Um estudo recente liderado por Warren Jasper, professor da Wilson College of Textiles nos EUA, revela como o aprendizado de máquina pode minimizar significativamente o desperdício na fabricação têxtil, aprimorando a precisão das previsões de cores durante o processo de tingimento.
A pesquisa, intitulada “Um estudo controlado sobre aplicações de aprendizado de máquina para prever a cor do tecido seco a partir de amostras úmidas: influências da concentração de corante e pressão de aperto”, aborda uma questão persistente na indústria: prevendo a aparência do tecido tingido quando seca.
Os tecidos são tingidos em seu estado úmido, mas suas cores frequentemente se alteram durante a fase de secagem. Essa variação complica a capacidade dos fabricantes de determinar a aparência final do material durante a produção. O desafio é exacerbado pela natureza não linear das mudanças de cor de molhado para seco, que diferem entre vários tons, tornando impossível generalizar dados de uma cor para outra, conforme destacado no artigo co-autor de Samuel Jasper.
“O tecido é tingido enquanto molhado, mas a tonalidade alvo é quando está seco e vestível. Isso significa que, se você tiver um erro na coloração, não saberá até que o tecido esteja seco. Enquanto você espera que a secagem aconteça, mais tecido está sendo tingido o tempo todo. Isso leva a muito desperdício, porque você simplesmente não pode pegar o erro até tarde do processo,”
Para resolver esse problema, Jasper criou cinco modelos de aprendizado de máquina, incluindo uma rede neural projetada especificamente para abordar a relação não linear entre estados de cor molhada e seca. Esses modelos foram treinados usando dados visuais de 763 amostras de tecido tingidas em uma variedade de cores. Jasper mencionou que cada processo de tingimento exigia várias horas, tornando a coleta de dados um empreendimento trabalhoso.
Todos os cinco modelos de aprendizado de máquina superaram os métodos tradicionais não-ML na previsão da cor final do tecido, com a rede neural demonstrando o mais alto nível de precisão. Ele alcançou um erro do CIEDE2000 tão baixo quanto 0,01 e um erro mediano de 0,7. Por outro lado, os outros modelos de aprendizado de máquina registraram taxas de erro entre 1,1 e 1,6, enquanto o modelo de linha de base exibiu erros de até 13,8.
A fórmula do CIEDE2000 serve como um padrão reconhecido para medir as diferenças de cores e, no setor têxtil, os valores superiores a 0,8 a 1,0 são normalmente considerados inaceitáveis.
Ao facilitar previsões mais precisas da cor final do tecido, a rede neural tem o potencial de ajudar os fabricantes a evitar erros de tingimento caro e diminuir o desperdício de material. Jasper expressou otimismo de que ferramentas semelhantes de aprendizado de máquina veriam a adoção mais ampla na indústria têxtil para aumentar a eficiência e a sustentabilidade.
“Estamos um pouco atrás da curva nos têxteis. A indústria começou a avançar mais para os modelos de aprendizado de máquina, mas tem sido muito lento. Esses tipos de modelos podem oferecer ferramentas poderosas para reduzir o desperdício e melhorar a produtividade no tingimento contínuo, o que é responsável por mais de 60 % dos tecidos tingidos”, afirmou Warren.
Deixe uma resposta