Crédito: Dominio público de Pixabay/CC0
Un nuevo estudio encuentra que el aprendizaje automático puede ayudar a reducir los desechos de fabricación de textiles mapeando con mayor precisión cómo cambiarán los colores durante el proceso de teñido.
Las telas generalmente se teñen mientras están húmedas, y sus colores cambian a medida que se secan. Esto puede dificultar saber cómo se verá un pedazo de tela en su estado terminado, dijo Warren Jasper, profesor de la Facultad de Textiles de Wilson y autor de un artículo sobre el estudio publicado en la revista Fibers.
“La tela está teñida mientras está húmeda, pero el tono objetivo es cuando está seco y ponible. Eso significa que, si tiene un error en la coloración, no lo sabrá hasta que la tela esté seca”, dijo. “Mientras esperas a que ocurra ese secado, se te tiñe más telas todo el tiempo. Eso lleva a muchos desechos, porque no puedes detectar el error hasta el final del proceso”.
La cantidad de cambio de color de estados húmedos a secos no es uniforme entre diferentes colores. Esta relación no lineal significa que la cantidad de cambio de color entre húmedo y seco es exclusiva de cada color, y los datos de una muestra de color no pueden transferirse fácilmente a otro.
Para abordar este problema, Jasper desarrolló cinco modelos de aprendizaje automático, incluida una red neuronal diseñada específicamente para mapear este tipo de relación no lineal. Luego entrenó los modelos ingresando datos visuales de 763 muestras de telas de varios colores, tanto húmedos como secos. Cada teñido tardó varias horas en completarse, dijo Jasper, lo que hizo que la recopilación de datos fuera una empresa significativa.
Si bien todos estos modelos superaron a los modelos de aprendizaje no máquinas en términos de precisión, la red neuronal se destacó como significativamente más precisa que cualquier otra opción. La red neuronal mostró un error tan bajo como .01 y un error medio de 0.7 usando Ciede2000, una fórmula de diferencia de color estandarizada. Los otros modelos de aprendizaje automático mostraron rangos de error CIEDE2000 de cualquier lugar entre 1.1 y 1.6, mientras que la línea de base llegó a 13.8. En la industria textil, los valores de CIEDE2000 superiores a 0.8 a 1.0 generalmente se consideran fuera de los límites aceptables.
Esta red neuronal tiene el potencial de reducir significativamente los desechos causados por los errores de color, ya que permitiría a los fabricantes de telas predecir mejor el resultado final del proceso de teñido antes de que grandes cantidades de tela se hayan teñido incorrectamente. Jasper dijo que espera ver herramientas similares de aprendizaje automático adaptadas más ampliamente en la industria textil.
“Estamos un poco detrás de la curva en los textiles. La industria ha comenzado a moverse más hacia los modelos de aprendizaje automático, pero ha sido muy lento”, dijo. “Este tipo de modelos puede ofrecer herramientas potentes para reducir los desechos y mejorar la productividad en el teñido continuo, lo que representa más del 60% de las telas teñidas”.
Más información: Warren J. Jasper et al, un estudio controlado sobre aplicaciones de aprendizaje automático para predecir el color de la tela seca a partir de muestras húmedas: influencias de la concentración de tinte y presión de apretón, fibras (2025). Doi: 10.3390/fib13040047
Proporcionado por la Universidad Estatal de Carolina del Norte
Cita: la IA puede ayudar a reducir los desechos, mejorar la calidad en los tejidos teñidos (2025, 4 de junio) recuperado el 4 de junio de 2025 de https://techxplore.com/news/2025-06-ai- QUALDY-Dyed-Fabrics.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
