Inteligência artificial previne erros no tingimento têxtil

[Romildo de Paula Leite]

Um novo estudo conclui que a aprendizagem automática pode ajudar a reduzir o desperdício na produção de têxteis, mapeando com maior precisão a forma como as cores mudam durante o processo de tingimento.

[©Pixabay-Andrew Martin]

De acordo com Warren Jasper, professor no Wilson College of Textiles da Universidade Estadual da Carolina do Norte e autor do estudo, um dos principais desafios no tingimento têxtil é o facto de os têxteis serem tingidos enquanto ainda estão húmidos, mudando de cor à medida que secam.

«O têxtil é tingido enquanto está húmido, mas a tonalidade pretendida é obtida quando está seco e pode ser usado. Isto significa que, se houver um erro no tingimento, não saberemos até o tecido estar seco. Enquanto se espera que a secagem aconteça, mais tecido está a ser tingido durante todo o tempo. Isso leva a muito desperdício, porque não se consegue detetar o erro até ao final do processo», explica o professor.

O estudo, intitulado “A Controlled Study on Machine Learning Applications to Predict Dry Fabric Color from Wet Samples: Influences of Dye Concentration and Squeeze Pressure”, indica que a mudança de cor do estado húmido para o seco não é uniforme entre as diferentes cores. Como a relação entre estas mudanças não é linear, os dados de uma amostra de cor não podem ser facilmente transferidos para outra.

[©MPDI-North Carolina State University]

Para enfrentar este problema, Warren Jasper desenvolveu cinco modelos de aprendizagem automática, incluindo uma rede neural desenhada especificamente para mapear essas relações não lineares. Os modelos foram treinados com dados visuais de 763 amostras de têxteis em diferentes cores, tanto em estado húmido como seco.

Embora todos os modelos de aprendizagem automática tenham superado os modelos tradicionais em termos de precisão, a rede neural destacou-se por ser significativamente mais precisa do que qualquer outra opção. A rede neural apresentou um erro de apenas 0,01 e um erro médio de 0,7, utilizando a fórmula padronizada de diferença de cores CIEDE 2000, que calcula o quanto duas cores são visualmente diferentes aos olhos humanos. Os outros modelos de aprendizagem automática apresentaram erros entre 1,1 e 1,6, sendo que, na indústria têxtil, os valores de CIEDE2000 superiores a 0,8 são geralmente considerados fora dos limites aceitáveis.

Segundo a investigação, a rede neural tem o potencial de reduzir significativamente o desperdício causado por erros de cor, uma vez que permite aos produtores têxteis prever melhor o resultado final do processo de tingimento antes de grandes quantidades de tecido serem incorretamente tingidas.

«Estamos um pouco atrasados no setor têxtil. A indústria começou a avançar mais para os modelos de aprendizagem automática, mas tem sido muito lento. Estes tipos de modelos podem oferecer ferramentas poderosas para reduzir o desperdício e melhorar a produtividade no tingimento contínuo, que representa mais de 60% dos tecidos tingidos», sublinha Warren Jasper.

https://portugaltextil.com/inteligencia-artificial-previne-erros-no...

Para participar de nossa Rede Têxtil e do Vestuário - CLIQUE AQUI