【技术实现步骤摘要】
本专利技术涉及深度学习领域，具体涉是指一种基于多模型协同的染色配方优化方法。
技术介绍
1、在传统的织物染色工艺中，确定最佳的染色配方一直是一个复杂而耗时的过程。传统方法通常依赖于试验和经验，需要大量的实验数据和操作经验，存在着浪费原材料、时间和人力的问题。而且，由于染色过程受到多种因素的影响，例如染色温度、染色时间、染料ph值等，这使得染色配方的确定更加困难。随着高光谱测色技术的发展，通过测量织物样品在不同波段上的反射率，可以获取更为详细和全面的颜色信息。同时，深度学习技术，尤其是长短时记忆网络(gru)和反向传播神经网络(bp神经网络)，在模式识别和预测方面取得了显著的进展，这为建立准确的染色配方预测模型提供了可能性。
2、本专利技术基于高光谱测色数据，通过多模型协同的方式，综合考虑颜色配比和染色参数的关联，以及历史数据的经验，构建了一个先进的染色配方优化方法。该方法利用att-gru神经网络和pso-bp神经网络相互协同，通过遗传算法优化染色参数，实现了对染色效果的准确预测和最优配方的精准优化。这种技术背景下的创新解决了传统染色配方确定过程中的不足，提高了染色效果的预测精度和优化效率，为纺织行业实现智能、高效、环保的染色生产提供了有力的支持。
3、总的来说，预测和优化染色配方不仅仅体现在提高染色效果和产品质量上，更关乎生产效率、降低成本、提升环保水平等多个方面。采用先进的技术手段，如深度学习和遗传算法的结合，为染色配方的预测和优化提供了更为科学、准确和高效的方法，对纺织行业的可持续发展具有积极的推动
技术实现思路
1、本专利技术目的是提供一种基于多模型协同的染色配方优化方法，解决了利用计算机配色困难且易受染色温度、染色时间、染液ph值等的影响导致染色效果不好，通过多模型协同优化、考虑多因素、合理构建适应度函数以及应用高光谱测色等方面的创新，实现了染色配方更加全面、精准、实用的预测及优化。
2、本专利技术采用的方案是一种基于多模型协同的染色配方优化方法，具体包括以下步骤：
3、步骤1，采集织物训练样本进行高光谱测色，获取织物样品的反射率得到原始数据；
4、步骤2，对步骤1所得到的原始数据进行预处理，将数据分为训练数据和验证数据，训练数据作为神经网络输入特征，验证数据作为训练过程中的交叉验证；
5、步骤3，将步骤2预处理后的训练数据输入到att-gru神经网络中，通过训练得到可预测颜色配比的网络模型；
6、步骤4，利用步骤3训练完成的att-gru神经网络，预测织物样本的颜色配比；
7、步骤5，采用遗传算法优化染色配方，遗传算法的适应度函数选择与pso-bp神经网络的输出相关，其中pso-bp神经网络利用工厂历史数据中的颜色配比以及实际生产过程中的染色参数输入到pso-bp神经网络中进行训练，训练完成的pso-bp神经网络用于预测在特定染色配方下的染色效果；
8、步骤6，利用步骤4得到的颜色配比以及实际生产过程中的染色参数作为输入特征，再利用步骤5所得到训练完成的pso-bp神经网络进行预测输出染色效果，通过色差评估适应度，判断是否需要进行遗传算法的迭代优化；
9、步骤7，经过步骤6，最终得到一组最优的颜色配比与染色参数用于进行染色，以达到最佳染色效果。
10、本专利技术的特点还在于，
11、步骤1具体如下：
12、步骤1.1，采集400张织物样本图片；
13、步骤1.2，利用测色仪器(datacolor 650)采集织物样本图片的高光谱数据，其中高光谱测色使用的是波段范围在400nm到700nm之间的反射率，以10nm为间隔进行取值，共可以得到31个波长下织物样本表面光谱反射率的值，即共得到400组原始样本数据，每组样本具有31个特征。
14、步骤2对步骤1得到的原始数据进行预处理，具体如下：
15、步骤2.1，去噪处理，高光谱图像可能受到光照变化、传感器噪声等因素的影响，因此需要进行去噪处理，平滑算法能够有效去除光谱内部随机误差，因此本方法采用平滑算法去除噪声；
16、步骤2.2，光谱归一化，光谱归一化可以消除数据量纲的影响，使数据指标之间具有可比性，对模型的建立至关重要，本方法采用最小-最大归一化。
17、步骤2.3，将数据划分为原始数据和验证数据，划分方法为训练数据：验证数据大致为7：3，也即350组作为训练数据，50组作为验证数据。
18、步骤3具体如下：
19、步骤3.1，设置att-gru网络模型的超参数，初始化权重参数；
20、步骤3.2，选择网络层数及隐层神经元个数；
21、步骤3.3，以步骤2得到的预处理后的原始数据作为输入特征，将输入特征输入到att-gru神经网络中的输入层，前向传播经过gru层、dropout、注意力层、全连接层后输出预测颜色配比，然后与标签值进行对比计算误差，再经过反向传播更新权重参数，其中反向传播采用adam优化方法，满足迭代次数n时，结束训练。
22、步骤4具体如下：
23、步骤4.1，获取预测数据，可通过采集样本图片经过高光谱测色得到的不同波段的反射率作为预测数据，然后进行数据预处理；
24、步骤4.2，利用步骤4.1所得到的预测数据作为输入特征，采用训练完成的att-gru模型进行预测，输出所对应的颜色配比。
25、步骤5具体如下：
26、步骤5.1，获取工厂的历史数据，包括颜色配比、染色温度、染色时间、染料ph值以及对应达到的染色效果，以颜色配比、染色温度、染色时间、染料ph值为输入特征，其对应的染色效果为标签值；
27、步骤5.2，设置网络模型超参数，并采用粒子群优化算法初始化网络参数，以防止网络陷入局部最小点；
28、步骤5.3，输入特征经前向传播到达输出层，判断输出值与标签的误差，采用粒子群优化算法优化网络参数，满足迭代次数n时，训练结束。
29、步骤6具体如下：
30、步骤6.1，设置遗传算法迭代终止条件，并初始化染色参数，使其在一定区间范围内；
31、步骤6.2，将步骤4.2得到的颜色配比以及步骤6.1得到的染色参数进行归一化处理，然后进行初始编码，本方法采用实编码方式；
32、步骤6.3，评估适应度，将步骤6.2得到的初始编码传入训练完成的pso-bp神经网络，输出预测染色效果；
33、步骤6.4，判断是否满足终止条件，不满足进行遗传算法优化，然后将遗传算法优化后的染色配方继续输入给pso-bp神经网络，满足则终止迭代，输出适应度最高的一组染色配方。
34、步骤7具体如下：
35、步骤7.1，根据步骤6，最终得到一组最优的染色配方用于进行染色，以达到最佳染色效果。
36、本专利技术的有益效果：
37、1.本专利技术结本文档来自技高网...
【技术保护点】
1.一种基于多模型协同的染色配方优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多模型协同的染色配方优化方法；其特征在于，所述步骤1具体如下：
3.根据权利要求1所述的一种基于多模型协同的染色配方优化方法；其特征在于，所述步骤2具体如下：
4.根据权利要求1所述的一种基于多模型协同的染色配方优化方法；其特征在于，所述步骤3具体如下：
5.根据权利要求1所述的一种基于多模型协同的染色配方优化方法；其特征在于，所述步骤4具体如下：
6.根据权利要求1所述的一种基于多模型协同的染色配方优化方法；其特征在于，所述步骤5具体如下：
7.根据权利要求1所述的一种基于多模型协同的染色配方优化方法；其特征在于，所述步骤6具体如下：
8.根据权利要求1所述的一种基于多模型协同的染色配方优化方法；其特征在于，所述步骤7具体如下：
【技术特征摘要】
1.一种基于多模型协同的染色配方优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多模型协同的染色配方优化方法；其特征在于，所述步骤1具体如下：
3.根据权利要求1所述的一种基于多模型协同的染色配方优化方法；其特征在于，所述步骤2具体如下：
4.根据权利要求1所述的一种基于多模型协同的染色配方优化方法；其特征在于，所述步骤3具体如下：
5.根...
【专利技术属性】
技术研发人员：向忠，王亚勇，钱淼，赵唯，吴威涛，胡旭东，
申请(专利权)人：浙江理工大学，
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。