研究发现机器学习可以减少织物染色废物
作者：Jennifer Bringle
染色织物的过程可能会导致纺织品浪费，这是由于湿润时的典型着色方法，因此很难知道颜色在干燥后的外观。但是北卡罗来纳州立大学威尔逊纺织学院的教授找到了一种解决这个问题的方法机器学习。
沃伦·贾斯珀（Warren Jasper）教授发现，从湿状态到干燥状态的颜色变化量在不同的颜色之间并不均匀，而非线性关系使得基于一种颜色样本很难预测结果。
`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。
为了解决这个问题，贾斯珀（Jasper）开发了五个机器学习模型，其中包括旨在绘制这种非线性关系的神经网络。Jasper使用来自湿润和干燥状态的各种颜色的763个织物样品的视觉数据，对机器进行了训练以预测结果。
每个机器学习模型的表现都优于那些在准确性方面不使用AI的人，但是神经网络的误差值低至0.01，使用CIEDE2000（标准化的颜色差异公式）超过了所有其他误差值。其他机器学习模型显示，CIEDE2000误差范围为1.1和1.6，基线高达13.8。超过0.8至1的误差值通常被认为是纺织行业可接受的限制。
贾斯珀（Jasper）发现，神经网络有可能显着削减由颜色错误引起的废物，因为这将使织物制造商能够更好地预测大量纺织品颜色之前染色的最终结果。他在论文中概述了他的发现，这是一项对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，'纤维。
机器学习和AI被其他部门的纺织工业挖掘，主要是回收和循环。贾斯珀说，他希望这项研究能够在更广泛的纺织行业中更广泛地使用类似的机器学习工具。
我们在纺织品的曲线后面有点落后。他说，该行业已经开始朝着机器学习模型发展，但这非常慢。这些类型的模型可以为减少浪费和提高连续染色的生产率提供强大的工具，占染料织物的60％以上。
关于《研究发现机器学习可以减少织物染色废物》的评论
暂无评论