木材仿珍贵材染色计算机智能配色技术的研究

论文摘要

木材颜色是决定消费者印象的重要因素之一,为了提高木制品的装饰作用和产品价值,实现人工林木材的高效利用,需要通过染色技术改良劣质材。木材染色中的一个重要环节就是配色,其对染色后木材的颜色质量至关重要。在确定工艺的情况下,将计算机智能配色的方法用于木材染色配色过程中,加快染料配方生成的速度,极大地提高工作效率,节约成本。本研究以东北常见针叶材（樟子松）和阔叶材（大青杨）为研究对象,在研究了其染色工艺的基础上,探讨了利用传统计算机配色模型和利用智能决策手段对木材染色颜色配方的预测问题。具体包括,通过测定樟子松和大青杨单板解剖构造与染色效果的相关指标,对其进行多元回归分析,确定了影响木材染色效果的主要解剖因子。其二,利用计算机配色技术中的三刺激值法,对仿珍贵材贵木材染料配方的调配方法进行了研究。其三,利用RBF神经网络建立了配方预测模型,并利用仿珍贵材的数据对模型进行验证,初步说明了智能算法对于木材染色配方预测的有效性,在此基础上,提出了种基于隐层节点改进的RBF神经网络模型,并将其运用到配方预测中。其四,根据已确定的影响木材染色效果的解剖特性,建立了基于模糊神经网络预测模型,其输入增加了解剖特性,并根据研究对象的特点,提出了一种改进的隶属度函数,建立了基于改进隶属度函数的模糊神经网络预测模型。其五,建立了基于动态模糊神经网络的木材染色配方预测模型。最后,将以上方法运用C语言实现,建立了木材染色配方预测平台,对于工业普及起到至关重要的作用。研究在以下方面取得结果：（1）分析了染色工艺各参数对樟子松的表面色差的影响,确定染色工艺为：染料浓度为1%,渗透剂JFC浓度为0.1%、纯碱浓度为2％.NaCl浓度为1.5%、温度为85℃、染色时间60min、固色时间40 min、浴比17：1。（2）确定了影响樟子松木材染色效果的主要解剖因子为：管胞比量、木射线比量、树脂道比量和晚材管胞长度等因子；影响大青杨木材染色效果的主要解剖因子为：木材的早材导管直径、早材纤维长度、导管比量、木纤维比量和木射线比量。（3）利用计算机配色技术中的三刺激值法,得到樟子松单板染珍贵材的染料浓度配比分别是,仿鸡翅木（早材）：活性艳红X-3B为0.137%；活性黄X-R为0.229%；活性蓝X-R为0.042%。仿鸡翅木（晚材）：活性艳红X-3B为0.176%；活性黄X-R为0.256%；活性蓝X-R为0.165%。仿花梨木（早材）：活性艳红X-3B为0.117%；活性黄X-R为0.306%；活性蓝X-R为0.077%。仿花梨木（晚材）：活性艳红X-3B为0.162%；活性黄X-R为0.459%；活性蓝X-R为0.062%；利用大青杨单板染珍贵材的染料浓度配比分别是,仿紫檀：活性艳红X-3B为0.146%;活性黄X-R为0.184%；活性蓝X-R为0.037%。仿黑酸枝：性艳红X-3B为0.361%：活性黄X-R为0.612%；活性蓝X-R为0.179%。仿黑胡桃：性艳红X-3B为0.269%；活性黄X-R为0.203%；活性蓝X-R为0.074%；仿柚木：性艳红X-3B为0.122%；活性黄X-R为0.417%;活性蓝X-R为0.088%。（4）利用RBF神经网络建立了配方预测模型,结果表明樟子松的两种颜色空间仿珍贵材效果比较,L*a*b*空间与CMY空间的收敛速度差别不大,而仿珍贵材得到的平均误差有较大差别,分别是0.98%和1.81%,综合考虑确定L*a*b*空间作为研究樟子松的研究对象；大青杨的两种颜色空间仿珍贵材效果比较,L*a*b*空间与CMY空间的收敛速度差别较大,分别是1666步和610步,选取CMY空间为研究大青杨的颜色空间对象。从仿珍贵材珍贵材的数据来看,输出数据不是十分理想,最大误差达到8.24%。（5）基于RBF模型的缺点,提出了一种基于隐层节点改进的RBF神经网络模型,此模型的改进有效的解决了原来模型熟练速度较慢的问题,樟子松分析模型189步可以收敛,大青杨模型137步就收敛了,速度几乎可以达到在线训练的标准。从模型精度看,大青杨模型精度有所改善,但改善不多,樟子松模型没什么改变,甚至有所下降,所以此模型的改进对于精度的改善不大。从仿珍贵材的数据来看,精度有所改善,最大误差为4.36%,说明此模型的范化能力还有待进一步改善。（6）建立了基于模糊神经网络配方预测模型,并根据研究对象的特点,提出了一种改进的隶属度函数,建立了基于改进隶属度函数的模糊神经网络预测模型,结果显示樟子松和大青杨模型的误差都有所改善,分别是0.68%和0.62%,结果理想,从模型对仿珍贵材的配方预测效果来看,误差也有了明显的改善,最大误差为1.90%,基本可以接受。（7）提出了利用动态模糊神经网络建立预测模型（D-FNN）,并提出一种适合木材染色配方预测的D-FNN模型及学习算法,结果显示,模型运行速度较快,且参数设置较容易,不需要过多的去设置模糊条件,大大节省了时间。从模型对仿珍贵材的配方预测效果来看,误差也有了明显的改善,最大误差也只有1.25%,说明模型的范化能力有了较大的改善。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 引言
• 1.2 国内外研究现状分析
• 1.2.1 木材染色技术国内外的研究发展趋势
• 1.2.2 计算机配色国内外研究现状及发展趋势
• 1.2.3 木材染色计算机配色研究现状及发展趋势
• 1.3 课题研究的目的、内容及创新点
• 1.3.1 研究目的
• 1.3.2 研究意义
• 1.3.3 研究内容
• 1.3.4 创新点
• 2 试验材料与颜色表征
• 2.1 试验材料
• 2.1.1 试材
• 2.1.2 染料
• 2.1.3 试验仪器
• 2.2 染色方法
• 2.3 颜色表征
• 2.3.1 CIE-CMYK空间
• *a^*b^*空间'>2.3.2 CIE-L^*a^*b^*空间
• 2.3.3 木材单板测色原理
• 2.4 本章小结
• 3 单板染色工艺研究
• 3.1 试验方法
• 3.2 结果与分析
• 3.2.1 樟子松单板染色工艺
• 3.2.2 大青杨单板染色工艺
• 3.3 本章小结
• 4 解剖构造对染色效果的影响
• 4.1 试验方案、材料和方法
• 4.1.1 试验方案
• 4.1.2 材料的采集与加工
• 4.1.3 试验相关指标的测定与分析方法
• 4.2 结论与分析
• 4.2.1 人工林樟子松解剖构造对染色效果的影响
• 4.2.2 人工林大青杨解剖构造对染色效果的影响
• 4.3 本章小结
• 5 单板仿珍贵材三刺激值计算机配色研究
• 5.1 理论依据
• 5.1.1 Kubelka-Munk理论
• 5.1.2 三刺激值计算机配色原理
• 5.2 试验方案设计
• 5.3 结论与分析
• 5.3.1 人工林樟子松仿珍贵材
• 5.3.2 人工林大青杨仿珍贵材
• 5.4 本章小结
• 6 基于神经网络的配色模型研究
• 6.1 人工神经网络基础
• 6.1.1 人工神经元网络
• 6.1.2 神经网络模型分析及选取
• 6.2 基于RBFNN的染色配色模型的建立
• 6.2.1 数据获取与整理
• 6.2.2 模型建立
• 6.2.3 RBFNN参数设置
• 6.2.4 模型实现
• 6.3 仿珍贵材结果与分析
• 6.3.1 仿珍贵材结果
• 6.3.2 仿珍贵材结果分析
• 6.4 本章小结
• 7 改进的RBF神经网络的木材染色颜料配方预测模型
• 7.1 模型改进的基本思想
• 7.2 改进模型算法推导及参数确定
• 7.2.1 算法推导
• 7.2.2 改进模型网络结构和参数的确定
• 7.3 仿珍贵材结果及分析
• 7.3.1 仿珍贵材结果
• 7.3.2 仿珍贵材结果分析
• 7.4 本章小结
• 8 基于解剖特性的模糊神经网络建模在配方预测中的应用
• 8.1 模糊神经网络基础
• 8.1.1 模糊理论
• 8.1.2 模糊系统与神经网络的结合
• 8.2 模糊RBF神经网络极其改进研究
• 8.2.1 模糊RBF神经网络
• 8.2.2 模糊RBF神经网络改进
• 8.3 基于模糊神经网络的解剖特性-配方预测模型建立
• 8.3.1 樟子松预测模型建立
• 8.3.2 大青杨预测模型建立
• 8.3.3 数据来源
• 8.3.4 参数选择
• 8.4 仿珍贵材结果与分析
• 8.4.1 仿珍贵材结果
• 8.4.2 结果分析
• 8.5 本章小结
• 9 基于动态模糊神经网络的木材染色颜料配方预测模型
• 9.1 动态模糊神经网络介绍
• 9.1.1 DNFM网络结构
• 9.1.2 DNFM的学习算法
• 9.2 木材染色颜料配方预测模型建立
• 9.3 仿珍贵材结果分析
• 9.3.1 仿珍贵材结果
• 9.3.2 结果分析
• 9.4 本章小结
• 10 木材染色计算机自动配色系统设计
• 10.1 系统设计原理
• 10.2 配色系统的设计
• 10.2.1 主菜单
• 10.2.2 重新开始训练（Run）
• 10.2.3 装入以前训练结果（Load）
• 10.2.4 帮助及退出
• 10.2.5 训练菜单
• 10.3 本章小结
• 结论与展望
• 参考文献
• 攻读博士学位期间发表论文
• 致谢