El aprendizaje automático puede reducir los residuos del teñido textil: Investigadores estadounidenses
08 Jun ’25
Imagen: Shutterstock AI
Perspectivas
- Un estudio dirigido por Warren Jasper demuestra que el aprendizaje automático puede reducir los residuos del teñido textil prediciendo con precisión los colores de los tejidos secos a partir de muestras hú
- Un modelo de red neuronal entrenado con 763 muestras logró una precisión casi perfecta, lo que ayudó a evitar costosos errores.
- Jasper insta a una adopción más amplia para impulsar la sostenibilidad y la eficiencia en la tintura continua.
Un nuevo estudio, dirigido por Warren Jasper, profesor del Wilson College of Textiles de Estados Unidos, ha demostrado cómo el aprendizaje automático puede ayudar a reducir los residuos en la fabricación textil mejorando la precisión de la predicción del color durante el proceso de teñido.
La investigación, titulada «A Controlled Study on Machine Learning Applications to Predict Dry Fabric Color from Wet Samples: Influences of Dye Concentration and Squeeze Pressure» (Estudio controlado sobre aplicaciones de aprendizaje automático para predecir el color del tejido seco a partir de muestras húmedas: influencia de la concentración de colorante y la presión de apriete), aborda uno de los retos más antiguos del sector: predecir el aspecto que tendrá el tejido teñido una vez seco.
Los tejidos suelen teñirse en húmedo, pero sus colores cambian a menudo al secarse. Esto dificulta a los fabricantes determinar el aspecto final del material durante la producción. La cuestión se complica aún más por el hecho de que los cambios de color de húmedo a seco no son lineales y varían según las distintas tonalidades, lo que hace imposible generalizar los datos de un color a otro, según el artículo del que es coautor Samuel Jasper.
«El tejido se tiñe mientras está húmedo, pero el tono objetivo es cuando está seco y se puede llevar puesto. Eso significa que, si hay un error en la coloración, no se sabrá hasta que el tejido esté seco. Mientras espera a que se seque, se está tiñendo más tejido todo el tiempo. Esto supone un gran desperdicio, porque el error no se detecta hasta que el proceso está muy avanzado», explica el Sr. Kolman. Warren Jasper.
Para solucionarlo, Jasper desarrolló cinco modelos de aprendizaje automático, incluida una red neuronal diseñada específicamente para manejar la relación no lineal entre los estados de color húmedo y seco. Los modelos se entrenaron con datos visuales de 763 muestras de tejidos teñidos en varios colores. Jasper observó que cada proceso de teñido duraba varias horas, por lo que la recogida de datos era una tarea que requería mucho tiempo.
Los cinco modelos de aprendizaje automático superaron a los enfoques tradicionales no basados en ML a la hora de predecir el color final del tejido, pero la red neuronal resultó ser la más precisa. Alcanzó un error CIEDE2000 tan bajo como 0,01 y un error medio de 0,7. En comparación, los demás modelos de aprendizaje automático mostraron rangos de error de 1,1 a 1,6, mientras que el modelo de referencia registró errores de hasta 13,8.
La fórmula CIEDE2000 es una métrica estándar para medir la diferencia de color y, en la industria textil, los valores por encima de 0,8 a 1,0 suelen considerarse inaceptables.
Al permitir predicciones más precisas del color final del tejido, la red neuronal podría ayudar a los fabricantes a evitar costosos errores de teñido y reducir el desperdicio de material. Jasper expresó su esperanza de que herramientas similares de aprendizaje automático se adopten más ampliamente en el sector textil para apoyar la eficiencia y la sostenibilidad.
«En el sector textil vamos un poco por detrás. El sector ha empezado a orientarse más hacia los modelos de aprendizaje automático, pero ha sido muy lento. Estos tipos de modelos pueden ofrecer herramientas potentes para reducir los residuos y mejorar la productividad en la tintura continua, que representa más del 60% de los tejidos teñidos», afirma Warren.
Fibre2Fashion News Desk (HU)