基于Ga-BP神经网络的色纺纱配色

马崇启，王玉娟，刘建勇，程 璐

（天津工业大学 纺织学院，天津 300387）

基于Ga-BP神经网络的色纺纱配色

马崇启，王玉娟，刘建勇，程 璐

（天津工业大学 纺织学院，天津 300387）

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，并用遗传算法对其进行改进.结果表明：将遗传算法引入到BP神经网络，可优化BP神经网络配色模型;测试样本包含在训练样本中时，预测配方精度非常高，配方绝对误差均值几乎为0；而测试样本不包含在训练样本中时，预测配方精度较低，配方绝对误差均值为0.033，初次打样色差均值为1.69 CMC（2∶1），大于1 CMC（2∶1）.

色纺纱；BP神经网络；遗传算法；配色

色纺纱配色是对两种或两种以上已着色纤维的选择、组合及均匀混色，获得与目标色（设计色或者客户来样）一致的颜色效果[1].传统配色主要依靠人工经验，然后进行打样，费时费力[2]，不符合色纺纱小批量、多品种、快交货的生产特点[3].随着科技的发展，计算机配色技术已广泛应用于化工、纺织服装、涂料等领域[4].所谓计算机配色，就是通过测色仪测试一系列样品的颜色值相关数据，用于建立基础数据库，之后就可以对混色纱进行配色，并计算出其他相关的色度参数[5].目前用于计算机配色软件的配色方法有Kubelka－Munk理论、Friele算法和Stearns-Noechel算法[6-8]，Kubelka－Munk理论是建立在一些假设条件上的，这些假设条件在现实中很难实现[9]，Friele算法和Stearns-Noechel算法中有一个未知参数需要确定[10-12]，不同纤维材料的参数不同，对配色结果影响较大.近些年有许多学者将神经网络引入色纺纱配色算法中[13-15]，所用神经网络大多为以BP神经网络为基础进行的改进算法.本文利用基于遗传算法的神经网络，对色纺纱进行配色，并对配色结果进行了分析.

1 实验部分

1.1 原料与纺纱过程

实验所用红色、黄色、蓝色原液着色粘胶纤维均为博拉彩虹纤维有限公司提供，纤维长度为38 mm，细度为1.6 dtex.

将红、黄、蓝3种黏胶纤维分别在XFH型小型和毛机上进行开松；然后按照不同混色比人工进行充分混合，混色纤维团总克重为15 g/m2；将混色纤维团在DSCa-01型数字式梳棉机上反复梳理3次，制成纤维网；将纤维网在DSDr-01型数字式并条机上并和3遍，牵伸成20 g/5 m的熟条；将熟条在DSRo-01型数字式粗纱机上牵伸成500 g/m的粗纱，捻系数为80；接着在DSSp-01型数字式细纱机上将粗纱纺成30 tex的细纱，捻度为60捻/10cm；再在Y381A型摇黑板机上将细纱绕在自制6 cm×22 cm（长度以适合摇黑板机为准，宽度以满足测色为准）的纸板上；最后在Datacolor SF600测色仪上进行测色.混色纤维质量比如表1所示.

表1 混色纤维质量比Tab.1 Proportion of blended fibers

1.2 测色过程

测色过程选取大孔径、包含镜面光泽、100%UV（滤镜off）的测色条件，以及D65、10°视角的观察条件，分别对纱线板正反面进行横向和垂直2个方向、不同部位进行测色，直至最终颜色偏差小于0.1，记录下该色样的31个反射率值（400～700 nm，间隔10 nm）.

红、黄、蓝3种单色纤维纯纺纱的色度参数如表2所示.

表2 单色纤维的色度参数Tab.2 Colorimetric coordinates of colored fibers

表2中，L*表示颜色的明度，其值为0（黑色）～100（白色），越接近0表示颜色越暗，越接近100表示颜色越亮；a*表示颜色的红绿色调，其值为正表示颜色偏红或不够绿，为负表示偏绿或不够红；b*表示颜色的黄蓝色调，其为正表示颜色偏黄或不够蓝，为负表示偏蓝或不够黄；C*为彩度，表示颜色的鲜艳程度，低彩度颜色即灰色的C*值略大于0，高彩度颜色的C*值为70～90；h°为色相角，指在L*a*b*颜色空间中以轴为基点，沿逆时针方向旋转的角度，其值表示不同的颜色.

2 神经网络模型的建立

1986年美国加利福尼亚大学PDP小组提出一种多层前馈网络模型，因其学习是通过误差反向传播算法（back propagation）来实现的，因此得名为BP神经网络，是目前应用最多的神经网络之一.BP神经网络一般含有一个输入层、一个输出层和若干个隐层，但是一个隐层足以实现大多数非线性拟合，而盲目增加隐层数目只会增加结构的复杂性，降低学习速度.因此，本文建立一个3层的BP神经网络，其结构模型如图1所示.

图1 神经网络模型Fig.1 Model of neural network

2.1 神经元的确定

输入的数据为色样不同波长下的31个反射率值，因此输入层节点数为31；输出的数据为该混色样的单色纤维质量比，又因为单色纤维有3种，因此输出层节点数为3；隐层节点数对神经网络的预测精度有很大的影响，节点数过少，会造成“欠拟合”，节点数过多，则会造成“过拟合”.隐层节点数的确定一般根据经验公式确定，如公式（1）和公式（2）所示：

式中：m为输入层节点数；n为输出层节点数；S为隐层节点数；c为0～10之间的常数.

由公式（1）计算得到隐层节点数为12，由公式（2）计算得到的隐含层节点数范围为5～16.通过对比隐含层节点个数8、12、15，最终确定隐含层12时收敛速度较快，配方精度较高，因此最终建立一个31-12-3结构的BP神经网络.

2.2 模型的实现

该神经网络利用MATLAB2010中的神经网络工具箱实现运算，隐含层采用tansig函数作为传递函数，输出层采用purelin函数作为传递函数，训练最大步长为5 000步，精度目标为1.0×10-3，学习率为0.01.因色样反射率值较大，因此要先进行归一化处理，归一化函数采用premnmx函数.

2.3 评价指标

神经网络计算出的配方加和不为1，因此要进行归一化处理，即用单个配方除以所有配方的加和.归一化之后，求每个混色样的各个单色样拟合配方与真实配方绝对误差，即：

式中：mC为拟合配方；C为真实配方，以每个色样的红、黄、蓝3个单色拟合配方中最大的绝对误差来评定拟合效果的好坏.

3 神经网络模型的训练

考虑到BP神经网络求最优问题的方法是梯度下降法，因此就会出现陷入局部最小区、对参数选择较敏感及学习速度慢等问题，而遗传算法则对目标函数既不要求连续，也不要求可微，仅要求该问题可计算，而且它的搜索始终遍及整个解空间，容易得到全局最优解，因此本文采用遗传算法对上述BP神经网络算法进行改进，得到Ga-BP神经网络，算法步骤如下：

（1）利用Matlab随机产生初始种群，其中每个个体染色体采用实数编码，并且每个个体对应着权值和阀值；

（2）计算初始群体中的每个个体适应度；

（3）根据上述遗传算法的方法进行选择、交叉、变异操作，产生下一代种群；

（4）重复（2）（3）步，直到满足适应度，或者终止条件，从而得到通过神经网络优化后的网络的连接权值和阀值；

（5）将经过遗传算法优化后的网络权值和阀值作为BP算法的网络初始权值和阀值，转入到对神经网络的训练上.

从36个试样中挑出编号为偶数的试样，作为训练样本，对建立好的模型进行训练；对比不同的学习算法对拟合结果的影响.BP神经网络训练过程如图2（a）所示，Ga-BP神经网络训练过程如图2（b）所示.

由图2可知，Ga-BP神经网络7步即达到了训练精度目标，训练时间较短，而BP神经网络在5 000步时，还没有到达训练精度目标，显然，将遗传算法引入到BP神经网络，可以大大提高其运算效率和精度.

图2 BP神经网络和Ga-BP神经网络训练过程Fig.2 Training process of BP and Ga-BP neural network

4 神经网络模型泛化能力验证

在实用中，泛化（Generalization）能力，即网络识别训练集合以外样本的能力，被认为是衡量神经网络性能的最重要指标，没有泛化能力的网络是没有实用价值的，如何将其有效地提高已成为最受关注的问题之一，本文对Ga-BP神经网络的泛化能力进行了讨论[16].

4.1 验证样本的配色结果与分析

选取36个试样中编号为奇数的试样作为验证样本，利用训练好的模型进行配色，得出的拟合配方如表3所示，拟合误差分布如图3所示.

表3 验证样本配色结果Tab.3 Color matching result of validation sample

图3 验证样本拟合配方绝对误差箱线图Fig.3 Absolute error boxplot of validation samples′fitting formula

由图3可看出，验证样本的拟合配方绝对误差较集中，总体较小，主要分布在0.013 1～0.078 1之间，中位数为0.033，可以满足配色要求，但个别配方误差还较大，如图4所示.

图4 验证样本拟合配方绝对误差散点图Fig.4 Absolute error scatter diagram of validation samples′fitting formula

从验证样本中抽出最大绝对误差为0.018 7、0.025 1和0.031 8的3组拟合配方进行打样，并计算出相应纺样与标样的色差，结果如表4所示.

表4 打样验证结果Tab.4 Verification results of spining small sample

由表4可以看出，由于操作误差和机械误差等原因，6个试样初次打样色差均值为1.69 CMC（2：1），大于1，不符合企业对色纺纱的配色要求.虽然可以通过后续修色使色差减小，但是为了减少重复打样次数，还需优化算法，提高泛化能力.

4.2 扩充训练样本容量后的验证样本配色结果

既然神经网络具有人工智能的特性，那么它对训练的数据应该有较高的识别能力，因此扩充训练样本容量，使得验证样本包含其中，那么应该有更好的配色效果.对此进行验证计算，其配色结果如表5所示.

表5 扩充训练样本容量后的验证样本配色结果Tab.5 Color matching result of training sample after expended training sample volume

训练样本扩充前后，验证样本配色结果对比情况如图5所示.

图5 训练样本容量扩充前后验证样本配色结果对比Fig.5 Comparison of validation sample matching color resultes between former and latter the training samples volume expended

由图5可以看出，与扩充前相比，训练样本容量扩充，验证样本配色误差小很多，这是验证样本包含在训练样本中，参与了网络训练过程的原因.在实际配色中，如果要配色的试样，正好包含在训练样本中，那么它的配色精度将非常高.因此，要提高神经网络的配色精度，可以扩充训练样本容量，使更多的试样包含在训练样本中.

5 结束语

将遗传算法引入BP神经网络，神经网络训练模型得到大大优化，然而，在配色精度方面，当需要计算的样本包含在训练样本中时，由于Ga-BP神经网络强大的反馈能力，该神经网络模型对色纺纱配方的预测配方精度非常高，拟合配方绝对误差均值为0；但如果不包含在训练样本中时，则配色精度稍差，拟合配方绝对误差均值为0.033，初次打样色差均值为1.69 CMC（2：1），大于1CMC（2：1）.因此，可通过提高这种基于遗传算法的BP神经网络的泛化能力，或扩充训练样本容量，来提高配色精度.

[1]沈加加，胡英杰，刘伟，等.基于Friele模型的色纺纱光谱配色研究[J].针织工业，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]桂亚夫.色纺打样技术探讨[J].棉纺织技术，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.色纺纱配色方法改进初探[J].上海纺织科技，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]周炜，李卫东.国内外电脑测色仪的发展现状[J].上海纺织科技，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.彩色纤维配色方法研究初探[J].聚酯工业，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]许佳艳.涤棉双组份纤维混色计算机辅助配色的研究[D]，杭州：浙江理工大学，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，张秉森.基于隐层改进的BP网络在织物染色配色中的应用研究[D].青岛：青岛大学，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]刘贵，于伟东.毛精纺前纺工艺参数重要性的BP网络定量评价法[J].纺织学报，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，张秉森.基于BP神经网络的织物染色计算机配色方法研究[J].系统仿真技术，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，张立明.神经网络的泛化能力与结构优化算法研究[J].计算机应用研究，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

国家重点研发计划专题（2016YFB0302801-03）

马崇启（1964—），男，博士，教授，主要研究方向为纺织工艺理论、纺织机电一体化技术、数字化纺织技术、纺织复合材料. E-mail：tjmcq@tjpu.edu.cn