[发明专利]模型训练方法、色彩配方的预测方法、系统、设备及介质

说明书

本发明公开了一种模型训练方法、色彩配方的预测方法、系统、设备及介质，该模型训练方法包括：获取一历史训练数据集，该历史训练数据集包括色彩数据以及与色彩数据对应的配方数据；构建局部线性网络模型；基于历史训练数据集训练所述局部线性网络模型，以得到训练后的局部线性网络模型；训练后的局部线性网络模型以色彩数据作为输入，以预测配方数据为输出。本发明通过获取色彩数据以及与色彩数据对应的配方数据的历史训练数据集，基于历史训练数据集对构建的局部线性网络模型进行训练，以得到训练后的局部线性网络模型；以便利用训练后的局部线性网络模型精准地预测出对应的配方数据，提高了局部线性网络模型的预测精准度。

技术领域

本发明涉及色彩配方技术领域，特别涉及一种模型训练方法、色彩配方的预测方法、系统、设备及介质。

背景技术

以前在纺织、油漆、塑料等行业中长期依靠配色师，凭配色经验给出颜料的配方。近些年随着计算机硬件及计算机技术的不断发展，这种人工配色方法逐步被计算机配色的方法所替代。然而传统的计算机配色理论是基于理想的假设条件展开计算的，如对光折射率、扩散状态的限制等，配方原色也相对比较单一，而现实情况中通常达不到理想条件，并且各企业也有自己的配方管理体系，原色配方可能存在种类多且复杂。

计算机配色与实际的企业生产近似于两个独立运行的体系，配色软件的输出结果只作为参考，实际还需要配色工程师根据发色效果，进行下一步的成份调整；而企业人员经验和数据上的积累，也不会进一步提升配色软件的计算精准程度，造成数据价值的浪费。

而现阶段，主流计算机配色系统的基本原理仍然基于K-M理论，K-M理论在本身就是基于一定的假定条件下来进行推导的，因此其计算结果在应用到具体实践时仍有很大局限性，这主要体现在以下三点：

（1）K-M理论并不能充分考虑到行业属性所带来的色彩方面的影响因素。例如，在印刷行业中，描述油墨叠加效果时必须考虑光与颜料颗粒的相互作用，以及油墨的物理性质；在塑料配色行业中，通常需要考虑材料基质对着色遮盖等方面的影响。

（2）部分行业所使用的基础配方原料也并非一定是标准的。例如，在显示面板方面，会有RGB（颜色系统）的标准，在印刷行业中，会有CMYK（印刷色彩模式）的标准，而在塑料染色行业，所用到的配方色粉可能多达百种，而且随后续生产还会继续有品类增加的可能，以致于在其它行业应用比较成熟的智能配色方案，不能简单地跨行业复用。

（3）计算机配色系统基于配色原理进行配色，因而相对比较封闭，不具备利用实际生产数据不断修正预测结果的功能。

发明内容

本发明要解决的技术问题是为了克服现有技术中所采用的配色方法存在预测精准度低的缺陷，提供一种模型训练方法、色彩配方的预测方法、系统、设备及介质。

本发明是通过下述技术方案来解决上述技术问题：

本发明第一方面提供了一种模型训练方法，所述模型训练方法包括：

获取一历史训练数据集，所述历史训练数据集包括色彩数据以及与所述色彩数据对应的配方数据；

构建局部线性网络模型；

基于所述历史训练数据集训练所述局部线性网络模型，以得到训练后的局部线性网络模型；

所述训练后的局部线性网络模型以所述色彩数据作为输入，以预测配方数据为输出。

较佳地，所述获取一历史训练数据集的步骤之后，所述模型训练方法还包括：

对所述历史训练数据集进行建模分析，以得到与色彩相关的测量数据以及与色彩无关的环境数据；

对所述测量数据进行去相关性换算处理，以得到去相关性换算后的测量数据；

对所述环境数据进行类型区分处理，以得到类型区分后的环境数据；