1 引 言
近年来,各种电脑配色技术已经应用到涂料配色生产中,因此电脑配色技术在水性涂料生产中的应用也是十分重要的课题。水性涂料同其他各种涂料一样,对于基于Kubelka-Munk 理论的电脑配色算法一般应采用双常数Kubelka-Munk 模型,然而双常数Kubelka-Munk 模型中的基本参数不容易确定,而且限制较多,使得其在应用中受到非常大的约束。
考虑到人工神经网络在解决两空间非线性映射问题上有较大的优势,而颜色空间正是一个非线性空间,因此国内外已经有很多把人工神经网络方法应用到电脑配色技术的研究,文献[1]采用多隐层BP(误差反传算法)网对水性涂料的电脑配色系统进行研究,给人工神经网络在配色中的应用打下了基础中国建材网cnprofit.com。
本文在前期工作的基础上将多层BP人工神经网络应用到的水性涂料颜色配方预测模型的研究中,取得了较好的实验结果,为进一步研究奠定了良好基础。
2 系统方案
本文是研究用人工神经网络进行简单的非线性函数复合[2],来实现颜料与样板色之间复杂的映射关系,通过输入样本的三刺激值来输出颜料配方。主要研究光谱测色原理、电脑配色原理、神经网络在电脑配色中的应用、神经网络的训练与检验、用软件实现对测配色的控制。工作示意图如图1 所示。
测配色系统工作示意图
2.1 样本的颜色测量[3]
要对样品色进行电脑三刺激值配色,首先要解决的是把样品色转化为光色数据,即三刺激值X、Y、Z值。利用本实验室的反射式分光光度仪对样本色进行测量,其中,测量的几何条件为d/0,色度系统采用CIE1931XYZ,参考白为D65。得到样本光谱反射系数曲线(如图2 所示),并计算得到样本的标准三刺激值数据。
样品颜色测量界面图
2.2 神经网络模型的建立
对于本系统来说,样本色彩的X、Y、Z三刺激值是输入值。相应各种颜料所占百分比是输出值,无论是样本色彩的X、Y、Z值,还是颜料的百分比变化都是连续的。神经网络的BP(Back Propagation)模型可满足连续输入、连续输出及有监督训练这三个条件,现时它也是实际应用最广泛最为成熟的网络模型之一。 所以本系统选用BP网络模型。BP 神经网络又称为多层前馈神经网络。
图3 为四层前馈神经网络的拓扑结构,这种神经网络模型的特点是:各层神经元仅与相邻层神经元之间有连接。 输入信号先向前传播到隐结点(中间层),经过变换函数之后,把隐结点的输出信息传播到输出结点,再给出输出结果。结点的变换函数通常选取Sigmoid型函数。
当然合理增加层数可以进一步降低误差,提高精度,同时BP网的隐层数以及各隐层中的结点数将直接影响到它的收敛性,由于单层BP网的效果不理想,本系统将采用多隐层BP 网来实现[1,2]。
根据前期研究成果,认为采用三隐层前馈型神经网络模型比较适合,该网络的基本结构为:输入层三个神经元,在本模型中即样本的三刺激值;三个隐层中每一层包含一定数目的神经元;输出层的神经元数目为样本配方的拼色数目,一般采用三拼色或四拼色较为适合,当然较多的输出单元就需要更多的训练样本数据,如图3 所示。
神经网络的拓扑结构图
上述人工神经网络神经元的输入和输出都取连续值,并且归一化在[0,1]之内。网络的训练过程采用典型的误差反传算法,即BP 算法。
2.3 网络训练和配方预测
对建筑涂料通用千色卡(KEYTEC 1190-TC)进行了样本采集,因为希望尽量多的样本数据参加训练,因此本实验从182个样本数据(182个样本都由三种色浆配方得到,三种色浆分别为2 0 4 2 T ,4101T,9007T)中选取170 个作为训练样本,其余12 个留作测试样本。
利用BP神经网络对170个样本数据进行CIEXYZ 色度空间到色浆配方空间的训练,并且分别对3-10-10-20-3、3-15-15-20-3 以及3-30-30-30-3 三种网络结构进行了尝试。最终认为3-30-30-30-3 结构虽然相对较大,但无论在训练精度还是在收敛速度方面都要优于其他两个网络结构。图4 为网络训练过程。
人工神经网络训练
训练结束后,把这170个样本的三刺激值数据作为测试输入值,利用该网络进行映射运算,得到映射配方值浓度。另外将12个未参加训练的样本也作为测试输入值利用网络进行运算,同样得到12个测试样本的映射配方值数据。
3 实验结果
为了考察上述系统的可靠性,对建筑涂料通用千色卡(KEYTEC 1190-TC)进行了样本采集,并应用三隐层BP 网络对样本XYZ 色度空间到配方浓度空间的映射进行了模拟训练[1,4,5]。
(1) 图5中为170个测试样本以及12个未参加训练的测试样本映射配方值浓度与原样本配方浓度值的均方差。170 个样本数据大致都分布在较低的位置,由于网络训练过程中已将配方值浓度作归一化处理,换算成色浆用量可得配制100 kg基漆的涂料用量误差为(7.5~15)mL,同样经过换算得涂料用量误差为(30~45)mL。
(2) 由图5可以看出,个别点的收敛效果不好,今后可以考虑采用遗传算法、贝叶斯(BayesianRegularization)算法在该模型的基础上加以改进。
182个测试样本映射配方值浓度与原样本配方浓度误差分布图
(3) 为了进一步验证这种网络模型,下一步可以利用测试样本映射配方值制作相应的样本,然后同样用反射式分光光度仪测得该样本的标准色度值,并于原样本比较计算色差,得到更详细的误差分析。
4 结 论
由于色度系统的非均匀性,建立适合的电脑配色模型一直是一个难题,本文采用多隐层BP神经网络对水性涂料标准三刺激值颜色空间与配方浓度空间的映射模型进行了尝试,取得了令人满意的成果。
然而有个别的预测样本没有取得预期的结果,因此考虑增大训练样本量来支持BP神经网络的训练,以取得更好的结果。另外通过对样本集合适当的选取可以进一步研究四种色浆配方即四拼色的人工神经网络模型。
※本项目由北京市自然科学基金(No.4032016)支持。
基于人工神经网络的水性涂料电脑测配色系统
杨 涛,廖宁放,吴文敏,吕大
(北京理工大学颜色科学与工程实验室,100081)