L'IA peut aider à réduire les déchets, à améliorer la qualité des tissus teints

Une nouvelle étude révèle que l'apprentissage automatique peut aider à réduire les déchets de fabrication des textiles en cartographiant plus précisément la façon dont les couleurs changeront pendant le processus de teinture.

Les tissus sont généralement teints tandis que leurs couleurs changent à mesure qu'elles sèchent. Cela peut rendre difficile de savoir à quoi finira un morceau de tissu dans son état fini, a déclaré Warren Jasper, professeur au Wilson College of Textiles et auteur d'un article sur l'étude publiée dans la revue Fibres.

« Le tissu est teint en mouillement, mais la teinte cible est quand elle est sèche et portable. « Pendant que vous attendez que le séchage se produise, plus de tissu est teint tout le temps. Cela conduit à beaucoup de déchets, car vous ne pouvez tout simplement pas attraper l'erreur avant tard dans le processus. »

La quantité de changement de couleur des états humides aux états sèches n'est pas uniforme entre différentes couleurs. Cette relation non linéaire signifie que la quantité de changement de couleur entre humide et sèche est unique à chaque couleur, et les données d'un échantillon de couleur ne peuvent pas être facilement transférées à une autre.

Pour résoudre ce problème, Jasper a développé cinq modèles d'apprentissage automatique, y compris un réseau neuronal conçu spécifiquement pour cartographier ce type de relation non linéaire. Il a ensuite formé les modèles en entrant des données visuelles à partir de 763 échantillons de tissu de différentes couleurs, à la fois humides et secs. Chaque teinture a pris plusieurs heures, a déclaré Jasper, qui a fait de la collecte de données une entreprise importante.

Bien que tous ces modèles aient surperformé les modèles d'apprentissage non machine en termes de précision, le réseau neuronal s'est démarqué comme beaucoup plus précis que toute autre option. Le réseau neuronal a montré une erreur aussi faible que 0,01 et une erreur médiane de 0,7 en utilisant Ciede2000, une formule de différence de couleur standardisée. Les autres modèles d'apprentissage automatique ont montré des plages d'erreur Ciede2000 entre 1,1 et 1,6, tandis que la ligne de base allait jusqu'à 13,8. Dans l'industrie textile, les valeurs Ciede2000 dépassant 0,8 à 1,0 sont généralement considérées en dehors des limites acceptables.

Ce réseau neuronal a le potentiel de réduire considérablement les déchets causés par des erreurs de couleur, car elle permettrait aux fabricants de tissus de mieux prédire le résultat final du processus de teinture avant que de grandes quantités de tissu ne soient corrigées. Jasper a déclaré qu'il espérait voir des outils d'apprentissage automatique similaires adaptés plus largement dans l'industrie textile.

« Nous sommes un peu derrière la courbe des textiles. L'industrie a commencé à se déplacer davantage vers des modèles d'apprentissage automatique, mais cela a été très lent », a-t-il déclaré. « Ces types de modèles peuvent offrir des outils puissants pour réduire les déchets et améliorer la productivité dans la teinture continue, ce qui représente plus de 60% des tissus teints. »