Подпишитесь на DeepL Pro и 7переводите Int.J .Curr.Microbiol.App.Sci (2018) (4): 3134-3143 документы большего объема. Подробнее на www.DeepL.com/pro. Международный журнал актуальной микробиологии и прикладных наук ISSN: 2319 -7706 Том 7 Номер 0 4 (2018) Домашняя страница журнала: http://www.ijcmas.com https://doi.org/10.20546/ijcmas.2018.704.356 Обзорная статья Применение искусственных нейронных сетей в текстиле Неха Чаухан *, Нирмал Ядав и Ниша Арья Кафедра дизайна текстиля и одежды, I.C. колледж домоведения, CCSHAU, Хисар, Харьяна, Индия *Корреспондирующ АБСТРАКТ Кейвордс Искусственная нейронная сеть, Элемент Информация о Принимается: статье 26 марта 2018 г. Доступно онлайн: 10 апреля 2018 г. Введение ий автор Искусственная нейронная сеть (ИНС) - это парадигма обработки информации, вдохновленная тем, как биологические нервные системы, такие как мозг, обрабатывают информацию. Ключевым элементом этой парадигмы является новая структура системы обработки информации. Она состоит из большого количества высоко взаимосвязанных элементов обработки (нейронов), работающих в унисон для решения конкретных задач. Искусственная нейронная сеть все чаще используется в качестве мощного инструмента для решения многих проблем реального мира. В текстильной и швейной промышленности это связано с взаимодействием большого количества переменных. Из-за высокой степени изменчивости сырья, многоступенчатой обработки и отсутствия точного контроля параметров процесса, связь между этими переменными и свойствами продукта зависит от человеческих знаний, но человек не может помнить все детали данных, связанных с процессом, в течение многих лет. ANN доказала свою полезность для решения многих проблем в текстильной промышленности, таких как прогнозирование свойств пряжи, анализ дефектов ткани, оптимизация процессов и т.д. Сила нейронных сетей заключается в их способности представлять сложные взаимосвязи и изучать их непосредственно на основе моделируемых данных. Возможность точного прогнозирования этих свойств стала сложной задачей из-за крайне нелинейного и интерактивного поведения биологической системы. Она напоминает текстильных материалов. Прогнозирование свойств или производительности человеческий мозг на в двух отношениях: процесса заранее необходимо для минимизации затрат установку и времени. т.е. Функция ИНС не является постоянной, а можетприобретаются изменяться динамически. знания сетью из Искусственная нейронная сеть (ИНС) это парадигма обработки информации, вдохновленная тем, как работает биологическая нервная система, например, как мозг обрабатывает информацию. ANN использует числовую и ассоциативную обработку для имитации моделей окружающей среды через процесс обучения и силу связи между нейронами, известную как 3134 Int.J .Curr.Microbiol.App.Sci (2018) 7 (4): 3134-3143 синаптические веса, используются для хранения полученных знаний. Сегодня ИНС применяется для решения все большего числа задач реального мира значительной сложности. Преимущество ИНС заключается в их устойчивости к искажениям входных данных и способности к обучению. Они часто хорошо решают проблемы, которые слишком сложны для обычных технологий, например, проблемы, которые не имеют обычного алгоритмического решения. 3135 (2018) 7 (4): 3134-3143 Int.J .Curr.Microbiol.App.Sci Определение Набор обрабатывающих устройств, собранных в тесно взаимосвязанную сеть, предлагает богатую структуру, демонстрирующую некоторые особенности биологической нейронной сети. Такая структура называется искусственной нейронной сетью (ИНС). ИНС - это массивно параллельный распределенный процессор, состоящий из отдельных вычислительных блоков, который имеет естественную склонность к хранению накопленных знаний и предоставляет их для использования. Процедура, используемая для выполнения процесса обучения, называется алгоритмом обучения, функция которого заключается в упорядоченном изменении синаптических весов сети для достижения желаемой цели проектирования. На практике ИНС не может обеспечить решение, работая индивидуально, скорее ее необходимо интегрировать в последовательный подход к проектированию системы. В 1943 году Уоррен МакКаллох и Уолтер Питс предложили модель вычислительного элемента, названного нейроном МакКаллоха-Питса. В 1949 году Дональд Хебб предложил схему обучения для пресинаптических и постсинаптических значений переменных. В 1958 году Розенблатт предложил модель перцептрона, который может регулировать веса по закону обучения перцептрона. В 1960 году Уидрау предложил модель Adaline для вычислительного элемента. взаимосвязи между параметрами, которые не могут быть определены аналитически. Они использовались для имитации обучения на примерах, обнаружения закономерностей, ассоциативного запоминания и припоминания информации. Классы нейронных сетей Существует три класса нейронных сетей: однослойные фидфорвардные сети, многослойные фидфорвардные сети и многослойные фидфорвардные сети. В 1985 году Akley, Hinton и Sejnowski предложили нейронную сеть с обратной связью и скрытыми блоками. В течение многих лет нейронные сети использовались в различных областях техники и экономики для описания 3136 Int.J .Curr.Microbiol.App.Sci Рекуррентные сети, как показано на рисунках 1, 2 и 3 соответственно. Однослойная прямолинейная сеть Нейроны организованы в виде слоев. В простейшей форме слоистой сети входной слой исходных узлов проецируется на внешний слой нейронов. Сеть является строго прямой, и поэтому называется однослойной прямой сетью. (2018) 7 (4): 3134-3143 нейрон подает свои выходные сигналы обратно на входы всех остальных нейронов. Рекуррентная сеть может иметь или не иметь скрытых нейронов. Наличие контуров обратной связи оказывает огромное влияние на способность сети к обучению и ее производительность. Многослойная сеть прямого хода В многослойной сети присутствует один или несколько скрытых слоев, узлы которых называются скрытыми нейронами. Их функция заключается в том, чтобы вмешиваться между внешним входом и выходом сети каким-либо полезным образом. Добавление большего количества скрытых слоев позволяет сети извлекать статистику более высокого порядка. Исходные узлы входного слоя подают соответствующий элемент шаблона активации, который представляет собой входные сигналы, подаваемые на нейроны первого скрытого слоя. Выходные сигналы первого скрытого слоя используются в качестве входных сигналов для второго скрытого слоя и так далее. Набор выходных сигналов нейронов в конечном выходном слое сети представляет собой общую реакцию сети на шаблон активации, подаваемый узлами-источниками в первом входном слое. Рекуррентная сеть Рекуррентная нейронная сеть отличается тем, что в ней есть по крайней мере один контур обратной связи. Рекуррентная сеть может состоять из одного слоя нейронов, при этом каждый 3137 (2018) 7 (4): 3134-3143 Int.J .Curr.Microbiol.App.Sci Изучение сети Сеть может быть обучена как с помощью обучения, так и без него. Целью обучения является формирование поверхности отображения в соответствии с желаемой реакцией. Как только сеть структурирована для конкретного приложения, она готова к обучению. Для начала начальные веса выбираются случайным образом. Существует два подхода к обучению: контролируемый и неконтролируемый. Искусственная нейронная сеть используется С. Мухопадхай и К. Сиддики для прогнозирования компонентов сополимера. Свободнорадикальная сополимеризация акриламида с четвертичным аммониевым катионным сомономером диэтиламиноэтилакрилатом (DMAEA) была исследована в обратной эмульсии. Состав сополимера определен из Контролируемое обучение В этой системе сети предоставляются как входные, так и выходные данные. Затем она обрабатывает входные данные и сравнивает полученные выходные данные с желаемыми. Ошибки распространяются по системе в обратном направлении, заставляя систему корректировать веса. Один и тот же набор данных обрабатывается много раз, по мере того как веса уточняются. Когда система полностью обучена, дальнейшее обучение не требуется, и веса могут быть заморожены. В подавляющем большинстве сетей используется контролируемое обучение. Неконтролируемое обучение Этот тип сети обеспечивается только входными данными. Система сама решает, какие признаки использовать для группировки входных данных. Его также называют адаптивным обучением. Этот метод обучения не практикуется в коммерческих целях. Применение A NN в текстиле Волокна 3138 Int.J .Curr.Microbiol.App.Sci концентрация остаточного мономера. Для прогнозирования состава сополимера используется ИНС. Результаты показали, что ANN может очень правильно предсказать состав сополимера в зависимости от условий реакции и конверсии. На рисунке 4 показана интеллектуальная система классификации волокон. Здесь ANN используется для классификации двух видов животных волокон; мериноса и мохера. Модель извлекает шесть масштабных параметров с помощью обработки изображений, а остальные с помощью нейронной сети без надзора для автоматического извлечения признаков, которые определяются в соответствии со сложностью масштабной структуры и точностью модели. Более высокой точности можно добиться, увеличив количество образцов для обучения, поскольку точность ANN во многом зависит от выбранных параметров. Торговля хлопком в Индии оценивает коммерческую стоимость хлопка на основе "сорта", присваиваемого ручным и глазным методами профессиональными классификаторами хлопка. Теперь ИНС можно использовать для разработки моделей, позволяющих прогнозировать сортность хлопка. Таким образом, можно сделать оценку хлопка более надежной. В этом направлении ведутся исследования, чтобы заменить существующую субъективную оценку на объективную. Если быть точным, то свойства хлопка, которые измеряются с помощью ANN, - это цвет хлопка, наличие мусора и подготовка к обмолоту. Смесь из двух различных видов волокон, точная пропорция, в которой должно быть произведено смешивание (для получения требуемых свойств пряжи), может быть предсказана с помощью ИНС. (2018) 7 (4): 3134-3143 Y.C. Zeng и др. проанализировали методы моделирования для прогнозирования свойств растяжения пряжи пневматического прядения. Численное моделирование дает полезное представление о связи между растяжимостью пряжи и параметрами. Нейросетевая модель прогнозирует растяжимость пряжи, используя входные параметры. Прогнозируемые и экспериментальные значения хорошо согласуются, что указывает на то, что Спиннинг 3139 (2018) 7 (4): 3134-3143 Int.J .Curr.Microbiol.App.Sci что нейронная сеть является отличным методом для прогнозирования. Они также проанализировали влияние входных параметров на растяжимость пряжи с помощью нейросетевой модели. M. C. Ramesh и др. предсказали растяжимость пряжи на основе свойств волокон. Возможность проектирования пряжи продемонстрирована на рисунке 5 путем разработки "обратной" модели пряжи к волокну с использованием ИНС. Этот подход полностью отличается от преобладающих прямых моделей, которые предсказывают свойства конечной пряжи, используя свойства волокна в качестве исходных данных. Минимизация стоимости хлопкового волокна была обеспечена путем использования классического подхода линейного программирования в сочетании с ИНС. Спроектированная пряжа продемонстрировала хорошее соответствие с целевыми свойствами пряжи. Для этой цели был выбран индекс устойчивости прядения (SCI), так как уравнение регрессии этого индекса включает большинство свойств хлопка. использовался показатель CSP. Когда нейронные сети были обучены с помощью обучающего набора, значения CSP могли быть предсказаны нейронными сетями в режиме прогнозирования. Затем предсказанные значения CSP были соотнесены с фактическими значениями CSP, и было обнаружено хорошее соответствие между свойствами волокон и прочностью пряжи. Чанг Фенг Джеффри и др. изучали взаимосвязь между переменными процесса и молекулярной структурой. Термомеханическая Луо. Cheng и David Adams использовали ИНС для прогнозирования взаимосвязи между свойствами волокна и прочностью пряжи. Используется трехслойная сеть с прямой передачей и корреляционная регрессия. Для исследования они использовали результаты испытаний хлопкового волокна и обработки USDA. Свойства волокна, такие как средняя длина верхней половины, равномерность длины, содержание короткого волокна, прочность, тонкость и коэффициент зрелости, измерялись с помощью HVI. Все образцы хлопка были спрядены в кольцевую пряжу 22s. Пряжа была проверена на моточную пробу, удлинение, внешний вид и дефекты. В качестве цели прогнозирования 3140 Int.J .Curr.Microbiol.App.Sci свойства ПЭТ-пряжи были определены с помощью ИНС. Хотя внутренняя структура ИНС неполна в отношении механизмов моделируемых отношений, это был точный способ сделать данные и отношения между наборами данных легко доступными. Das A. использовал многослойную прямую сеть с алгоритмом обратного распространения для определения оптимизированных настроек машины для текстурирования рисунка с учетом желаемых свойств пряжи. Такие свойства пряжи, как упругость и удлинение, прогнозируются с помощью регрессионного анализа, а в качестве параметров процесса используются коэффициент вытяжки, соотношение D/Y, скорость и температура первичного нагревателя. (2018) 7 (4): 3134-3143 необходимых для проб и ошибок. Среди многих параметров, которые влияют на прочность ткани на разрыв, вес ткани, прочность пряжи на разрыв и удлинение являются входными элементами для этого прогнозирования. Прогнозирование общей стоимости ручного трикотажа, по данным Park, было успешным. Нечеткая нейронная сеть представляет собой эффективный инструмент для прогнозирования общего показателя ручности трикотажных тканей для верхней одежды. Нечеткая нейронная сеть разработана для предсказания и отображения спада Традиционно сорта качества паковок пряжи ложной крутки классифицируются путем осмотра человеком, но на результат могут влиять личные и субъективные факторы. Shih-Hsuan Chu и др. использовали технологию обработки изображений для извлечения дефектов на упаковках пряжи. Они использовали нейронные сети для классификации классов качества паковок пряжи. По результатам эксперимента они получили классификацию на уровне около 90%. Вязание S. Эртугрул и Н. Укар исследовали прогнозирование прочности трикотажных полотен на разрыв. Прочность на разрыв хлопкового полотняного трикотажа прогнозируется перед производством с помощью интеллектуальной технологии нейронной сети и нейро-нечетких подходов, что позволяет добиться значительной экономии средств и времени, 3141 (2018) 7 (4): 3134-3143 Int.J .Curr.Microbiol.App.Sci изображения одежды из различных тканей и фасонов. Новый подход используется для разработки прототипа системы прогнозирования спада, позволяющей прогнозировать спад фасонов женских платьев из различных тканей. Плетение Furferi et al., (2012) представили работу по созданию прогностической модели процесса нанесения покрытия для прогнозирования конечных характеристик ткани с покрытием на основе параметров процесса. ANN обучена и проверена с использованием обширной экспериментальной базы данных. Работа оказалась полезной для технических специалистов при выборе оптимальных параметров обработки для получения желаемых свойств ткани с покрытием. Разработанная система требует от техников установки значений параметров процесса и стимулирования модели на основе ИНС для прогнозирования качества ткани с покрытием. Система обработки изображений используется Атикулом Исламом и др. в качестве инструмента для динамического контроля тканей; контрольный образец представляет собой кусок простой белой ткани. Четыре дефекта: дыры, масляные пятна, отсутствие основы и отсутствие утка. Для обработки изображений используется цифровая камера с линейным сканированием высокого разрешения. Сначала получают изображения ткани, а затем изображения передаются на компьютер для анализа. Наконец, полученные данные используются в качестве входных данных для нейронной сети, которая получается из показаний после обработки изображений. В этой системе есть три прямые сети: входной слой, один скрытый слой и внешний слой. Поскольку она способна справляться со свойством нелинейной регрессии, этот метод может усилить эффект идентификации изображений. Автоматическое распознавание узоров тканых полотен представлено Бунгом и др. Для классификации узоров тканых полотен используется нейронная сеть и технология обработки изображений. Для определения одного повтора переплетения ткани используется функция автоматической корреляции. Отраженное изображение ткани захватывается CCD-камерой и оцифровывается компьютерной системой. Обучающий вектор 3142 Int.J .Curr.Microbiol.App.Sci Алгоритм квантования в качестве правила обучения искусственной нейронной сети позволяет более эффективно распознавать типы тканых полотен. Результаты показали, что три основных вида переплетений могут быть классифицированы с высокой точностью, а также могут быть получены структурные параметры, такие как расстояние между нитями, его дисперсия и отношение расстояния между нитями основы и утка. Система состоит из компьютера и CCD (прибор с зарядовой связью) камеры, оснащенной прикрепляемым зумобъективом. Изображение ткани захватывается осветительным устройством, которое устанавливается на конце камеры и увеличивает изображение, которое также отображается на цветном мониторе. Затем изображение оцифровывается с помощью преобразователя переменного тока в постоянный и обрабатывается с использованием таких методов, как пороговая обработка и автокорреляция, для анализа рисунка ткани. Исходное изображение преобразуется в изображение уровня серого для улучшения времени и скорости компьютерной обработки, после чего получаются гистограммы. (2018) 7 (4): 3134-3143 характеристик и могут быть подставлены в ИНС для обучения. В исследовании Цая и Ху эффективность и точность метода обнаружения дефектов ткани, которые были классифицированы по различным категориям с помощью нейронной сети. Четыре дефекта ткани, наиболее вероятно встречающиеся во время ткачества, были обучены сетью. Для обработки изображения использовался метод, основанный на совместном возникновении, с помощью которого было получено шесть параметров. Результаты показывают, что дефекты ткани, обнаруженные с помощью реорганизации изображения в соответствии с ANN, согласуются с первоначальными ожиданиями. Jasper W. J. использовал алгоритм обратного распространения для изучения отсутствующих концов и резцов, замасленных тканей и разорванных тканей, которые часто встречаются как дефект ткани. Правильный выбор параметров для входного слоя играет большую роль в скорости распознавания. Как только в ткани появляется дефект, его периодичность изменяется так, что соответствующие интенсивности в определенной позиции спектра явно изменяются. Эти интенсивности могут выступать в качестве параметров 3143 Int.J .Curr.Microbiol.App.Sci Рис.1. Однослойный НПФ Рис (2018) 7 (4): 3134-3143 .2. Многослойный NN Рис.3. Рекуррентная ИНС Рис. 4 Интеллектуальная система классификации волокон Рис.5 ANN-модель для проектирования пряжи Рис.6 Устер Фабрискан 3144 (2018) 7 (4): 3134-3143 Int.J .Curr.Microbiol.App.Sci Рис.7 Нейронная сеть для проектирования ткани Система сканирования тканей Uster использует ИНС для оценки смятых тканей с помощью анализа изображений. Морщины на ткани обычно образуются при деформации во время хранения. Даже подготовленным наблюдателям нелегко судить о морщинах. Здесь предлагается объективный метод. Визуальная информация стимулирует их чувства и заставляет их судить о степени морщин. Поскольку визуальная оценка сложна и необъективна, мы не можем использовать линейную систему оценки (рис. 7). размер, форма и контраст, могут быть проверены с помощью концепции нейронной сети с несколькими входами и выходами. Для этой цели используется специальный алгоритм под названием "Алгоритм фильтра Калмана", и результаты оказались очень подходящими для оценки смятых тканей. Взаимосвязь Для автоматического контроля морщин на ткани широко используются нейронные сети. Поскольку сети являются нелинейными, правило обучения регуляризируется как проблема нелинейной оптимизации. Входные параметры, такие как угловой второй монумент, контрастность, корреляция, энтропия и фрактальная размерность, получены с помощью анализа изображений и подаются в алгоритм нейронной сети. Среднее сенсорное значение, представляющее сорт смятой ткани, получается при желаемых параметрах. Параметры восприятия, такие как плотность, 3145 Int.J .Curr.Microbiol.App.Sci (2018) 7 (4): 3134-3143 между структурой и свойствами ткани является сложной и по своей сути нелинейной; для создания прогнозной модели необходимо решить эти сложности. Оптимизация входных параметров, необходимых для производства ткани в соответствии с конечным использованием, называется проектированием ткани. Ткани могут быть разработаны либо ткачеством, либо вязанием, либо склеиванием Нейронные сети успешно применяются во всех трех случаях для оптимизации входных параметров. Свойства пряжи и настройки станка используются в качестве входных данных для прогнозирования свойств ткани в качестве выходных. Построение нейронной сети для проектирования ткани показано на рис. 7. В прогнозировании психологического восприятия человеком сенсорного комфорта одежды широко используется ИНС. Цель - узнать предсказуемость сенсорного комфорта одежды по психологическим ощущениям с помощью сети прямого обратного распространения в системе ANN. Для достижения поставленной цели проводится серия испытаний по носке, в которых 10 сенсорных восприятий (липкий, цепкий, влажный, липкий, тяжелый, колючий, царапающий, облегающий, дышащий и тепловой) и общий комфорт одежды. Хорошее согласие между прогнозируемым и фактическим восприятием комфорта одежды доказало, что нейронная сеть является эффективным методом для моделирования психологического восприятия сенсорного восприятия одежды. 3146 (2018) 7 (4): 3134-3143 Int.J .Curr.Microbiol.App.Sci комфорт. Также было установлено, что прогнозируемая оценка комфорта, полученная с помощью модели со скрытыми нейронами и линейным выходным нейроном, лучше соответствует фактической оценке комфорта, чем другие модели с различными комбинациями скрытых и выходных нейронов. По сравнению со статистическими методами моделирования, нейронная сеть является быстрым и гибким инструментом прогнозирования с возможностью самообучения для восприятия комфорта одежды. химических процессов, для нейлона 6, 6 и для полосатых хлопчатобумажных тканей. Оптимизация условий обработки и прогнозирование качества крашения нейлоновых и лайкровых тканей и классификация дефектов крашения были проведены с помощью ИНС и нечетких нейронных сетей соответственно. Нетканые материалы Нетканые материалы - это особая категория тканей, изготовленных непосредственно из волокон, а не из нитей. Затем на тканые ткани находят множество технических Цвет Измерение, сравнение, оценка и прогнозирование цвета являются основными действиями в области крашения и отделки текстильного процесса. Хотя измерение цвета возможно в лаборатории с помощью специализированного оборудования, такого как спектрофотометры, существует мало возможностей для прогнозирования изменения цвета или конечного вида цвета, поскольку проблема является многовариантной. Была разработана модель для прогнозирования изменения цвета после процесса прядения. Прогнозирование цвета и плотности окраски ткани на основе целлюлозы, окрашенной джиггером, было достигнуто с помощью каскадных ИНС. В области печати определение рецептуры цвета стало возможным благодаря использованию нейронных сетей с радиальными функциями. С помощью различных типов ИНС можно определить комбинации пигментов для печати на текстиле, определить цвет напечатанного изображения ткани и провести цветоделение. Прогнозирование CIELAB va lues возможно для изменения цвета после 3147 Int.J .Curr.Microbiol.App.Sci применения и их роль очень важна. Затем тканые полотна проходят процесс инспекции для обеспечения качества поставляемого материала. Система визуального контроля была основана на вейвлет-анализе текстуры и робастных байесовских ИНС, или аналогично вейвлет-преобразования и ИНС, а нейрофрактальный подход был использован для распознавания и классификации изображений нетканого полотна. Многие вопросы качества рассматриваются с помощью методов ИНС, например, связь структуры и свойств нетканых полотен, построение системы прогнозирования качества, моделирование свойств сжатия иглопробивных нетканых полотен, моделирование процесса вытяжки прядильного связующего в печном процессе, а также объективная оценка пиллинга на нетканых полотнах. (2018) 7 (4): 3134-3143 характеристик тканей в швейном производстве и проектирование одежды по фигуре было реализовано на основе систем ИНС. С помощью ИНС были успешно смоделированы случаи, представляющие особый интерес, например, выбор оптимальных интернитов, или случаи широкого интереса, например, моделирование цепочки поставок текстиля. Грим и одежда Швейные изделия являются конечным продуктом основного потока текстильного производства. Хотя точность прогнозирования свойств не так критична, как в технических приложениях, оценка конечных свойств важна для проектирования одежды, выбора сырья и его требуемых свойств. Один из наиболее важных факторов, влияющих на качество одежды, связан со швом - результатом процесса шитья. Действительно, прогнозирование прочности шва очень важно, особенно для парашютов. Расход ниток прогнозируется с помощью ANN-модели, а оценка распускания шва и оптимизация швейной нити осуществляется с помощью ANN-моделей, соответственно. Прогнозирование производительности шитья также возможно с помощью ИНС. Психологическое восприятие человеком сенсорного комфорта одежды и анализ тактильного восприятия текстильных материалов могут быть осуществлены с помощью ИНС. Прогнозирование 3148 (2018) 7 (4): 3134-3143 Int.J .Curr.Microbiol.App.Sci Применение в химической обработке Хуанг и Ю использовали обработку изображений и нечеткую нейронную сеть для классификации семи видов дефектов крашения, включая полосу заполнения в оттенке, пятна красителя и носителя, туман, масляное пятно, хвост, листинг и неравномерное крашение на ливрее. Нечеткая нейронная система классификации была построена на основе нечеткой экспертной системы с нейронной сетью в качестве механизма нечеткого вывода, поэтому она была более интеллектуальной в решении проблем распознавания образов и классификации. Нейронная сеть была обучена для того, чтобы стать механизмом вывода, используя данные выборки. Для непосредственного обнаружения различных областей дефектов на изображении был использован метод выращивания областей. Для обучения и тестирования было получено 70 образцов, по десять образцов для каждого дефекта. Результаты показали, что подход нечеткой нейронной сети может точно классифицировать дефектные образцы по выбранным признакам. помощью новых моделей ИНС является новым направлением будущих исследований. В будущих исследованиях необходимо рассмотреть следующие вопросы применения ИНС в текстильной и швейной промышленности. Совершенствование метода сбора данных для обучения ИНС, например, онлайновые данные, полученные в процессе работы Улучшает процедуры извлечения признаков перед подачей данных в ИНС Улучшает способность системы к экстраполяции для усиления возможности прогнозирования Потенциальное будущее применение ИНС в текстильной и швейной промышленности Большое количество применений ИНС в текстильной и швейной промышленности - это сети с прямым выводом и сети Кохонена. Другие типы искусственных нейронных сетей, такие как рекуррентные нейронные сети, ассоциативные нейронные сети и динамические нейронные сети, используются редко. Между тем, многие области остаются недостаточно изученными, например, вязание, нетканые материалы и контроль отделки. Исследование таких областей с 3149 Int.J .Curr.Microbiol.App.Sci Улучшает удобный интерфейс между пользователем и машиной Эти вопросы важны для дальнейшего развития использования ИНС в текстильной и швейной промышленности. Дальнейшие исследования должны быть направлены на решение этих вопросов с целью создания интеллектуальных систем в текстильной и швейной промышленности вместо человеческого суждения. ANN - это область компьютерных технологий, которые могут имитировать характеристики человеческого вмешательства для получения промышленной выгоды. ANN направлена на удовлетворение требований промышленности по наименьшему времени простоя, высокой конкурентоспособности и надежным оценкам свойств и параметров процесса. Функция ANN не является постоянной, а может изменяться динамически. Метод нейронных сетей используется для моделирования нелинейных проблем и прогнозирования выходных значений для заданных входных параметров. Большинство текстильных процессов и связанных с ними оценок качества нелинейны по своей природе, поэтому нейронные сети находят применение в текстильной технологии. Нейронные сети можно определить как структуры, состоящие из плотно взаимосвязанных адаптивных простых элементов обработки, которые способны выполнять массивно-параллельные вычисления для обработки данных и представления знаний. Существует множество различных типов нейронных сетей, различающихся по своей сути. Наиболее часто используемым типом ИНС в текстильной промышленности является многослойная перцептронная (MLP) нейронная сеть. MLP - это нейронная сеть с прямой передачей. В большинстве текстильных приложений используется прямолинейная сеть с одним слоем скрытых блоков с (2018) 7 (4): 3134-3143 сигмоидальной функцией активации для блоков. Было установлено, что модель ANN является более точной, чем множественная регрессия, а ошибки предсказания ANN были низкими, несмотря на наличие лишь небольшого набора обучающих данных. Количество входных и выходных нейронов зависит от типа текстильных проблем. Многие из представленных методов требуют множества процедур извлечения признаков, прежде чем данные могут быть поданы в нейронную сеть, и данные предоставляются различными измерениями, включая признаки, извлеченные из изображений, эксперименты, основанные на стандартах, основанных на собственных тестах, или другие 3150 (2018) 7 (4): 3134-3143 Int.J .Curr.Microbiol.App.Sci собранные измерения. Сумма квадрата ошибки (SSE), коэффициент корреляции моментов (r), процентная ошибка (%E), коэффициент вариации (%CV), гаммафактор (γ), коэффициент производительности (PF/4) и т.д. для анализа результатов. Поскольку известно, что нейронные сети хорошо решают проблемы классификации, неудивительно, что было проведено много исследований в области классификации текстиля, особенно идентификации и классификации дефектов. Текущее исследование, основанное на двумерном пространстве, необходимо расширить до трехмерного пространства для фактической ручной проверки. Ссылки Азим Г. А. 2015. Идентификация дефектов текстиля на основе GLCM и нейронных сетей. Журнал "Компьютер и коммуникации". 3. 18. Фарук А. и Шериф С. 2008. Использование искусственных нейронных сетей для определения точки действия выравнивания на автоматической выравнивающей ленточной машине. Журнал текстильных исследований . 78(6). 502-509. Фурфери Р. и Карфагни М. 2010. Прогнозирование цвета и однородности цвета ткани на основе целлюлозы, окрашенной джиггером: Каскадный нейросетевой подход. Журнал текстильных исследований . 80(16). 1682- 1696. Furferi R., Governi L., and Volpe Y. 2012. Моделирование и имитация инновационного процесса нанесения покрытия на ткань с помощью искусственных нейронных сетей. Textile Research Jour nal. 82(12). 1282-1294. Hui C., and Ng S. 2009. Прогнозирование характеристик шва коммерческого 3151 тканого материала Int.J .Curr.Microbiol.App.Sci Ткани с использованием множественной логарифмической регрессии и искусственных нейронных сетей. Журнал текстильных исследований . 79(18). 1649-1657. Hui C., Fun N., and Ip C. 2011. Обзор применения искусственных нейронных сетей в текстильной и швейной промышленности за последние десятилетия. Книга: Искусственные нейронные сети применение в промышленности и технике управления. Jawahar N., Kannan C.B.N., Manobhai M.K. 2015. Искусственная нейронная сеть для прогнозирования цвета при крашении кожи на основе тристимульной системы. Технология цвета. 131(1). 48-57. Канг Т. Дж. и Ким С. К. 2011. Объективная оценка мусора и цвета (2018) 7 (4): 3134-3143 хлопка-сырца с помощью обработки изображений и нейронной сети. Журнал текстильных исследований. 81(9). 776-782. Кумар К. и Дхинакаран М. 2015. Сфера применения искусственных нейронных сетей в текстиле. IOSR Journal of Polymer and Textile Engineering. 2(1). 34-39. Liu J., Zuo B., Zeng X., Vroman P., Rabenosolo B. и Bai L. 2010. Визуальное распознавание качества нетканых материалов с помощью вейвлетанализа текстуры и робастной байесовской нейронной сети. Textile Research Journal. 80(13). 1278-1289. Liu J., Zuo B., Zeng X., Vroman P., Rabenosolo B. и Zhang G. 2010. Сравнение робастной байесовской и LVQ нейронной сети для визуального распознавания соответствия нетканых материалов. Журнал текстильных исследований . 81(8). 763-777. Как цитировать эту статью: Неха Чаухан, Нирмал Ядав и Ниша Арья . 2018. Применение искусственной нейронной сети в текстиле. Int.J.Curr.Microbiol.App .Sci. 7(04): 3134-3143. doi: https://doi.org/10.20546/ijcmas.2018.704.356 3152
