基于BP神經(jīng)網(wǎng)絡的色紡紗配色

沈加加，周 翔，屠天民

(1.東華大學化學化工與生物工程學院，上海 201620;2.嘉興學院材料與紡織工程學院，浙江 嘉興 314001)

色紡紗的配色不同于紡織品的染色配色，需要通過選擇不同顏色的已染色纖維以及調節(jié)它們間的組合比例，由梳棉、并條、粗紗、細紗等紡紗工序來生產(chǎn)目標色，因此該配色過程除與配色理論有關外，受紡紗工藝的影響也較大。以往的色紡紗配色研究主要圍繞 Kubelka-Munk 理論［1］、Stearns-Noechel公式［2］和 Pineo-Friele 模型［3－4］及其參數(shù)［5－6］和算法優(yōu)化［7－9］進行，但這些模型存在不足，模型推導過程中使用了眾多假設條件，往往這些假設條件都與實際情況不符，導致在生產(chǎn)應用時準確率不高。

人工神經(jīng)網(wǎng)絡是一種類似大腦神經(jīng)突觸連接結構進行分布式并行信息處理的算法模型，具有強大的數(shù)據(jù)處理能力和非線性映射能力。在紡織品的染色配色和涂料配色方面已有不少成功的應用研究基礎，1991年，Stephen Westland等［10］在對傳統(tǒng)配色方法進行分析的基礎上提出了一種多層感知神經(jīng)網(wǎng)絡的模型，用LAB和LCH值作為輸入值驗證了神經(jīng)網(wǎng)絡方法的可行性。文獻［11］將Kubelka-Munk法與神經(jīng)網(wǎng)絡法加以定量地對比分析后，認為最有效的方法可能是將二者結合。文獻［12］用18種顏料作了相關實驗，與目測結果相對照，并深入進行了部分相關參數(shù)設置的探討，進一步肯定了神經(jīng)網(wǎng)絡法用于配色的可行性。在色紡紗配色上，意大利學者Furferi［13］將神經(jīng)網(wǎng)絡與經(jīng)典模型進行比對，神經(jīng)網(wǎng)絡配色得到的平均預測色差小于0.24，認為比經(jīng)典模型更優(yōu)，但文章沒有提及該神經(jīng)網(wǎng)絡的泛化能力，泛化能力是評估模型是否具備實用價值的關鍵。

本文研究采用BP神經(jīng)網(wǎng)絡建立色紡紗反射率與配方之間的非線性映射模型，探討應用神經(jīng)網(wǎng)絡進行色紡紗配色的可行性，為色紡紗輔助配色技術的發(fā)展提供一些理論基礎。

1 色紡紗BP神經(jīng)網(wǎng)絡配色模型構建

理論上，BP神經(jīng)網(wǎng)絡可以逼近任意連續(xù)函數(shù)，具有很強的非線性映射能力，而且各層間的學習參數(shù)可以根據(jù)具體情況設定，因此適宜在色紡紗這種復雜配色的應用。

采用簡單的3層前饋網(wǎng)絡，輸入層由色紡紗樣本的反射率Rλ組成，波長λ范圍為400～700 nm，間隔10 nm，構成 31 維輸入向量 P=［R400，R410，…，R700］T;輸出層為色紡紗樣本的配方 Y，Y=［yα1，yα2，…，yαm］T，表示該配方中的 m 個組成單色纖維(α1，α2，…，αm)分別對應的配方比例 y 值，因此輸出層的神經(jīng)元個數(shù)即為組成單色的個數(shù)m。

選用最簡單的單隱含層，輸入輸出關系由以下公式給出:

式中:P為輸入數(shù)據(jù)Rλ經(jīng)初始化后的神經(jīng)元輸入;wij、wjk是初始化輸入層、隱含層和輸出層神經(jīng)元之間的連接權值;a為初始化隱含層閾值;b為輸出層閾值。根據(jù)式(1)，P在隱含層傳遞函數(shù)f0的作用下產(chǎn)生該層的輸出Y'，根據(jù)式(2)，Y'在輸出層傳遞函數(shù)f1的作用下產(chǎn)生該層的輸出Y，整個色紡紗神經(jīng)網(wǎng)絡配色模型的向量關系如圖1所示。

圖1 色紡紗神經(jīng)網(wǎng)絡配色模型向量圖Fig.1 Vector diagram of neural network recipe prediction model of melange yarn

2 實驗部分

2.1 訓練樣本的制備

應用BP神經(jīng)網(wǎng)絡進行色紡紗的配色實驗，需要定義訓練樣本，驗證樣本和測試樣本。本文選用了3對顏色組合，分別為黑－白(用α1－α2表示)、紅－綠(用α3－α4表示)、黃 －藍(用 α5－α6表示)，每對組合按 10∶90，20∶80，…，90∶10 比例兩兩混色形成27個棉混色樣本，每個樣本總質量為10g，分別從每對顏色組合中隨機抽取1個樣本共計3個樣本作為驗證樣本，剩余24個樣本作為訓練樣本。另外根據(jù)這6個顏色設計了6個具有代表性的樣本作為測試樣本，測試樣本的實際配方如表1所示。

表1 測試樣本的配方Tab 1 Recipes of test sample %

因此，構成的樣本矩陣組成如下:

式中:Pt表示訓練數(shù)據(jù);Pv表示驗證數(shù)據(jù);Pp表示測試數(shù)據(jù);Yt為訓練目標值(即配方組成，用數(shù)值“0”表示不含該單色組分)。

2.2 樣本輸入數(shù)據(jù)的獲取

輸入數(shù)據(jù)為樣品的反射率值，因此采用Datacolor600+測色儀在 D65光源，10°視場，20mm孔徑條件下測試。為了測試方便，提高測色的準確度，所有樣品均先紡成紗線，再用橫機加工成色紡紗織片以獲得更平整的表面以及足夠的測試面［8］，測量時織片成4層折疊，確保不透光，每個樣品取不同部位測量10次，取平均值。

2.3 BP神經(jīng)網(wǎng)絡的實現(xiàn)

BP神經(jīng)網(wǎng)絡采用MatLab(2011b版本)中的神經(jīng)網(wǎng)絡工具箱實現(xiàn)運算，在該BP神經(jīng)網(wǎng)絡中，輸入層為測定樣品的反射率數(shù)據(jù)，中間隱含層采用logsig函數(shù)即S型傳遞函數(shù)f0(x)=1/(l+e－x)，輸出層采用Purelin函數(shù)即線性函數(shù)f1(x)=x，輸出數(shù)據(jù)為配方值，因反射率和配方值都在［0，1］范圍內，均無需進行歸一化。

2.4 預測準確性的評估

預測準確性采用配方比例預測偏差和預測色差2個方面來進行評估。

配方比例預測偏差采用均方根差Er來表示。

式中:N為樣本數(shù);m為單色數(shù);pαi為預測配方;yαi為實際配方。

預測色差采用△Ecmc(2∶1)色差公式計算，即根據(jù)神經(jīng)網(wǎng)絡預報的配方Y，用相同的色紡制備工藝將其制作成色紡紗織片后由Datacolor600+測色，比較與目標色之間的色差值。

3 實驗結果

3.1 學習算法對收斂速度的影響

標準的BP神經(jīng)網(wǎng)絡算法存在收斂速度慢，容易陷入局部最小值等問題，目前大都采用改進算法，包括基于梯度下降的啟發(fā)性算法如附加動量法、可變學習速率法、彈性算法等以及基于最優(yōu)化理論的改進算法如共軛梯度法、擬牛頓法、Levenberg-Marquardt法等［14］。將這些改進的學習算法用于本文神經(jīng)網(wǎng)絡的訓練，探討改進算法對色紡紗配色模型訓練收斂速度的影響，算法中設定的參數(shù)有，隱含層節(jié)點數(shù)(神經(jīng)元個數(shù))L為6，最大循環(huán)次數(shù)為3×105，目標誤差為1×10－4。經(jīng)過樣本訓練，都能達到目標誤差，但迭代時間和次數(shù)有明顯差異，不同算法得到的結果見表2。其中帶動量的梯度下降算法，動量因子為0.9，學習步長為0.05，其余算法均采用默認值，Er為隨機抽取的3個驗證樣本α1－α2(10∶90)，α3－ α4(30∶70)，α5－ α6(10∶90)的配方比例平均預測偏差。

表2 不同BP算法的仿真對比Tab.2 Comparison of different BP algorithms

帶動量的梯度下降算法、可變學習速率梯度算法、彈性梯度法等啟發(fā)式學習方法，不但仿真時間較長，迭代次數(shù)多，而且預測誤差相對較大。而最優(yōu)化理論算法預測精度高，迭代時間少，速度快。本例中Levenberg-Marquardt算法是最快的算法，Levenberg-Marquardt算法訓練過程中的均方誤差收斂過程如圖2所示。

圖2 訓練誤差的收斂過程Fig.2 Convergence process of training error

Levenberg-Marquardt算法主要通過自適應調整阻尼因子來提高收斂特性，從圖2可看到，只需8次訓練，本色紡紗BP神經(jīng)網(wǎng)絡訓練結果就已小于設定的訓練誤差，且驗證樣本的偏差值Er在各種算法中最小，體現(xiàn)出很好的迭代收斂速度和優(yōu)化可靠性，因此作為本模型訓練的首選算法。另外，無論Polak-Ribiere共軛梯度算法還是一步正割算法或是貝葉斯規(guī)則法也都是不錯的選擇。

3.2 節(jié)點數(shù)對預測精度的影響

隱含層節(jié)點數(shù)對BP神經(jīng)網(wǎng)絡的預測精度有較大的影響，節(jié)點數(shù)過少，易造成網(wǎng)絡“欠擬合”，節(jié)點數(shù)太多，易造成網(wǎng)絡“過擬合”。在實際問題中，通常采用一些經(jīng)驗公式來確定隱含層節(jié)點數(shù)的大概范圍，例如公式log2n＜L＜+c，式中:L為隱含層節(jié)點數(shù);n、m分別為輸入層和輸出層的節(jié)點數(shù);c為0～10之間的常數(shù)，因此本例中隱含層的研究范圍為4～16之間，間隔為2。以Levenberg-Marquardt算法為例，用不同節(jié)點數(shù)進行訓練，結果如圖3所示。

圖3 節(jié)點數(shù)的影響Fig.3 Influence of number of nodes.(a)Influence of number of nodes on prediction error;(b)Influence of number of nodes on epochs

從圖3可看出，配方組分預測偏差Er隨著隱含層節(jié)點數(shù)的增加先顯著減少再略微增大，在本文研究節(jié)點范圍內，當節(jié)點數(shù)超過6個后，偏差整體變化不大，此時，迭代次數(shù)基本都保持在10以內，因此本算法采用6個節(jié)點數(shù)即可獲得較小的平均預測偏差。

3.3 泛化性能

神經(jīng)網(wǎng)絡的泛化能力代表了神經(jīng)網(wǎng)絡的應用性能，用設計的6個不同配方的色紡紗樣本考察構建的色紡紗BP神經(jīng)網(wǎng)絡的泛化性能，預測結果見表3。

表3 色紡紗BP神經(jīng)網(wǎng)絡預測結果Tab.3 Recipe prediction results of melange yarn by BP neural network

從表3中6個測試樣本的預報結果可以清晰地看到，1#和2#樣品預報的配方比例與實際比例相當接近，且平均預測色差△ECMC(2∶1)只有0.18，表明預測準確度較高。3#和4#樣品的預報比例偏差和預測色差都比1#和2#大，而5#和6#樣品預報結果偏差更大。由于1#和2#在訓練樣本的訓練范圍內，因此顯現(xiàn)出非常好的預測結果，而3#和4#樣品雖然訓練樣本中有該配方組合，但配方比例值超出了訓練樣本值的范圍，因此預測效果變差。5#和6#涉及的單色都在訓練集內，但是訓練樣本集中沒有這樣的配方組合，結果預測偏差就非常大。可見，依靠神經(jīng)網(wǎng)絡進行色紡紗配色時，其泛化能力是有限的，要獲得高的預測準確率，必須保證有足夠數(shù)量且訓練范圍覆蓋面廣的樣本集。

4 結語

本文采用BP神經(jīng)網(wǎng)絡構建色紡紗配色模型，并用簡單的實驗論證了模型的優(yōu)劣性。仿真結果表明，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的配色，相比以往基于經(jīng)驗或經(jīng)典理論的色紡紗配色模型，基于BP神經(jīng)網(wǎng)絡的配色包含了紡紗工藝等不確定因素對顏色效果的影響，在訓練樣本范圍內顯現(xiàn)出更好的生產(chǎn)實用性，但該神經(jīng)網(wǎng)絡的泛化能力有限，如果要將該神經(jīng)網(wǎng)絡成功應用于色紡紗配色，必須首先具備非常多且覆蓋面廣的訓練樣本。分析原因，可能是該神經(jīng)網(wǎng)絡模型僅建立了色紡紗整體反射率與配方比例之間的非線性關系，并未涉及單色纖維的顏色信息，因此在下一步研究中，將考慮把單色纖維的反射率組合到該神經(jīng)網(wǎng)絡中，以期待獲得更佳的泛化性能。

［1］KUBELKA P，MUNK F.Ein beitrag zur optik der farbanstriche［J］.Z Tech Physik，1931，12:593 － 601.

［2］STEARNS EI， NOECHEL F. Spectrophotometric prediction of color of wool blends［J］.American Dyestuff Reporter，1944，33(9):177 －180.

［3］WESTON PO. Spectrophotometer and spectrophotometric analysis and prediction:US Patent，2218357［P］.1940－10－15.

［4］PHILIPS INVEMIZZIB， DUPONTD， CAZEC.Formulation of colored fiber blends from friele's theoretical model［J］.Color Research and Application，2002，27(3):191 －198.

［5］BURLONE DA.Formulation of blends of precolorednylon fiber［J］.Color Research and Application，1983，8(2):114－120.

［6］BURLONE DA.Theoretical and practical aspects of selected fiber-blend color formulation functions［J］.Color Research and Application，1984，9(4):213 －219.

［7］李戎，宋陽，顧峰.基于Stearns-Noechel模型的纖維光譜配色算法［J］.紡織學報，2007，28(1):77－80.LI Rong，SONG Yang，GU Feng.Spectrophotometric algorithm of pre-colored fiber based on Stearns-Noechel model［J］.Journal of Textile Research，2007，28(1):77－80.

［8］沈加加，張志強，陳燕兵，等.基于Stearns-Noechel模型的混色毛條顏色預測［J］.紡織學報，2008，29(11):61－66.SHEN Jiajia，ZHANG Zhiqiang，CHEN Yanbing，et al.Match prediction for blended color wool tops based on Stearns-Noechel model［J］.Journal of Textile Research，2008，29(11):61－66.

［9］沈加加，程鳳俠，陳維國，等.Stearns-Noechel模型優(yōu)化及毛條混色配色系統(tǒng)開發(fā)［J］.紡織學報，2009，30(3):121－125.SHEN Jiajia，CHENG Fengxia，CHEN Weiguo，et al.Development of color matching system for precolored wool top blends by optimized Stearns-Noechel model［J］.Journal of Textile Research，2009，30(3):121－125.

［10］WESTLAND S，BISHOP JM，BUSHNELL MJ，et al.An intelligent approach to colour recipe prediction［J］.Journal of the Society of Dyers and Colourists，1991，107(7):235－237.

［11］WESTLAND S，IOVINE L，BISHOP JM.Kubelka-Munk or neural networks for computer colorant formulation［C］//CHUNG ER， RODRIGUES A.Proceedings of SPIE 9th Congress of the International Colour Association.Rochester:SPIE，2001:745－748.

［12］MIZUTANI E，JANG JSR，NISHIO K，et al.Coactive neuro-fuzzy modeling for color recipe prediction［C］//Neural Networks Council Staff IEEE.Proceedings of the IEEE International Conference on Neural Networks.New York:IEEE，1995:2252－ 2257.

［13］FURFERIR， GOVERNIL. Prediction of the spectrophotometric response of a carded fiber composed by different kinds of coloured raw materials:an artificial neural network-based approach［J］.Color Research and Application，2011，36(3):179－191.

［14］蘇高利，鄧芳萍.論基于MatLab語言的BP神經(jīng)網(wǎng)絡的改進算法［J］.科技通報，2003，19(2):130 －135.SU Gaoli， DENG Fangping. On the improving backpropagation algorithms of the neural networks based on MatLab language:a review［J］.Bulletin of Science and Technology，2003，19(2):130 －135.