머신 러닝 활용, ‘색상 변화 매핑’

미국 노스캐롤리아나 주립대학교 윌슨 텍스타일 대학(Wilson College of Textiles based in Raleigh) 연구팀이 머신 러닝을 활용한 색상 변화 매핑 효과를 입증했다. 연구에 따르면 머신 러닝은 염색 과정에서 색상이 어떻게 변하는지 보다 정확하게 매핑해 섬유제조 폐기물을 줄이는 데 도움이 될 수 있다.

연구팀을 이끄는 워런 재스퍼(Warren Jasper) 교수는 “직물은 일반적으로 젖어 있는 상태에서 염색되고 건조되면서 색상이 변하기 때문에 완성된 직물의 최종 모습을 예측하기 어렵다”고 지적했다.

그러면서 “직물을 젖어 있는 상태에서 염식되지만 최종 색상은 직물이 건조되어 입을 수 있을 때다. 즉 염색에 오류가 있어도 직물이 건조될 때까지 알 수 없고, 건조가 완료될 때까지 기다라는 동안 염색이 진행되는 동안 더 많은 직물이 염색된다. 이로 인해 공정 후반에야 오류를 발견할 수 있기 때문에 많은 낭비가 발생한다”고 덧붙였다.

습식 상태에서 건조한 상태로 색상이 변하는 양은 색상마다 균일하지 않다. 이러한 비선형 관계는 습식 상태와 건조한 상태 사이의 색상 변화량이 각 색상마다 고유하며, 한 색상 샘플의 데이터를 다른 색상 샘플로 쉽게 전송할 수 없음을 의미한다고도 했다.

연구팀은 이러한 문제를 해결하기 위해 비선형 관계를 매핑하도록 특별히 설계된 신경망을 포함해 5가지 머신러닝 모델을 개발했다. 그런 다음 젖은 상태와 마른 상태 모두에서 다양한 색상의 763개 원단 샘플에서 얻은 시각 데이터를 입력해 모델을 학습시켰다.

염색 작업마다 몇 시간이 걸리기 때문에 데이터 수집은 상당히 고된 작업이었다.

이 모든 모델이 정확도 측면에서 머신러닝이 아닌 모델보다 우수한 성능을 보였으나 신경망은 다른 어떤 옵션보다도 훨씬 더 정확했다. 신경망은 표준화된 색상 차이 공식인 ‘CIEDE2000’을 사용해 최소 0.01의 오차와 중간값 0.7의 오차를 보였다. 

다른 머신러닝 모델은 CIEDE2000 오차 범위가 1.1~1.6 사이인 반면, 기준값은 최대 13.8까지 나타났다. 섬유 산업에서 CIEDE2000 값이 0.8~1.0을 초과하는 경우 일반적으로 허용 범위를 벗어난 것으로 간주된다. 이 신경망은 색상 오류로 인한 낭비를 상당히 줄일 수 있는 잠재력을 가지고 있다. 직물 제조업체가 대량의 직물이 잘못 염색되기 전에 염색 과정의 최종 결과를 더 잘 예측할 수 있게 해주기 때문이다.

워런 재스퍼 교수는 이와 유사한 머신 러닝 도구가 섬유 산업에 더 광범위하게 적용되기를 바라고 있다. “섬유 업계는 다소 뒤쳐져 있다. 업계는 머신러닝 모델로 전환하기 시작했지만 매우 느리다. 이러한 모델은 염색 직물의 60% 이상을 차지하는 연속 염색 공정에서 낭비를 줄이고 생산성을 향상시키는 강력한 도구를 제공할 수 있다”고 강조했다.

한편 본 연구논문은 Samuel Jasper와 공동 집필했으며, Fibers에 ‘습식 샘플에서 건조 직물 색상을 예측하기 위한 머신러닝 응용 프로그램에 대한 통제 연구: 염료 농도와 압착 압력의 영향(A Controlled Study on Machine Learning Applications to Predict Dry Fabric Color from Wet Samples: Influences of Dye Concentration and Squeeze Pressure)’이라는 제목으로 게재됐다.

김성준 기자 tinnews@tinnews.co.kr

코리아패션뉴스닷컴

www.koreafashionnews.com