基于BP神經網絡的棉花顏色級預測

李 帥 單國華 賈麗霞 鐘 民 劉 瑞

(1.新疆大學，新疆烏魯木齊，830046;2.新疆維吾爾自治區纖維檢驗局，新疆烏魯木齊，830026)

棉花顏色級檢驗體系是通過大容量棉花纖維測試儀(HVI)來進行棉花反射率Rd和黃度值+b的測定，并依據顏色分級圖定出棉花顏色級。顏色級檢驗體系有利于我國棉花在棉花質量檢驗指標體系以及檢驗方法上與國際通行做法全面接軌，更加有利于中國棉花產業健康發展[1-2]。然而，HVI測定棉花的顏色級必須在嚴格的條件下進行，不能實現棉花顏色級的實時檢測[3]。

測色配色儀在紡織相關企業使用廣泛，設備價格相對便宜、操作簡單、使用方便，且不需要專業的測試條件，主要用于紡織品的白度、黃度以及染色織物顏色的測試等[4]。該儀器測得的棉纖維色度參數明度值L*，即試樣顏色的明亮程度；L*值越大表示試樣顏色越亮，越小表示顏色越暗。棉纖維色度參數黃度值b*，反映的是黃色和藍色之間的色度，負值表示試樣顏色偏藍，正值表示試樣顏色偏黃。這與HVI測得的反射率Rd、黃度值+b的物理意義是一致的。在此基礎上，國內陸永良等人以及國外Devron等人采用線性回歸的方法證明了測色配色儀參數L*、b*與HVI測定棉花的Rd、+b之間線性相關，但對于棉花顏色級與測色配色儀測定的色度參數之間關系的研究較少[5-6]。經過前期的研究，發現顏色級和色度參數間是非線性相關的關系，而BP神經網絡算法是應用較多的一種前饋式學習算法與反向傳播算法的神經網絡，它可以充分逼近任意復雜的非線性關系。本文研究了基于BP神經網絡構建棉花顏色級與棉纖維色度參數L*、b*之間的關系，為實現棉花顏色級快速、及時、便捷的檢測提供基礎[7-8]。

1 試驗部分

1.1 試樣規格

棉花試樣總共280份，每份250 g，所有試樣均為市場流通的新產棉花。

1.2 測試方法

1.2.1 顏色級測試

根據GB/T 20392—2006《HVI棉纖維物理性能試驗方法》，采用烏斯特HVI 1000型大容量棉花纖維測試儀確定棉花顏色等級。

1.2.2 色度參數測試

根據GB/T 17644—2008《紡織纖維白度色度試驗方法》，采用Hunter Lab UltraScan PRO型測色儀測試色度參數。從每份棉花試樣中隨機抽取5個小樣(小樣規格為600 mg/個)，每個小樣正反面各測試一次，得到10組數據，經算術平均后得到該份棉花試樣的色度參數L*、b*值。

1.3 BP神經網絡模型建立

1.3.1 BP神經網絡數據選擇

280份棉花試樣共采得顏色等級11個。對每個顏色等級隨機抽取5份，共計55份。從這55份試樣中隨機抽取10份作為測試組F0進行本次試驗研究，剩余的45份作為BP神經網絡的訓練組[9]。

1.3.2 BP神經網絡數據前處理

為了減弱主控因素L*、b*不同量綱的數據對網絡模型訓練與預測的影響，在BP神經網絡訓練前，應對兩個主控因素歸一化處理[10]。采用premnmx函數將輸入變量L*、b*歸一化到[-1，1]之間，具體的調用格式為：

[p1,minP,maxP,t1,minT,maxT]=premnmx(P,T)

輸出變量反歸一化函數為postmnmx，具體調用格式為：

A=postmnmx(B,minT,maxT)

式中，P為輸入變量矩陣，minP、maxP分別為輸入變量最小值和最大值，T為輸出變量矩陣，minT、maxT分別為輸出變量最小值和最大值，B為歸一化預測值矩陣，A為預測值矩陣。

1.3.3 BP神經網絡模型結構設計

輸入輸出神經元個數選擇：選擇棉纖維色度參數L*、b*作為輸入變量，棉花顏色級作為輸出變量[11]。設置BP神經網絡輸入層的神經元個數為2，輸出層的神經元個數為1。

隱層層數選擇：BP神經網絡是在輸入層與輸出層之間增加一個或幾個隱含層，隱含層層數越多，精度越高，網絡結構越復雜，訓練時間越長。綜合考慮后，本文隱含層選用1層[12]。

隱層神經元個數選擇：由公式(1)確定[13]。

(1)

式中,N為隱層神經元個數，n為輸入神經元個數，m為輸出神經元個數，a為1～10之間的常數。為了提高預測精度，建立的BP神經網絡拓撲結構為2-N-1，經計算得，N的取值范圍為3～12，通過網絡模擬訓練，根據相關系數和訓練誤差最小值確定N值。

1.3.4 BP神經網絡的實現過程

采用MATLAB軟件編程來實現BP神經網絡的建立。采用三層網絡，隱含層傳遞函數為tansig，輸出層傳遞函數為purelin，網絡訓練函數為traingdx。編程代碼主要部分如下：

[p1,minP,maxP,t1,minT,maxT]=premnmx(P,T)；%輸入輸出變量歸一化

net=newff(minmax(p1),[N,1],{'tansig','purelin'},'traingdx')；%建立BP神經網絡

[net,tr]=train(net,p1,t1)；%進行網絡訓練

A=premnmx(O)；%測試變量歸一化

B=sim(net,A)；%仿真

C=postmnmx(B,minT,maxT)；%反歸一化

1.4 BP神經網絡方法的穩定性分析

從剩余的225組棉花試樣中隨機選取3組作為測試組，分別記為F1、F2和F3，每組10個棉花等級進行預測，對預測結果進行分析，評估BP神經網絡預測棉花顏色級的穩定性。

2 結果與討論

2.1 BP神經網絡模型隱層神經元個數的確定

以2個棉纖維色度參數L*、b*作為輸入變量，以棉花顏色級作為輸出變量，隱含層神經元個數為3～12，使用45個訓練樣本數據進行模型訓練后，得到這10個棉花顏色級預測模型，其訓練誤差和相關系數見圖1。

圖1 不同隱層神經元個數的相關系數和訓練誤差圖

由圖1可以看出，當隱層神經元個數從3個增加到12個時，相關系數整體呈上升趨勢，訓練誤差整體呈下降趨勢。隱層神經元個數為12個時，相關系數達到極大值0.965，訓練誤差降低到最小值0.026。因此，確定BP神經網路的拓撲結構為2-12-1。

2.2 BP神經網絡模型訓練樣本回歸直線

采用MATLAB軟件編程，對45個訓練數據進行學習，得到BP神經網絡模型訓練樣本回歸直線見圖2。

圖2 BP神經網絡模型訓練樣本回歸直線

網絡目標X與網絡輸出Y的相關系數R=0.968 39，回歸直線方程為Y=0.93X-0.009 2。從圖2中可以看出，經過該BP神經網絡模型訓練學習，棉纖維色度參數L*、b*與顏色級具有很強的相關性，說明該BP神經網絡模型可用于棉花顏色級預測。

2.3 BP神經網絡預測值和實測值結果與分析

將根據1.3.1抽取的10組測試數據分別進行測試試驗和BP神經網絡預測，得到了BP神經網絡預測值分別為11.57、12.51、12.89、24.50、22.91、23.52、32.10、30.62、33.70、41.45；相應的試驗實測值為11、12、13、22、23、24、31、32、33、41。對預測值和實測值數據進行回歸分析，得到回歸直線方程為Y=0.992 4X+0.566 7，見圖3。

圖3 BP神經網絡預測值與實測值線性回歸直線

實測值X與預測值Y最大相對誤差為11.36%，最小相對誤差為0.4%。由圖3可知，棉花試樣顏色級的實測值X與BP神經網絡預測值Y回歸直線中可以看出兩組數據間擬合優度為99%。說明以棉纖維色度參數L*、b*為主控因素所建立的BP神經網絡模型，經過對數據的訓練和學習，可以對棉花顏色級進行預測，預測值與實測值基本吻合。

2.4 BP神經網絡模型的穩定性分析

隨機選取,3組數據F1、F2、F3，經BP神經網絡模型預測后，對實測值與BP神經網絡預測值進行分析，結果見表1。

表1不同測試組的穩定性測試結果

Rδmin/%δmax/%δ/%R-Sq/%F0F1F2F30.968 390.929 010.960 310.958 000.400.070.450.3911.3614.1010.599.323.2033.2373.3763.16799.098.899.299.5

從表1中可以看出最小相對誤差和最大相對誤差均在F1組，F2、F3這兩組中的數據與F0組較為接近。總體來說，F1、F2、F3這3組數據中相關系數、平均相對誤差和擬合優度的值均與F0組相差較小，因此該方法具有一定的穩定性。

3 結論

為了實現棉花顏色級的方便快捷檢驗，通過BP神經網絡對棉花色度參數與棉花顏色級之間的關系進行了研究，主要得到以下結論。

(1)采用色度參數L*、b*作為輸入變量，棉花顏色級作為輸出變量，采用三層網絡，BP神經網路的拓撲結構為2-12-1，經過對采集數據進行訓練建立了BP神經網絡模型。

(2)通過對BP神經網絡預測值與實測值數據進行對比分析，實測值與預測值最大相對誤差為11.36%，最小相對誤差為0.4%，預測值和實測值的數據間具有很強的相關性，說明所建立的BP神經網絡模型具有較好預測效果。

(3)F1、F2、F3這3組數據中相關系數、相對平均誤差和擬合優度的值均與F0相差較小，建立的BP神經網絡模型的穩定性較好。