Színváltozás feltérképezése gépi tanulással

Egy új tanulmány szerint a gépi tanulás segíthet csökkenteni a textilgyártási hulladékot azáltal, hogy pontosabban feltérképezi, hogyan változnak a színek a festési folyamat során.

A nedves és száraz állapot közötti színváltozás mértéke nem egyenletes a különböző színek között és ez a nemlineáris összefüggés azt jelenti, hogy a nedves és száraz állapot közötti színváltozás mértéke minden színnél egyedi, és az egyik színmintából származó adatok nem vihetők át könnyen a másikra.

Warren Jasper professzor és csapata az Észak-Karolinai Állami Egyetemen gépi tanulás segítségével modellezte, hogyan változik a szövet színe a nedves állapottól a megszáradt végső árnyalatig. A kutatók 763 különböző színmintát elemeztek, és öt gépi tanulási modellt alkottak meg – köztük egy neurális hálózatot, amely rendkívül pontos előrejelzéseket adott.

A neurális hálózat már a festési folyamat közben képes előre jelezni a végső színárnyalatot, így jelentősen csökkenthető a hibás tételek száma és a gyártási hulladék.

A professzor szerint ez csak a kezdet: „A textilipar lassan mozdul a gépi tanulás irányába, pedig ezek a modellek hatékony eszközök lehetnek a hulladék csökkentésére és a gyártás hatékonyabbá tételére – különösen a folyamatos festési eljárásoknál, amelyek a festett textíliák több mint 60%-át teszik ki.”

Ez a technológia különösen fontos lehet a lakástextil-gyártásban, ahol a színállandóság kulcsfontosságú a függönyök, huzatok, kárpitok és egyéb lakberendezési anyagok esetében.