- 현업 문제점: 염색을 위해 B/T(before test)를 거쳐 대량 염색으로 이어지는 공정에 대한 시간, 경제적 비용 발생, 인력 고령화
- 분석 목표: AI를 기반으로 염색 레시피를 추천받아 공정 효율 개선
- 주요 염색가공 X변수 = Input data (원료데이터는 고정되어 있어 input에서 제외해도 될 것 같다.)
- 주요 예측대상 물성변수 = Output data
L* : Lightness
a* : 양수면 적색, 음수면 녹색에 가까움 -60 ~ +60
b* : 양수면 황색, 음수면 청색에 가까움 -60 ~ +60 - 상승 속도, 온도, 유지시간 값이 염색 색상에 큰 영향을 미친다.
- 같은 원단과 염료를 사용하더라도 속도, 온도가 다르게 입력되면 물성변수 L*, a*, b* 결과값이 다르다.
- 모델 평가 지표: Lab 색차 = ΔE
- 색차 계산법: CMC(2:1)
- Color difference 개념 https://en.wikipedia.org/wiki/Color_difference#CMC_l:c_(1984)
- 목표 성능: ΔE < 1 → 육안으로 색상 차이 안 느껴질 정도 (ΔE < 0.4 매우 정확한 수준)
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent