[發明專利]基于BP神經網絡的實木地板油漆自動配色方法

在審

• 申請號: 201410853890.0
• 申請日: 2014-12-31
• 公開（公告）號: CN104504716A
• 公開（公告）日: 2015-04-08
• 發明（設計）人: 李紹成;王寶金;馮磊;夏朝彥;鄭敏;鐘偉;呂普文
• 申請（專利權）人: 廣州厚邦木業制造有限公司;南京林業大學;圣象集團有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/06
• 代理公司: 南京經緯專利商標代理有限公司32200
• 代理人: 許方

1.基于BP神經網絡的實木地板油漆自動配色方法，其特征在于，包含以下步驟：

步驟1)，根據實木地板油漆中主漆與色精的構成及其比例范圍建立若干地板油漆配方，并對應各個地板油漆配方制作出各個油漆實木地板的樣本；

步驟2)，計算出各個油漆實木地板樣本相對地板素板的顏色特征差值，建立樣本地板顏色特征差值與油漆配方的數據庫；

步驟3)，建立BP網絡模型，使其輸入為地板顏色特征差值，輸出為地板油漆配方；

步驟4)，將樣本地板顏色特征差值與油漆配方的數據庫中的數據輸入BP網絡模型中，對BP網絡模型進行訓練，直至BP網絡模型的網絡誤差小于等于預設的誤差閾值；

步驟5)，提取出需要配色的油漆地板樣品的顏色特征差值；

步驟6)，將需要配色的油漆地板樣品的顏色特征差值輸入BP神經網絡，得出其對應的油漆配方。

2.根據權利要求1所述的基于BP神經網絡的實木地板油漆自動配色方法，其特征在于，所述步驟1)的詳細步驟如下：

步驟1.1)，在主漆和紅、黑、黃三種色精中兩種色精比例確定的條件下，將另外一種色精比例在0到4％的范圍內，從0開始以0.3％遞增的方式形成各個油漆配方；

步驟1.2)，針對每個油漆配方，分別制作地板底漆和面漆；

步驟1.3)，將按照各個油漆配方制作的地板底漆和面漆按照先底漆后面漆的工藝順序對地板素板進行油漆；

步驟1.4)，對各個油漆地板進行干燥處理，得到各個油漆實木地板的樣本。

3.根據權利要求1所述的基于BP神經網絡的實木地板油漆自動配色方法，其特征在于，所述步驟2)的詳細步驟如下：

步驟2.1)，在相同光線強度下對地板素板以及各個油漆實木地板的樣本進行拍攝；

步驟2.2)，在各個拍攝的圖像上選擇可以全面反映地板顏色的區域，并分別計算其圖像顏色分量R、G、B的平均值，以獲得地板素板以及各個油漆實木地板樣本的顏色特征值；

步驟2.3)，將各個油漆實木地板樣本的顏色特征值與地板素板的顏色特征值分別進行差值計算，得到各個油漆實木地板樣本相對地板素板的顏色特征差值；

步驟2.4)，根據各個油漆實木地板樣本相對地板素板的顏色特征差值以及其對應的油漆配方、建立樣本地板顏色特征差值與油漆配方的數據庫。

4.根據權利要求1所述的基于BP神經網絡的實木地板油漆自動配色方法，其特征在于，所述步驟3)中的BP網絡模型為三層BP網絡模型，其輸入層、隱含層、輸出層的神經元數目分別為3、4、4，隱含層神經元的激勵函數為S型函數，輸出層神經元的激勵函數為線性函數。

5.根據權利要求4所述的基于BP神經網絡的實木地板油漆自動配色方法，其特征在于，所述步驟4)的詳細步驟如下：

步驟4.1)，初始化輸入層與隱含層的權值w_ij、隱含層與輸出層的權值w_jk、隱含層閾值a_j、輸出層閾值b_k、學習速率η和計算精度ε，其中，i＝1,2,3；j＝1,2,3,4；k＝1,2,3,4；

步驟4.2)，根據輸入向量x_i、w_ij和a_j，計算隱含層神經元輸出y_j：

yj=f1(Σi=13xiwij-aj)]]>

式中，f₁為隱含層神經元的激勵函數；

步驟4.3)，輸出層輸出計算：根據隱含層輸出y_j、w_jk和b_k，計算BP神經網絡輸出o_k：

ok=f2(Σj=14yjwjk-bk)]]>

式中，f₂為輸出層神經元的激勵函數；

步驟4.4)，根據網絡輸出o_k和期望輸出d_k，計算出網絡誤差e_k：

e_k＝d_k-o_k；

步驟4.5)，計算出全部樣本的誤差E_P：

EP=12Σp=1PΣk=14epk2]]>

式中，訓練樣本數為P，p＝1,2,3,…P，為單個樣本p的訓練誤差；

步驟4.6)，根據誤差E_P調整網絡權值w_ij和w_jk：

wij=wij+Σp=1PΣk=14η(dpk-opk)f2′(Sk)wjkf1′(Sj)xi]]>

wjk=wjk+Σp=1PΣk=14η(dpk-opk)f2′(Sk)yj]]>

式中，d_pk為樣本p的期望輸出，o_pk為樣本p的網絡輸出，S_j為隱含層中第j個神經元的輸入，S_k為輸出層中第k個神經元的輸入；

步驟4.7)，判斷網絡誤差是否小于等于預設的誤差閾值，如果網絡誤差大于預設的誤差閾值，則重復步驟4.2)至步驟4.6)，直至網絡誤差小于等于預設的誤差閾值。