一种基于数据驱动的纺织印染智能配色方法技术

本发明专利技术涉及一种基于数据驱动的纺织印染智能配色方法，属于纺织印染技术领域。本发明专利技术提供的方法围绕机器学习中的有监督学习，设计一种基于非线性回归与决策树(Decision Tree)模型相结合的算法预测目标色样的所需配方，并建立二次回归误差修正模型，提高染料预测值的精度。本发明专利技术方法以企业提供印染实验数据为基础，构建学习模型，具有较强的稳定性与准确度。

【技术实现步骤摘要】
一种基于数据驱动的纺织印染智能配色方法
本专利技术涉及一种基于数据驱动的纺织印染智能配色方法，属于纺织印染

技术介绍
纺织业在我国经济中占有巨大的市场，而织物印染技术是纺织行业技术发展的关键之一。近年来，随着电子技术，计算机技术以及数学、物理等学科的发展，自动化配色开始出现在纺织品配色领域，其高精度、高效率的特性为印染配色带来巨大的发展空间。传统的计算机配色系统为围绕配色基本理论：三刺激值理论与色料混合理论。现有自动配色方法利用直接对大量实验数据进行数值分析，进而得出目标色样特征值与各染料用量的关系。例如使用多元线性回归，建立染料质量浓度与颜色特征的多元回归模型；利用BP神经网络训练模型，进行配方预测等。随着织物印染技术的进一步发展，本
需要更加稳定与准确的方法，提高染料预测值的精度。
技术实现思路
本专利技术的目的是为解决提高染料预测值精度的技术问题。为达到解决上述问题的目的，本专利技术所采取的技术方案是提供一种基于数据驱动的纺织印染智能配色方法，包括以下步骤：步骤1：预测配方所需染料集合：处理原始印染数据，得到不同染料名集合；根据集合对各个染料构建决策树模型，以目标色样的LAB值作为模型输入值，得出预测信息：配方中是否需要当前染料；最终得出配方所需的染料名集合；步骤1的主要子过程包括：步骤1.1：处理原始印染数据，将不同的染料名称标志存储为列表；步骤1.2：遍历染料列表，对每一种染料与原始印染数据再做以下操作：步骤1.2.1：定义标签数组label[]；步骤1.2.2：准备训练数据：遍历原始印染数据，提取第i条数据，即一个配方中所需染料集合，若存在当前染料，则将label[i]置为1，否则置为0，得到一个与原始印染数据对应的label数组；最终得到训练数据：将配色结果色样的LAB值作为特征值，label数组作为目标值；步骤1.2.3：选取决策树最大深度参数(max_depth)：使用决策树分离器构造决策树模型，选取熵作为模型标准参数；遍历1-10间的整数，以模型得分score为评判标准，选取使score最高的数作为max_depth参数；步骤1.2.4：训练决策树模型：根据步骤1.2.3中所得最大深度参数max_depth，使用训练数据构建决策树模型；步骤1.2.5：将当前决策树模型序列化，存储为pkl格式的文件；步骤1.2.6：将输入的目标色样LAB值作为预测特征，模型自动判断是否需要当前染料；步骤1.3：将所有需要的染料形成配方所需染料集合(dyeList)；步骤2：预测配方中各染料比例值：处理原始印染数据，得到不同的配方集合；选取与步骤1中结果一致的数据集作为训练数据，构建非线性回归模型，以目标色样的LAB值作为模型输入值，计算各类染料所需的比例值；步骤2的主要子过程包括：步骤2.1：准备训练数据：依据步骤1所得配方所需染料集合dyeList，读取对应存储该配方数据的文件，将配色结果色样的Lab值作为特征值，当前染料对应所需比例值作为目标值；步骤2.2：划分数据集：使用train_test_split方法将数据集划分为训练集(train_val)与测试集(test)，其中测试集占数据总量的0.2，再将训练集(train_val)划分为2份(train与val)，其中val数据集占train_val数据总量的0.3；步骤2.3：构建非线性双曲回归模型，回归得出配方内当前染料所需比例值；步骤2.3.1：分别对特征值与目标值标准化；步骤2.3.2：模型使用RBF核函数，利用网格搜索(GridSearchCV)选取最优参数：将惩罚系数C选择列表设为[1e1,1e2,1e3,1e4],核函数系数gamma；步骤2.3.3：将训练数据集用于当前模型训练；步骤2.3.4：将val数据集用以模型预测，求出一次回归模型预测误差数组y_val_error：测试集y_val-预测值y_val_pre；步骤2.3.5：将当前一次回归模型序列化，存储为pkl格式文件；步骤2.4：构建二次支持向量回归模型，对误差进行修正：步骤2.4.1：使用改进粒子群算法(PSO)，参数设置为：惯性权范围：w_max＝0.9,w_min＝0.4，参数范围max_value＝20,min_value＝0.0001；步骤2.4.2：构建双曲模型：在当前参数组合(C，gamma)下，使用将val数据集中配色结果色样的Lab值作为特征值，以上得到的y_val_error数组作为预测值，来训练该模型；步骤2.4.3：计算适应度函数值，两次回归模型预测值的误差：test数据集分别用到两个回归模型中，得出的总体预测值y_pre＝一次SVR的配料预测值y_test_pre+误差预测值y_error_pre；将error＝实际值y_test-总体预测值y_test作为适应度函数；步骤2.4.4：粒子群位置更新：调节惯性权重公式：学习因子公式：其中，k为当前迭代次数，kmax为最大迭代次数；根据error不断优化选取最佳参数，使error最小；步骤2.5：将输入的目标色样Lab值作为预测特征，经一次回归模型和以上最佳参数组合得出的二次误差回归模型，预测当前染料所需比例值；将当前二次误差回归模型序列化，存储为pkl格式文件；步骤2.6：根据步骤1预测的配方所需染料集合dyeList，对集合中每种染料，从步骤2.1开始处理数据、训练模型、预测，最终得到一个配料用量表usageList。本专利技术的目的在于提供一种基于原始印染配色数据驱动，使用机器学习相关模型，预测目标色样所需配方，实现计算机自动配色的方法。相比现有技术，本专利技术具有如下有益效果：本方法围绕机器学习中的有监督学习，设计一种基于非线性回归与决策树(DecisionTree)模型相结合的算法预测目标色样的所需配方，并建立二次回归误差修正模型，提高染料预测值的精度；本专利技术方法以企业提供印染实验数据为基础，构建学习模型，具有较强的稳定性与准确度。附图说明图1为本专利技术利用决策树算法预测使用配料的模型学习与预测流程图；图2为本专利技术利用SVR预测配料所需用量的模型学习与预测流程图；具体实施方式为使本专利技术更明显易懂，兹以优选实施例，并配合附图作详细说明如下：如图1-2所示，本专利技术提供一种基于数据驱动的纺织印染智能配色方法，包括以下步骤：步骤1：预测配方所需染料集合：处理原始印染数据，得到不同染料名集合；根据集合对各个染料构建决策树模型，以目标色样的LAB值作为模型输入值，得出预测信息：配方中是否需要当前染料；最终得出配方所需的染料名集合；步骤1的主要子过程包括：步骤1.1：处理原始印染数据，将不同的染料名称标志存储为列表；步骤1.2：遍历染料列表，对每一种染料与原始印染数据再做以下操作本文档来自技高网...

【技术保护点】
1.一种基于数据驱动的纺织印染智能配色方法，其特征在于，包括以下步骤：/n步骤1：预测配方所需染料集合：处理原始印染数据，得到不同染料名集合；根据集合对各个染料构建决策树模型，以目标色样的LAB值作为模型输入值，得出预测信息：配方中是否需要当前染料；最终得出配方所需的染料名集合；步骤1的主要子过程包括：/n步骤1.1：处理原始印染数据，将不同的染料名称标志存储为列表；/n步骤1.2：遍历染料列表，对每一种染料与原始印染数据再做以下操作：步骤1.2.1：定义标签数组label[]；/n步骤1.2.2：准备训练数据：遍历原始印染数据，提取第i条数据，即一个配方中所需染料集合，若存在当前染料，则将label[i]置为1，否则置为0，得到一个与原始印染数据对应的label数组；最终得到训练数据：将配色结果色样的LAB值作为特征值，label数组作为目标值；/n步骤1.2.3：选取决策树最大深度参数(max_depth)：使用决策树分离器构造决策树模型，选取熵作为模型标准参数；遍历1-10间的整数，以模型得分score为评判标准，选取使score最高的数作为max_depth参数；/n步骤1.2.4：训练决策树模型：根据步骤1.2.3中所得最大深度参数max_depth，使用训练数据构建决策树模型；/n步骤1.2.5：将当前决策树模型序列化，存储为pkl格式的文件；/n步骤1.2.6：将输入的目标色样LAB值作为预测特征，模型自动判断是否需要当前染料；/n步骤1.3：将所有需要的染料形成配方所需染料集合(dyeList)；/n步骤2：预测配方中各染料比例值：处理原始印染数据，得到不同的配方集合；选取与步骤1中结果一致的数据集作为训练数据，构建非线性回归模型，以目标色样的LAB值作为模型输入值，计算各类染料所需的比例值；步骤2的主要子过程包括：/n步骤2.1：准备训练数据：依据步骤1所得配方所需染料集合dyeList，读取对应存储该配方数据的文件，将配色结果色样的Lab值作为特征值，当前染料对应所需比例值作为目标值；/n步骤2.2：划分数据集：使用train_test_split方法将数据集划分为训练集(train_val)与测试集(test)，其中测试集占数据总量的0.2，再将训练集(train_val)划分为2份(train与val)，其中val数据集占train_val数据总量的0.3；/n步骤2.3：构建非线性双曲回归模型，回归得出配方内当前染料所需比例值；/n步骤2.3.1：分别对特征值与目标值标准化；/n步骤2.3.2：模型使用RBF核函数，利用网格搜索(GridSearchCV)选取最优参数：将惩罚系数C选择列表设为[1e1,1e2,1e3,1e4],核函数系数gamma；/n步骤2.3.3：将训练数据集用于当前模型训练；/n步骤2.3.4：将val数据集用以模型预测，求出一次回归模型预测误差数组y_val_error：测试集y_val-预测值y_val_pre；/n步骤2.3.5：将当前一次回归模型序列化，存储为pkl格式文件；/n步骤2.4：构建二次支持向量回归模型，对误差进行修正：/n步骤2.4.1：使用改进粒子群算法(PSO)，参数设置为：惯性权范围：w_max＝0.9,w_min＝0.4，参数范围max_value＝20,min_value＝0.0001；/n步骤2.4.2：构建双曲模型：在当前参数组合(C，gamma)下，使用将val数据集中配色结果色样的Lab值作为特征值，以上得到的y_val_error数组作为预测值，来训练该模型；/n步骤2.4.3：计算适应度函数值，两次回归模型预测值的误差：test数据集分别用到两个回归模型中，得出的总体预测值y_pre＝一次SVR的配料预测值y_test_pre+误差预测值y_error_pre；将error＝实际值y_test-总体预测值y_test作为适应度函数；/n步骤2.4.4：粒子群位置更新：/n调节惯性权重公式：...

【技术特征摘要】
1.一种基于数据驱动的纺织印染智能配色方法，其特征在于，包括以下步骤：
步骤1：预测配方所需染料集合：处理原始印染数据，得到不同染料名集合；根据集合对各个染料构建决策树模型，以目标色样的LAB值作为模型输入值，得出预测信息：配方中是否需要当前染料；最终得出配方所需的染料名集合；步骤1的主要子过程包括：
步骤1.1：处理原始印染数据，将不同的染料名称标志存储为列表；
步骤1.2：遍历染料列表，对每一种染料与原始印染数据再做以下操作：步骤1.2.1：定义标签数组label[]；
步骤1.2.2：准备训练数据：遍历原始印染数据，提取第i条数据，即一个配方中所需染料集合，若存在当前染料，则将label[i]置为1，否则置为0，得到一个与原始印染数据对应的label数组；最终得到训练数据：将配色结果色样的LAB值作为特征值，label数组作为目标值；
步骤1.2.3：选取决策树最大深度参数(max_depth)：使用决策树分离器构造决策树模型，选取熵作为模型标准参数；遍历1-10间的整数，以模型得分score为评判标准，选取使score最高的数作为max_depth参数；
步骤1.2.4：训练决策树模型：根据步骤1.2.3中所得最大深度参数max_depth，使用训练数据构建决策树模型；
步骤1.2.5：将当前决策树模型序列化，存储为pkl格式的文件；
步骤1.2.6：将输入的目标色样LAB值作为预测特征，模型自动判断是否需要当前染料；
步骤1.3：将所有需要的染料形成配方所需染料集合(dyeList)；
步骤2：预测配方中各染料比例值：处理原始印染数据，得到不同的配方集合；选取与步骤1中结果一致的数据集作为训练数据，构建非线性回归模型，以目标色样的LAB值作为模型输入值，计算各类染料所需的比例值；步骤2的主要子过程包括：
步骤2.1：准备训练数据：依据步骤1所得配方所需染料集合dyeList，读取对应存储该配方数据的文件，将配色结果色样的Lab值作为特征值，当前染料对应所需比例值作为目标值；
步骤2.2：划分数据集：使用train_test_split方法将数据集划分为训练集(train_val)与测试集(test)，其中测试集占数据总量的0.2，再将训练集(train_...

【专利技术属性】
技术研发人员：李锋，陈彩婷，
申请(专利权)人：东华大学，
类型：发明
国别省市：上海;31