基于Ga-BP神經網絡的色紡紗配色

馬崇啟，王玉娟，劉建勇，程 璐

（天津工業大學 紡織學院，天津 300387）

基于Ga-BP神經網絡的色紡紗配色

馬崇啟，王玉娟，劉建勇，程 璐

（天津工業大學 紡織學院，天津 300387）

針對傳統配色方法及配色算法存在不足之處，利用BP神經網絡對色紡紗進行配方預測，并用遺傳算法對其進行改進.結果表明：將遺傳算法引入到BP神經網絡，可優化BP神經網絡配色模型;測試樣本包含在訓練樣本中時，預測配方精度非常高，配方絕對誤差均值幾乎為0；而測試樣本不包含在訓練樣本中時，預測配方精度較低，配方絕對誤差均值為0.033，初次打樣色差均值為1.69 CMC（2∶1），大于1 CMC（2∶1）.

色紡紗；BP神經網絡；遺傳算法；配色

色紡紗配色是對兩種或兩種以上已著色纖維的選擇、組合及均勻混色，獲得與目標色（設計色或者客戶來樣）一致的顏色效果[1].傳統配色主要依靠人工經驗，然后進行打樣，費時費力[2]，不符合色紡紗小批量、多品種、快交貨的生產特點[3].隨著科技的發展，計算機配色技術已廣泛應用于化工、紡織服裝、涂料等領域[4].所謂計算機配色，就是通過測色儀測試一系列樣品的顏色值相關數據，用于建立基礎數據庫，之后就可以對混色紗進行配色，并計算出其他相關的色度參數[5].目前用于計算機配色軟件的配色方法有Kubelka－Munk理論、Friele算法和Stearns-Noechel算法[6-8]，Kubelka－Munk理論是建立在一些假設條件上的，這些假設條件在現實中很難實現[9]，Friele算法和Stearns-Noechel算法中有一個未知參數需要確定[10-12]，不同纖維材料的參數不同，對配色結果影響較大.近些年有許多學者將神經網絡引入色紡紗配色算法中[13-15]，所用神經網絡大多為以BP神經網絡為基礎進行的改進算法.本文利用基于遺傳算法的神經網絡，對色紡紗進行配色，并對配色結果進行了分析.

1 實驗部分

1.1 原料與紡紗過程

實驗所用紅色、黃色、藍色原液著色粘膠纖維均為博拉彩虹纖維有限公司提供，纖維長度為38 mm，細度為1.6 dtex.

將紅、黃、藍3種黏膠纖維分別在XFH型小型和毛機上進行開松；然后按照不同混色比人工進行充分混合，混色纖維團總克重為15 g/m2；將混色纖維團在DSCa-01型數字式梳棉機上反復梳理3次，制成纖維網；將纖維網在DSDr-01型數字式并條機上并和3遍，牽伸成20 g/5 m的熟條；將熟條在DSRo-01型數字式粗紗機上牽伸成500 g/m的粗紗，捻系數為80；接著在DSSp-01型數字式細紗機上將粗紗紡成30 tex的細紗，捻度為60捻/10cm；再在Y381A型搖黑板機上將細紗繞在自制6 cm×22 cm（長度以適合搖黑板機為準，寬度以滿足測色為準）的紙板上；最后在Datacolor SF600測色儀上進行測色.混色纖維質量比如表1所示.

表1 混色纖維質量比Tab.1 Proportion of blended fibers

1.2 測色過程

測色過程選取大孔徑、包含鏡面光澤、100%UV（濾鏡off）的測色條件，以及D65、10°視角的觀察條件，分別對紗線板正反面進行橫向和垂直2個方向、不同部位進行測色，直至最終顏色偏差小于0.1，記錄下該色樣的31個反射率值（400～700 nm，間隔10 nm）.

紅、黃、藍3種單色纖維純紡紗的色度參數如表2所示.

表2 單色纖維的色度參數Tab.2 Colorimetric coordinates of colored fibers

表2中，L*表示顏色的明度，其值為0（黑色）～100（白色），越接近0表示顏色越暗，越接近100表示顏色越亮；a*表示顏色的紅綠色調，其值為正表示顏色偏紅或不夠綠，為負表示偏綠或不夠紅；b*表示顏色的黃藍色調，其為正表示顏色偏黃或不夠藍，為負表示偏藍或不夠黃；C*為彩度，表示顏色的鮮艷程度，低彩度顏色即灰色的C*值略大于0，高彩度顏色的C*值為70～90；h°為色相角，指在L*a*b*顏色空間中以軸為基點，沿逆時針方向旋轉的角度，其值表示不同的顏色.

2 神經網絡模型的建立

1986年美國加利福尼亞大學PDP小組提出一種多層前饋網絡模型，因其學習是通過誤差反向傳播算法（back propagation）來實現的，因此得名為BP神經網絡，是目前應用最多的神經網絡之一.BP神經網絡一般含有一個輸入層、一個輸出層和若干個隱層，但是一個隱層足以實現大多數非線性擬合，而盲目增加隱層數目只會增加結構的復雜性，降低學習速度.因此，本文建立一個3層的BP神經網絡，其結構模型如圖1所示.

圖1 神經網絡模型Fig.1 Model of neural network

2.1 神經元的確定

輸入的數據為色樣不同波長下的31個反射率值，因此輸入層節點數為31；輸出的數據為該混色樣的單色纖維質量比，又因為單色纖維有3種，因此輸出層節點數為3；隱層節點數對神經網絡的預測精度有很大的影響，節點數過少，會造成“欠擬合”，節點數過多，則會造成“過擬合”.隱層節點數的確定一般根據經驗公式確定，如公式（1）和公式（2）所示：

式中：m為輸入層節點數；n為輸出層節點數；S為隱層節點數；c為0～10之間的常數.

由公式（1）計算得到隱層節點數為12，由公式（2）計算得到的隱含層節點數范圍為5～16.通過對比隱含層節點個數8、12、15，最終確定隱含層12時收斂速度較快，配方精度較高，因此最終建立一個31-12-3結構的BP神經網絡.

2.2 模型的實現

該神經網絡利用MATLAB2010中的神經網絡工具箱實現運算，隱含層采用tansig函數作為傳遞函數，輸出層采用purelin函數作為傳遞函數，訓練最大步長為5 000步，精度目標為1.0×10-3，學習率為0.01.因色樣反射率值較大，因此要先進行歸一化處理，歸一化函數采用premnmx函數.

2.3 評價指標

神經網絡計算出的配方加和不為1，因此要進行歸一化處理，即用單個配方除以所有配方的加和.歸一化之后，求每個混色樣的各個單色樣擬合配方與真實配方絕對誤差，即：

式中：mC為擬合配方；C為真實配方，以每個色樣的紅、黃、藍3個單色擬合配方中最大的絕對誤差來評定擬合效果的好壞.

3 神經網絡模型的訓練

考慮到BP神經網絡求最優問題的方法是梯度下降法，因此就會出現陷入局部最小區、對參數選擇較敏感及學習速度慢等問題，而遺傳算法則對目標函數既不要求連續，也不要求可微，僅要求該問題可計算，而且它的搜索始終遍及整個解空間，容易得到全局最優解，因此本文采用遺傳算法對上述BP神經網絡算法進行改進，得到Ga-BP神經網絡，算法步驟如下：

（1）利用Matlab隨機產生初始種群，其中每個個體染色體采用實數編碼，并且每個個體對應著權值和閥值；

（2）計算初始群體中的每個個體適應度；

（3）根據上述遺傳算法的方法進行選擇、交叉、變異操作，產生下一代種群；

（4）重復（2）（3）步，直到滿足適應度，或者終止條件，從而得到通過神經網絡優化后的網絡的連接權值和閥值；

（5）將經過遺傳算法優化后的網絡權值和閥值作為BP算法的網絡初始權值和閥值，轉入到對神經網絡的訓練上.

從36個試樣中挑出編號為偶數的試樣，作為訓練樣本，對建立好的模型進行訓練；對比不同的學習算法對擬合結果的影響.BP神經網絡訓練過程如圖2（a）所示，Ga-BP神經網絡訓練過程如圖2（b）所示.

由圖2可知，Ga-BP神經網絡7步即達到了訓練精度目標，訓練時間較短，而BP神經網絡在5 000步時，還沒有到達訓練精度目標，顯然，將遺傳算法引入到BP神經網絡，可以大大提高其運算效率和精度.

圖2 BP神經網絡和Ga-BP神經網絡訓練過程Fig.2 Training process of BP and Ga-BP neural network

4 神經網絡模型泛化能力驗證

在實用中，泛化（Generalization）能力，即網絡識別訓練集合以外樣本的能力，被認為是衡量神經網絡性能的最重要指標，沒有泛化能力的網絡是沒有實用價值的，如何將其有效地提高已成為最受關注的問題之一，本文對Ga-BP神經網絡的泛化能力進行了討論[16].

4.1 驗證樣本的配色結果與分析

選取36個試樣中編號為奇數的試樣作為驗證樣本，利用訓練好的模型進行配色，得出的擬合配方如表3所示，擬合誤差分布如圖3所示.

表3 驗證樣本配色結果Tab.3 Color matching result of validation sample

圖3 驗證樣本擬合配方絕對誤差箱線圖Fig.3 Absolute error boxplot of validation samples′fitting formula

由圖3可看出，驗證樣本的擬合配方絕對誤差較集中，總體較小，主要分布在0.013 1～0.078 1之間，中位數為0.033，可以滿足配色要求，但個別配方誤差還較大，如圖4所示.

圖4 驗證樣本擬合配方絕對誤差散點圖Fig.4 Absolute error scatter diagram of validation samples′fitting formula

從驗證樣本中抽出最大絕對誤差為0.018 7、0.025 1和0.031 8的3組擬合配方進行打樣，并計算出相應紡樣與標樣的色差，結果如表4所示.

表4 打樣驗證結果Tab.4 Verification results of spining small sample

由表4可以看出，由于操作誤差和機械誤差等原因，6個試樣初次打樣色差均值為1.69 CMC（2：1），大于1，不符合企業對色紡紗的配色要求.雖然可以通過后續修色使色差減小，但是為了減少重復打樣次數，還需優化算法，提高泛化能力.

4.2 擴充訓練樣本容量后的驗證樣本配色結果

既然神經網絡具有人工智能的特性，那么它對訓練的數據應該有較高的識別能力，因此擴充訓練樣本容量，使得驗證樣本包含其中，那么應該有更好的配色效果.對此進行驗證計算，其配色結果如表5所示.

表5 擴充訓練樣本容量后的驗證樣本配色結果Tab.5 Color matching result of training sample after expended training sample volume

訓練樣本擴充前后，驗證樣本配色結果對比情況如圖5所示.

圖5 訓練樣本容量擴充前后驗證樣本配色結果對比Fig.5 Comparison of validation sample matching color resultes between former and latter the training samples volume expended

由圖5可以看出，與擴充前相比，訓練樣本容量擴充，驗證樣本配色誤差小很多，這是驗證樣本包含在訓練樣本中，參與了網絡訓練過程的原因.在實際配色中，如果要配色的試樣，正好包含在訓練樣本中，那么它的配色精度將非常高.因此，要提高神經網絡的配色精度，可以擴充訓練樣本容量，使更多的試樣包含在訓練樣本中.

5 結束語

將遺傳算法引入BP神經網絡，神經網絡訓練模型得到大大優化，然而，在配色精度方面，當需要計算的樣本包含在訓練樣本中時，由于Ga-BP神經網絡強大的反饋能力，該神經網絡模型對色紡紗配方的預測配方精度非常高，擬合配方絕對誤差均值為0；但如果不包含在訓練樣本中時，則配色精度稍差，擬合配方絕對誤差均值為0.033，初次打樣色差均值為1.69 CMC（2：1），大于1CMC（2：1）.因此，可通過提高這種基于遺傳算法的BP神經網絡的泛化能力，或擴充訓練樣本容量，來提高配色精度.

[1]沈加加，胡英杰，劉偉，等.基于Friele模型的色紡紗光譜配色研究[J].針織工業，2013（5）：31-32. SHEN J J，HU Y J，LIU W，et al.Study of spun-dyed yarns′spectral color matching based on friele model[J].Knitting Industries，2013（5）：31-32（in Chinese）.

[2]桂亞夫.色紡打樣技術探討[J].棉紡織技術，2014，42（10）：17-18. GUI Y F.Discussion of colored spinning sampling technology [J].Cotton Textile Technology，2014，42（10）：17-18（in Chinese）.

[3]任安民，周立明.色紡紗配色方法改進初探[J].上海紡織科技，2007，35（6）：14-15. REN A M，ZHOU L M.A probe to the improvement of color matching method of colored spun yarn[J].Shanghai Textile Science&Technology，2007，35（6）：14-15（in Chinese）.

[4]周煒，李衛東.國內外電腦測色儀的發展現狀[J].上海紡織科技，2013，41（1）：1-2. ZHOU W，LI W D.Development tendency of computer added color measurement instrument at home and abroad[J].Shanghai Textile Science&Technology，2013，41（1）：1-2（in Chinese）.

[5]朱松.彩色纖維配色方法研究初探[J].聚酯工業，2010，23（1）：29-30. ZHU S.Preliminary study of coloree fiber color matching method[J].Polyester Industry，2010，23（1）：29-30（in Chinese）.

[6]KUBELKAP，MUNKF.Einbeitragzuroptikderfarbanstriche[J]. Z Tech Physik，1931（12）：593-601.

[7]PHILIPS-INVERNIZZI B，DUPONT D，CAZE C.Formulation of colored fiber blends from friele′s theoretical model[J].COLOR Research and Application，2001，26（3）：191-198.

[8]PHILIPS-INVERNIZZI B，DUPONT D，JOLLY-DESODT A M，et al.Color formulation by fiber blending using the stearnsnoechel model[J].COLOR Research and Application，2002，27（2）：100-107.

[9]許佳艷.滌棉雙組份纖維混色計算機輔助配色的研究[D]，杭州：浙江理工大學，2013. XU J Y.The study on computer aid matching for colored fiber blends of polyester and cotton[D].Hangzhou：Zhejiang Sci-Tech University，2013（in Chinese）.

[10]LI R，SONG Y，GU F，et al.A spectrophotometric color matching algorithm for precolored fiber blends[J].COLOR Research and Application，2009，34（2）：108-114.

[11]FURFERI R，CARFAGNI M.Colour mixing modelling and simulation：Optimization of colour recipe for carded fibres[J]. Modelling and Simulation in Engineering.2010（10）：5-8.

[12]HUGH R.Prediction of the color of fiber blends[J].Journal of the Optical Society of America，1965，55（1）：96-100.

[13]王巍娟，張秉森.基于隱層改進的BP網絡在織物染色配色中的應用研究[D].青島：青島大學，2009. WANG W J，ZHANG B S.Research on application of BP neural networks in computer color matching for textile dyeing based on hidden layer improvement[D].Qingdao：Qingdao U－niversity，2009（in Chinese）.

[14]劉貴，于偉東.毛精紡前紡工藝參數重要性的BP網絡定量評價法[J].紡織學報，2008，29（1）：35-36. LIU G，YU W D.Quantitative evaluation method for the significanceofworstedfore-spinningparametersbasedonBPneural network[J].Journal of Textile Research，2008，29（1）：35-36（in Chinese）.

[15]李莉，張秉森.基于BP神經網絡的織物染色計算機配色方法研究[J].系統仿真技術，2006，2（4）：217-220. LI L，ZHANG B S.Research on color matching in textile dying based on BP neural network[J].System Simulation Technology，2006，2（4）：217-220（in Chinese）.

[16]武妍，張立明.神經網絡的泛化能力與結構優化算法研究[J].計算機應用研究，2002（6）：21-22. WU Y，ZHANG L M.A survey of research work on neural network generalization and structure optimization algorithms[J]. Application Research of Computers，2002（6）：21-22（in Chinese）.

Color matching in colored spun yarn based on Ga-BP neural network

MA Chong-qi，WANG Yu-juan，LIU Jian-yong，CHENG Lu
（School of Textile，Tianjin Polytechnic University，Tianjin 300387，China）

For the deficiencies of traditional color matching and color matching algorithm，BP neural network is used to predict the formula of the colored spun yarn，and the genetic algorithm is introduced to improve the BP neural network.The results show that：BP neural network can be optimized when the genetic algorithm is introduced into it，but when the test sample is contained in the training sample data，the color matching accuracy of this Ga-BP neural network is very high and the mean formula absolute error is almost 0，while when the test sample is not included in the training samples，the color matching accuracy is lower and the mean formula absolute error is 0.033，the mean color difference of the first smaple is 1.69 CMC（2∶1），and more than 1 CMC（2∶1）.

colored spun yarn；BP neural network；genetic algorithm；color matching

TS193.13

A

1671-024X（2016）06-0027-05

10.3969/j.issn.1671-024x.2016.06.005

2016-09-01

國家重點研發計劃專題（2016YFB0302801-03）

馬崇啟（1964—），男，博士，教授，主要研究方向為紡織工藝理論、紡織機電一體化技術、數字化紡織技術、紡織復合材料. E-mail：tjmcq@tjpu.edu.cn