在工业生产中，颜色作为产品质量评价的重要指标之一，具有不可替代性。多年以来，一些研究人员致力于研究工业品表面色差值的量化方法，期望检测得到的色差与视觉感观相符。随着机器视觉技术的兴起，利用机器视觉与图像处理技术相结合的方法进行织物色差检测成为了该领域的热点［1－2］，但是，由于织物表面毛羽、纹理凹凸、图像获取受环境光干扰等因素，数字图像呈现出的织物颜色难以得到真实表达，在一定程度上影响检测结果［3－4］。

光谱反射率是目前较为准确表示颜色的指标，能够使颜色信息得到真实有效的描述［5］。本文利用光纤光谱仪采集净色织物的光谱反射率数据，提取相关特征，建立主成分分析－极限学习机(PCA-ELM)预测模型。通过训练网络得到光谱反射率特征数据与颜色特征值 L*、a*、b*之间的映射关系，以替代传统的由光谱反射率得到物体颜色三刺激值XYZ，再由颜色三刺激值XYZ得到颜色特征值L*、a*、b*的过程。

升降施工平台本质上属于机械件，用于建筑施工现场，但是施工平台在搭设与使用过程中存在较多的作业危险因素，因此极易发生倒塌事故 [3-5]。因此具有较好的承载性能是升降施工平台安全的必要因素，必须对其进行安全性校核计算 [6-8]。通过有限元软件ANSYS对施工平台的4种工况进行安全校核计算，为其结构的设计和改进提供理论依据。

1 光谱反射率

对于非萤光性材料，在相同测量条件下，不同色调的物体其光谱反射率曲线形状各异，而对于色调相近，明度或彩度稍有区别的物体，光谱反射率曲线的形状和走势大体相同，并且在可见光谱波长范围内，曲线于相应颜色区域会出现明显的陡升［6］。不同颜色的光谱反射率曲线如图1所示。

  

图1 不同颜色织物的光谱反射率曲线

人眼对于颜色的感知主要由明度、色调、彩度决定［7］，这3种属性在光谱反射率曲线中都能够得到良好体现。反射率曲线的幅度高低体现了明度的差异，明度越大，光谱反射率越高;曲线峰值反射率对应的波长反映了该颜色的色调;曲线反射峰的宽窄代表颜色彩度值的高低，反射峰越窄，彩度值则越高。并且，颜色相近的物体具有相似的光谱反射率曲线，因此，提取光谱反射率的颜色属性相关特征可用于颜色特征值的测量和分析。本文选取净色织物光谱反射率的总和、平均值、最大值、峰值反射率、峰值反射率对应的波长作为光谱特征值。

长江流域是指长江干流和支流流经的区域，横跨中国东部、中部和西部，流域总面积180万km2，占中国国土面积的18.8%，全流域人口约4亿。

2 PCA-ELM算法描述

2.1 主成分分析

应用PCA抽取特征数据，将多个独立特征分量转化为少数几个综合特征，减少数据集维数的同时保持数据集对方差贡献率最大。本文选取的光谱数据特征值对颜色特征值L*、a*、b*的预测结果影响各异，PCA方法可找到其中方差贡献率较大的几个特征数据作为主成分，根据相应线性变换得到若干由原始特征数据组合成的全新特征表达式，PCA的计算步骤［8］如下:

ELM的学习目标为使输出的误差最小，即:

由于数据单位不统一，需消除量纲影响。

法院认为，根据非公益必要不干扰原则，与网络有关的服务或产品应当和平共存，产品或服务提供者不应干扰竞争对手的业务，也不能干涉最终用户的选择。这种干扰只有在出于保护公益的必要时才被允许。此案中，法院认为，奇虎公司的警告标识干扰了百度公司的搜索引擎服务，明显违反了非公益必要不干扰原则，既不合法也不必要。同时，法院认为奇虎公司在公共利益与网络安全的幌子下，将警告标识设置在百度搜索结果上，最终目的其实是推广自己的互联网浏览器。

 

式中:为矩阵 x(n×p)中的第 i行 j列元素。

②计算相关系数矩阵

 

式中 rij(i，j=1，2，…，p) 为原变量 xi与 xj的相关系数，rij=rji，其计算公式为:

 

式中:Cov(·)表示2个原变量之间的协方差;Std(·)表示原变量的标准差。

(3)假设只有下文定义的在每项任务所在的单位网格内，任务数量qi、会员数量Qi、会员平均完成能力cpi和距离Ri四个因子影响任务的定价；

假设有N个任意样本矩阵(xi，ti)，其中 xi=［xi1，xi2，…，xin］T∈Rn，ti=［ti1，ti2，…，tim］T∈Rm。给定构造网络的L个单隐层节点和单隐层节点激励函数g(x)，极限学习机的网络示意图如图2所示。

已知已结束项目的每个任务的位置信息，即每个任务所在地的经度与纬度。首先，找出已结束项目任务数据中给出的总区域的经纬度的范围 [5]，纬度范围为(22.48427813，23.86921562)；经度范围为(112.6563586，114.4856086)。 该矩形区域的三个顶点分别为:

④计算主成分贡献率及累计贡献率

贡献率计算公式为:

 

累计贡献率计算公式为:

 

一般选择累计贡献率大于85%的特征值所对应的若干主成分。

⑤计算主成分载荷

 

⑥新表达式

“以谣生利”，“谣”为“利”来，切断了两者之间的联系，“谣”自然就减少了。鉴于当前谣言已经严重扰乱经济秩序和社会秩序，必须从法律上明确造谣责任，让恶意造谣者付出应有代价。因造谣而产生的收入，不能“落袋为安”，对于这一问题也应该有所规范。就平台方来说，处理也不能“对号不对人”，应该把号背后的人列入黑名单，严格准入资格，不再为其提供造谣机会。

 

式中:αij为因子载荷量;δj为主成分对应的特征值。

2.2 极限学习机

ELM是一种单隐层前馈神经网络模型，相对于传统神经网络算法，ELM只需要设置网络的隐层节点个数，在算法执行过程中不需要调整网络的输入权值以及隐元的偏置，具有学习速度快、泛化性能好的优点［9－10］。

③计算特征值和特征向量求解特征方程得到特征值，并按大小顺序排列，λ1≥λ2≥，…，≥λp≥0，求出特征值 λi的特征向量 ei(i=1，2，…，p)，要求‖ei‖ =1。

  

图2 极限学习机网络示意图

ELM数学模型可进行如下表示:

 

式中:j=1，2，…，N;所有输入与第i个隐层节点的连接权重为 wi= ［w1i，w2i，…，wni］T;所有输出与第i个隐层节点的连接权重为 βi= ［βi1，βi2，…，βim］T。

其矩阵形式为:

①原始数据标准化

 

存在 βi，wi，bi，使得:

 

根据《全国重要江河湖泊水功能区划（2011—2030年）》和《山西省地表水功能区划》，在山西省境内的滹沱河上中游属于一级功能区中的滹沱河山西忻州、阳泉开发利用区，其二级功能区划分为四个，分别为滹沱河山西繁峙饮用、农业用水区、滹沱河山西代县农业用水区、滹沱河山西原平忻定工业、农业用水区和滹沱河山西阳泉饮用水源区。各水功能区的起止范围、河段长度、水质目标等基本情况详见表1。

 

式中:H为隐层节点输出;β为输出权重;T为期望输出。

从表1可以看出，只有 X1的特征值大于1，其方差贡献率为82.574%，为了提高预测结果准确性并且遵循累加方差大于85%的原则，本文选取X1和X2作为主成分，其累加方差贡献率达到了96.177%，实验结果也表明将X2作为主成分时，预测误差大幅度减小。

首先，要全面把握高校教育资源共享的内涵，认知其不仅仅是馆藏资源、网络开放教育资源的共享，还包括硬件资源和软件资源等涉及到教学资源领域的共享；在共享的领域上不仅仅是“强强联合”，而且只要需求与供给适应，那么共享就可以实现；产权意识在共享过程中也要注意到，共享不是免费的，而是可以收费的。可以说，高校教育资源长期运行下去的关键因素是收费的合理性。

 

式中:ΔL*、Δc*和Δh分别表示标准样本与测试样本之间的明度差、色度差和色调差;kl和kc分别表示明度系数和彩度系数，在纺织行业中，通常令kl=2，kc=1对织物色差进行计算;SL*、Sc*、Sh分别为明度、色度和色调的权重函数。

2.3 PCA-ELM预测模型

一般情况，采集到的原始数据之间存在一定相关性，为了削弱这种相关性，利用PCA降低原始变量的维度，在保留绝大部分原始信息的情况下，获取主成分得到新的线性无关的表达式。将PCA之后的新数据作为ELM神经网络的输入，一部分作为训练样本，一部分作为测试样本，由于输入数据的维数降低，使得网络的结构得以简化，在很大程度上使得预测效果更加准确。在网络的训练过程中，需要不断调整ELM隐层节点数 L和激活函数 g(x)，当测试精度较高时，保留这2个参数的设置并用于净色织物颜色特征值的预测。PCA-ELM预测模型流程图如图3所示。

  

图3 PCA-ELM预测模型流程

2.4 色差计算

通过PCA-ELM模型获取光谱反射率数据与L*、a*、b*值之间的映射关系，得到 L*、a*、b*值后可以通过色差公式计算色差。CMC(l∶c)色差公式是ISO组织推荐的纺织工业应用的色差公式，在该公式中引入了明度权重因子l和彩度权重因子c，比CIELAB色差公式具有更好的视觉一致性。因此，本文在计算织物色差时采用CMC(l∶c)色差公式:

 

式中H†为矩阵H的广义逆。

3 实验与分析

3.1 数据预处理

使用AvaSpec-ULS2048 L-EVO型光纤光谱仪采集不同颜色的净色织物光谱反射率数据，共3 025组，包括红、橙、黄、绿、蓝、紫色6种色系。从采集到的净色织物光谱反射率中提取颜色属性相关特征，包括反射率的总和、反射率的平均值、反射率的最大值、峰值反射率、峰值反射率对应的波长，用X1～X5表示。利用SPSS软件对光谱反射率的5个特征数据作主成分分析，首先对特征变量进行 KMO和Bartlett球体检验，KMO检验系数为 0.751，大于0.5，显著性值小于0.05，说明所选变量适合做因子分析。其方差分解主成分提取分析表及初始因子载荷矩阵分别如表1和表2所示。

 

表1 方差分解主成分提取分析

  

成分/%X1初始特征值合计 方差贡献率/% 累加方差贡献率4.129 82.574 82.574 X2 0.680 13.603 96.177 X3 0.149 2.982 99.159 X4 0.420 0.841 100.000 X5 2.134×10－8 4.269×10－7100.000

 

表2 初始因子载荷矩阵

  

成分主成分X1载荷量第1主成分 第2 0.964 －0.204 X2 0.964 －0.204 X3 0.912 －0.269 X4 0.973 0.146 X50.701 0.709

ELM在训练过程中试图寻找最优的β，使得网络实际输出与期望输出的误差最小，其训练过程的实质是求解Hβ=T的最小二乘解:

每一个载荷量代表对应变量与主成分之间的相关系数。从表2可以看出，在第1主成分上，X1～X4均有较高载荷量，X5稍低一些，说明第1主成分基本反映了X1～X5的特征数据，而第2主成分上，只有X5的载荷量较高，因此提取这2个主成分就可代替原来的5个特征变量。

选SPSS21.0软件对数据做出分析，（± s）表示神经功能缺损情况，实施t检验，（%）表示不良反应、疗效，实施χ2检验，当P＜0.05表示差异具有统计学意义。

根据式(7)将表2初始因子载荷矩阵中的数据除以主成分对应特征值开平方根，就可以得到每个原变量在新的主成分表达式中对应的系数，将这些系数与标准化后的原始数据相乘即可得到主成分表达式。本文利用PCA法得到的新表达为:

 

利用上式可得到2组全新的特征数据，代替原始的5组特征数据。

3.2 颜色特征值的预测

为了获取光谱反射率数据与颜色特征值之间的映射关系，将 PCA法得到的2组新数据作为ELM网络的输入值，将光纤光谱仪采集到的净色织物颜色特征值 L*，a*，b*值作为网络的输出值，对网络进行训练。不断调整极限学习机的隐层节点数和激活函数的类型，使预测结果达到比较理想的状态。通过反复试验，最终确定使用Sigmoid函数，隐层节点数设置为200。在采集的3 025组数据中，3 000组作为训练样本，每种颜色各500组，25组作为测试样本，用于检验PCA-ELM的预测效果。颜色特征值L*、a*、b*的光谱仪测量值与 PCA-ELM预测值，以及之间的误差如图4所示。

P2主要与注意资源的分配及对刺激的加工分析有关[13]。本研究发现，在由新异刺激诱发的P2波幅上，术后化疗前组低于化疗组和健康对照组，说明该组患者对分心刺激的抑制不够，从而可能减少对靶刺激的注意资源的投入。

（3）实施特殊作业环节的专人负责制度。对下套管、固井、挂尾管等特殊作业环节增派有丰富现场经验的专家进行驻井负责，缩短问题反馈时间，增强突发问题的处理能力。

从图4可知，利用 PCA-ELM模型获取的 L*、a*、b*值趋近于光谱仪测量值。在25组测试样本中，L*、a*、b*各分量的最大误差分别为 0.294 7、0.584 1和 1.039 0，平均误差分别为 0.116 1、0.174 3和0.204 8。利用PCA-ELM获取光谱反射率相关数据与其对应的颜色特征值之间的映射关系是可行的，且效果显著。ELM不需要调整输入层和隐含层的权值，在保证学习精度的同时比传统的学习算法速度更快，本文实验中，训练时间为0.079 2 s，预测时间为0.007 1 s。从检测速度来看，此方法应用于在线检测具有很大优势。

3.3 织物色差检测

为了进一步验证PCA-ELM模型得到的映射关系是否可靠，采集40组光谱数据进行验证，1～20组为标准样本，21～40组为与标准样本一一对应的测试样本，对应检测样本均为同色系。首先使用光纤光谱仪直接测量，然后利用PCA-ELM模型获取L*、a*、b*值之后再应用 CMC(2∶1)公式计算色差。2种方法的结果对比如图5所示。2种方法的误差绝对值如图6所示。

由实验结果可知，利用 CMC(2∶1)计算得到的织物色差与光纤光谱仪测量得到的色差值几乎相同，其中最大误差为 0.66NBS，平均误差为0.087 5 NBS，误差均小于 1.5 NBS，属于肉眼难以分辨的色差范围，充分说明了本文使用方法的可行性和有效性。

  

图4 颜色特征值的光谱仪测量值与PCA-ELM预测值

  

图5 光谱仪色差测量与CMC(2∶1)色差公式计算结果对比

  

图6 2种测量方法之间的误差绝对值

4 结束语

本文利用光纤光谱仪采集净色织物的光谱反射率数据及其对应的颜色特征值 L*、a*、b*值，其采样附件为积分球。由于积分球是一种朗伯体，具有匀化光斑的作用，因此使用积分球测量时能做到与样品表面结构无关，织物纹理和表面毛羽不会影响测量结果;此外，接触式测量使得测量过程不受外界光源的干扰，保证了数据的准确性。PCA-ELM算法应用于净色织物的色差检测，取得了较满意的预测效果，光谱数据经过主成分分析后，实现了数据的精简，减少了次要因素的干扰，优化了ELM模型的网络结构，提升了网络整体预测性能。

参考文献:

［1］刘素一，刘晶璟，薛勇，等.基于计算机视觉的织物色差检测［J］.毛纺科技，2008，36(6):32－35.

［2］ZHOU Z，XU R，WU D，et al.Fabric color difference detection based on SVM of mulit-dimension features with wavelet kernel［J］.Journal of Fiber BioEngineering and Informations，2015，8(2):241 －248.

［3］LI P F，WANG J，JING J F.Application of improved back propagation algorithm in color difference detection of fabric［J］.Color Research ＆ Application，2015，40(3):311－317.

［4］陈孝之，谢莉青.织物颜色配准到标准色卡的计算机识别与仿真［J］.纺织学报，2016，37(5):150－154，166.

［5］邹文海，徐海松，王勇.基于彩色扫描仪的图像光谱重构［J］.光学学报，2007，27(5):859－863.

［6］徐海松.颜色技术原理及在印染中的应用:二:物体的光谱光度特性与颜色视觉［J］.印染，2005，31(19):40－44.

［7］徐海松.颜色技术原理及在印染中的应用:三:CIE标准色度系统［J］.印染，2005，31(20):32－36.

［8］ABDIH，WILLIAMS L J. Principalcomponent analysis［J］. Wiley Interdisciplinary Reviews Computational Statistics，2010，2(4):433 －459.

［9］HUNAG G B，ZHOUH，DINGX，et al.Extreme learning machine for regression and multiclass classification［J］.IEEE Transaction on Systems Man ＆Cybernetics Part B，2012，42(2):513 －529.

［10］杨易旻.基于极限学习的系统辨识方法及应用研究［D］.长沙:湖南大学，2013.