Aprendizaje automático reduce desecho en teñido textil
Un estudio reciente liderado por Warren Jasper, profesor del Wilson College of Textiles en EE.UU., revela cómo el aprendizaje automático puede minimizar significativamente los residuos en la fabricación textil al aumentar la precisión de las predicciones de color durante el proceso de teñido.
La investigación, titulada “Un estudio controlado” sobre aplicaciones de aprendizaje automático para predecir el color tejido en seco de las muestras húmedas: Influencias de Concentración de centeno y presión de apretón, aborda un problema persistente en la industria: pronosticando la apariencia de la tela teñida una vez seca.
Los tejidos se tiñen en su estado húmedo, sin embargo, sus colores frecuentemente alteran durante la fase de secado. Esta variación complica la capacidad de los fabricantes para determinar el aspecto final del material durante la producción. El desafío se ve exacerbado por la naturaleza no lineal de los cambios de color de mojado a seco, que difieren en varios tonos, haciendo imposible generalizar los datos de un color a otro, como se destaca en el artículo co-escrito por Samuel Jasper.
La tela se tiñe mientras está mojada, pero la sombra de objetivo es cuando se seca y se puede llevar. Eso significa que, si tienes un error en la coloración, no lo sabrás hasta que la tela esté seca. Mientras esperas que suceda ese secado, más tela se está teñiendo todo el tiempo. Eso conduce a un montón de desperdicio, porque usted no puede captar el error hasta el final del proceso, explicó Warren Jasper.
Para abordar este problema, Jasper creó cinco modelos de aprendizaje automático, incluyendo una red neuronal diseñada específicamente para abordar la relación no lineal entre estados de color húmedo y seco. Estos modelos fueron entrenados usando datos visuales de 763 muestras de tela teñidas en una gama de colores. Jasper mencionó que cada proceso de tinte requería varias horas, haciendo de la recolección de datos un esfuerzo laborioso.
Los cinco modelos de aprendizaje automático superaron los métodos tradicionales noML en la predicción del color final del tejido, con la red neuronal demostrando el más alto nivel de precisión. Logró un error CIEDE2000 tan bajo como 0,01 y un error medio de 0,7. En contraste, los otros modelos de aprendizaje automático registraron tasas de error entre 1,1 y 1.6, mientras que el modelo de referencia mostró errores tan altos como 13.8.
La fórmula CIEDE2000 sirve como norma reconocida para medir las diferencias de color, y en el sector textil, los valores que superan los 0,8 a 1,0 suelen considerarse inaceptables.
Al facilitar predicciones más precisas del color de la tela final, la red neuronal tiene el potencial de ayudar a los fabricantes a evitar costosos errores de tinte y disminuir los residuos de materiales. Jasper expresó su optimismo de que herramientas de aprendizaje automático similares verían una adopción más amplia en la industria textil para mejorar la eficiencia y la sostenibilidad.
Estamos un poco detrás de la curva en textiles. La industria ha comenzado a moverse más hacia modelos de aprendizaje automático, pero ha sido muy lenta. Este tipo de modelos pueden ofrecer herramientas poderosas para reducir el desperdicio y mejorar la productividad en el tinte continuo, que representa más del 60 por ciento de las telas teñidas, declaró Warren.
