随着产品质量意识的提高,与颜色质量相关的各行各业对高精确的颜色质量成为了一种必要性。尤其是纺织印染领域,印染成品的颜色质量成为企业在市场的一种强势竞争力,故纺织印染企业将高颜色质量作为一个必不可少的性能指标。纺织印染企业最开始的色差检测系统就是靠经验丰富的人工来检测,人工检测没有固定的标准且人的眼睛易疲劳,所以存在很大的主观意识,同时人工检测的效率低下。随着人工智能和互联网的快速发展,将包含机器学习的智能色差检测系统代替人工进行印染品的色差检测成为了色差检测的必要趋势。故本文针对色差检测及色差检测涉及的光照估计存在的关键问题进行研究并使用机器学习去解决问题,致力于构建高精度、高稳定的色差检测模型和光照估计模型。论文的主要的研究内容和成果如下:为了解决色差检测中存在的光照问题,其中,主要包括同等标准光源下不均匀光照的色差评价问题和不同标准光源条件下的色差评价问题。本文提出了正则化的随机向量功能连接(RVFL)染色物光照估计算法(RRVFL)。由于标准的RVFL的输出权重存在病态解。所以采用正则化去解决这个问题,这样构成了鲁棒性高的正则化RVFL染色物光照估计模型。首先通过使用Gray-Edge框架对实际场景采集到的样本图像进行颜色特征的提取,将提取到的颜色特征与样本图像的光照信息构成数据集。然后通过在数据集上的实验去分析影响RRVFL模型精度的参数,选择出RRVFL最优的参数组合。最后通过构建好的数据集对本文的模型进行评估,并与传统的RVFL、ELM、BP、RELM、SVR光照估计算法进行比较和分析,分别使用角度误差,色度误差和T检验的测量标准。实验结果表明:与传统算法相比,RRVFL的预测结果最好且表现得最稳定。在平均角度误差上,RRVFL相比与传统的 RVFL、ELM、BP、RELM、SVR 算法分别减小了 0.00036、2.8050、3.3518、4.1669、2.9289。在平均色度误差上,RRVFL相比与传统的RVFL、ELM、BP、RELM、SVR算法分别减小了 0.0131、0.0763、0.0232、0.0241、0.0221。针对染色物色差分类精度低的问题,本文提出了一种新颖的优化方法去建立染色物色差分类模型即基于差分进化(DE)的鲸鱼算法(WOA)优化的极限学习机(DE-WOA-ELM)。考虑到随机设置的初始种群影响到鲸鱼算法(WOA)的求解速度和质量,所以本文提出使用启发式的优化算法DE去给鲸鱼算法(WOA)生成一组优异的初始种群,开始就给鲸鱼算法(WOA)一个更好的求解方向,这样鲸鱼算法(WOA)算法更不容易陷入局部最优,从而有着更好的求解能力。然后使用DE优化的WOA算法去迭代求取影响ELM分类精度的输入权重和隐藏层偏置两个参数的最佳组合,解决了由于随机初始化ELM的输入权重和隐藏层偏置而导致训练出来的模型每次都不一样和算法不稳定的问题。这样就通过使用优化的智能算法对ELM的随机参数进行优化的方式,构建了具有强泛化能力的极限学习机染色物色差等级分类模型。首先通过对标准光源下采集到的织物图提取表征色差的特征值。将色差公式计算得到的色差等级和采集到的特征值组成色差数据集,然后通过在数据集上的实验去分析影响DE-WOA-ELM模型精度的参数,选择出DE-WOA-ELM最优的参数组合。最后通过数据集对本文的模型进行评估,并与十六种分类算法进行比较和分析。实验的结果表明:本文提出的DE-WOA-ELM模型取得较高的分类精度,并且具有较好的稳定性和泛化能力。与ELM,SVM,BP神经网络和KELM相比,在数据集上的平均分类准确率分别提高了 2.15%,11.06%,12.11%和 0.47%。