1.基于双向长短时记忆网络的混合染液浓度检测方法，其特征在于，具体按照以下步骤实施：步骤1，配置不同浓度的混合染液；

步骤2，在不同的光源及不同的曝光时间下，采集步骤1中原始染液数据的图像信息并记录；

步骤3，将经步骤2后得到的数据进行PAM聚类；

步骤4，聚类后的每一类数据映射到[0,1]，进行归一化处理；

步骤5，将归一化处理的每一类数据分别划分训练集与验证集；

步骤6，采用双向长短时记忆网络的算法构建BiLSTM网络模型，

步骤7，输入步骤5中的训练集数据，运用步骤6中的模型进行混合染液浓度的预测；

步骤8，用ARIMA模型对混合染液浓度的预测值进行误差修正；

步骤9，将步骤6和步骤8训练得到的模型最优参数并记录，根据最优参数优化模型可得到k个最优预测子模型，由k类中每类对应的最优预测子模型共同组成最优BiLSTM‑ARIMA预测模型；

步骤10，使用步骤5的测试集以及步骤9得到的最优BiLSTM‑ARIMA预测模型进行混合染液浓度的预测。

2.根据权利要求1所述的基于双向长短时记忆网络的混合染液浓度检测方法，其特征在于，所述步骤1中，具体为：选择3BF、3RF、2GF的染料分别配制成不同组分的染液；将每种组分染料各配制成10种不同浓度档次的母液；并将不同浓度档次相互组合，形成不同染料配比，即可得到原始染液数据。

3.根据权利要求2所述的基于双向长短时记忆网络的混合染液浓度检测方法，其特征在于，所述步骤2中，具体为：将所有的原始染液数据分别滴在图像采集设备的玻璃皿上，采用R100、B100、G100三种不同的背光光源作为不同的光照类型；针对所采用的三种不同光源，再分别设定多种曝光时间，分别采集图像中的R、G、B值，将其作为原始数据。

4.根据权利要求3所述的基于双向长短时记忆网络的混合染液浓度检测方法，其特征在于，所述步骤3中，具体为：根据混合染液检测的要求来确定簇的数目，并将其标注为k；从原始数据中，选取k个R、G、B数据设定为初始聚类的中心；根据代价函数，计算出当前数据集中每一个R、G、B数据与中心点的欧式距离；再将该染液浓度数据样本分配到具有距离最近中心点的簇中；再对每一个簇中的所有非中心点，计算中心点被替换后的代价，改用代价最小的数据当作新的中心点；重复该步骤，直到R、G、B数据的聚类处理得到的误差平方和达到最小为止。

5.根据权利要求4所述的基于双向长短时记忆网络的混合染液浓度检测方法，其特征在于，所述步骤6中，具体为：步骤6.1，使用reshape函数对步骤5中的所有数据进行维度变换为具有[样本，时间步长，特征]维度的三维阵列，构造得到模型的输入数据，其中包括训练和测试数据的X，Y标签；

步骤6.2，首先，使用包装器实现RNN神经网络的双向构造，参数设置如下：layer选择模型LSTM，merge_mode为前向和后向的RNN输出选择采用concat模式进行组合，其中进一步使用tensorflow.keras.layers.LSTM实现LSTM网络，隐藏层神经元个数设为12，输入维度为步骤6.1训练集数据中X标签的规模；随后需要接一个Dense层将LSTM的输出进行转换，其中输出空间的维数依次设为81、27、9、3、1，并将Dense层中units为1时作为输出层；最后，在每一个卷积层后都加入高级激活层LeakyReLU；

步骤6.3，配置模型训练所需要的函数，选择Adam作为优化器，选择均方误差MSE作为损失函数，评价所用的MSE值越小则精确度更高，选择Accuracy作为监控指标；

步骤6.4，使用步骤6.1中的训练数据X，Y标签作为训练集的输入以及标签，迭代次数epochs设为80，每一批batch的大小设为1，学习率衰减函数scheduler中设置每隔20个epoch使学习率减小为原来的1/2，将衰减函数返回值学习率作为LearningRateScheduler函数的参数，其结果传给本步中fit方法的callbacks参数，verbose设为0即不在控制台输出日志信息，调整上述模型训练的参数，比较在不同参数下的预测精度，选择最优参数确定最终模型。

6.根据权利要求5所述的基于双向长短时记忆网络的混合染液浓度检测方法，其特征在于，所述步骤8中，具体为：步骤8.1，将步骤7得到的预测输出与步骤5训练集中混合染液的实际相比，得到浓度误差序列；

步骤8.2，将误差序列作为原始时间序列建立ARIMA模型进行误差修正，ARIMA(p,d,q)模型所运用的公式如下：其中， 为自回归项系数，θi为移动平均项系数，Xt为输入的误差序列，p为阶层，d为差分次数，q为阶数，L为滞后算子，εt为残差序列；

步骤8.3，运用 评价ARIMA模型，进行参数寻优，确定

ARIMA模型中的p,d,q的值。

7.根据权利要求6所述的基于双向长短时记忆网络的混合染液浓度检测方法，其特征在于，所述步骤10中，具体为：步骤10.1，求测试数据与k类数据的各自中心点的欧式距离，判断该测试数据属于哪一类；

步骤10.2，使用步骤8.1已经确定的类所对应的最优预测子模型来预测混合染液浓度。