De acordo com Warren Jasper, professor no Wilson College of Textiles da Universidade Estadual da Carolina do Norte e autor do estudo, um dos principais desafios no tingimento têxtil é o facto de os têxteis serem tingidos enquanto ainda estão húmidos, mudando de cor à medida que secam.
«O têxtil é tingido enquanto está húmido, mas a tonalidade pretendida é obtida quando está seco e pode ser usado. Isto significa que, se houver um erro no tingimento, não saberemos até o tecido estar seco. Enquanto se espera que a secagem aconteça, mais tecido está a ser tingido durante todo o tempo. Isso leva a muito desperdício, porque não se consegue detetar o erro até ao final do processo», explica o professor.
O estudo, intitulado “A Controlled Study on Machine Learning Applications to Predict Dry Fabric Color from Wet Samples: Influences of Dye Concentration and Squeeze Pressure”, indica que a mudança de cor do estado húmido para o seco não é uniforme entre as diferentes cores. Como a relação entre estas mudanças não é linear, os dados de uma amostra de cor não podem ser facilmente transferidos para outra.

Embora todos os modelos de aprendizagem automática tenham superado os modelos tradicionais em termos de precisão, a rede neural destacou-se por ser significativamente mais precisa do que qualquer outra opção. A rede neural apresentou um erro de apenas 0,01 e um erro médio de 0,7, utilizando a fórmula padronizada de diferença de cores CIEDE 2000, que calcula o quanto duas cores são visualmente diferentes aos olhos humanos. Os outros modelos de aprendizagem automática apresentaram erros entre 1,1 e 1,6, sendo que, na indústria têxtil, os valores de CIEDE2000 superiores a 0,8 são geralmente considerados fora dos limites aceitáveis.
Segundo a investigação, a rede neural tem o potencial de reduzir significativamente o desperdício causado por erros de cor, uma vez que permite aos produtores têxteis prever melhor o resultado final do processo de tingimento antes de grandes quantidades de tecido serem incorretamente tingidas.
«Estamos um pouco atrasados no setor têxtil. A indústria começou a avançar mais para os modelos de aprendizagem automática, mas tem sido muito lento. Estes tipos de modelos podem oferecer ferramentas poderosas para reduzir o desperdício e melhorar a produtividade no tingimento contínuo, que representa mais de 60% dos tecidos tingidos», sublinha Warren Jasper.





![Tingimento_16junho2025[©Pixabay-Andrew Martin]](https://portugaltextil.com/wp-content/uploads/2025/06/Tingimento_16junho2025©Pixabay-Andrew-Martin-696x464.jpg)






