论文部分内容阅读
色纺纱以其独特的优势,发展迅速,许多白纺企业也正在向色纺方向改造。计算机配色技术虽然有所发展,但是现在大部分色纺企业的配色工作仍然依靠有经验的配色人员进行,配色效率低,不能满足色纺企业"快交货"的需求,严重地制约了企业的生产效率。针对色纺行业配色难这一问题,本课题以Stearns-Noechel理论为依据,对色纺纱配色方法进行了研究。通过对比分析Kubelka-Munk配色算法、神经网络配色算法、Friele配色算法以及Steams-Noechel配色算法,发现利用Kubelka-Munk配色算法进行配色时,前期工作量较大;利用神经网络配色时,训练样本足够大时,配色效果才比较好;Friele配色算法与Steams-Noechel配色算法类似,但平均色差较大,因此最终选择了 Steams-Noechel配色算法进行配色研究。通过对Steams-Noechel算法中未知参数M确定方法的分析,发现之前学者采用固定M值的方法前期工作量非常大,且配色效果不太好,而采用M值在[0 1]区间赋值迭代的方法可以解决这个问题;在对单色纤维初始配方进行求解时,之前学者大多采用基于最小二乘法的全光谱配色算法,但是这种算法在计算某些混色样的拟合配方时,会出现拟合配方为负值的情况,为了解决这个问题,最后采用对单色纤维初始配方赋值迭代的方法进行配色;在修色模块,之前学者使用的是基于最小二乘法的三刺激值或反射率修色方法,这种修色方法效果不好,而采用单色纤维调整量中间函数差最小的方法,修色效果较好。基于以上配色和修色模块,最终建立起一套精准、高效的计算机辅助色纺纱配色系统。利用本套配色系统对两色和三色混色样进行配色,结果显示初始配方与真实配方的绝对误差均值为6%,经过1~2次修色后,绝对误差减小到3%,色差减小到2CMC(2:1),配色效果较好,可以满足色纺纱配色需求,且打样次数较少。本课题在Steams-Noechel理论的基础上,着重探讨理论在实际配色中的应用,为计算机辅助色纺纱配色的早日实现提供有效的理论基础。