【技术实现步骤摘要】
基于长短期记忆神经网络的混合染液浓度光谱检测方法
[0001]本专利技术属于染料浓度检测方法
，具体涉及基于长短期 记忆神经网络的混合染液浓度光谱检测方法。
技术介绍
[0002]我国的纺织染料制造业是伴随着下游纺织印染工业的发展而不 断成长的。印染行业整体效益提升一方面得益于规模化发展，另一 方面得益于染料浓度检测技术的突破。在生产过程中，染液中染料 浓度的检测关系着整个印染行业的发展，高精度高效率的染液浓度 检测方法是印染行业发展的关键问题。目前，印染行业中采用的染 料浓度的普遍测定方法有分光光度法、液相色谱法和荧光分光光度 法等，但这几种方法都存在一定的局限性。液相色谱法在测定混合 染料浓度时，需要对样品进行分离，测定耗时较长，主要用于离线 分析；荧光分光光度法要求待测组分有一定的荧光量子产率，且溶 剂等共存组分对染液的荧光峰位置及强度影响很大，一般只用于极 低浓度以及无其他共存组分干扰的染液的测定；分光光度是在目前 所存检测方法中最常用的染液检测方法，它通过分光光度计测定染 液吸光度的变化，可实现对染色过程的实...
【技术保护点】
【技术特征摘要】
1.基于长短期记忆神经网络的混合染液浓度光谱检测方法，其特征在于，具体包括以下步骤：步骤1，配制不同浓度的混合染液，得到原始染液数据；步骤2，使用工业相机，在不同的光源及不同的曝光时间下，采集步骤1中原始染液数据的图像信息并记录；步骤3，将经步骤2后得到的数据进行横向DBSCAN聚类，聚类完成后得到k类数据；步骤4，将聚类后的每类数据进行预处理；步骤5，将预处理后的每一类数据分别划分训练集与验证集，训练集与验证集的比例为10∶1；步骤6，采用长短期记忆神经网络算法来建立模型，并对模型进行训练，得到最优预测模型；步骤7，利用步骤6训练完成的最优预测模型对测试集数据进行检验预测。2.根据权利要求1所述的基于长短期记忆神经网络的混合染液浓度光谱检测方法，其特征在于，所述步骤1中，具体为：选择3BF、3RF、2GF的染料分别配制成不同组分的染液；其中，选取染料2GF配制单组分染液；选取2GF、3RF配制双组分染液；选取2GF、3RF、3BF配制三组分染液；将每种组分染料各配制成10种不同浓度档次的母液；并将配制好的三类母液各有10种不同浓度档次相互组合，形成100种不同染料配比，即可得到原始染液数据。3.根据权利要求1所述的基于长短期记忆神经网络的混合染液浓度光谱检测方法，其特征在于，所述步骤2中，具体为：将所有的原始染液数据分别滴在图像采集设备的玻璃皿上，采用R100、B100、G100三种不同的背光光源，再分别设定多种曝光时间，其中选择1000μs、2500μs、5000μs、10000μs、20000μs、40000μs、80000μs、120000μs、200000μs作为曝光时间，对于三种光源下的9种曝光时间下的染液，分别采集图像中的R、G、B值，这样每种混合染液便采集到81组数值，将其作为原始数据。4.根据权利要求3所述的基于长短期记忆神经网络的混合染液浓度光谱检测方法，其特征在于，所述步骤4中，具体为：步骤4.1，首先对每一类数据进行z
‑
score标准化处理，将数据按公式(1)进行缩放，使之落入[
‑
1,1]这样一个特定区间，经过标准化后处理过后的数据符合标准正态分布，即均值为0，标准差为1；其中，μ为所有数据的均值，σ为所有数据的标准差；x与x
*
分别是原始数据与经标准化处理后得到的数据；步骤4.2，数据经过标准化处理后，紧接着构造二次多项式，将81组数值特征进行二次多项式构造，最终构造出3402个特征。5.根据权利要求4所述的基于长短期记忆神经网络的混合染液浓度光谱检测方法，其特征在于，所述步骤6中，具体为：步骤6.1，构建LSTM神经网络，包括输入层、隐藏层、输出层；设置最大纪元，隐藏层数及每层的神经元数，设置输出层数及其神经元的数量；
步骤6.2，隐藏层的LSTM神经元单元结构内部由三个门进行信息存储的控制，分别是输入门、遗忘门和输出门，计算当前神经元的输入门、遗忘门、输出门的权值及当前记忆候选值；计算当前神经元的隐藏状态和记忆状态，传递到下一个神经元，并更新细胞状态；遗忘门决定是否保留或者删除memory中的信息，...
【专利技术属性】
技术研发人员：朱磊，金楠，张彤，王一川，刘娇娇，文苗青，晁冰，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。