解題背景
人人都要穿衣服，紡織業的歷史悠久可想而知，但衣布的科技仍持續推陳出新，生產的技術也在升級，本案由叡揚資訊提出需求，希望透過AI技術讓染整廠的新員工也能更快掌握老師傅的絕學，除了為染整業節省人力，也能降低人為因素對產品品質所造成的影響。
早期染整工廠多以手工記錄片段的資料，現在進步了些，能靠機器上的感測器回傳各種數據，但在染整過程中何時該補料或該升降溫度，全憑老師傅的經驗來做判斷，一旦設備故障後重啟用或材料狀況有變，整條染程都可能生變而難以救回。
另一狀況則是針對新配方或新染程的研發，只能不停地嘗試各種組合，直到產出滿意的產品為止，過程中會造成材料與時間的浪費，大幅提高製作成本。對於新進員工來說，想要做到「出師」則是漫漫長路。
承接此案的解題團隊是「馬訓冷凝」（取義Machine Learning），他們提出的作法是在染色過程中，利用多目標預測模型，透過系統化配方與染程，使過往依賴人力判斷的染程部份能透過機器來判斷，自動預測水洗牢度與總色差。
解題技術架構
本案之解題構想擬採用機器學習與深度學習的技術，建立多目標預測模型，將染色機上的溫度、酸鹼值、水位等 IoT 染程資料視為輸入資料，整合染程設計與配方資料，同時預測該染程的水洗牢度與總色差。
方法一：採用機器學習之多目標預測模型
機器學習流程架構圖
機器學習有多種演算法，根據不同的資料型態來使用不同的演算法，能解決分類或迴歸問題。本方法的流程步驟說明如下：
- 將歷史染程數據集之每筆工單之每個 IoT 染程數據序列資料，透過快速傅立葉變換（Fast Fourier Transform, FFT）轉成頻譜特徵。
- 經步驟 A 計算後之頻譜特徵再透過功率譜密度（Power Spectrum Density, PSD）的計算，轉換為歸一化的功率譜密度。
- 將以往各工單染程數據的頻譜特徵，進行自相關函數（Autocorrelation）計算，取得特徵。
- 綜合步驟 A 至步驟 C 產生之特徵值，產生個別 IoT 感測器之特徵向量（每一筆工單都有溫度特徵向量 FT、酸鹼值特徵向量 FP、水位特徵向量 FL 及浴比特徵向量 FR 等四種特徵向量）。
- 將步驟 A 到步驟 D 進行特徵提取後的四種 IoT 特徵（FT, FP, FL, FR）配對該工單之實際水洗牢度 LW 與實際總色差 LC 作為聯合標籤（LW, LC），形成該工單對應之訓練資料((FT, FP, FL, FR), (LW, LC)) 。
- 使用各種機器學習演算法訓練模型，例如分類預測模型及迴歸預測模型。
- 因為機器學習演算法的效能常和資料有關，且各種特徵選取及分類/迴歸方法的組合可能性太多，因此解題策略上優先考慮使用單一 IoT 之特徵向量（如溫度 FT）和各種分類器或迴歸模型開始測試。如果正確率的要求未能滿足，再嘗試多感測器的特徵組合以達到模型正確率的要求。
方法二：採用深度學習網路之多目標預測模型
深度學習流程架構圖
LSTM是一種時間遞歸神經網路的深度學習模型，適合於處理和預測時間序列問題，在長時間序列問題中較其他方法有更好的表現。本方法的流程步驟說明如下：
- 建立 LSTM 模型:建立一包含(輸入層、LSTM 層、全連結層及 輸出層)之深度學習網路。
- 調整資料序列長度。
- 數值範圍正規化：將數入值及輸出值之範圍正規化到-1 到+1之間。
- 採用 K-Fold Cross Validation 的方式訓練 LSTM 模型。如訓練結果未達預期正確率，則調整 LSTM 之Hyperparameter (如Cell 個數、學習速率等）並重新訓練模型測試正確率。
- 最終基於 LSTM 網路架構下完成能預測水洗牢度與總色差的多目標預測模型。
各水洗牢度各種特徵選取及分類器之準確度
- psd: power spectrum density, WP: wavelet packet, AVG: piecewise average, LSTM: long short term memory.
** 所有的數據都是透過 5-fold Cross Validation 計算出之平均正確率。
商轉可行性與成果創新價值
紡織業在染整上分秒必爭，當染整人員進行產品染整上時，如果無法快速定義出適合染整的程序，容易導致產品品質上的瑕疵。假設現在有一批新研發的染整配方時，如果能夠有一套可供相應參考的配方流程，對於染整人員來說，不僅提升了產品上的品質，更節省了多方面的嘗試組合，同時，對於該新研發的染整配方能夠提供給染整人員參考。因此，在染整產品上時，如何找出最適合的染整配方，是本方案所要解決的。
本方案創新價值在於染整流程上所面臨水洗牢固度、總色差，在不清楚染整流程的前提下，使用了機器學習等相關技術，提高產品的品質程度，使產品可多次清洗不易損壞，且不會掉色。
很多紡織業者常面臨無法為染整產品提出最合適染整配方的困擾，本方案在運作時，新研發的染整技術被 LSTM 模型預測後，根據該模型的預測結果，提供給染整人員進行微調，並且將成為改進模型的訓練資料，亦即模型是日復一日、永不中斷的從舊、新資料中自我學習，而非一般的機器學習方法。
這將有助解決上述的染整配方問題，亦能夠幫助新創的紡織公司在初期創立時，透過舊有的染整配方提出有效的染整流程，提供給染整人員研發新的染整技術，這也是本方案的市場價值。
另外，本系統也具備易建置、易移植及易維護等性能，在商業運轉上同時具有可行性。
結論
本方案對於專案開發與染整之品質管理，具有相當高的實用性且具有易建置、易維護及易移植等特色，採用的方法也具有理論的支持，並解決了各項影響因子與染整品質的主要問題。
本方案也可針對布料中各別的材質，提取該材質中特有的染整技術，協助技術員在染整中因應各種突發狀況。未來也可結合企業的資料庫，使本系統不僅能用在染整技術上，亦可用於其他層面，如綠色智能化生產、發展個性化染整設備。
（本文為AIGO解題競賽得獎方案；責任編輯：林亮潔）
- AI+無人機守護海域遊憩安全 台南市發表「智慧海灘」成果 - 2024/11/14
- 【多模態時代】LLaVA模型的重要性 - 2024/11/11
- Arm與GitHub聯手助力軟體開發者簡化AI應用部署流程 - 2024/11/07
.jpg)
.jpg)