Machine learning reduz desperdício e melhora qualidade em tecidos
São Paulo — InkDesign News —
A pesquisa recente demonstra que o uso de machine learning pode reduzir significativamente o desperdício na fabricação de tecidos, otimizando o mapeamento das mudanças de cor durante o processo de coloração.
Contexto da pesquisa
A coloração de tecidos é um processo complexo onde os tecidos são tingidos enquanto estão molhados. Essa prática ocasiona variações na cor à medida que secam, dificultando a previsão do resultado final. Warren Jasper, professor do Wilson College of Textiles, explica:
“O tecido é tingido enquanto está molhado, mas o tom alvo é quando está seco e usável. Isso significa que, se houver um erro na coloração, você só saberá quando o tecido estiver seco.”
— Warren J. Jasper, Professor, Wilson College of Textiles
Método proposto
Para abordar esse desafio, Warren Jasper desenvolveu cinco modelos de machine learning, incluindo uma rede neural projetada para mapear relações não lineares. Os modelos foram treinados com dados visuais de 763 amostras de tecido, tanto no estado molhado quanto seco. A coleta de dados foi um esforço laborioso, já que cada tingimento demandou várias horas.
Resultados e impacto
Todos os modelos apresentaram desempenho superior em comparação a modelos tradicionais, mas a rede neural destacou-se com uma precisão significativa. O erro médio foi de apenas 0.7 usando a fórmula de diferença de cor CIEDE2000, enquanto outros modelos mostraram erros que variaram entre 1.1 e 1.6, e os modelos de baseline alcançaram até 13.8. Em indústrias têxteis, valores CIEDE2000 superiores a 0.8 a 1.0 são considerados inaceitáveis. Jasper afirma:
“Esta rede neural tem o potencial de reduzir significativamente o desperdício causado por erros de cor.”
— Warren J. Jasper, Professor, Wilson College of Textiles
A implementação dessas ferramentas de machine learning pode transformar a indústria têxtil, melhorando a produtividade em processos contínuos de coloração, que representam mais de 60% dos tecidos tingidos. O professor Jasper espera que esses modelos sejam mais amplamente adotados no setor.
Fonte: (TechXplore – Machine Learning & AI)
