基于机器学习的纺织品颜色校正-计算机技术专业论文.docxVIP

万方数据 万方数据 浙江理工大学硕士学位论文基于机器学习的纺织品颜色校正 浙江理工大学硕士学位论文 基于机器学习的纺织品颜色校正 摘 要 印染环境中不稳定的照射光源会引起织物表面颜色的变化从而导致严重的 色差评价误差，影响产品的质量。在传统的纺织印染行业中，染色品颜色的校正 主要依靠具有丰富辨色经验的专业人员使用人眼来完成。这种人工方法投入成本 高，存在一定的主观性，效率低下。因此利用机器学习的理论和方法自动高效地 估计出场景的光照色度，提高染色品颜色校正的准确性，使其与标准色样一致， 是非常有意义的研究方向。本文的研究工作主要围绕单一光照下基于机器学习的 技术构建具有良好泛化能力和稳定性的光照色度估计模型，并用于解决印染过程 中纺织品颜色校正问题。论文的主要工作和研究成果概括如下： （1）对颜色校正的基本概念和研究现状进行了简要的介绍，分析和比较了 各种颜色校正算法的特点及优缺点。重点研究了具有较好性能的基于极限学习机 （Extreme Learning Machine, ELM）的颜色校正算法，并对极限学习机的工作原 理和存在的问题进行了深入的分析和讨论，为本文的后续工作提供理论基础。 （2）针对 ELM 的训练精度和稳定性易受网络输入权值和隐含层偏置随机 给定的影响，提出了一种基于 Bagging 的集成 PSO-ELM 光照预测模型。首先， 利用粒子群优化（Particle Swarm Optimization, PSO）算法良好的全局搜索能力对 极限学习机模型的输入权值矩阵和隐含层偏差进行迭代优化，形成改进的 PSO-ELM 光照预测模型；同时，为了进一步提高算法的性能，采用集成技术 Bagging 算法，生成多个差异度大的 PSO-ELM 子网络；最后，通过简单平均法 将各个训练好的 PSO-ELM 进行融合，构成集成改进极限学习机 Bagging-PSO-ELM 光照估计模型。实验结果表明，相比于传统的基于 ELM 的颜 色校正方法，该模型取得了较高的预测精度，具有较强的泛化能力和良好的稳定 性。 （3）针对基于支持向量回归（Support Vector Regression, SVR）的颜色校正 算法学习效率低、单输出、以及预测精度不高的问题，将核函数引入到极限学习 机中，提出了一种基于核极限学习机（Kernel Extreme Learning Machine, KELM） 的光照估计模型。此外，利用无监督的 Grey-Edge 颜色恒常性算法提取了一种高 I 效低维的图像颜色特征来取代传统的高维二值化的色度直方图特征，作为 KELM 的输入向量。实验结果表明，对比传统的 SVR 模型，该模型不仅具有较快的训 练速度，而且取得了较高的光照估计准确度。 关键词：光照校正；极限学习机；粒子群优化；Bagging 算法 II Abstract Unstable illumination can result in serious color difference evaluation errors in the dying dyeing process and affect the quality of dyed products. In the traditional textile industry, color correction of dyed products mainly depends on workers with rich experience in color vision. This manual method has many drawbacks, for example, high misjudgment rate, subjectivity, high cost and huge waste of resources. Therefore, it makes sense to estimate the illumination color automatically and efficiently by using machine learning method. The research work of this paper is focus on color correction algorithms under a single light source. We use machine learning technique to construct illumination color estimation models with good generalization ability and stability to solve the problem of color