机器学习可以减少纺织品染色：美国研究人员
作者：www.fibre2fashion.com
由美国威尔逊纺织学院教授沃伦·贾斯珀（Warren Jasper）领导的一项新研究证明了机器学习如何通过在染色过程中提高颜色预测的准确性来帮助减少纺织品制造中的废物。 这项研究名为“一项关于机器学习应用的对照研究，以预测湿样品的干织物颜色：染料浓度和压力压力的影响，解决了该行业的长期挑战之一：预测一旦干燥的染色织物的样子。 织物通常在湿时染色，但是它们的颜色在干燥时通常会变化。这使得制造商很难确定生产过程中材料的最终外观。根据塞缪尔·贾斯珀（Samuel Jasper）的论文的说法，从潮湿到干燥的颜色变为非线性和在不同的阴影中变化的事实使问题更加复杂。 `湿织物在湿时被染色，但是目标阴影是在干燥和可穿戴时的。这意味着，如果您的着色错误，您会知道直到织物干燥为止。当您等待这种干燥发生时，始终将更多的织物染色。这导致了很多浪费，因为您只能在此过程中遇到错误。沃伦·贾斯珀（Warren Jasper）。 为了解决这个问题，贾斯珀（Jasper）开发了五种机器学习模型，包括专门设计用于处理湿色和干色状态之间非线性关系的神经网络。对这些模型的视觉数据进行了培训，该数据来自763种染成各种颜色的织物样品。贾斯珀（Jasper）指出，每个染色过程都花了几个小时，这使得数据收集是耗时的任务。 所有五个机器学习模型在预测最终织物颜色方面的表现优于传统的非ML方法，但事实证明，神经网络是最准确的。它达到了CIEDE2000误差低至0.01，中位误差为0.7。相比之下，其他机器学习模型显示出误差范围为1.1至1.6，而基线模型的错误记录高达13.8。 CIEDE2000公式是用于测量色差的标准指标，在纺织工业中，高于0.8至1.0的值通常被认为是不可接受的。 通过对最终织物颜色进行更准确的预测，神经网络可以帮助制造商避免易于染色的错误并减少材料浪费。贾斯珀（Jasper）表示希望在整个纺织品领域更广泛地采用类似的机器学习工具，以支持效率和可持续性。 我们在纺织品的曲线后面有点落后。该行业已经开始朝着机器学习模型发展更多，但是这非常慢。沃伦说，这些类型的模型可以提供有力的工具来减少浪费并提高连续染色的生产率，造成染料织物的60％以上。 Fibre2Fashion新闻台（HU）
关于《机器学习可以减少纺织品染色：美国研究人员》的评论
暂无评论