یادگیری ماشین (Machine learning)(به اختصار ML نامیده می شود)، شاخه‌ای از هوش مصنوعی است که به سیستم‌ها این امکان را می‌دهد تا بدون نیاز به برنامه ریزی صریح و دقیق، از داده‌ها یاد بگیرند و عملکردشان در انجام وظایف تخصصی را بهبود بخشند. در واقع یادگیری ماشین یعنی طراحی الگوریتم‌هایی که بتوانند داده‌ها را تحلیل نموده، الگوها را شناسایی کرده و با کمترین دخالت انسان، پیش‌بینی یا تصمیم‌گیری کنند.

در کارخانه‌های نساجی نیز، مدل های یادگیری ماشین به عنوان یک عامل توانمندساز ضروری در حال ظهور هستند. الگوریتم ها با تحلیل مجموعه‌های عظیم داده می‌توانند:

•    الگوهای خرید را پیش‌بینی کنند؛ 
•    تولید را بهینه سازند ؛
•    هزینه‌های عملیاتی را کاهش دهند؛
•    بهره‌وری را افزایش دهند؛
•     پایداری را گسترش دهند؛

موارد فوق الذکر از جمله مسائل مهم و حیاتی در شرایط کنونی صنعت جهان محسوب می شوند. شرکت‌های نساجی با کاهش ضایعات و تولید در راستای نیازهای واقعی بازار، در خلق محیط زیست پایدارتر سهیم خواهند بود.

یادگیری ماشین مفهوم تجربه‌ی مصرف‌کننده را مجدداً تعریف نموده است. شرکت‌های نساجی با استفاده از الگوریتم‌های تحلیل کننده داده‌های رفتاری، ترجیحات مصرف کننده و روندهای بازار می‌توانند محصولات شخصی‌سازی‌شده ارائه دهند. شخصی‌سازی، کلید جلب رضایت و وفاداری مشتریان در دنیای رقابتی صنعت نساجی و پوشاک محسوب می شود. با درک ترجیحات فردی، برندها نه تنها رضایت مشتری را افزایش می‌دهند، بلکه فروش خود را نیز ارتقا می‌بخشند. مصرف‌کننده‌ی امروزی برای فردیت (یا همان شخصیت فردی) (individuality) ارزش فراوانی قائل است و صنعت نساجی با اتکا بر یادگیری ماشین می تواند به صورت نوآورانه به این نیازها پاسخ دهد.

پیاده‌سازی موفق یادگیری ماشین (ML) در صنعت نساجی چالش هایی را به همراه دارد، از جمله:

1.    زیرساخت فناوری – تطبیق سیستم‌ها و زیرساخت‌های موجود برای پشتیبانی از پیاده‌سازی ML امر پیچیده ای است و نیاز به سرمایه‌گذاری قابل توجه در زمینه سخت‌افزار و نرم‌افزار دارد.
2.    دسترسی به داده‌های مناسب – اطمینان از دسترسی به مجموعه‌ای از داده‌های مرتبط و با کیفیت، چالشی اساسی اما حیاتی برای اثربخشی یادگیری ماشین است؛
3.    آموزش حرفه‌ای – کمبود متخصصان یادگیری ماشین در صنعت نساجی و پوشاک یک چالش آشکار است. به منظور ادغام موفقیت آمیز این نوع از هوش مصنوعی در فناوری های صنعت نساجی آموزش افراد متخصص و حرفه ای ضروری می باشد.

یکپارچه سازی فناوری‌های یادگیری ماشین در صنعت نساجی و پوشاک یک انقلاب محسوب می شود. در واقع شاهد همگرایی سنت و نوآوری هستیم. باید بپذیریم که الگوریتم‌ها، آینده‌ی صنعت نساجی را شکل خواهند داد. شرکت هایی که این تغییر و تحول را بپذیرند، فرصتی بی‌نظیر برای رهبری کارآمدتر، پایدارتر و مشتری‌محورتر صنعت خواهند داشت. یادگیری ماشین تنها یک ابزار نیست، بلکه پلی به سوی فصلی نو در تاریخ صنعت نساجی می باشد.

مطالعه موردی: کاربرد یادگیری ماشین در رنگرزی

یادگیری ماشین تغییر رنگ‌ها در فرآیند رنگرزی را دقیق‌تر پیش بینی می کند، به این صورت می‌تواند به کاهش ضایعات در تولید منسوجات کمک کند. آقای وارن جسپر (Warren Jasper)، استاد دانشکده نساجی کالج ویلسون (Wilson College) در تحقیقاتش بیان داشته که: پارچه‌ها معمولاً در حالت تر رنگ می‌شوند ولیکن هدف دستیابی به شید رنگ موردنظر در حالت خشک بودن پارچه است. یعنی اگر اشتباهی در رنگ‌بندی (coloration) رخ دهد، تا زمانی که پارچه خشک نشود مشخص نخواهد شد. در کارخانه های رنگرزی در حالی که منتظر خشک شدن پارچه های رنگ شده هستند، فرآیند رنگرزی مابقی پارچه‌ها انجام می شود. اگر رنگ بندی اشتباه باشد میزان زیادی از پارچه به عنوان ضایعات برجای خواهد ماند. زیرا این اشتباه تا مراحل پایانی قابل شناسایی نیست.

میزان تغییر رنگ از وضعیت پارچه مرطوب به پارچه خشک در میان رنگ‌های مختلف یکسان نیست، و این رابطه‌ی غیرخطی بدان معناست که مقدار تغییر رنگ بین حالت خیس و خشک برای هر رنگ منحصربه‌فرد است. لذا داده‌های مربوط به یک نمونه رنگ را نمی توان به راحتی به سایر رنگ‌ها تعمیم داد.

آقای جسپر برای رفع این مشکل، پنج مدل یادگیری ماشین از جمله یک شبکه عصبی ویژه طراحی نموده و هدفش ترسیم این رابطه‌ی غیرخطی بوده است. سپس این مدل‌ها را با استفاده از داده‌های بصری ۷۶۳ نمونه پارچه در رنگ‌های مختلف — در هر دو حالت خیس و خشک — آموزش داده است. هر رنگرزی چندین ساعت طول می‌کشد، از این رو فرآیند جمع‌آوری داده‌ها کاری زمان‌بر بوده است.

در حالی که تمام این مدل‌های یادگیری ماشین از نظر دقت عملکرد بهتری نسبت به مدل‌های غیرماشینی داشتند، شبکه عصبی به‌طور قابل توجهی دقیق‌تر از سایر مدل ها ظاهر شد.  بر اساس فرمول استاندارد اختلاف رنگ (CIEDE2000)، خطای این شبکه عصبی 0.01 و خطای میانه‌ آن 0.7 بودند که به نوبه خود بسیار ناچیز هستند. سایر مدل‌های یادگیری ماشین بازه خطای CIEDE2000  بین 1.1 تا 1.6 را نشان دادند، در حالی که الگوریتم های خط مبنا تا مقادیر بالای 13.8 را نشان داده اند. در صنعت نساجی، مقادیر خطای CIEDE2000  از 0.8 تا 1 معمولاً خارج از محدوده قابل‌قبول در نظر گرفته می‌شوند. عملکرد دقیق شبکه عصبی، آن را به گزینه‌ای بسیار ارزشمند برای به‌کارگیری در فرآیند رنگرزی تبدیل می‌کند.

این شبکه عصبی پتانسیل کاهش قابل توجه ضایعات ناشی از خطا در رنگ بندی را دارد. تولیدکنندگان پیش از رنگرزی پارچه با استفاده از این شبکه عصبی می توانند نتیجه نهایی فرآیند رنگرزی را با دقت پیش‌بینی کنند.

روند یادگیری ماشین در صنعت نساجی کندتر از سایر صنایع بوده است.  مدل‌های یادگیری ماشین می‌توانند ابزارهای قدرتمندی برای کاهش ضایعات و بهبود بهره‌وری در فرایند رنگرزی مداوم فراهم کنند. بیش از ۶۰٪ از پارچه‌های رنگ‌شده از طریق فرایند رنگرزی مداوم  رنگ می شوند. این درصد بالا نشان دهنده آن است که کاهش ضایعات در آن چه منافع عظیمی در پی خواهد داشت.

کلمات کلیدی: هوش مصنوعی   یادگیری ماشین   رنگرزی  واردات ماشین آلات رنگرزی   واردات ماشین آلات چاپ پارچه  واردات ماشین آلات دست دوم نساجی   

♦ منابع مرتبط :

www.innovationintextiles.com►

https://ccg.pt/en►

♦ لینک اشتراک گذاری :

B2n.ir/nassajyar1747►

♦ مطالب پیشنهادی :

 - واردات چیپس پلی استر جهت تولید نخ FDY

 -ثبت نام و غرفه گذاری در نمایشگاه بین المللی ماشین آلات نساجی ترکیه TTM 2025

.

.

لطفاً ما را در شبکه های اجتماعی دنبال کنید.