Artificial Intelligence in hair research : A proof-of-concept study on evaluating hair assembly features / Gabriela Daniels in INTERNATIONAL JOURNAL OF COSMETIC SCIENCE, Vol. 43, N° 4 (08/2021)  

[article]  inINTERNATIONAL JOURNAL OF COSMETIC SCIENCE > Vol. 43, N° 4 (08/2021) . - p. 405-418 Titre : Artificial Intelligence in hair research : A proof-of-concept study on evaluating hair assembly features Type de document : document électronique Auteurs : Gabriela Daniels, Auteur ; Slobodanka Tamburic, Auteur ; Sergio Benini, Auteur ; Jane Randall, Auteur ; Tracey Sanderson, Auteur ; Mattia Savardi, Auteur Année de publication : 2021 Article en page(s) : p. 405-418 Note générale : Bibliogr. Langues : Anglais (eng) Catégories : Analyse sensorielle Apprentissage automatique L'apprentissage automatique (en anglais : machine learning, litt. "apprentissage machine"), apprentissage artificiel ou apprentissage statistique est un champ d'étude de l'intelligence artificielle qui se fonde sur des approches mathématiques et statistiques pour donner aux ordinateurs la capacité d'"apprendre" à partir de données, c'est-à-dire d'améliorer leurs performances à résoudre des tâches sans être explicitement programmés pour chacune. Plus largement, il concerne la conception, l'analyse, l'optimisation, le développement et l'implémentation de telles méthodes. (Wikipedia) Cheveux -- analyse Cheveux décolorés Détection de défauts (Ingénierie) Intelligence artificielle Index. décimale : 668.5 Parfums et cosmétiques Résumé : - Objective : The first objective of this study was to apply computer vision and machine learning techniques to quantify the effects of haircare treatments on hair assembly and to identify correctly whether unknown tresses were treated or not. The second objective was to explore and compare the performance of human assessment with that obtained from artificial intelligence (AI) algorithms. - Methods : Machine learning was applied to a data set of hair tress images (virgin and bleached), both untreated and treated with a shampoo and conditioner set, aimed at increasing hair volume whilst improving alignment and reducing the flyway of the hair. The automatic quantification of the following hair image features was conducted : local and global hair volumes and hair alignment. These features were assessed at three time points: t0 (no treatment), t1 (two treatments) and t2 (three treatments). Classifier tests were applied to test the accuracy of the machine learning. A sensory test (paired comparison of t0 vs t2) and an online front image-based survey (paired comparison of t0 vs t1, t1 vs t2, t0 vs t2) were conducted to compare human assessment with that of the algorithms. - Results : The automatic image analysis identified changes to hair volume and alignment which enabled the successful application of the classification tests, especially when the hair images were grouped into untreated and treated groups. The human assessment of hair presented in pairs confirmed the automatic image analysis. The image assessment for both virgin hair and bleached only partially agreed with the analysis of the subset of images used in the online survey. One hypothesis is that treatments changed somewhat the shape of the hair tress, with the effect being more pronounced in bleached hair. This made human assessment of flat images more challenging than when viewed directly in 3D. Overall, the bleached hair exhibited effects of higher magnitude than the virgin hair. - Conclusions : This study illustrated the capacity of artificial intelligence for hair image detection and classification, and for image analysis of hair assembly features following treatments. The human assessment partially confirmed the image analysis and highlighted the challenges imposed by the presentation mode. Note de contenu : - Hair assembly volume, alignment and flyaway - Hair assembly properties and Artificial Intelligence - MATERIALS AND METHODS : Hair tresses and treatment - Image dataset - Automatic hair segmentation - Automatic quantification of hair assembly features - Timepoint recognition on single hair images with AI - Online paired image-comparison test with naïve assessors (n = 100) - Paired difference test with naïve assessors )n = 50) - Statistical analysis - RESULTS : Hair volume analysis - Fibre alignment analysis - Machine learning: treatment order test - Machine learning : timepoint recognition - Online paired image-comparison test : image analysis - Online paired image-comparison test : human assessment - Visual paired difference test - DISCUSSION : Image data analysis and machine learning - Classifiers tests - The online survey and AI - Visual paired difference test - Table 1 : Global and local hair volumes for the three time points of the training data set - Table 2 : Fibre alignment indices for three time points of the training data set - Table 3 : Confusion matrices. Correct results in bold - Table 4 : Results of the online paired image-comparison test - Table 5 : Fibre alignment indices for the selected image subset used in the online survey, based on three images for each tress - Table 6 : Results of the online paired image-comparison test - Table 7 : Volume and hair straightness comparisons between the different time points reported in the survey (Table 6) and their agreement with AI-generated GHV - Table 8 : Results of the visual paired difference test (n = 50 responses) DOI : https://doi.org/10.1111/ics.12706 En ligne : https://drive.google.com/file/d/1RnhXaRtILFJxcQM1zyk09SH7pQcXM1Mh/view?usp=shari [...] Format de la ressource électronique : Pdf Permalink : https://e-campus.itech.fr/pmb/opac_css/index.php?lvl=notice_display&id=36675 [article]

Exemplaires

Code-barres	Cote	Support	Localisation	Section	Disponibilité
aucun exemplaire

Deep learning and machine learning neural network approaches for multi class leather texture defect classification and segmentation / Praveen Kumar Moganam in JOURNAL OF LEATHER SCIENCE AND ENGINEERING, Vol. 4 (Année 2022)  

[article]  inJOURNAL OF LEATHER SCIENCE AND ENGINEERING > Vol. 4 (Année 2022) . - 21 p. Titre : Deep learning and machine learning neural network approaches for multi class leather texture defect classification and segmentation Type de document : texte imprimé Auteurs : Praveen Kumar Moganam, Auteur ; Denis Ashok Sathia Seelan, Auteur Année de publication : 2022 Article en page(s) : 21 p. Note générale : Bibliogr. Langues : Anglais (eng) Catégories : Apprentissage automatique L'apprentissage automatique (en anglais : machine learning, litt. "apprentissage machine"), apprentissage artificiel ou apprentissage statistique est un champ d'étude de l'intelligence artificielle qui se fonde sur des approches mathématiques et statistiques pour donner aux ordinateurs la capacité d'"apprendre" à partir de données, c'est-à-dire d'améliorer leurs performances à résoudre des tâches sans être explicitement programmés pour chacune. Plus largement, il concerne la conception, l'analyse, l'optimisation, le développement et l'implémentation de telles méthodes. (Wikipedia) Cuirs et peaux -- Défauts Détection de défauts (Ingénierie) Réseaux neuronaux (informatique) Tags : 'Réseaux  de  neurones  à  convolution'  'Classificateur  d'apprentissage  automatique'  'Défauts  du  cuir'  'Classement  multi-classes'  'Carte  d'activation  classe'  Segmentation Index. décimale : 675 Technologie du cuir et de la fourrure Résumé : Modern leather industries are focused on producing high quality leather products for sustaining the market competitiveness. However, various leather defects are introduced during various stages of manufacturing process such as material handling, tanning and dyeing. Manual inspection of leather surfaces is subjective and inconsistent in nature; hence machine vision systems have been widely adopted for the automated inspection of leather defects. It is necessary develop suitable image processing algorithms for localize leather defects such as folding marks, growth marks, grain off, loose grain, and pinhole due to the ambiguous texture pattern and tiny nature in the localized regions of the leather. This paper presents deep learning neural network-based approach for automatic localization and classification of leather defects using a machine vision system. In this work, popular convolutional neural networks are trained using leather images of different leather defects and a class activation mapping technique is followed to locate the region of interest for the class of leather defect. Convolution neural networks such as Google net, Squeeze-net, RestNet are found to provide better accuracy of classification as compared with the state-of-the-art neural network architectures and the results are presented. Note de contenu : - MACHINE VISION-BASED LEATHER INSPECTION SYSTEM : Leather Image acquisition - Leather texture defects - DEEP LEARNING NEURAL NETWORK APPROACH FOR CLASSIFICATION AND LOCALIZATION OF LEATHER DEFECTS : Leather image Data Set preparation and preprocessing - Deep learning convolutional neural network architectures - Visualization of region of interest for defect localization - MACHINE LEARNING BASED APPROACHES FOR MULTI CLASS DEFECT CLASSIFICATION OF LEATHER DEFECTS : Hand crafted Feature extraction from leather images - Shallow feed-forward neural network-based machine learning classifier - PERFORMANCE METRICS OF DEEP LEARNING AND MACHINE LEARNING CLASSIFIERS - RESULTS AND DISCUSSION : Feature maps of convolution neural networks - Feature extraction using GLCM, autocorrelation - Training and testing performance of deep learning neural networks Training performance of shallow feed forward neural network classifier - Classification performance of deep learning neural networks - Classification performance of machine learning approaches - Class activation maps for selection of region of interest in leather images DOI : https://doi.org/10.1186/s42825-022-00080-9 En ligne : https://link.springer.com/content/pdf/10.1186/s42825-022-00080-9.pdf Format de la ressource électronique : Pdf Permalink : https://e-campus.itech.fr/pmb/opac_css/index.php?lvl=notice_display&id=37575 [article]

Exemplaires

Code-barres	Cote	Support	Localisation	Section	Disponibilité
aucun exemplaire

LCM in standardised automation processes / Oliver Korten in EUROPEAN COATINGS JOURNAL (ECJ), (04/2024)  

[article]  inEUROPEAN COATINGS JOURNAL (ECJ) > (04/2024) . - p. 36-40 Titre : LCM in standardised automation processes : Automating data acquisition with standardised interfaces in the process industry for machine learning application Type de document : texte imprimé Auteurs : Oliver Korten, Auteur ; Hendrik Hustert, Auteur ; Dominik Polke, Auteur ; Alvin Surjana, Auteur ; Gaoyuan Zhang, Auteur ; Elmar Ahle, Auteur ; Christian Schmitz, Auteur Année de publication : 2024 Article en page(s) : p. 36-40 Note générale : Bibliogr. Langues : Anglais (eng) Catégories : Apprentissage automatique L'apprentissage automatique (en anglais : machine learning, litt. "apprentissage machine"), apprentissage artificiel ou apprentissage statistique est un champ d'étude de l'intelligence artificielle qui se fonde sur des approches mathématiques et statistiques pour donner aux ordinateurs la capacité d'"apprendre" à partir de données, c'est-à-dire d'améliorer leurs performances à résoudre des tâches sans être explicitement programmés pour chacune. Plus largement, il concerne la conception, l'analyse, l'optimisation, le développement et l'implémentation de telles méthodes. (Wikipedia) Colorimétrie Industrie 4.0 Le concept d’Industrie 4.0 correspond à une nouvelle façon d’organiser les moyens de production : l’objectif est la mise en place d’usines dites "intelligentes" ("smart factories") capables d’une plus grande adaptabilité dans la production et d’une allocation plus efficace des ressources, ouvrant ainsi la voie à une nouvelle révolution industrielle. Ses bases technologiques sont l'Internet des objets et les systèmes cyber-physiques. Package de type module Le Package de Type Module (MTP) est un concept qui peut exploiter le potentiel d'optimisation des usines de transformation à tous les niveaux, de la planification à l'exploitation. Index. décimale : 667.9 Revêtements et enduits Résumé : Chemistry 4.0 is a new era in the chemical process industry, in which digitalisation, modularisation, sustainability and circular economy play a key role. There is growing interest in the use of process data, with the aim of gaining a better understanding of the production process and optimisation of products. A key element of this is MTP. Note de contenu : - Liquid colour measurement - Module type package - The LCM mono insrument - Standardised modular interface for LCM mono - Experiments for modelling liquid-dry colour correlation - Formulation generation - Sample preparation - Initial results of liquid-dry colour correlation modelling - Fig. 1 : LCM Mono module - Fig. 2 : General concept behind the MTP-equipped module - Fig. 3 : Generated samples for modelling liquid-dry colour correlation - Fig. 4 : Comparison bet ween the model predictions based on the liquid L99o, a99o and b99o as well as colourant formulation and the measured dry-coating colour space En ligne : https://drive.google.com/file/d/1u-78grPKpSexx2D10eEwk_hFA3HJt-Q4/view?usp=drive [...] Format de la ressource électronique : Pdf Permalink : https://e-campus.itech.fr/pmb/opac_css/index.php?lvl=notice_display&id=40845 [article]

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
24572	-	Périodique	Bibliothèque principale	Documentaires	Disponible

Leather machine learning / Karl Flowers in INTERNATIONAL LEATHER MAKER (ILM), N° 51 (01-02/2022)  

[article]  inINTERNATIONAL LEATHER MAKER (ILM) > N° 51 (01-02/2022) . - p. 32-34 Titre : Leather machine learning Type de document : texte imprimé Auteurs : Karl Flowers, Auteur Année de publication : 2022 Article en page(s) : p. 32-34 Langues : Anglais (eng) Catégories : Apprentissage automatique L'apprentissage automatique (en anglais : machine learning, litt. "apprentissage machine"), apprentissage artificiel ou apprentissage statistique est un champ d'étude de l'intelligence artificielle qui se fonde sur des approches mathématiques et statistiques pour donner aux ordinateurs la capacité d'"apprendre" à partir de données, c'est-à-dire d'améliorer leurs performances à résoudre des tâches sans être explicitement programmés pour chacune. Plus largement, il concerne la conception, l'analyse, l'optimisation, le développement et l'implémentation de telles méthodes. (Wikipedia) Cuirs et peaux -- Industrie Industrie 4.0 Le concept d’Industrie 4.0 correspond à une nouvelle façon d’organiser les moyens de production : l’objectif est la mise en place d’usines dites "intelligentes" ("smart factories") capables d’une plus grande adaptabilité dans la production et d’une allocation plus efficace des ressources, ouvrant ainsi la voie à une nouvelle révolution industrielle. Ses bases technologiques sont l'Internet des objets et les systèmes cyber-physiques. Intelligence artificielle Index. décimale : 675 Technologie du cuir et de la fourrure Résumé : Industry 4.0 is the concept where leather factories of the future are interconnected, have many measurement data streams flowing into a central processing point that learns, improves and continuously implements improvements or corrective actions, e.g., a tannery machine that from the data of its own performance requests a maintenance activity, or a technical service, or part-replacement (within the consents set by the user). The topic of how the modem tannery implement and profit from Industry 4.0 is mentioned in previous articles in the ILM March/April and September/October 2018 issues. Artificial intelligence (M) can further be broken down into the tools required: machine learning and its subset, deep learning. This article details how modern machines use AI, and specifically machine learning to improve themselves. The ethics of AI will not be considered in this article, but is covered comprehensively elsewhere (Müller, 2021). Note de contenu : - Artificial intelligence - Machine learning - Machine vision - Fig. 1 : A hide/skin moves on a conveyor under a machine with "vision" (a scanner) - Fig. 2 : A crucial development for toggling is detecting the edge of a leather - Fig. 3 : The difference between great contrast, average/low contrast and blurred edge - Fig. 4 : Colour printing En ligne : https://drive.google.com/file/d/17oI3edzcI3bxIYhILEU0jTSOjjK_Tm-d/view?usp=drive [...] Format de la ressource électronique : Pdf Permalink : https://e-campus.itech.fr/pmb/opac_css/index.php?lvl=notice_display&id=36941 [article]

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
23197	-	Périodique	Bibliothèque principale	Documentaires	Disponible

Machine learning for the development of coatings, inks and adhesives / Tom Whitehead in SURFACE COATINGS INTERNATIONAL, Vol. 107.1 (01-02/2024)  

[article]  inSURFACE COATINGS INTERNATIONAL > Vol. 107.1 (01-02/2024) . - p. 44-47 Titre : Machine learning for the development of coatings, inks and adhesives Type de document : texte imprimé Auteurs : Tom Whitehead, Auteur Année de publication : 2024 Article en page(s) : p. 44-47 Note générale : Bibliogr. Langues : Anglais (eng) Catégories : Apprentissage automatique L'apprentissage automatique (en anglais : machine learning, litt. "apprentissage machine"), apprentissage artificiel ou apprentissage statistique est un champ d'étude de l'intelligence artificielle qui se fonde sur des approches mathématiques et statistiques pour donner aux ordinateurs la capacité d'"apprendre" à partir de données, c'est-à-dire d'améliorer leurs performances à résoudre des tâches sans être explicitement programmés pour chacune. Plus largement, il concerne la conception, l'analyse, l'optimisation, le développement et l'implémentation de telles méthodes. (Wikipedia) Contrôle de processus adaptatif Formulation (Génie chimique) Intelligence artificielle Revêtements organiques Index. décimale : 667.9 Revêtements et enduits Résumé : The development of coatings, inks and adhesives has long relied on the intuition and expertise of skilled chemists. However, a new player is entering the field : machine learning. This data-driven approach offers a fresh perspective on formulation optimisation, promising to streamline the development process and accelerate innovation in this crucial industry. While not a magic bullet, machine learning's ability to analyse complex data sets allows for more targeted experiments, leading to improved efficiency and performance in the development of novel and improved coatings, inks and adhesives. This article discusses how machine learning is transforming the industry, from guiding experimental design to overcoming data challenges, ultimately ushering in a new era of smarter and faster formulation development. Note de contenu : - Machine learning in formulation optimisation - Adaptive experimental design - Case study : Domino printing sciences - Barriers and opportunities for machine learning in forulation development - Fig. 2 : A summary of the adaptive experiemntal design workflow - Fig. 3 : A representation of the union of machine learning and chemistry - generated using the Google Imagen generative artificial intelligence tool En ligne : https://drive.google.com/file/d/1kMnlRjcULNA_rKgHFb7pY0Y2kAyfdiT2/view?usp=drive [...] Format de la ressource électronique : Pdf Permalink : https://e-campus.itech.fr/pmb/opac_css/index.php?lvl=notice_display&id=40821 [article]

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
24518	-	Périodique	Bibliothèque principale	Documentaires	Disponible

Machine learning workflow for microparticle composite thin-film process–structure linkages / Peter R. Griffiths in JOURNAL OF COATINGS TECHNOLOGY AND RESEARCH, Vol. 19, N° 1 (01/2022)  

Permalink

Molded part quality prediction using machine learning / Alexander Schulze Struchtrup in KUNSTSTOFFE INTERNATIONAL, Vol. 110, N° 5 (2020)  

Permalink

More recyclate thanks to digital twin / Marco Klute in PLASTICS INSIGHTS, Vol. 114, N° 1-2024 (2024)  

Permalink

On the fast track with AI / Markus Sommer in EUROPEAN COATINGS JOURNAL (ECJ), (03/2024)  

Permalink

Process set-up through machine learning / Christian Hopmann in KUNSTSTOFFE INTERNATIONAL, Vol. 108, N° 6 (06-07/2018)  

Permalink

Time series data for process monitoring in injection molding : a quantitative study of the benefits of a high sampling rate / Lucas Bogedale in INTERNATIONAL POLYMER PROCESSING, Vol. 38, N° 2 (2023)  

Permalink

With al to the right color / Erwin Houben in KUNSTSTOFFE INTERNATIONAL, Vol. 113, N° 5 (2023)  

Permalink

---

1 (1 - 12 / 12)