A novel approach for recipe prediction of fabric dyeing based on feature-weighted support vector regression and particle swarm optimisation / Feng Li in COLORATION TECHNOLOGY, Vol. 138, N° 5 (10/2022)  

[article]  inCOLORATION TECHNOLOGY > Vol. 138, N° 5 (10/2022) . - p. 594-508 Titre : A novel approach for recipe prediction of fabric dyeing based on feature-weighted support vector regression and particle swarm optimisation Type de document : texte imprimé Auteurs : Feng Li, Auteur ; Caiting Chen, Auteur ; Zhiping Mao, Auteur Année de publication : 2022 Article en page(s) : p. 594-508 Note générale : Bibliogr. Langues : Anglais (eng) Catégories : Analyse vectorielle Coton Le coton est une fibre végétale qui entoure les graines des cotonniers "véritables"(Gossypium sp.), un arbuste de la famille des Malvacées. Cette fibre est généralement transformée en fil qui est tissé pour fabriquer des tissus. Le coton est la plus importante des fibres naturelles produites dans le monde. Depuis le XIXe siècle, il constitue, grâce aux progrès de l'industrialisation et de l'agronomie, la première fibre textile du monde (près de la moitié de la consommation mondiale de fibres textiles). Optimisation par essaims particulaires L'optimisation par essaims particulaires (OEP ou PSO en anglais) est une métaheuristique d'optimisation, inventée par Russel Eberhart (ingénieur en électricité) et James Kennedy (socio-psychologue) en 1995. Algorithme Cet algorithme s'inspire à l'origine du monde du vivant. Il s'appuie notamment sur un modèle développé par Craig Reynolds à la fin des années 1980, permettant de simuler le déplacement d'un groupe d'oiseaux. Une autre source d'inspiration, revendiquée par les auteurs, James Kennedy et Russel Eberhart, est la socio-psychologie. Cette méthode d'optimisation se base sur la collaboration des individus entre eux. Elle a d'ailleurs des similarités avec les algorithmes de colonies de fourmis, qui s'appuient eux aussi sur le concept d'auto-organisation. Cette idée veut qu'un groupe d'individus peu intelligents peut posséder une organisation globale complexe. Ainsi, grâce à des règles de déplacement très simples (dans l'espace des solutions), les particules peuvent converger progressivement vers un minimum global. Cette métaheuristique semble cependant mieux fonctionner pour des espaces en variables continues. (Wikipedia) Prévision, Théorie de la Taffetas Le taffetas est, au sens premier du terme, un tissu d'armure toile en soie. - Histoire : L'appellation est réputée venir d'un mot persan ("taftâ"), désignant littéralement "ce qui est tissé". On trouve ainsi l'expression "armure taffetas" en confection pour désigner une armure de toile (tissée selon le principe : un fil pris, un fil laissé). Les taffetas se distinguent selon leurs motifs, ou les couleurs de fils utilisés dans leurs chaînes et leurs trames. Ainsi que la matière qui le recouvre. On distingue : le taffetas amidonné ; le taffetas barré ; le taffetas broché ; le taffetas caméléon ; le taffetas chiné ; le taffetas damier ; le taffetas de laine ; le taffetas prismatique ; le taffetas prussien ; le taffetas changeant. (Wikipedia) Teinture -- Fibres textiles Index. décimale : 667.3 Teinture et impression des tissus Résumé : Recipe prediction is one of the most critical steps in the fabric dyeing industry. The conventional Kubelka–Munk model and neural network techniques have been widely used in recipe prediction systems. However, there are some limitations to these two methods : predictions using the Kubelka–Munk model may not be robust enough; and neural networks require large amounts of training data. Therefore, this paper investigates a novel recipe prediction method for fabric dyeing based on feature-weighted support vector regression and particle swarm optimisation. Feature-weighted support vector regression improved with particle swarm optimisation was first developed to predict the CIELab coordinates for given dye concentrations, expressed as . Particle swarm optimisation was utilised again in the recipe prediction stage to search for the optimal recipe in an iterative process. The optimisation criterion is to minimise the colour differences (CMC [2:1]) between the CIELab value calculated by feature-weighted support vector regression improved with particle swarm optimisation and the target CIELab of a swatch. Dyeing data based on two different fabrics (cotton and taffeta) were used in the experiment. The proposed method revealed good results with a slight average colour difference between the target and reproduced colours. The absolute percentage errors in predicting concentrations were less than 5% in most of our experimental recipes. In addition, the comparative experimental results illustrate that our method had higher accuracy and better practical applicability than other methods. Note de contenu : - METHODOLOGY AND PROPOSED RECIPE PREDICTION METHOD INTRODUCTION : Basic algorithm introduction - Proposed recipe prediction method - EXPERIMENTAL : Dataset - Evaluation index - RESULTS AND DISCUSSION : Results analysis of the proposed method - Comparison and discussion - Table 1 : CIELab coordinates and recipes for the validation set of dyed taffeta samples - Table 2 : CIELab coordinates and recipes for the validation set of dyed cotton samples - Table 3 : Recipe prediction results for the validation set of dyed taffeta - Table 4 : Recipe prediction results for the validation set of dyed cotton - Table 5 : Comparison of prediction errors of different methods in the validation set DOI : https://doi.org/10.1111/cote.12607 En ligne : https://onlinelibrary.wiley.com/doi/epdf/10.1111/cote.12607 Format de la ressource électronique : Pdf Permalink : https://e-campus.itech.fr/pmb/opac_css/index.php?lvl=notice_display&id=38124 [article]

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
23613	-	Périodique	Bibliothèque principale	Documentaires	Disponible

---

1 (1 - 1 / 1)