原液著色滌綸短纖維、紗線及織物的顏色預測

摘要： 為探究纖維在加工成紗線和織物之后的顏色差異，文章通過測色儀采集原液著色滌綸短纖維、紗線和織物的L、a、b值，并運用神經(jīng)網(wǎng)絡的方法實現(xiàn)纖維、紗線和織物之間的顏色預測。分別以纖維與紗線、紗線與織物、纖維與織物的L、a、b值作為網(wǎng)絡輸入和目標，比較了不同訓練算法的網(wǎng)絡性能;利用控制變量法調整神經(jīng)元數(shù)量和傳遞函數(shù)等，以最小化均方誤差與最小色差為目標，確定較合理的網(wǎng)絡結構。結果表明：trainlm（Levenberg-Marquardt）訓練算法的網(wǎng)絡輸出與目標之間的均方誤差最小，適合作為網(wǎng)絡訓練算法。隱層神經(jīng)元數(shù)量在100時，樣本數(shù)據(jù)網(wǎng)絡輸入與隱層、隱層與輸出的傳遞函數(shù)分別為tansig和purelin時，均方誤差最小且預測與真實值之間的平均色差較小;3個訓練組的平均色差均小于0.7，表明網(wǎng)絡預測效果較好，研究結果在企業(yè)對于纖維、紗線到織物生產過程中顏色把控具有一定的參考價值。

關鍵詞： 神經(jīng)網(wǎng)絡;原液著色滌綸;均方誤差;顏色預測;色差

中圖分類號： TS101.1

文獻標志碼： A

原液著色滌綸生產過程中纖維到紗線、紗線到織物會有顏色變化，紗線、織物發(fā)生顏色變化通常并非由于纖維本身顏色改變所引起，還有諸多影響因素，如紗線粗細程度、捻度、捻向、織物結構等。目前，企業(yè)對纖維到紗線及織物的顏色變化的判斷主要依賴人工經(jīng)驗，存在主觀性且不易控制。因此，如何準確預測纖維、紗線和織物兩兩之間顏色規(guī)律對于企業(yè)生產具有實際應用價值。

關于紡織品顏色預測，國內外已有較多研究。Friele模型提出在纖維的物理混合中，混色紗反射率與單色纖維反射率必然存在某種加和關系，因此尋求最優(yōu)σ值是理論的關鍵步驟。楊瑞華［1］將Friele模型應用于多通道轉杯紡黏膠織物配色系統(tǒng)，其對數(shù)碼轉杯紡黏膠混色針織物的配方預測效果較好，能夠基本滿足生產需求。Kubelka-Munk單常數(shù)理論多用于織物配色與預測，單常數(shù)理論僅考慮了吸收系數(shù)K，簡化了計算，但丟失了色料的散射信息。Zhang等［2］提出一種改進Kubelka-Munk雙常數(shù)理論，與Kubelka-Munk理論相對值法、Stearns-Noechel模型、修正的Stearns-Noechel模型和Friele模型作色差的對照實驗，改進后的理論有較好的預測效果。Wang等［3］提出了一種Kubelka-Munk迭代模型，構建了原配色復絲顏色預測模型，建立了能夠體現(xiàn)不同顏色單絲位置排列方式的復絲幾何結構模型，為色紡紗顏色預測模型和織物幾何結構模型的構建提供思路。Sun［4］利用全色相混合模型中有色纖維的混合比可以預測成形紗的顏色，模型中有色纖維的混合比也可以通過紗線的顏色進行預測。高新等［5］分析了單常數(shù)Kubelka-Munk模型在有色纖維顏色預測方面的不足，通過標準化映射方法改善該模型的適用性，消除極端反射率對預測效果的不利影響，提高了單常數(shù)Kubelka-Munk模型對混色棉纖維的顏色預測精度。程璐等［6］提出運用反向傳播神經(jīng)網(wǎng)絡的方法對色紡紗的黑白纖維混合配色進行預測，模擬染料配色方法和基于顏色混合模型中的Kubelka-Munk雙常數(shù)理論的配色方法對黑白纖維混合配色的結果進行對比。YANG等［7］選擇了兩個常用的模型Stearns-Noechel和Friele進行修正，以提高顏色預測的準確性。Stearns-Noechel-3在修正的Stearns-Noechel模型中具有最高的精度。BP神經(jīng)網(wǎng)絡是一種機器學習方法，按照誤差逆向傳播算法訓練的多層前饋神經(jīng)網(wǎng)絡，具有計算快、精度高的優(yōu)點，能處理繁瑣的映射關系。馬崇啟等［8］針對傳統(tǒng)配色方法及配色算法存在不足之處，利用BP神經(jīng)網(wǎng)絡對色紡紗進行配方預測，擬合配方絕對誤差均值為0.033，初次打樣色差均值為1.69，準確度較高。沈加加等［9］采用BP神經(jīng)網(wǎng)絡構建色紡紗配色模型，構建的BP神經(jīng)網(wǎng)絡能夠對訓練范圍內的樣品進行準確地預測。BP神經(jīng)網(wǎng)絡用于色紡紗顏色預測方面有很高的精度。黃燁等［10］通過對纖維、紗線的反射率值規(guī)律性探索，采用遺傳算法優(yōu)化BP網(wǎng)絡建立GA-BP預測模型，將遺傳算法的全局搜索能力和BP神經(jīng)網(wǎng)絡的局部尋優(yōu)能力相結合，從而獲取最優(yōu)的素色紗線顏色預測結果。

本文采用原液著色滌綸纖維為原料，以其制成的紗線、織物為研究對象，運用BP神經(jīng)網(wǎng)絡方法建立生產過程中纖維與紗線、紗線與織物及纖維與織物顏色量化參數(shù)之間的規(guī)律。通過實驗測試其顏色參數(shù)，調控網(wǎng)絡結構，以最小均方誤差（Mean squared error，EMS）與色差（DEcmc）為目標，實現(xiàn)顏色預測，可為企業(yè)生產提供預測的準確性和效率。

1 實 驗

1.1 材料和儀器

材料：原液著色滌綸短纖維、紗線及針織物樣品（滁州霞客無染彩色紡有限公司），纖維規(guī)格為長度38 mm、線密度為1.5 dtex;紗線線密度為32支，捻向為Z捻，捻度為1 m內1 810個捻回;針織物線圈長度約為2.5 cm，平方米質量200 g/m2。

儀器：Datacolor 1050測色儀（美國Datacolor公司）。

1.2 顏色參數(shù)的采集

通過Datacolor 1050測色儀采集得到由企業(yè)生產的288組原液著色滌綸短纖維、紗線和針織物的L、a、b值。其中L值代表亮度，L越大，亮度越高;a值代表從綠色到紅色的分量，a值越正越紅，越負越綠;b代表從藍色到黃色的分量，b值越正越黃，越負越藍。其中可見光范圍400～700 nm、CIELAB標尺、D65光源、10°測量、超小測量孔徑4 mm。每個樣品沿45°旋轉，共測試8次，取8次平均值。圖1為從288組樣品中隨機選擇的12組樣品，每組樣品從左到右分別是纖維、紗線及針織物的實物。由圖1可以明顯看出，纖維在加工成紗線，以及紗線加工成針織物后，存在明顯的顏色差異。

1.3 神經(jīng)網(wǎng)絡構建

1.3.1 BP網(wǎng)絡結構

圖2為BP神經(jīng)網(wǎng)絡結構，處理信息的單元一般分為：輸入（Input）、隱層（Hidden Layer）和輸出層（Output Layer）。在前向傳遞中，輸入信號從輸入節(jié)點開始逐層處理，直至輸出（Output）。如果得不到期望輸出，則轉入反向傳播，BP神經(jīng)網(wǎng)絡能不斷修正各層網(wǎng)絡權值（W）和偏置值（b）以使誤差達到最小，充分逼近期望輸出。根據(jù)研究需要，本實驗一共構建了3個神經(jīng)網(wǎng)絡，分別用于由纖維顏色預測紗線顏色、由紗線顏色預測織物顏色及由纖維顏色預測織物顏色。

1.3.2 網(wǎng)絡輸入與目標

實驗共測得288組纖維、紗線和織物樣本的L、a、b數(shù)據(jù)。為增加網(wǎng)絡的泛化性能，通過添加噪聲的方式，即以288組原始數(shù)據(jù)為基準并進行±2%偏移，將數(shù)據(jù)擴充到1 000組。將數(shù)據(jù)按照8︰1︰1劃分為訓練組共800組樣品，驗證組共100組樣品，測試組共100組樣品。其中訓練組參與網(wǎng)絡訓練，即通過訓練樣本，網(wǎng)絡不斷學習并調整網(wǎng)絡權重和偏置值，從而減小網(wǎng)絡輸出和目標的誤差，以提升網(wǎng)絡性能。驗證組數(shù)據(jù)的作用是實時監(jiān)測網(wǎng)絡性能，及時停止訓練，使網(wǎng)絡權值和偏置值保持在合理的數(shù)值。測試組用于在訓練完成后對網(wǎng)絡模型進行測試，測試組數(shù)據(jù)并不參與網(wǎng)絡訓練，因此用于評估網(wǎng)絡性能及泛化能力更為可靠。實際網(wǎng)絡訓練時分別將纖維組作為輸入，紗線組作為目標;紗線組作為輸入，織物組作為目標;纖維作為輸入，織物作為目標。本文以纖維—紗線組為例，輸入是纖維組的L、a、b值，輸出是紗線組的L、a、b值。

1.3.3 網(wǎng)絡數(shù)據(jù)預處理

神經(jīng)網(wǎng)絡的輸入與目標均為真實L值、a值和b值，而網(wǎng)絡的輸出則是預測值。其中L值的范圍為［0，100］，a和b值的取值范圍為［-128，127］。為了減少偏差較大樣本數(shù)據(jù)對網(wǎng)絡訓練結果性能的影響，需要將輸入和輸出參數(shù)規(guī)范在0～1，其計算公式如下：

y=（x-xmin）xmax-xmin（1）

式中：x為原值，y為規(guī)范化值，分別對應原值x的最大和最小值。

例如輸入L值原值為39.88、50.88、51.70、49.13、45.57，其對應的最大和最小值分別為51.70和39.88，那么經(jīng)式（1）后，規(guī)范化值為0、0.93、1、0.84、0.54。

1.3.4 訓練參數(shù)與網(wǎng)絡性能評定

設定網(wǎng)絡訓練參數(shù)：學習目標為1×10-5，學習率為001，最大訓練參數(shù)為1 000次。

均方誤差EMS是常用評定網(wǎng)絡性能的指標之一，即計算模型預測值與實際值之間差異，用于評估模型在給定數(shù)據(jù)上的擬合程度，該值越小網(wǎng)絡性能越好，其計算式公式如下：

E=1m∑mi=11k∑kj=1（y-y）2（2）

式中：m為訓練樣本個數(shù)，k為輸出個數(shù)，y、y分別為第i個樣本的第j個的預測值與實際值。

色差DEcmc也是評價網(wǎng)絡性能的指標，CMC（2︰1）色差公式是作為紡織行業(yè)計算顏色差異的重要指標，紡織品色差具體計算公式如下：

DEcmc=ΔLlSL2+ΔCcSC2+ΔHSH212（3）

式中：DEcmc為色差值，ΔL、ΔC、ΔH分別為明度差、飽和度差、色相差;SL、SC、SH分別為ΔL、ΔC、ΔH的加權系數(shù);l=2，c=1［11］。

2 結果與分析

2.1 訓練算法對網(wǎng)絡性能的影響

MatLab軟件的神經(jīng)網(wǎng)絡工具箱可以方便地建立并訓練一個網(wǎng)絡，工具箱提供多種不同的傳遞函數(shù)及訓練算法。設置隱藏層神經(jīng)元數(shù)量為10時，激活函數(shù)和傳遞函數(shù)分別為tansig+purelin，訓練算法分別為trainlm、trainrp、traingda、traincgf、traincgp、traincgb、traincgb、traingdx時觀察EMS的變化，每次訓練10次，10次訓練結果平均EMS如圖3所示。

由圖3可以看出，traingda和traingdx算法不僅平均EMS較大，分別約為47.8和34，且標準差大，其值明顯較其他6種算法大，說明用這兩種算法，網(wǎng)絡的輸出值與目標值差異較大，即網(wǎng)絡性能較差。而算法為trainlm時，其網(wǎng)絡輸出與目標之間的EMS最小，約為3.1，且標準差較小，說明網(wǎng)絡性能最好且網(wǎng)絡性能比較穩(wěn)定。其余5種訓練算法的EMS介于4.47～6.45，網(wǎng)絡性能和穩(wěn)定性差異不大。因此，使用trainlm算法作為網(wǎng)絡訓練算法比較合適。

2.2 網(wǎng)絡結構對網(wǎng)絡性能的影響

2.2.1 神經(jīng)元數(shù)量

影響網(wǎng)絡性能的網(wǎng)絡結構主要包括神經(jīng)元數(shù)量和傳遞函數(shù)。在其他網(wǎng)絡結構不變時，調節(jié)并選擇最適合的神經(jīng)元數(shù)量以滿足最小均方誤差EMS及訓練的高效性。以纖維組作為輸入端，紗線組作為輸出端，訓練算法為trainlm，網(wǎng)絡傳遞函數(shù)為tansig和purelin下，設定神經(jīng)元數(shù)量分別為10、40、70、100時，得到其網(wǎng)絡輸出與目標之間的均方誤差。訓練結果如圖4所示。

由圖4可以看出，在神經(jīng)元數(shù)量S=100時網(wǎng)絡效果較好，其平均EMS約為1.2。而神經(jīng)元數(shù)量超過100時，由于網(wǎng)絡訓練速度較慢，及降低均方誤差效果不太明顯，故不再繼續(xù)增加神經(jīng)元數(shù)量。由表1可知，神經(jīng)元數(shù)量為100時其EMS均值、EMS標準差和DEcmc均較小，表明BP網(wǎng)絡此時較穩(wěn)定且預測效果較好。

2.2.2 傳遞函數(shù)

MatLab神經(jīng)網(wǎng)絡工具箱提供了多種類型傳遞函數(shù)，如tansig、logsig、purelin、compet、radbas、hardlim等，其中較為常用的是tansig、logsig和purelin。為考察傳遞函數(shù)對網(wǎng)絡性能的影響，網(wǎng)絡輸入與隱層、隱層與輸出層的傳遞函數(shù)分別按照組合tansig+purelin（組合1）、tansig+tansig（組合2）、logsig+logsig（組合3），網(wǎng)絡性能如表2所示。其中對稱S型傳遞函數(shù)、對數(shù)S型傳遞函數(shù)和線性傳遞函數(shù)的表達式分別如下：

tansig（x）=21+e-2x-1（4）

logsig（x）=11+e-x（5）

y=x（6）

由表2可以看出，纖維—紗線組，纖維—織物組和紗線—織物組，均以組合1（tansig+purelin）作為網(wǎng)絡輸入與隱層、隱層與輸出層的傳遞函數(shù)時，EMS均值、EMS標準差較小，網(wǎng)絡穩(wěn)定且預測效果較好，真實色差（DEcmc）也較小，表明預測顏色與實際顏色相近。

2.3 纖維到紗線的預測結果分析

在神經(jīng)元數(shù)量為100時，網(wǎng)絡輸入與隱層、隱層與輸出的傳遞函數(shù)分別為tansig和purelin時，將數(shù)據(jù)組的預測值和真實值顏色作對比。其中表3、表4分別為纖維—紗線組部分測試組和訓練組L、a、b值及色差，即隨機選取了15個樣本，按照色差較大（前5個）、一般（中間5個）、色差較小（后5個）劃分數(shù)據(jù)。由表3、表4可以看出，測試組中色差較大的樣本色差在1.60～2.26，其中測試組60號樣品的色差較大，主要在于b值的差異較大，真實顏色相較于預測顏色偏藍。色差較小的樣本色差在0.06～0.17，其中測試組61號樣品的色差較小，僅有0.06，L、a、b值比較接近。訓練組色差較大的樣本色差在1.66～2.33，其中訓練組523號樣品的色差較大，主要在于L值的差異較大，L值差值為4.71，真實顏色相較于預測顏色偏亮;色差較小的樣本色差在0.08～0.19，其中訓練組28號色差較小，僅有0.08。

2.4 纖維到織物的預測結果分析

表5、表6分別為纖維—織物組部分訓練組及測試組樣本L、a、b值及色差，同樣隨機選取了15個樣本為代表，可看出測試組中色差較大的樣本色差在1.28～3.00，其中測試組47號樣品色差較大，主要在于b值差異較大，真實顏色值相較于預測顏色值偏黃。色差較小的樣本色差在0.09～0.18，如測試組56號樣品色差較小，僅有0.09。訓練組色差較大的樣本色差在1.71～2.96，其中訓練組228號樣品的色差較大，主要在于L和b值的差異較大，真實顏色相較于預測顏色偏暗及偏藍;色差較小的樣本色差在0.07～0.15，其中訓練組6號色差較小，僅有0.07。

2.5 紗線到織物的預測結果分析

表7、表8分別為紗線—織物組部分訓練組及測試組樣本L、a、b值及色差，同樣隨機選取了15個樣本為代表，可看出測試組中色差較大的樣本色差在1.68～3.60，其中測試組4號樣品色差較大，L、a、b值均有不同程度差異，導致總色差較大。色差較小的樣本色差在0.08～0.14，其中測試組98號色差較小，僅有0.08。訓練組色差較大的樣本色差在2.42～359，其中訓練組18號樣品的色差較大，其L、a、b值差異均較大;色差較小的樣本色差在0.10～0.15，其中訓練組2號的色差較小，僅有0.10。

2.6 真實與預測顏色對比

將3個組共計90個樣品的真實顏色和預測顏色進行對比，如圖5所示，每個樣品左下側為樣品真實顏色，右上角為樣品預測顏色。由圖5可見，每組樣品左側5對樣品顏色差異稍大，右側5對樣品的顏色差異很小，幾乎沒有差別，中間5對樣品顏色差異介于上述之間。

經(jīng)計算得到測試組纖維—紗線、纖維—織物、紗線—織物的平均色差依次為0.58、0.64、0.69，而訓練組的平均色差依次為0.49、0.49、0.54。測試組為未經(jīng)網(wǎng)絡訓練的樣品，其色差和訓練組接近，說明網(wǎng)絡具有較好的魯棒性。同時從色差規(guī)律來看，紗線—織物組平均色差相較于其他兩組較大，纖維—紗線組平均色差較小。綜合上述結果說明，BP神經(jīng)網(wǎng)絡預測模型對于纖維、紗線和織物兩兩之間的顏色預測具有良好的可行性和準確性。

3 結 論

通過3個BP神經(jīng)網(wǎng)絡建立了原液著色滌綸短纖維、紗線、織物三者顏色上的聯(lián)系，運用控制變量法對不同BP神經(jīng)網(wǎng)絡結構進行了對比與分析，得出了以下結論：

1） 以trainlm、trainrp、traingda等8種訓練算法，對比了神經(jīng)元數(shù)量分別為10、40、70、100時網(wǎng)絡的預測效果，結果表明以trainlm作為訓練算法，神經(jīng)元數(shù)量為100且網(wǎng)絡輸入與隱層、隱層與輸出的傳遞函數(shù)分別為tansig和purelin時，網(wǎng)絡的EMS均在1.20以下，色差在0.52～0.64，網(wǎng)絡具有較好的預測效果。

2） 經(jīng)訓練后的網(wǎng)絡用于原液著色滌綸短纖維、紗線、織物間顏色的測試組平均色差均小于0.7，說明網(wǎng)絡具有較好的顏色預測準確性。

以上結果表明，構建的BP神經(jīng)網(wǎng)絡對于L、a、b值預測具有一定的可行性，后續(xù)還將繼續(xù)增加訓練樣本提高預測的準確性，以期為企業(yè)把控纖維、紗線到織物生產過程中顏色規(guī)律提供參考。

參考文獻：

［1］楊瑞華. 多通道轉杯紡羊毛混色織物的Friele模型［J］. 服裝學報， 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， 高衛(wèi)東. 基于單常數(shù)Kubelka-Munk理論的棉纖維顏色預測［J］. 絲綢， 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， 馬崇啟， 王玉娟. 麻灰紗中色纖維混合模型運用［J］. 紡織學報， 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］馬崇啟， 王玉娟， 劉建勇. 基于Ga-BP神經(jīng)網(wǎng)絡的色紡紗配色［J］. 天津工業(yè)大學學報， 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神經(jīng)網(wǎng)絡的色紡紗配色［J］. 紡織學報， 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］黃燁. 基于GA-BP神經(jīng)網(wǎng)絡對原液著色纖維素色紗線的顏色預測［D］. 天津： 天津工業(yè)大學， 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