例的配色、修色基本要求。     

基于Friele模型的色纺纱光谱配色研究

色纺纱的配色是纺织颜色领域有待解决的一个课题。文中详细介绍了基于Friele模型的色纺纱计算机光谱配色原理,优化了Friele模型参数σ,获得的羊毛色纺纱参数σ为0.093,棉色纺纱参数σ为0.128,并介绍了色纺纱计算机配色的算法流程。同时,利用自行开发的配色软件进行了配色实践。结果表明,色差不是评估色纺纱配色准确性的唯一指标,色纺纱配色中还存在"同谱异色"问题,目前主要依靠经验辨别。文中的研究为色纺纱计算机配色理论的发展奠定了一些研究基础。     

纯棉色纺纱配色中的Stearns-Noechel模型参数优化

为实现棉色纺纱更精准的配色,以色纺纱配色中常用的光学 Stearns-Noechel 模型为基础,采用青、品红、黄、黑、白5种颜色的棉纤维,按照不同组合方式不同混合比例进行纺纱制样,并利用分光光度仪测量光谱反射率值。针对 Stearns-Noechel 模型中的待定参数,结合数理统计分析法进行优化,得到3个新的修正模型。结果表明,将颜色分为非彩色和彩色系列研究,所得到的参数值更加合理,对应的修正模型在配方预测上更加精确,利用该模型得到的预测样与标准样之间的色差在3个修正模型中最小,总平均色差0.75 (CMC(2:1)),可满足棉纤维配色中的色差要求。     

色纺纱的计算机配色研究进展

针对色纺纱配色原理复杂,难以对其进行颜色预测和配色的问题,归纳分析了几种可用于色纺纱计算机配色的预测模型在应用方面的特点。结果发现：Stearns-Noechel 模型、Kubelka-Munk 理论、BP 神经模型的计算精度较理想,Friele 模型精度较低;Stearns-Noechel 模型和Friele 模型需求解未知参数且参数对预测精度影响较大,Kubelka-Munk 理论与理想条件仍有差距且计算烦琐,BP 神经网络需要大量训练样本加强泛化能力。最后指出：色纺纱的配色应在继续提高传统配色模型精度的同时,改进求解配色模型中的未知参数,寻求新型配色模型;同时应注重企业个性化的参数设定,以及通过原液着色纤维的标准化,简化配色中的复杂计算,提高色纺纱的计算机配色技术水平。     

环锭数码纱Kubelka-Munk双常数配色模型构建及其色彩预测

为构建适用于环锭数码纺混色纱的配色模型,以环锭数码纺纱机为平台,选用品红、黄色、青色、黑色、白色5种颜色的粗纱为原料,以10%为混纺梯度进行混色纺纱,并用小圆机织成针织物,进一步对织物进行测色。依据Kubelka-Munk双常数理论,用相对值法求解参数吸收系数和散射系数,并进行模型构建,结合全色谱算法和最小二乘法进行配色算法构建,实现对环锭数码纺混色纱的颜色预测与配方预测。用品红、黄色、青色3色粗纱按不同配比制备36种混色样进行预测效果分析。结果表明色差均值为1.74,平均比例误差为7.38%,色差分布小于2的占比达到72.22%,证明该模型对环锭数码纺纱系统具有适用性。     

基于Friele模型的彩色纤维混色配方算法

为提高色纺纱配色算法在实际应用中的准确性及实用性,首先采用Datacolor SF600测试粘胶原液染色散纤维单色纱和混色纱的颜色值;然后基于Friele模型参数,采用对未知参数进行[0 1]区间赋值迭代取最优值的方法,与需要通过大量实验计算出一个最优固定参数值的方法对比,用这2种不同方法预测其拟合配方与拟合反射率,并根据CMC(l:c)色差公式计算其与标准样的色差。对比得出,当模型参数固定时,平均拟合色差为1.23,而优化后参数不固定时,平均拟合色差为0.399,进而建立了本文实验条件下的混色纱线反射率的预测模型。选取14种不同比例的三色混纺纱进行纺纱验证,其色差较小,经过1-2次修正即可得到色差小于1的配色结果。     

基于约束最小二乘法的色纺纱配色方法

介绍了色纺纱常用光谱配色模型(Stearns-Noechel模型、Friele模型、Kubelka-Munk模型),提出了一种基于约束最小二乘法的色纺纱光谱配色方法,即利用数据库中已有的单色纤维光谱,对目标色纺纱的光谱进行拟合,通过约束最小二乘法实现目标色纺纱的配方(即单色组分及组分比)计算。结果表明,运用约束最小二乘法可直接获得组分比为非负值,且组分比和为1的配方,更加符合生产打样需求;3个模型中基于Stearns-Noechel模型的约束最小二乘法光谱配色算法计算得到的配色准确性最高。     

基于模拟退火算法改进遗传算法的织物智能配色

为提高传统配色方法及现有配色算法的配色精度、效率及泛化能力,构建了基于BP神经网络的遗传算法和模拟退火算法相结合的织物智能配色模型,利用BP神经网络预测颜色,将训练好的BP神经网络与CIEDE2000色差公式结合作为遗传算法的适应度函数,用模拟退火算法改进的基于BP神经网络的遗传算法预测颜色配方,并根据预测的配方对涤纶织物进行染色实验,计算实验色差。结果表明:模拟退火算法优化的基于BP神经网络的遗传算法配色模型只需经过80次迭代即可收敛,预测颜色的理论色差均值为0.165,染色实验色差均值为0.289,配方绝对误差平均值为0.010 7;验证样本的理论色差均值为0.240,染色实验色差均值为0.437。该算法可实现织物的智能配色。     

三波段法计算机配色的研究

本文分析了三刺激值方法和全光谱方法计算机配色的优缺点,建立了三波段法计算机配色系统。这种方法,根据人眼标准观察者三刺激值的最大值分别落在可见光范围内的红区、绿区和蓝区的特点,把可见光范围的光谱均分为三个波段,在每个波段上,应用三刺激值配色,对三个波段上的色差又采用最小二乘法方法优化,最终确定所需要的配方。实验表明,三波段法配色具有三刺激值配色和全光谱匹配两种方法的优点。     

有色棉底布电脑测配色套色

对电脑测配色公式进行推导,建立适合有色棉底布套色的基础数据库。染料总用量相同,采用单一染料分别对空白棉织物单次和两次进行染色,结果显示分次染色后棉织物的K/S值低于单次染色。根据该现象,对现有的套色功能提出质疑。分别建立以空白棉织物和有色棉织物为底布的基础数据库并对数据库的套色准确性进行测试,结果显示直接采用有色棉织物为底布建立基础数据库获得的各染料单位浓度的K/S值应用于有色棉织物套色更符合套色的染色过程,降低了套色次数,减少了套色时间。本文根据实际情况对电脑测配色理论进行了一定程度的拓展,并为采用电脑测配色对有色棉织物修色提供了一条新的途径。     

应用Kubelka-Munk双常数理论的数码转杯纱混色效果预测

为研究数码转杯纺的混色效果,利用红、黄、蓝三原色粗纱纺制混色纱并织成织物,测量其颜色特征值。在此基础上利用最小二乘法及相对值法分别求出单色纤维的吸收系数及散射系数,建立各自的Kubelka-Munk双常数混色模型。采用这二种方法建立的模型对混色织物的颜色及有色纤维的混合比例进行预测。结果表明：利用最小二乘法建立的模型对样本预测的平均色差为0.896,平均比例误差为2.84%;利用相对值法建立的模型对样本预测的平均色差为1.35,平均比例误差为3.04%;与相对值法相比,利用最小二乘法建立的Kubelka-Munk双常数混色模型可更好地预测数码转杯纱混色效果及混色纤维的比例。     

基于共轭梯度法的纱线染色配方预测优化算法

为提高纱线染色配方预测的准确性和稳定性,在Kubelka-Munk理论基础上,结合CIE 1976 L* a* b* 均匀颜色空间及CIELAB色差公式,提出了以共轭梯度法为基础的染色配方预测优化方法,详细推导出共轭梯度法带约束的配方预测目标函数。利用自开发的测配色软件和美能达CM2600D分光测色仪,选用D65光源,做了大量的单纺纱线测配色实验。实验结果表明,该染料配方预测优化算法计算的配色结果与标准色接近,色差小,与染料配方初值无关,稳定、可靠、收敛性强、重复度高。     

神经网络在计算机配色中的应用

研究神经网络应用于染色的计算机配色算法，分析了现有BP网络配色模型的不足，提出了使用有弹回的BP算法，以改进现有配色模型的方法，并进行了仿真试验。从仿真结果看，改进后的配色模型无论在收敛速度还是配色精度方面都有了较大的提高。     

Stearns-Noechel模型优化及毛条混色配色系统开发

针对缺少理想的混色模型现状和开发计算机混色配色系统的迫切需要,在对经验Stearns-Noechel模型优化和改善的基础上建立了适用于毛条混色应用需要的计算机配色预测数学模型。分析了基于优化的Stearns-Noechel模型实现混色毛条计算机配色的三刺激值配色原理及算法流程,提出在配方预测中修正误差的方法及配色效果的控制方法。依此开发的计算机混色配色系统,经过实际的配色实验检验,显示出快速、准确提供配方的能力,平均预测色差为0.614 CIELab单位,证明开发的配色系统对毛条混色产品的配色是非常有效的。