一种印染侧全自动配色与染色方法、系统、介质及产品与流程

摘要: 本技术属于印染,尤其涉及一种印染侧全自动配色与染色方法、系统、介质及产品。背景技术:1、纺织印染行业中,配色与染色是决定产品最终视觉质量的核心环节。传统的配色过...
一种印染侧全自动配色与染色方法、系统、介质及产品与流程

本技术属于印染,尤其涉及一种印染侧全自动配色与染色方法、系统、介质及产品。

背景技术:

1、纺织印染行业中,配色与染色是决定产品最终视觉质量的核心环节。传统的配色过程高度依赖人工经验,通常需要调色师进行多次打样和试染来确定最终的染料配方,这种方式耗费较多的时间和原材料,且受限于人工主观判断的差异,导致不同批次间的颜色重现性较低,整体生产效率受限。

2、相关技术提出了一种基于机器学习的智能配色与染色方法。该相关技术通过分光光度计获取目标颜色的光谱反射率数据,并将其输入至预先训练好的神经网络模型中,模型基于历史染色数据库直接输出对应的染料配方比例,随后控制系统根据该配方自动驱动滴液机和染色机进行打样染色。这种技术通过数据驱动的模型替代了人工经验试错,提升了初始配方的预测准确率,并减少了人工打样的时间成本。

3、然而,在多批次连续生产场景中,不同批次的坯布在初始白度、纤维孔隙率等物理特性上会产生客观波动。当相关技术实施时,其模型输出的是基于标准基底的静态染料配方,在将该静态配方直接下发至染色设备并作用于新批次的坯布时,固定的染料浓度与波动的坯布吸附特性相互作用,导致染色后织物的实际上色光谱偏离目标光谱。这会增加批次间的色差,降低了染色的一次成功率。

技术实现思路

1、本技术提供了一种印染侧全自动配色与染色方法、系统、介质及产品,用于提高染色的一次成功率。

2、第一方面,本技术提供了一种印染测全自动配色与染色方法,将目标颜色的目标光谱反射率输入至预先训练的逆向配色模型中,输出初始染料配方;

3、获取待染色的新批次坯布的实际初始光谱反射率;

4、将初始染料配方和实际初始光谱反射率输入至预先训练的正向预测模型中,输出预测上色光谱反射率,正向预测模型用于表征任意染料配方作用于任意初始光谱坯布时的显色结果;

5、计算目标光谱反射率与预测上色光谱反射率之间的光谱残差;

6、将光谱残差反向补偿至目标光谱反射率中,得到补偿目标光谱反射率;

7、将补偿目标光谱反射率输入至逆向配色模型中,输出目标染料配方;

8、根据目标染料配方控制染色设备对新批次坯布进行染色。

9、通过采用上述技术方案,将目标光谱反射率输入逆向配色模型获取初始染料配方,结合新批次坯布的实际初始光谱反射率输入正向预测模型得出预测上色光谱反射率,能够模拟初始配方在当前特定坯布上的实际上色表现。通过计算目标光谱与预测光谱之间的残差,将该残差反向补偿至原目标光谱中生成补偿目标光谱反射率,并再次通过逆向配色模型输出最终的目标染料配方,使得最终配方在生成过程中充分考虑并抵消了新批次坯布自身底色和物理状态带来的显色偏差,降低了不同批次坯布初始状态差异对最终染色结果的干扰,提高了染料配方在实际生产中的跨批次适应性与配色精准度,进而提升了印染过程的一次成功率,降低了因颜色不符导致的返工率。

10、结合第一方面的一些实施方式,在一些实施方式中,将光谱残差反向补偿至目标光谱反射率中,得到补偿目标光谱反射率,具体包括:

11、根据预设标准观察者光谱三刺激值,提取与目标光谱反射率对应的波长敏感度分布序列;

12、将光谱残差与波长敏感度分布序列进行逐波段加权计算,得到视觉加权光谱残差;

13、将目标光谱反射率减去视觉加权光谱残差,得到无界补偿光谱反射率;

14、将无界补偿光谱反射率中超出预设反射率物理区间的数值映射至预设反射率物理区间内,得到补偿目标光谱反射率。

15、通过采用上述技术方案,在进行光谱残差反向补偿时,通过引入预设标准观察者光谱三刺激值提取波长敏感度分布序列,并将光谱残差与该序列进行逐波段加权计算得到视觉加权光谱残差,使得残差补偿过程能够充分贴合人眼视觉对不同波长光线的敏感度差异。这种基于视觉特性的加权处理避免了对人眼不敏感波段的过度补偿以及对敏感波段的补偿不足,降低了纯数学残差计算带来的视觉偏差,提高了补偿后配方的视觉匹配度。同时,将减去视觉加权光谱残差后得到的无界补偿光谱反射率中超出预设物理区间的数值重新映射至合理区间内,保证了输入逆向配色模型的光谱数据符合实际物理规律,避免了异常输入导致模型输出发散或失效的情况,提高了逆向配色模型在处理补偿数据时的稳定性和可靠性。

16、结合第一方面的一些实施方式,在一些实施方式中,将初始染料配方和实际初始光谱反射率输入至预先训练的正向预测模型中,输出预测上色光谱反射率,具体包括:

17、对实际初始光谱反射率进行包络线拟合,分离出用于表征坯布物理结构的散射基线特征和用于表征坯布本底颜色的吸收光谱特征;

18、将初始染料配方中的各染料浓度与散射基线特征进行调制运算,得到有效上染浓度分布;

19、将有效上染浓度分布与吸收光谱特征进行特征融合,生成显色预测输入向量;

20、将显色预测输入向量输入至预先训练的正向预测模型中,输出预测上色光谱反射率。

21、通过采用上述技术方案,在正向预测模型的输入数据处理阶段,通过对实际初始光谱反射率进行包络线拟合,将坯布的光谱特征精细剥离为表征物理结构的散射基线特征和表征本底颜色的吸收光谱特征,并分别与初始染料配方浓度进行调制运算和特征融合。这一过程将原本混合在一起的光谱数据拆解为符合印染物理化学机制的独立特征,使得模型能够分别评估坯布表面纹理结构对染料上染分布的物理影响以及坯布底色对最终显色的吸收叠加效应。相较于直接输入原始光谱,这种基于物理特性的特征分离与融合机制使得生成的显色预测输入向量包含了更丰富的上色机理信息,降低了因不同坯布组织结构和纱线特性差异带来的预测误差,提高了正向预测模型对复杂坯布在特定染料配方下显色结果的预测精度。

22、结合第一方面的一些实施方式,在一些实施方式中,预先训练的逆向配色模型为基于一维卷积神经网络与全连接层构建的深度学习映射模型,输入数据为光谱反射率,输出数据为染料配方;逆向配色模型基于预先构建的历史染色数据库进行训练,历史染色数据库被划分为训练集和测试集,训练集和测试集中的样本均由已知的历史实际上色光谱反射率以及与其对应的历史实际染料配方标签组成;将训练集中的历史实际上色光谱反射率输入至初始逆向配色模型中提取光谱序列特征,并输出预测染料配方,通过计算预测染料配方与对应的历史实际染料配方标签之间的配方均方误差作为损失函数来反向传播更新模型参数,同时利用测试集验证模型的配方预测精度以防止过拟合,直至损失函数收敛至预设阈值,得到预先训练的逆向配色模型,以用于接收目标光谱反射率或补偿目标光谱反射率,并对应输出初始染料配方或目标染料配方。

23、通过采用上述技术方案,利用一维卷积神经网络对光谱反射率序列数据具备的局部感知优势,能够高效提取光谱曲线中蕴含的精细波段变化特征。通过在包含真实历史实际上色光谱与对应实际染料配方的数据库上进行训练,并以配方均方误差作为损失函数反向传播更新参数,使得模型能够直接针对最终的配方浓度输出进行精准优化,建立了从光谱特征到染料配方之间的高维非线性映射关系。在训练过程中同步利用测试集验证配方预测精度以监控并防止过拟合现象,降低了模型对训练集数据的过度依赖,提高了逆向配色模型在面对未知目标光谱或补偿光谱时的泛化能力与预测稳定性,进而提升了初始染料配方及目标染料配方的生成准确率。

24、结合第一方面的一些实施方式,在一些实施方式中,预先训练的正向预测模型为基于双分支特征提取与多层感知机融合机制构建的神经网络预测模型,输入数据为染料配方和初始光谱反射率,输出数据为预测上色光谱反射率;正向预测模型基于包含训练集和测试集的染色样本库训练生成,训练集和测试集中的样本均包含历史染料配方、历史坯布初始光谱反射率以及作为真实值标签的历史实际上色光谱反射率;将历史染料配方和历史坯布初始光谱反射率分别输入至正向预测模型的两个独立网络分支中进行特征编码,随后将编码后的配方特征与坯布光谱特征进行拼接融合,并通过解码层输出预测的训练上色光谱反射率,基于预测的训练上色光谱反射率与对应的历史实际上色光谱反射率之间的光谱重建残差调整网络权重,并利用测试集进行泛化能力评估,直至模型达到收敛条件,得到预先训练的正向预测模型,以用于接收初始染料配方和实际初始光谱反射率,并输出预测上色光谱反射率。

25、通过采用上述技术方案,采用双分支特征提取与多层感知机融合机制,将历史染料配方和历史坯布初始光谱反射率分别输入两个独立网络分支进行特征编码,能够针对染料浓度分布和坯布物理化学属性进行针对性的独立特征提取。随后将编码后的两类特征进行拼接融合并通过解码层输出预测结果,有效模拟了染料与不同底色、不同结构坯布在染色过程中的复杂非线性相互作用。基于预测光谱与实际上色光谱之间的重建残差来调整网络权重,并利用测试集评估泛化能力,使得模型能够精准学习并收敛至真实的显色规律,降低了单一网络结构在处理异构输入数据时的特征混淆风险,提高了正向预测模型对任意染料配方作用于任意初始光谱坯布时显色结果的预测准确度。

26、结合第一方面的一些实施方式,在一些实施方式中,在根据目标染料配方控制染色设备对新批次坯布进行染色,方法还包括:

27、获取染色设备在完成新批次坯布染色后排出的染色残液的残液透射光谱;

28、根据残液透射光谱,计算染色残液中各染料组分的实际未固着浓度;

29、根据目标染料配方和预设标准上染率,计算各染料组分的理论未固着浓度;

30、计算实际未固着浓度与理论未固着浓度之间的差值,得到固色偏差值;

31、根据固色偏差值,生成对应的促染工艺补偿参数;

32、在控制染色设备对下一批次坯布进行染色时,根据促染工艺补偿参数调整染色设备的运行参数。

33、通过采用上述技术方案,在完成新批次坯布染色后,通过获取排出残液的透射光谱来计算各染料组分的实际未固着浓度,并结合目标染料配方和预设标准上染率计算理论未固着浓度。通过计算实际与理论未固着浓度之间的差值得到固色偏差值,能够客观量化地反映实际染色过程中因环境波动或设备状态微小变化导致的染料上染率异常。根据该固色偏差值生成对应的促染工艺补偿参数,并在控制下一批次坯布染色时动态调整设备运行参数,构建了基于实际染色消耗结果的闭环反馈调节机制,降低了连续生产中不可控物理因素对染料固着过程的干扰,降低了连续生产中不同批次间的染色色差,提高了多批次坯布染色的颜色一致性和生产稳定性。

34、结合第一方面的一些实施方式,在一些实施方式中,根据固色偏差值,生成对应的促染工艺补偿参数,具体包括:

35、获取目标染料配方中各染料组分对应的视觉敏感度权重;

36、将固色偏差值与视觉敏感度权重进行逐项加权计算,得到视觉加权偏差向量;

37、获取预设工艺映射矩阵,预设工艺映射矩阵记录有全局工艺参数变化对各染料组分固色率的交叉影响系数;

38、基于工艺映射矩阵,计算使视觉加权偏差向量最小化的最优工艺调整量;

39、将最优工艺调整量作为促染工艺补偿参数。

40、通过采用上述技术方案,在生成促染工艺补偿参数时,通过获取目标染料配方中各染料组分对应的视觉敏感度权重,并与固色偏差值进行逐项加权计算得到视觉加权偏差向量,将纯物理浓度的偏差转化为了符合人眼视觉感知特性的偏差评估指标,使得后续补偿更加侧重于人眼敏感的颜色分量。结合记录有全局工艺参数变化对各染料组分固色率交叉影响系数的预设工艺映射矩阵,计算使视觉加权偏差向量最小化的最优工艺调整量,充分考虑了单一工艺参数调整对多种染料组分上染率的复杂耦合影响,降低了盲目调整单一参数导致的整体偏色风险,提高了促染工艺补偿参数的科学性与针对性,进而提升了下一批次染色结果在人眼视觉层面的色彩合格率。

41、第二方面,本技术实施方式提供了一种印染侧全自动配色与染色系统,该印染侧全自动配色与染色系统包括:一个或多个处理器和存储器;存储器与一个或多个处理器耦合,存储器用于存储计算机程序代码,计算机程序代码包括计算机指令,一个或多个处理器调用计算机指令以使得系统执行如第一方面以及第一方面中任一可能的实现方式描述的方法。

42、第三方面,本技术实施方式提供一种计算机可读存储介质,包括指令,当上述指令在系统上运行时,使得上述系统执行如第一方面以及第一方面中任一可能的实现方式描述的方法。

43、第四方面,本技术实施方式提供一种计算机程序产品,当计算机程序产品在系统上运行时,使得系统执行如第一方面中任一可能的实现方式描述的方法。

44、本技术实施方式中提供的一个或多个技术方案,至少具有如下技术效果或优点:

45、1、本技术提供了一种印染侧全自动配色与染色方法,将目标光谱反射率输入逆向配色模型获取初始染料配方,结合新批次坯布的实际初始光谱反射率输入正向预测模型得出预测上色光谱反射率,能够模拟初始配方在当前特定坯布上的实际上色表现。通过计算目标光谱与预测光谱之间的残差,将该残差反向补偿至原目标光谱中生成补偿目标光谱反射率,并再次通过逆向配色模型输出最终的目标染料配方,使得最终配方在生成过程中充分考虑并抵消了新批次坯布自身底色和物理状态带来的显色偏差,降低了不同批次坯布初始状态差异对最终染色结果的干扰,提高了染料配方在实际生产中的跨批次适应性与配色精准度,进而提升了印染过程的一次成功率,降低了因颜色不符导致的返工率。

46、2、本技术提供了一种印染侧全自动配色与染色方法,在完成新批次坯布染色后,通过获取排出残液的透射光谱来计算各染料组分的实际未固着浓度,并结合目标染料配方和预设标准上染率计算理论未固着浓度。通过计算实际与理论未固着浓度之间的差值得到固色偏差值,能够客观量化地反映实际染色过程中因环境波动或设备状态微小变化导致的染料上染率异常。根据该固色偏差值生成对应的促染工艺补偿参数,并在控制下一批次坯布染色时动态调整设备运行参数,构建了基于实际染色消耗结果的闭环反馈调节机制,降低了连续生产中不可控物理因素对染料固着过程的干扰,降低了连续生产中不同批次间的染色色差,提高了多批次坯布染色的颜色一致性和生产稳定性。