Nghiên cứu ứng dụng phương pháp học máy để dự báo nhăn đường may

Vì vậy, việc nghiên cứu ứng dụng phương pháp học máy để dự báo nhăn đường may là cần thiết để xem xét khả năng ứng dụng của các giải thuật khác nhau vào bài toán dự báo nhăn đường may, g

LỜI CAM ĐOAN

Tên tôi là: Đỗ Thị Tần Học viên: Lớp 10BVLDM- KH Khóa học: 2010- 2012

Tôi xin cam đoan toàn bộ nội dung Luận văn thạc sỹ khoa học được trình bày dưới đây là do cá nhân tôi thực hiện dưới sợ giúp đỡ, chỉ bảo tận tình chu đáo của TS Nguyễn Thị Lệ và các thầy cô trong Viện Dệt may da giầy & Thời trang Các số liệu và kết quả trong luận văn là những số liệu thực tế thu được sau khi tiến hành thí nghiệm và phân tích các kết quả Đảm bảo chính xác và không sao chép

Tôi xin hoàn toàn chịu trách nhiệm về những nội dung tôi đã trình bày trong luận văn

Xin trân trọng cảm ơn!

LỜI CẢM ƠN

Tôi xin bày tỏ lòng biết ơn chân thành Tiến sĩ Nguyễn Thị Lệ, Người

đã tận tình hướng dẫn, động viên khích lệ, dành nhiều thời gian, tâm sức trao đổi góp ý cho Tôi trong quá trình thực hiện luân văn

Tôi xin chân thành cảm ơn tới các thầy cô giáo trong Viện Dệt may da giầy & Thời trang- Trường Đại học Bách Khoa Hà Nội đã giúp đỡ và tạo điều kiện thuận lợi để tôi hoàn thành luận văn

Xin cảm ơn Viện đào tạo Sau đại học, phòng thí nghiệm Vật liệu dệt - Viên Viện Dệt may da giầy & Thời trang, Phòng thí nghiệm Cơ - lý, Phòng thí nghiệm hóa - Viện dệt may, đã tạo điều kiện giúp đỡ tôi hoàn thành luận văn

Tôi cũng xin gửi lời cảm ơn chân thành tới Ban giám hiệu, các cán bộ, giảng viên - Trường Đại học Sao Đỏ đã tạo điều kiện giúp đỡ tôi về thời gian, kinh phí và bố trí sắp xếp công việc hợp lý để tôi có thời gian học tập và nghiên cứu

Cuối cùng, nhưng rất quan trọng đó là lòng biết ơn xin được gửi tới Gia Đình cùng những người thân yêu nhất đã cùng chia sẻ, gánh vác công việc để tôi yên tâm hoàn thành luận văn của mình

Hà Nội, ngày 20 tháng 9 năm 2012

Học Viên

Đỗ Thị Tần

MỤC LỤC

LỜI CAM ĐOAN 1

LỜI CẢM ƠN 2

CÁC CHỮ VIẾT TẮT VÀ KÝ HIỆU ĐƯỢC DÙNG TRONG LUẬN VĂN 5

DANH MỤC CÁC BẢNG BIỂU 7

DANH MỤC CÁC HÌNH VẼ VÀ ĐỒ THỊ TRONG LUẬN VĂN 8

MỞ ĐẦU 10

CHƯƠNG 1 TỔNG QUAN VỀ DỰ BÁO NHĂN ĐƯỜNG MAY VÀ PHƯƠNG PHÁP HỌC MÁY 12

1.1 Nhăn đường may 12

1.2 Các nghiên cứu về dự báo nhăn đường may 13

1.3 Phương pháp học máy 21

1.3.1 Khái quát chung về phương pháp học máy 21

1.3.2 Giải thuật kNN 22

1.4 Kết luận Chương 1 33

CHƯƠNG 2 ĐỐI TƯỢNG, NỘI DUNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU 34

2.1 Đối tượng và phạm vi nghiên cứu 34

2.1.1 Vật liệu 34

2.1.2 Đường may 36

2.2 Nội dung và phương pháp nghiên cứu 37

2.2.1 Ứng dụng giải thuật kNN để dự báo nhăn đường may dựa trên các thông số vải 38

2.2.2 Xác định các thông số cấu trúc của vải: 43

2.2.3 Xác định các đặc trưng cơ học vải: 44

2.2.4 Cấp độ SS của đường may 48

2.2.5 Kiểm định giả thiết thống kê 49

2.3 Các phần mềm hỗ trợ 49

2.3.1 Microsoft Excel 2003: 49

2.3.2 C# 49

2.4 Kết luận chương 2 50

CHƯƠNG 3: KẾT QUẢ VÀ BÀN LUẬN 51

3.1 Kết quả thiết lập mô hình dự báo nhăn đường may ứng dụng kNN 51

3.1.1 Cấu trúc hệ thống dự báo độ nhăn đường may 51

3.1.2 Mẫu học: 54

3.2 Kết quả dự báo nhăn đường may trên tập kiểm thử 56

3.2.1 Bộ trọng số thu được khi áp dụng 4 phương pháp tìm kiếm: 56

3.2.2 Đánh giá khả năng dự báo nhăn đường may của mô hình đã thiết lập: 58 3.3 Kết luận chương 3 63

KẾT LUẬN 64

HƯỚNG NGHIÊN CỨU TIẾP THEO 65

TÀI LIỆU THAM KHẢO 66

PHỤ LỤC 69

CÁC CHỮ VIẾT TẮT VÀ KÝ HIỆU ĐƯỢC DÙNG TRONG LUẬN VĂN Các chữ viết tắt

ANN Artificial Neural Network (Mạng nơron nhân tạo)

ASTM American Society for Testing and Materials

(Hội thử nghiệm và vật liệu Hoa Kỳ)

BS British Standard (Tiêu chuẩn Anh)

ISO the International Organization for Standardization (Tổ chức tiêu chuẩn

hoá quốc tế)

KESF Kawabata Evaluation System for Fabric

(Hệ thống đánh giá vải Kawabata)

kNN K Nearest Neighbor (K lân cận gần nhất)

PES Polyester

TAV Total Appearance Value (giá trị hình dáng tổng thể)

TCVN Tiêu chuẩn Việt Nam

e Tỷ số giữa độ giãn ngang và giãn dọc của vải *

k1, k2 Độ chứa đầy dọc, ngang của vải *

MIU Hệ số ma sát (giữa vải và kim loại) *

MMD Độ lệch trung bình của hệ số ma sát (vải-kim loại) *

SS1 Cấp độ nhăn đường may 301 theo hướng sợi dọc *

SS2 Cấp độ nhăn đường may 301 theo hướng sợi ngang *

RC Biến dạng nén tương đối %

Tm Độ dày vải với lực nén Pmax = 50gf/cm2

1 Theo chiều sợi dọc của vải

2 Theo chiều sợi ngang của vải

DANH MỤC CÁC BẢNG BIỂU

Bảng 1.1 Phân loại các phương pháp tìm kiếm bộ trọng số cho các thuộc tính 23

Bảng 1.2 So sánh phương pháp Lazy learning và Eager learning 30

Bảng 2.1 Thông số kỹ thuật của vải dùng để thực nghiệm 34

Bảng 2.2 Chỉ tiêu kỹ thuật của chỉ thí nghiệm 36

Bảng 2.3 Các thông số cơ học vải đo trên hệ thống KESF 46

Bảng 2.4 Các điều kiện may mẫu 48

Bảng 3.1 Các trọng số của hệ dự báo thu được khi áp dụng 4 phương pháp tìm kiếm bộ trọng số: kNN đơn giản, Greedy Forward Search, Backward Emilination và Gradient Descent 56

Bảng 3.2 Kết quả dự báo trên tập mẫu kiểm thử khi áp dụng 4 phương pháp tìm kiếm bộ trọng số: kNN đơn giản, Greedy Forward Search, Greedy Backward Emilination và Gradient Descent 58

Bảng 3.3 Kết quả kiểm định giả thiết thống kê với trắc nghiệm Wilcoxon: cỡ mẫu n1= n2 = 8; Td = 52; Tt = 84; α = 0,05 62 Bảng phụ lục1 Cấp độ đánh giá SS của mẫu theo tiêu chuẩn 88B- AATCC

Bảng phụ lục2 Kết quả xác định các thông số cấu trúc vải

Bảng phụ lục3 Các đặc trưng của vải thí nghiệm đo được trên hệ thống KESF

Bảng phụ lục3.1 Các đặc trưng cơ học của vải theo hướng sợi dọc

Bảng phụ lục3.2 Các đặc trưng cơ học của vải theo hướng sợi ngang

Bảng phụ lục3.3 Các đặc trưng cơ học của vải tính trung bình

Bảng phụ lục4 Chương trình dự báo nhăn đường may ứng dụng kNN

Bảng phụ lục5 Các mẫu học và kiểm thử cho mô hình dự báo nhăn đường may Bảng phụ lục6 Kết quả kiểm định trắc nghiệm Wilcoxon

DANH MỤC CÁC HÌNH VẼ VÀ ĐỒ THỊ TRONG LUẬN VĂN

Hình 1.1 Ảnh chụp đường may nhăn 12

Hình 1.2 Các yếu tố ảnh hưởng đến nhăn đường may 14

Hình 1.3 Độ định dạng dọc tương ứng với góc hồi nhàu ngang và độ nhăn đường may 17

Hình 1.4 Dự báo nhăn đường may bằng mô đun Young ban đầu và độ dầy vải 17

Hình 1.5 Đồ thị độ nhăn dự báo bằng ANN và độ nhăn thực tế khách quan, chủ quan với đường may dọc (a), ngang (b) trên tập mẫu kiểm thử 20

Hình 1.6 Đồ thị tương quan giữa độ nhăn dự báo bằng ANN và độ nhăn thực tế 20 Hình 1.7 Sự khác nhau giữa 2 loại phương pháp filter và wrapper 24

Hình 1.8 Minh họa về giải thuật kNN cho bài toán phân loại 31

Hình 2.1 Hệ thống thiết bị KESF 45

Hình 2.2 Biểu đồ kéo giãn 47

Hình 2.3 Biểu đồ trượt 47

Hình 2.4 Biểu đồ uốn 47

Hình 2.5 Biểu đồ nén 47

Hình 3.2 Giao diện nhập dữ liệu của mẫu vải cần dự báo độ nhăn đường may 53

Hình 3.3 Menu Item File 53

Hình 3.4 Menu Item Option 53

Hình 3.5 Menu Item View 54

Hình 3.6 Ma trận đầu vào của hệ dự báo độ nhăn đường may 54

Hình 3.7 Mẫu học của mạng dự báo nhăn đường may 55

Hình 3.8 Đồ thị cấp độ SS1 dự báo và thực tế với đường may dọc trên tập mẫu kiểm thử 59

Hình 3.9 Đồ thị cấp độ SS2 dự báo và thực tế với đường may ngang trên tập mẫu kiểm thử 60

Hình 3.10 Tương quan giữa cấp độ SS1 thực tế và dự báo 60

Hình 3.11 Tương quan giữa cấp độ SS2 thực tế và dự báo 61

Hình 3.12 Đồ thị sai số của cấp độ nhăn SS1 với đường may dọc trên tập mẫu kiểm

thử 61 Hình 3.13 Đồ thị sai số của cấp độ SS2 với đường may ngang trên tập mẫu kiểm

thử 62

Học máy là phương pháp được áp dụng khá rộng rãi để giải quyết các bài toán dự báo phức tạp với các giải thuật khác nhau Trong đó, kNN là giải thuật được

áp dụng phổ biến nhất cho bài toán dự báo với các biến không tuyến tính Vì vậy, việc nghiên cứu ứng dụng phương pháp học máy để dự báo nhăn đường may là cần thiết để xem xét khả năng ứng dụng của các giải thuật khác nhau vào bài toán dự báo nhăn đường may, góp phần thiết lập mô hình dự báo độ nhăn đường may dựa trên các đặc trưng cơ học và thông số cấu trúc của vải

Đề tài “nghiên cứu dự báo nhăn đường may ứng dụng phương pháp học máy” được thực hiện trong luận văn này với mục tiêu thiết lập mô hình dự báo nhăn đường may ứng dụng giải thuật kNN

Đề tài được giới hạn trong phạm vi dự báo độ nhăn đường may 301 theo hướng sợi dọc và ngang trên vải vải dệt thoi có khối lượng nhẹ và trung bình dệt từ sợi bông, Pe/Co, bông pha Spandex

Nội dung chính của đề tài là thiết lập mô hình dự báo nhăn đường may đơn

301 ứng dụng giải thuật kNN dựa trên các thông số cấu trúc và đặc trưng cơ học của vải dệt thoi dệt, sử dụng cho các sản phẩm may mặc thông dụng, nhằm phát hiện sớm vấn đề nhăn đường may trong sản xuất may mặc, góp phần xây dựng cơ sở cho việc

lựa chọn vải nhằm đảm bảo chất lượng đường may trên sản phẩm Đây là đề tài có tính thực tiễn cao và có thể áp dụng rộng rãi trong sản xuất và đem lại nhiều lợi ích

Để đạt được mục tiêu trên, nội dung của đề tài được thực hiện với 3 chương:

Chương 1: Tổng quan về dự báo độ nhăn đường may và giải thuật kNN: Giới

thiệu khái quát về hiện tượng nhăn đường may, các yếu tố ảnh hưởng đến nhăn đường may, các nghiên cứu đã được thực hiện về dự báo nhăn đường may, khái quát về phương pháp học máy, giải thuật kNN và ứng dụng của phương pháp này

Chương 2: Đối tượng, nội dung, phương pháp nghiên cứu: đề cập đến các

lọai vải, đường may được lựa chọn cho thực nghiệm, phương pháp xác định các thông số của vải và độ nhăn đường may, cấu trúc của mô hình dự báo nhăn đường may dựa trên giải thuật kNN

Chương 3: Kết quả và bàn luận: Trình bày những kết quả mô hình dự báo

đã thiết lập, bộ trọng số của mô hình đã thiết lập với các dữ liệu thực tế Đánh giá mức độ chính xác, khả năng dự báo của mô hình đã thiết kế, hạn chế còn tồn tại của

mô hình cùng với những hướng nghiên cứu phát triển trong tương lai

CHƯƠNG 1 TỔNG QUAN VỀ DỰ BÁO NHĂN ĐƯỜNG MAY VÀ

PHƯƠNG PHÁP HỌC MÁY 1.1 Nhăn đường may

“Nhăn đường may” (Seam pucker) là những đường gợn, nếp nhăn

hoặc sự nhăn lại của vải hoặc một số các đường nhăn nhỏ chạy qua chạy lại xuất hiện trong quá trình may các mảnh vải” [2], [27]

Hình 1.1 Ảnh chụp đường may nhăn

Nhăn đường may là kh á i n i ệ m đ ượ c d ù n g đ ể c h ỉ đặc điểm bề mặt hình dạng vải sau khi may, biểu hiện qua trạng thái không bằng phẳng, nhấp nhô và gợn sóng của bề mặt vải Nhăn đường may có ảnh hưởng đ á n g k ể đến tính thẩm mỹ c ủ a s ả n p h ẩ m ma y mặ c và có thể quan sát được bằng mắt Cảm giác của con người qua các thông tin quan sát được và quá trình xử lý của não cho phép cảm nhận và đánh giá ảnh hưởng của nhăn đường may lên chất lượng sản phẩm Xác định độ nhăn đường may là một tron g nhữn g côn g việ c quan trọng trong việc kiểm tra chất lượng sản phẩm trong ngành sản xuất may công nghiệp [2]

Hiện tượng xuất hiện nhăn đường may sau khi may đã được sự quan tâm của các nhà nghiên cứu trong lĩnh vực dệt may Hiện tượng này thường xảy ra khi may trên nhiều loại vải, ở các đường may theo chiều sợi dọc như đường mép nẹp, đường sườn áo, thậm chí trên cả các đường may theo hướng sợi ngang và xiên, cong như đường may tay vào thân áo… Trên thực tế, ở một số sản phẩm, nhăn không chỉ xuất hiện trên bề mặt vải tại vùng lân cận đường may sau khi may

mà cả sau khi giặt, là hoặc trong quá trình sử dụng sản phẩm do vải và chỉ biến dạng khác nhau dưới các tác động cơ, lý, hoá

Những năm gần đây, chất lượng của quần áo không chỉ được quan tâm đánh giá về chất liệu, kích thước, màu sắc hay sự phẳng phịu mà bắt đầu được đánh giá thông qua giá trị hình dáng tổng thể TAV của quần áo với 3 chỉ tiêu: Khả năng tạo dáng, ngoại quan của đường may và sự vừa vặn [10] Các lỗi đường may thường xuất hiện trên quần áo may sẵn là nhăn, vặn xoắn mũi may, xếp nếp, lượn sóng, phồng và trượt mép vải, trong đó nhăn đường may là hiện tượng rất hay gặp TCVN 2109 -77 ÷ 2112-77 qui định số điểm trừ tùy theo kích thước của lỗi ngoại quan đường may là 20 điểm/100 (cho quần âu và áo một lớp), 15 điểm/100 cho áo khoác hai hoặc nhiều lớp [3] Nhiều loại vải của các đơn hàng sản xuất may mặc tại các nhà máy may mà khi may trên đó, nhăn đường may xuất hiện Để giảm thiểu hiện tượng này, ngoài việc lựa chọn loại vải để may, nếu không được lựa chọn vải, các công ty thường cải tiến thiết bị may, lựa chọn thông số công nghệ may phù hợp, áp dụng các xử lý đặc biệt tại vị trí đường may như dùng băng keo tan… những phương pháp này góp phần làm tăng chi phí sản xuất nhưng vẫn chưa hoàn toàn loại bỏ được nhăn đường may trên sản phẩm

Mức độ nhăn đường may trên sản phẩm thường được đánh giá thông qua cấp

độ SS (Seam Smoothness) của đường may Các sản phẩm may mặc thường yêu cầu cấp độ SS của đường may đạt cấp độ 3 trở lên (Cấp độ SS = 1 ứng với đường may rất nhăn, cấp độ SS = 5 ứng với đường may hầu như không nhăn) theo tiêu chuẩn 88B - AATCC [4] hoặc ISO 7770, ngoại trừ một số ít sản phẩm sử dụng sự nhăn rúm của đường may để trang trí Tại các doanh nghiệp may Việt Nam nhiều đơn hàng sản xuất sơ mi vẫn phải xử lý đường may nhăn bằng băng keo tan Cho đến nay, nhăn đường may vẫn là vấn đề thời sự cần được quan tâm nghiên cứu trong sản xuất may công nghiệp nhằm giảm thiểu hoặc loại bỏ hiện tượng này

1.2 Các nghiên cứu về dự báo nhăn đường may

Dự báo là nêu lên trạng thái của đối tượng trong tương lai dựa trên sự suy luận từ một tập các yếu tố có tính chất định tính cũng như định lượng Trong đó

hệ thống dự báo bao gồm hệ toán học, logic học và kinh nghiệm Đầu vào của hệ thống là thông tin hiện tại, đầu ra là các số liệu về trạng thái của đối tượng trong tương lai [2]

Hình 1.2 Các yếu tố ảnh hưởng đến nhăn đường may [2]

Nhu cầu dự báo trong các lĩnh vực xuất hiện một cách rất tự nhiên do chúng ta chưa hề biết trước mức độ nghiêm trọng của vấn về có thể nảy sinh

Dự báo nhăn đường may trong quá trình sản xuất may mặc có vai trò rất quan trọng đối với việc đảm bảo năng suất và chất lượng sản phẩm Để đảm bảo chất lượng ngoại quan của đường may, nên có sự dự báo nhăn đường may dựa trên các thông

số vải khi đã kiểm soát được các yếu tố khác về công nghệ và thiết bị trước khi tiến hành sản xuất để có biện pháp phòng ngừa Ta không biết trước mức độ ảnh hưởng của vải khi hình thành đường may nhưng lại chắc chắn rằng ảnh hưởng này cần được quan tâm khi lựa chọn vải để sản xuất sản phẩm may Việc đặt mẫu vải, thử nghiệm chất lượng ngoại quan đường may rồi mới quyết định lựa chọn loại vải mất

Điều kiện may:

- Các đặc tính cơ học vải: Giãn, uốn, trượt,

Các yếu tố khác:

- Điều kiện môi trường

- Bán thành phẩm

- Trình độ tay nghề của công nhân…

Chỉ:

- Thành phần, cấu trúc, chi số, xử lý hoàn tất chỉ…

NHĂN ĐƯỜNG MAY

nhiều thời gian và gây tốn kém Vì vậy, việc dự báo chính xác nhăn đường may còn mang lại hiệu quả kinh tế đáng kể trong việc tạo ra các sản phẩm may với chất lượng cao và góp phần sử dụng hiệu quả nguồn nguyên liệu quí từ tự nhiên Đây là một trong những yêu cầu của phát triển bền vững mà các ngành công nghiệp cần quan tâm trong xu thế chung của thời đại

Yêu cầu đối với một hệ thống dự báo thường là phải có độ chính xác cao, có khả năng phản ứng linh hoạt đối với các biến đổi xảy ra của đối tượng được dự báo, thời gian và dữ liệu dự báo thích hợp, đơn giản, giá thành của hệ dự báo thấp [21]

Có nhiều phương pháp được ứng dụng trong các bài toán dự báo Dự báo theo kinh nghiệm là phương pháp cổ điển nhất Phương pháp này dựa trên cơ sở tham khảo ý kiến, dự báo của các chuyên gia nhiều kinh nghiệm trong lĩnh vực cần dự báo D o d ự a v à o ý k i ế n c h u y ê n g i a n ê n p hương pháp này có tính chủ quan, định tính, thường được dùng để xác định xu hướng mới và tiềm năng của các hướng phát triển trong tương lai [21]

Phương pháp dự báo ứng dụng toán học được sử dụng rộng rãi, để xử lý các thông tin về đối tượng dự báo bằng cách sử dụng thuật toán thích hợp để tìm qui luật của quan hệ giữa các dữ liệu đầu vào dùng cho dự báo và đầu ra cần dự báo Các mô hình toán học truyền thống hay được áp dụng cho bài toán dự báo là hồi qui tuyến tính, san trung bình , hệ số ngẫu nhiên, san hàm mũ, …Độ chính xác của hệ thống dự báo khi áp dụng phương pháp này phụ thuộc vào sự chính xác của các thông số đầu vào, tính phù hợp của mô hình toán học, tham số lựa chọn cho cấu trúc của mô hình Dự báo toán học thường cho kết quả khách quan, chính xác, khả năng tự động hoá cao nhưng đòi hỏi phải mô tả chính xác đ ượ c đối tượng cần dự báo N g o à i r a , c ó t h ể á p d ụ n g p h ư ơ n g p h á p d ự báo tổng hợp, là kết hợp của hai phương pháp dự báo đã nêu trên

Trong các doanh nghiệp sản xuất may công nghiệp, những năm gần đây, quá trình sản xuất sản phẩm may mặc được tự động hoá nhiều hơn Nhu cầu thị trường và

càng khó khăn và chặt chẽ Ảnh hưởng của các loại vải đến quá trình sản xuất đã buộc các nhà sản xuất hàng may mặc bắt đầu phải chú ý

Để đảm bảo hiệu quả cao cho quá trình sản xuất, nhiều công ty may tại các nước phát triển đã thành lập phòng thí nghiệm nghiên cứu về vật liệu để kiểm soát chất lượng vải, nhằm dự báo, phát hiện sớm các vấn đề trong sản xuất để đảm bảo chất lượng sản phẩm may [10] Nhiều nghiên cứu đã được thực hiện nhằm xem xét quan

hệ giữa các đặc tính cơ học và tác động của vải trong quá trình sản xuất để dự báo các vấn đề có thể nảy sinh (do vải) trong sản xuất dựa trên các đặc trưng của vải, đặc biệt là các đặc trưng cơ học được đo dưới tác dụng của ứng suất thấp và đo trên hệ thống thiết bị KESF hoặc FAST [10], [21],

Nghiên cứu dự báo nhăn đường may sớm nhất được thực hiện bởi G Stylios và

D.W Lloyd [26], tác giả đã dựa trên tương quan thực nghiệm của cấp độ SS của

đường may xác định theo tiêu chuẩn 88B - AATCC và các thông số vải xác định

theo các tiêu chuẩn Anh Các biểu đồ tương quan giữa các cặp đặc trưng cấu trúc và

thông số cơ học vải với cấp độ SS của đường may đã được thiết lập Các biểu đồ

n à y cho thấy sự phân biệt khá rõ ràng các l o ạ i vải nghiên cứu ở 3 nhóm đường may nhăn trầm trọng (SS <3), mức tới hạn (SS = 3) và ít nhăn (SS >3)

Kết quả của nghiên cứu này bước đầu cho thấy có thể dự báo nhăn đường may dựa trên các thông số vải Tuy nhiên, cần kiểm chứng kết quả dự báo so với kết quả cấp độ nhăn thực tế của đường may

Tác giả cũng kết luận rằng cần xác định các đặc trưng cơ học vải bằng phương pháp khác thích hợp hơn, cho kết quả đầy đủ và toàn diện hơn với các thông số vải mà các tiêu chuẩn Anh đã được sử dụng chưa đáp ứng được yêu cầu này Việc ứng dụng kết quả dự báo này cho thực tế còn nhiều điểm hạn chế nên vẫn chưa đáp ứng được nhu cầu về dự báo nhăn đường may của quá trình sản xuất may công nghiệp

Độ định dạng dọc (mm 2 )

Tác giả Pier Giorgio Minazio dự báo độ nhăn đường may dựa trên các đặc trưng cơ

học vải đo trên hệ thống FAST [17] bằng phương trình thực nghiệm:

Độ nhăn đường may = 5,1 + 1,03 F1 - 0,0744 CA2 (1-1) Trong đó, độ định dạng dọc F1(mm2), góc hồi nhàu ngang CA2 (độ) của vải được đo trên hệ thống FAST Kết quả của nghiên cứu cho thấy nếu vải có F-1 0,5 thì đường may nhăn không đáng kể; Nếu vải có F-1 0,5, nếu góc hồi nhàu nhỏ đường may ít nhăn, nếu góc hồi nhàu lớn thì đường may sẽ nhăn nhiều Để thiết lập phương trình thực nghiệm (1-1), tác giả đánh giá độ nhăn đường may bằng cách cho điểm Phương pháp này làm giảm độ tin cậy của kết quả thu được Mặt khác, nhiều nghiên cứu cho thấy khi đã kiểm soát tốt các yếu tố về công nghệ, máy và chỉ may thì độ nhăn đường

Hình 1.3 Độ định dạng dọc tương ứng với

góc hồi nhàu ngang và độ nhăn đường [ 17 ]

may[108]

1.7 1.6 1.5 1.4 1.3 1.2 1.1 1.0 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.0

1.8 Môđun Young kgf/mm

Ít nhăn

Tới hạn Trầm trọng

: 1.2 : 3 : 4.5 Cấp độ AATCC Độ dày vải (0.001'')

Hình 1.4 Dự báo nhăn đường may bằng mô đun Young ban đầu và độ dầy

vải [ 26 ]

Độ định dạng dọc (mm2)

Góc nếp gấp ngang (độ)

may không chỉ phụ thuộc vào độ định dạng và góc hồi nhàu của vải mà còn phụ thuộc vào

cả các thông số khác như độ cứng uốn, độ cứng trượt, độ giãn hay tính chất bề mặt của

vải [2], [5], [7] Tất cả những điều đó dẫn đến độ chính xác của kết quả dự báo theo nghiên

cứu này chưa cao

Tác giả Jelka Gersak thiết lập biểu đồ dự báo nhăn đường may dựa trên các

thông số cơ học vải trong vùng tải trọng thấp (đo trên hệ thống KESF) [10] Dựa

trên biểu đồ này, tác giả đã chỉ ra các thông số cơ học của vải có khả năng liên quan

đến sự nhăn đường may như độ giãn, độ trượt, độ cứng uốn các giá trị nào có sự

khác biệt quá mức với những vải ít nhăn Tuy nhiên, kết quả dự báo không đưa ra

giá trị cụ thể mà chỉ cho biết đặc trưng cơ học nào của vải cần được điều chỉnh, cải

thiện để giảm nhăn đường may trên sản phẩm

Daniela Zavec Pavlinic đã nghiên cứu ứng dụng phương pháp học máy để dự báo

chất lượng hình dạng đường may và thuật toán k-NN (k- nearest neighbour) [45] Đầu

vào của hệ thống là giá trị trung bình của các đặc trưng cơ học vải trong vùng ứng suất

thấp đo trên hệ thống KESF, đầu ra là chất lượng hình dạng của đường may (sự nhăn

và phồng đường may) Kết quả của nghiên cứu này cho thấy tỷ số giữa độ giãn dọc và

giãn ngang của vải có ảnh hưởng nhiều nhất tới nhăn đường may, còn độ cứng uốn B,

độ trễ trượt 2HG và RC có ảnh hướng lớn nhất đến độ phồng đường may Tác giả cũng

đã kết luận rằng phương pháp học máy và giải thuật k-NN thích hợp với bài toán dự

báo chất lượng ngoại quan của đường may hơn là phương pháp hồi qui truyền thống

Nhìn chung, nghiên cứu bước đầu đã tạo cơ sở cho việc ứng dụng trí tuệ nhân tạo vào

việc dự báo chất lượng ngoại quan của đường may

Các tác giả R H Gong và Y Chen đã nghiên cứu dự báo các vấn đề vải trong sản

xuất may mặc bằng cách ứng dụng mạng nơron nhân tạo (Artificial Neural Network-

ANN) [12], 2 mạng nơron với đầu vào là giá trị trung bình của các đặc trưng cơ học

vải đo được trên hệ thống KESF, đầu ra là 11 thông số tương ứng với cấp độ (1÷5)

của 11 vấn đề có thể xuất hiện trong quá trình sản xuất, trong đó có nhăn đường may

đã được xây dựng Tác giả đã giảm dần số lượng đặc trưng của vải để xem xét ảnh

hưởng của số nơron lớp vào và lớp ẩn lên tốc độ hội tụ và khả năng dự báo của mạng

và loại bỏ những thông số ít ảnh hưởng Nghiên cứu cũng đi đến kết luận rằng, ANN

là công cụ rất hiệu quả để dự báo các vấn đề có thể xảy ra trong sản xuất sản phẩm may mặc từ loại vải nào đó

Qua nghiên cứu này cho thấy rằng ưu điểm đáng kể của ANN so với kỹ thuật phân tích và hồi quy truyền thống là độ chính xác của dự báo được nâng cao vì mạng có khả năng xây dựng trong quá trình học Tuy nhiên, không chỉ các đặc trưng cơ học mà các thông số cấu trúc vải cũng tác động đến trong quá trình sản xuất Điều này đã cho thấy trong nhiều nghiên cứu có liên quan đến nhăn đường may [2], [5], [7], [9] Hơn nữa

mô hình mà tác giả đã thiết lập đưa ra, kết quả dự báo là một giá trị độ nhăn nói chung, trong khi đó nhăn đường may trên vải theo hướng sợi dọc, sợi ngang thường có nhiều khác biệt [2] Đầu vào của mô hình dự báo là giá trị trung bình của các thông số cơ học vải nên không thấy được tác động tương ứng của thông số cơ học vải lên nhăn đường may thể hiện theo hướng cùng chiều hay vuông góc Do đó, các giải pháp nhằm giảm nhăn đường may bằng cách cải thiện các thông số vải sẽ không cụ thể theo hướng sợi dọc hay sợi ngang

Mạng nơron nhân tạo cũng đã được ứng dụng để dự báo độ nhăn đường may [18] Các tác giả đã thiết lập mạng nơron nhân tạo với hàm kích hoạt Sigmoid đơn cực và áp dụng giải thuật lan truyền ngược lỗi để xác định bộ trọng số của các thuộc tính Mạng dự báo được thiết lập với 36 đầu vào là các thông số cấu trúc và đặc trưng cơ học vải đo trên hệ thống KESF 2 Đầu ra là giá trị cấp độ nhăn đường may

301 theo hướng sợi dọc và ngang Kết quả nghiên cứu cho thấy, cấp độ SS dự báo

có tương quan khá chặt chẽ với cấp độ SS thực tế của đường may 301 Điều đó cho thấy khả năng giải quyết bài toán dự báo nhăn đường may ứng dụng ANN là rất khả quan Tuy nhiên, với nghiên cứu này, thời gian để huấn luyện mạng là khá lâu và đòi hỏi sự chuẩn bị tập mẫu học phải rất phù hợp để tránh các điểm yên ngựa do phương pháp Gradient Descent được áp dụng trong giải thuật lan truyền ngược lỗi

(a)

1 2 3 4 5 6

Hệ mờ cũng đã được ứng dụng để dự báo nhăn đường may [19] Các tác giả

đã thiết lập hai hệ mờ để dự báo cấp độ SS của đường may theo hướng sợi dọc và sợi ngang 36 đầu vào là các thông số cấu trúc và đặc trưng cơ học vải đo được trên

hệ thống KESF Các thông số này được chia thành 6 nhóm, tướng ứng với 6 hệ mờ cấp 1 và thu được 6 đầu vào cho hệ mờ cấp hai Các giải thuật lát cắt có trọng số (Weighted Section), tìm kiếm ngẫu nhiên (Random search), Hooke-Jeeves và lát cắt vàng (Yellow section) đã được áp dụng để tìm kiếm các tham số tối ưu cho mô hình

dự báo

Kết quả của nghiên cứu này cũng như nghiên cứu [18] ứng dụng ANN cho thấy các cấp độ SS của đường may 301 theo hướng sợi dọc, ngang đã được dự báo với giá trị cụ thể thông qua việc sử dụng mô hình dự báo Mô hình đã thiết lập dễ sử dụng Tuy nhiên, kết quả dự báo cấp độ SS của đường may 301 khi sử dụng hệ mờ kém chính xác hơn so với dự báo bằng phương pháp ứng dụng ANN Các sai số của

Hình 1.6 Đồ thị tương quan giữa độ nhăn dự báo bằng ANN và độ nhăn thực tế [18]

cấp độ SS của đường may theo hướng sợi dọc còn lớn Điều đó được giải thích là do

số biến đầu vào quá lớn, nên cần cấu trúc hệ dự báo thành 2 lớp hệ mờ, điều này ảnh hưởng đến tính chính xác của kết quả dự báo

Tóm lại, các nghiên cứu dự báo nhăn đường may đã đ ư ợ c t h ự c h i ệ n v à đưa ra c á c biểu đồ, phương trình hồi qui hoặc thể hiện xu hướng nhăn đường may trên đồ thị nhưng chỉ cung cấp một số thông tin có tính định hướng mà không chỉ ra

độ nhăn đường may dọc, ngang có giá trị bằng bao nhiêu Nếu chỉ xem xét những thông số cấu trúc vải cơ bản như khối lượng (g/m2), độ dày vải (mm) thì chưa đủ để cho phép dự báo nhăn đường may Mối quan hệ giữa các thông số của vải và nhăn cấp độ nhăn đường may lại rất phức tạp bởi chúng đều là các đại lượng không tuyến tính và số biến lớn [2] Các ứng dụng trí tuệ nhân tạo để dự báo nhăn đường may bước đầu đã cho thấy những kết quả khả quan Mỗi hệ thống đã được thiết lập với cấu trúc giải thuật khác nhau có những ưu điểm và hạn chế riêng Việc nghiên cứu tiếp tục ứng dụng trong lĩnh vực này là rất cần thiết nhằm tìm ra các giải thuật có nhiều ưu điểm, ít hạn chế hơn trong việc giải quyết bài toán dự báo nhăn đường may

Vì vậy, việc tiếp tục nghiên cứu để thiết lập hệ thống dự báo nhăn đường may

một cách đầy đủ, cho kết quả dự báo đảm bảo độ chính xác cần thiết, hoàn chỉnh và dễ dàng sử dụng trong thực tế là rất cần thiết đối với sản xuất may công nghiệp

1.3 Phương pháp học máy

1.3.1 Khái quát chung về phương pháp học máy

Học máy là một lĩnh vực của trí tuệ nhân tạo liên quan đến việc phát triển các kĩ thuật cho phép máy tính có thể "học" Cụ thể hơn, học máy là phương pháp

để tạo ra các chương trình máy tính bằng việc phân tích các tập dữ liệu Học máy có liên quan đến thống kê, vì cả hai lĩnh vực đều nghiên cứu việc phân tích dữ liệu, nhưng khác với thống kê, học máy tập trung vào sự phức tạp của các giải thuật trong việc thực thi tính toán Có nhiều cách phân loại các phương pháp học máy,

(Eager learning methods) và học máy “lười” (Lazy learning methods) hay còn gọi là học máy dựa trên tập mẫu (instance-based machine learning)

Các phương pháp học máy dựa trên tập mẫu bao gồm giải thuật lân cận gần nhất (nearest neighbor) và hồi qui cục bộ trọng số (locally weighted regression) Các phương pháp này dựa trên giả thiết rằng một mẫu có thể được biểu diễn như là một điểm trong không gian Euclid Phương pháp học máy dựa trên tập mẫu còn được đề cập đến như là phương pháp học máy “lười” bởi vì quá trình xử lí dữ liệu học được trì hoãn cho tới khi có một mẫu mới cần được phân loại Ưu điểm chủ yếu của phương pháp này là thay vì xây dựng hàm mục tiêu chung cho toàn bộ không gian của tập mẫu học bằng việc đánh giá một hàm mục tiêu riêng biệt cho mỗi mẫu cần được phân loại

1.3.2 Giải thuật kNN

kNN là phương pháp học máy dựa trên tập mẫu cơ bản nhất thường được ứng dụng Tư tưởng cơ bản của giải thuật này có thể được mô tả như sau: giả sử rằng mỗi một thể hiện (mẫu đầu vào) tương ứng với một điểm trong không gian n chiều

Rn Những mẫu hàng xóm gần nhất của một mẫu được xác định bởi một hàm

khoảng cách được thể hiện bởi một vectơ n chiều:

(X1,X2,….Xn), trong đó Xi ( R) là một số thực [28]

Tùy theo đầu ra của mô hình là các giá trị rời rạc hay liên tục mà có thể phân chia các bài toán áp dụng giải thuật kNN thành 2 loại: Bài toán phân loại và bài toán

dự báo

Nhiều giải thuật lazy learning là dẫn xuất của giải thuật kNN, tức là sử dụng

hàm tính khoảng cách để đưa ra kết quả dự báo từ những mẫu đã có Một số nghiên cứu cho thấy hiệu năng của giải thuật kNN có liên quan mật thiết đến hàm tính khoảng cách [28] Nhiều biến thể của kNN đã được đưa ra nhằm giảm mức độ phụ thuộc vào hàm khoảng cách bằng cách thêm vào hàm này bộ tham số đặc trưng cho mức độ phụ thuộc của các thuộc tính Tuy nhiên, các phương pháp này cần được xem xét và kiểm nghiệm trong thực tế

Những phương pháp được sử dụng nhằm tìm ra bộ tham số của hệ thống làm cho hệ dự báo có 3 ưu điểm: cần ít những thao tác tiền xử lí hơn, thể hiện tốt hơn tương quan giữa các thuộc tính và cần ít dữ liệu hơn để xây dựng một hệ dự báo hoặc phân lớp một cách hiệu quả Các nghiên cứu cũng chỉ ra rằng, phương pháp có trọng số cho các thuộc tính với kết quả là số thực tỏ ra hiệu quả hơn so với những phương pháp chỉ lựa chọn một số các thuộc tính được cho là cần thiết trong các mô hình, trong khi một số thuộc tính khác vẫn ảnh hưởng tới kết quả nhưng ít hơn so với các thuộc tính khác [28]

a Trọng số của các thuộc tính:

Các phương pháp có trọng số cho các thuộc tính có thể được tổ chức, phân loại theo nhiều cách khác nhau thể hiện trên bảng 1-1 dưới đây:

Bảng 1.1 Phân loại các phương pháp tìm kiếm bộ trọng số cho các thuộc tính

Phân loại theo số chiều (Dimensions) Đặc tính của giá trị (Possible values)

Theo độ lệch (bias) Tùy biến theo hiệu năng của hệ thống hoặc

cố định trước (Performance or preset) Không gian trọng số (Weight space) Liên tục hoặc nhị phân (Continues or

binary) Cách biểu diễn (representation) Giữ nguyên hoặc phải thay đổi dạng biểu

diễn dữ liệu (Given or transformed)

Xác định trọng số theo độ lệch:

Các phương pháp xác định trọng số theo độ lệch được chia thành 2 loại là tùy

theo biến hiệu năng của hệ thống hoặc cố định trước (performance và preset hay

wrapper và filter) Phương pháp có trọng số sử dụng hiệu năng của mô hình như là

một tham số cho quá trình huấn luyện nhằm tìm ra bộ tham số tối ưu cho hệ thống

thuộc nhóm performance (hay wrapper method) Nếu phương pháp không sử dụng hiệu năng của mô hình như là tham số huấn luyện thì thuộc nhóm preset (hay filter

Hình 1.7 Sự khác nhau giữa 2 loại phương pháp filter và wrapper[28]

Độ lệch tùy theo biến hiệu năng (Performance bias):

Hệ thống sử dụng phương pháp performance bias có ưu điểm nổi bật so với

phương pháp khác là mức độ hiệu quả của dự báo trên bộ tham số của mô hình mà

bộ tham số đó được áp dụng Vì vậy, sẽ không xảy ra sự bất tương xứng giữa bộ trọng số tìm được với mô hình Có thể chia các phương pháp này thành 2 nhóm theo cách mà mô hình tìm kiếm bộ tham số trong không gian các bộ tham số có thể Đó

là tìm kiếm online và tìm tối ưu theo từng batch

 Online optimization: phương pháp tìm kiếm bộ trọng số được áp dụng mỗi

khi có một mẫu mới được thêm vào dữ liệu học (vì thế nên gọi là online) Các phương pháp này có xu hướng thay đổi bộ trọng số sao cho làm giảm khoảng cách giữa các mẫu nằm trong cùng một lớp và làm tăng khoảng cách giữa các mẫu nằm trên khác lớp với nhau Kết quả của giải thuật này liên quan trực tiếp với thứ tự trong tập mẫu học được học như thế nào Một cách khác, với mỗi một thể hiện trong tập mẫu học cùng lớp, trọng số được cộng thêm một lượng ∆:

w(f) = w(f) + ∆ (1-2)

Và với mỗi thể hiện không cùng lớp, trọng số lại giảm đi một lượng tương tự

 Batch optimization: Những phương pháp nằm trong nhóm này tối ưu bộ

tham số bằng cách lặp lại liên tục việc xử lý các mẫu Một số phương pháp trong nhóm này cần đến tri thức để xây dựng một hàm dự báo nhằm

tối ưu bộ tham số trong một số pha của quá trình xử lý Ví dụ như giải thuật di truyền

Độ lệch cố định trước (Preset bias):

Trong nhóm các phương pháp này không dùng phản hồi của mô hình để tối

ưu bộ tham số mà sử dụng những thông tin có sẵn trong dữ liệu học để đưa ra bộ tham số Những phương pháp này thường dựa trên xác xuất có điều kiện của các lớp trong bộ dữ liệu để đưa ra cách tối ưu bộ tham số

Không gian trọng số (Weight space):

Cách tiếp cận này tập trung vào giá trị của trọng số được gán là liên tục hay

là nhị phân Features selection là giải thuật gán trọng số nhị phân cho các thuộc

tính Vì vậy, nó được đề cập như là một tập con của các phương pháp mà trọng số

của các thuộc tính là số thực Về cơ bản, sự khác nhau giữa các giải thuật feature

selection là giải thuật tìm kiếm được áp dụng trong không gian các bộ trọng số có

thể có Các nghiên cứu gần đây sử dụng nhiều cách tìm kiếm khác nhau nhằm tìm ra

bộ trọng số áp dụng cho các phương pháp lazy learning Các giải thuật feature

selection giúp loại bỏ hoàn toàn những thuộc tính không cần thiết, nhờ đó nâng cao

đáng kể hiệu năng của mô hình

Tóm lại, các giải thuật features selection tỏ ra rất hiệu quả nếu các thuộc tính

dùng để biểu diễn hoặc là liên kết chặt chẽ hoặc hoàn toàn không liên quan gì với

đặc tính của các lớp hay kết quả đầu ra của hệ thống Các giải thuật features

weighting thích hợp hơn với những bài toán mà mức độ phụ thuộc của các thuộc

tính với đặc tính của các lớp là một khoảng Tuy nhiên, những giải thuật feature

weighting có không gian các trọng số lớn hơn nhiều so với các giải thuật features selection

Tìm kiếm bộ trọng số theo cách biểu diễn (representation):

Các phương pháp tìm bộ trọng số cho mô hình thuộc nhóm thứ ba là các phương pháp dựa vào việc tập các thuộc tính dùng để biểu diễn dữ liệu có thay đổi hay không (chẳng hạn được thay thế bằng tập các thuộc tính khác) trước khi thực

b Các hàm tính khoảng cách d:

Hàm tính khoảng cách d đóng vai trò rất quan trọng trong các hệ học máy sử dụng giải thuật kNN và thường được cố định và không thay đổi cả trong pha học và pha kiểm thử Có nhiều hàm tính khoảng cách có thể sử dụng tùy theo cấu trúc của

mô hình và dữ liệu của bài toán áp dụng kNN Các hàm khoảng cách có thể chia thành các nhóm sau [28]:

 Các hàm khoảng cách Geometry: cho các bài toán có giá trị đầu vào là các số thực (X i R)

x d

1

2

) (

) , (

(1-4)

- Hàm khoảng cách Minkowsky(p-norm) :

p p i

x z

, (

1

z n

i

x z

x



(1-7)

 Hàm đánh giá độ tương đồng Cosine, áp dụng cho bài toán nhận dạng phân loại chữ viết:

(1-8)

c Chuẩn hóa giá trị các thuộc tính:

Trong thực tế sẽ xẩy ra tình huống, giá trị của một thuộc tính sẽ lớn hơn rất nhiều so với các thuộc tính còn lại, dẫn đến khoảng cách giữa các mẫu phụ thuộc chủ yếu vào thuộc tính đó làm mất đi tính chính xác của mô hình Ví dụ:

Giả sử chúng ta có các mẫu được biểu diễn bởi 3 thuộc tính, tuổi (age), thu nhập (income) và chiều cao (height) Ta có 2 mẫu như sau:



 Khoảng cách giữa x và z được tính theo hàm khoảng cách Euclidean như sau:

2

1 2 2

2

))75.168.1()1301200()4020((

),

d

Có thể thấy trong kết quả trên, khoảng cách giữa x và z phụ thuộc phần lớn vào

mức độ sai khác của thuộc tính income vì thuộc tính này có khoảng dao động và giá trị lớn hơn hẳn so với các thuộc tính còn lại là age và height Điều đó làm mất đi ý nghĩa

của các thuộc tính này tới kết quả của mô hình Để tránh điều này, giá trị của các thuộc tính trước khi tham gia vào mô hình cần được chuẩn hóa Thông thường, sau bước chuẩn hóa, giá trị của các thuộc tính nằm trong đoạn [0,1] Có nhiều phương pháp

chuẩn hóa giá trị của các thuộc tính Phương pháp thường dùng nhất là chia giá trị của

thuộc tính đó cho giá trị lớn nhất có thể có của thuộc tính đó trong tập mẫu

x i  x i /Max_Value_Of _ Attribute_i

(1-9)

i = 1, , n; n là số thuộc tính của mô hình

Mức độ quan trọng của thuộc tính:

Trong các hàm tính khoảng cách được đề cập ở trên, ta thấy giá trị của các

thuộc tính ảnh hưởng như nhau đến khoảng cách giữa 2 mẫu (sau khi đã chuẩn hóa)

Tuy nhiên, trong thực tế có những thuộc tính ảnh hưởng lớn hơn tới kết quả đầu ra

so với những thuộc tính khác Để có thể biểu diễn được mức độ ảnh hưởng của các

thuộc tính tới khoảng cách giữa chúng trong công thức tính hàm khoảng cách, ta sử

dụng trọng số wi cho thuộc tính thứ i Khi đó, công thức tính khoảng cách sẽ thay

đổi như sau:

- Với hàm khoảng cách Manhattan:

|

| )

, (

1

z n

i

i

w z

w z

x d

1

2

) (

) , (

(1-11)

- Với hàm khoảng cách Minkowsky (p-norm):

p p i i

w z

Trọng số wi của các thuộc tính được xác định bởi tri thức thực nghiệm của các

nghiên cứu và chuyên gia trong lĩnh vực mà mô hình được áp dụng giải thuật kNN

|

| max )

|

| ( lim ) ,

1

i i i i

p p i n

i

i i p

z x w z

x w z

hoặc bằng các phương pháp khác nhau Một số trong các phương pháp này sẽ được

đề cập trong chương 2 cho bài toán dự báo cấp độ SS của đường may 301

d Trọng số khoảng cách của mô hình kNN

Trong các mô hình áp dụng giải thuật kNN đơn giản, kết quả được xác định

bằng lớp có số lượng lớn nhất trong NB(z) (trong bài toán phân loại) hoặc được xác

định theo công thức  

) (

1

z NB

k

y (trong bài toán dự báo), trong đó, NB(z) là tập

thể hiện các mẫu có khoảng cách gần nhất so với mẫu kiểm thử Ta thấy, tất cả các

phần tử trong tập NB(z) đều có ảnh hưởng như nhau tới kết quả của mô hình Song

thực tế không phải vậy, những mẫu nào nào gần với mẫu kiểm thử hơn sẽ ảnh hưởng tới kết quả lớn hơn so với những mẫu còn lại Vì vậy, ta xây dựng một hàm

trọng số v(x,z) biểu thị mức độ của mức độ quan trọng của các thể hiện trong NB(z)

v(x,z) là hàm nghịch biến với khoảng cách của mẫu đó tới mẫu kiểm thử Những mẫu nào có khoảng cách càng gần với mẫu kiểm thử thì có trọng số càng lớn Khi

đó hàm mục tiêu sẽ được xây dựng lại như sau:

- Đối với lớp bài toán phân loại:

Sự khác nhau giữa các phương pháp học máy Lazy learning và Eager learning được thể hiện ở bảng sau:

Bảng 1.2 So sánh phương pháp Lazy learning và Eager learning

Giải thuật lân cận gần nhất, hồi qui trọng

số cục bộ

Giải thuật Hồi qui tuyến tính, support vector machine, mạng nơron nhân tạo,… Xây dựng hàm mục tiêu cục bộ và khác

nhau cho mỗi mẫu kiểm thử

Xây dựng hàm mục tiêu cố định toàn cục cho toàn bộ không gian của tập mẫu Tính toán, sử dụng nhiều phương pháp

tối ưu cục bộ cho hàm mục tiêu

Xây dựng phương pháp tối ưu duy nhất

và toàn cục cho hàm mục tiêu

Thông thường, tốn nhiều thời gian hơn

để có thể đưa ra câu trả lời cho một truy

vấn, và cần nhiều không gian nhớ hơn

Giải thuật kNN được áp dụng khi các thể hiện có thể được biểu diễn dưới dạng một vectơ n chiều Rn

Số chiều của đầu vào cũng không được quá lớn và quan trọng hơn cả, kNN cần một tập số lượng lớn của tập mẫu

e Ưu nhược điểm của hệ thống ứng dụng giải thuật kNN:

Các mô hình ứng dụng giải thuật kNN có các ưu điểm như:

- Pha học đơn giản (lưu trữ tất cả các mẫu trong tập huấn luyện)

- Giải quyết tốt đối với các bài toán nhận dạng, phân loại với một số lượng lớn các lớp do không phải xây dựng từng bộ phân loại một cho từng lớp riêng biệt

- Với mô hình kNN (k >> 1) có thể đối phó tốt với các dữ liệu gây nhiễu do các mẫu gây nhiễu có ảnh hưởng nhỏ đến kết quả của hàm mục tiêu

Tuy nhiên, mô hình áp dụng giải thuật kNN cũng có các nhược điểm sau:

- Hàm khoảng cách phải được lựa chọn một cách cẩn thận và phù hợp

- Thời gian tính toán nằm chủ yếu ở bước phân loại hoặc dự báo Dẫn đến đôi khi thời gian đợi chờ của người dùng mỗi khi truy vấn lâu hơn so với các phương pháp học máy khác

- Có thể bị ảnh hưởng bởi các thuộc tính không cần thiết

1.3.3 Ứng dụng của phương pháp học máy:

Tùy theo đầu ra của mô hình là các giá trị rời rạc hay liên tục mà có thể phân chia các lớp bài toán áp dụng giải thuật kNN thành 2 loại: Bài toán phân loại và bài toán dự báo

Bài toán phân loại:

Bài toán phân loại có kết quả của hàm mục tiêu thường là rời rạc Mỗi mẫu X

trong tập mẫu được biểu diễn bởi một véctơ n chiều (X 1 ,X 2, ….X n ), trong đó (Xi R)

là một số thực; và một nhãn hay một lớp c C (C là tập các nhãn đã được xác định

trước) Trong pha học, lưu trữ tất cả các tập mẫu D = { X } Trong pha kiểm thử, để

có thể phân loại một mẫu kiểm thử mới z được xác định là thuộc vào lớp nào, mô

hình thực hiện lần lượt các bước sau:

 Với mỗi mẫu x trong tập mẫu học D, tính toán khoảng cách giữa x và z

 Tìm tập các mẫu có trong D có khoảng cách gần nhất với mẫu z NB(z)

k phần tử gần nhất trong tập này được xác định bởi một hàm khoảng cách d

 Phân loại mẫu z dựa trên số lượng mẫu của lớp nào chiếm phần lớn nhất trong tập NB(z)

Trong hình 1.8, ta có thể thấy một ví dụ minh họa cho việc số lượng lân cận

gần nhất được chọn có thể ảnh hưởng như thế nào đến kết quả đầu ra Trong ví dụ trên, tập C gồm có 2 lớp là c1 và c2 Nếu k = 1, với hệ kNN này, mẫu kiểm thử được xếp vào lớp c1 nhưng với k = 3 hoặc 5, mẫu kiểm thử lại được xếp vào lớp c2 Cũng vì nguyên nhân này, với bài toán phân loại, k luôn luôn là một số lẻ và để tránh kết quả bị sai lệch do nhiễu (trong trường hợp k = 1), k thường được chọn là những số lẻ lớn hơn 1

Một số nghiên cứu trong ngành dệt may đã ứng dụng phương pháp học máy cho bài toán phân lớp như đánh giá khách quan độ nhăn đường may [2], [14], đánh giá độ gồ ghề của bề mặt vải, đánh giá màu của xơ bông [6], đánh gía độ xù lông, vón hạt trên bề mặt vải [6],

Bài toán dự báo:

Phương pháp học máy thường áp dụng trong bài toán dự báo mà kết quả của hàm mục tiêu là liên tục Mỗi mẫu X trong tập mẫu được biểu diễn bởi một véc tơ n

chiều (X 1 ,X 2, ….X n ) trong đó (Xi R) là một số thực; và một kết quả đầu ra Y x R

Tương tự như đối với bài toán phân lớp, trong pha học, hệ thống lưu trữ tất cả các

phần tử có trong tập mẫu D = {X} Trong pha kiểm thử, để có thể đưa ra được đầu

ra là một số thực cho một mẫu kiểm thử z, mô hình thực hiện các bước như sau:

 Với mỗi mẫu x trong tập mẫu học D, tính toán khoảng cách giữa x và z

 Tìm tập các mẫu có trong D có khoảng cách gần nhất với mẫu z NB(z)

k phần tử gần nhất trong tập này được xác định bởi một hàm khoảng cách d

 Dự báo kết quả đầu ra được tính theo công thức:

  

) (

1

z NB

1.4 Kết luận Chương 1

Nhăn đường may là hiện tượng rất hay gặp trong quá trình sản xuất may mặc, có ảnh hưởng đáng kể tới chất lượng của đường may trên sản phẩm quần áo, nhất là đối với các sản phẩm may từ vải nhẹ và trung bình

Trong những năm qua đã có nhiều công trình nghiên cứu về các yếu tố ảnh hưởng đến nhăn đường may Các nghiên cứu này chủ yếu tập trung vào các thông

số công nghệ may như sức căng chỉ, mật độ mũi may, lực nén chân vịt, tốc độ may, thông số kim may; các yếu tố về máy may như cơ cấu dịch vải, ảnh hưởng của một số đặc trưng cơ học và thông số cấu trúc vải và các đặc tính của chỉ may tới nhăn đường may

Các nghiên cứu về dự báo nhăn đường may đã đưa ra một số biểu đồ, phương trình hồi qui hoặc xu hướng nhăn để hướng dẫn mà không chỉ ra ra giá trị

cụ thể độ nhăn đường may theo hướng sợi dọc, ngang sau khi may Các nghiên cứu ứng dụng ANN và hệ mờ bước đầu cho thấy khả năng giải quyết bài toán dự báo nhăn đường may là rất khả quan Các nghiên cứu ứng dụng kNN và phương pháp học máy khác cũng cho thấy khả năng dự báo được độ nhăn đường may khi đã xác lập vải và các thông số công nghệ tương ứng trong quá trình may

Với các kết luận trên, có thể thấy việc tiếp tục nghiên cứu thiết lập một hệ thống dự báo độ nhăn đường may là rất cần thiết để lựa chọn vải hợp lý nhằm giảm thiểu nhăn và góp phần nâng cao chất lượng đường may, tạo ra các sản phẩm may mặc với giá trị thẩm mỹ đáp ứng yêu cầu của người tiêu dùng

CHƯƠNG 2 ĐỐI TƯỢNG, NỘI DUNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU 2.1 Đối tượng và phạm vi nghiên cứu

2.1.1 Vật liệu

Vải:

Để phù hợp với mục tiêu nghiên cứu của đề tài, các loại vải thương phẩm được lựa chọn cho nghiên cứu này là vải dệt thoi có khối lượng nhẹ và trung bình, có kiểu dệt vân điểm, vân chéo và giắc- ca được sản xuất tại các công ty dệt Pangrim, Dệt 8/3, Việt Thắng, Thái Tuấn Các loại vải này thường sử dụng rộng rãi để may các sản phẩm may xuất khẩu và tiêu thụ trong nước

Các vải thí nghiệm được có khối lượng từ 89,11 đến 275,3g/m2

và độ dày vải

từ 0,235 đến 0,344mm, gồm 4 nhóm: Nhóm 1: Vải có thành phần là 100% bông; Nhóm 2: Vải có thành phần Pe/Co ; Nhóm 3: Vải có thành phần 100% PES; Nhóm 4: Vải có thành phần bông pha Spandex

Bảng 2.1 Thông số kỹ thuật của vải dùng để thực nghiệm

Mẫu

(Sample) Vải Thành phần Kiểu dệt Khối lượng

(g /m 2)

1 1-1 100% Cotton Vân điểm 115,00

2 1-2 100% Cotton Vân điểm 138,95

3 1-4 100% Cotton Jacquard 122,20

4 2-1 Pe/Co 65/35 Vân điểm 98,45

5 2-2 Pe/Co 85/15 Vân điểm 96,30

6 2-3 Pe/Co 83/17 Vân chéo 2/2 106,68

7 3-1 100% PES Vân điểm 108,47

8 3-2 100% PES Jacquard 135,20

9 1-5 100% Cotton Vân điểm 89,11

10 1-7 100% Cotton Vân điểm 107,10

11 2-4 Pe/Co 60/40 Vân điểm 107,98

12 2-6 Pe/Co 67/33 Vân điểm 160,30

13 2-5 Pe/Co 65/35 Vân điểm 110,16

14 1-11 100% Cotton Vân điểm 144,08

15 1-3 100%Cotton Vân điểm 164,00

16 2-9 Pe/Co 85/15 Vân điểm 103,97

17 1-9 100%Cotton Vân điểm 113,65

18 1-8 100%Cotton Vân chéo 2/2 142,98

19 2-7 Pe/Co 65/35 Vân điểm 116,72

20 2-8 Pe/Co 43/57 Vân chéo 2/2 122,21

21 1-6 Pe/Co 45/55 Vân chéo 2/2 124,50

22 1-10 100%Cotton Vân chéo 2/2 137,69

Các vải thuộc nhóm 1 và nhóm 2 thường được sử dụng phổ biến để may sơ mi, loại sản phẩm này có yêu cầu rất cao về độ phẳng phiu của đường may, và có khả năng tiêu thụ với số lượng rất lớn trên thị trường, các vải này cũng được sử dụng rộng rãi để may các sản phẩm may mặc khác Vải nhóm 3, 4 chủ yếu được sử dụng để may quần

áo dành cho phụ nữ, cũng đòi hỏi cao về chất lượng hình dạng, tính thẩm mỹ của đường may Vải nhóm 4 thường được dùng cho quần váy, các vải lựa chọn là phù hợp với mục tiêu nghiên cứu Thông số kỹ thuật của các vải thực nghiệm được trình bày

trong bảng 2.1

Chỉ may:

Chỉ may các đường may trên mẫu thí nghiệm được lựa chọn sao cho đảm bảo yêu cầu công nghệ và chất lượng đường may về tính chất cơ, lý, hoá Đường kính của chỉ phải nhỏ hơn hoặc bằng độ sâu rãnh kim, để không làm tổn thương chỉ và giảm ma sát giữa kim - chỉ - vải trong quá trình thực hiện đường may, đồng thời chỉ và sợi vải phải điền đầy lỗ kim sau khi may [1] Màu chỉ được lựa chọn cùng màu với màu của vải Căn cứ vào đặc tính kỹ thuật của vải thí nghiệm và cấu trúc đường may, loại chỉ được lựa chọn để tạo các mẫu đường may là chỉ spun polieste (sản phẩm của công ty Coats Total Phong Phú), cïng mµu với màu của v¶i Thông số kỹ thuật của chỉ may sử dụng trong nghiên cứu này được trình bày trong bảng 2.2

Bảng 2.2 Chỉ tiêu kỹ thuật của chỉ thí nghiệm

một lớp vải, theo hướng sợi dọc và ngang Đây là đường may này được sử dụng phổ biến trên các sản phẩm may từ vải dệt thoi Các đường may theo hướng xiên không được khảo sát ở đây do, các đường may thẳng theo hướng sợi dọc và ngang thường nhăn hơn nhiều

so với may theo hướng xiên [2], [5]

Mẫu thí nghiệm được may trên một lớp vải và chế độ công nghệ thích hợp như nhau nhằm loại bỏ sự ảnh hưởng đến nhăn đường may của các yếu tố khác không thuộc nhóm các thông số cấu trúc và đặc trưng cơ học vải như sự trượt giữa hai lớp vải, các thông số công nghệ may, ảnh hưởng của chỉ may cấp độ SS của đường may được đánh giá ở mặt trên của mẫu theo hướng kim đâm qua vải, quá trình đo được thực hiện sau khi may trong phạm vi của đề tài này

2.2 Nội dung và phương pháp nghiên cứu

Nội dung nghiên cứu của đề tài là thiết lập mô hình dự báo nhăn đường may dựa trên các thông số vải Đề tài ứng dụng giải thuật kNN để thiết lập hệ thống dự báo nhăn đường may 301 theo hướng sợi dọc và sợi ngang trên các vải bông, polyester, bông pha polyester, bông pha Spandex có khối lượng nhẹ và trung bình, dựa trên các thông số cấu trúc và cơ học vải

Bài toán đặt ra được giới hạn trong phạm vi đường may 301, là loại đường may được sử dụng phổ biến nhất trên quần áo may bằng các loại vải trên

Các đường may trên vải được may trên máy may 1 kim DDL 5500 (dùng cho vải nhẹ và trung bình), với chế độ công nghệ thích hợp, nhằm loại bỏ sự ảnh hưởng đến nhăn đường may của các yếu tố khác không thuộc nhóm các thông số cấu trúc và đặc trưng cơ học vải Các đường may sử dụng cùng loại chỉ spun polyester có chi số 80/3

Đề tài nhằm thiết lập mô hình dự báo độ nhăn đường may đơn 301 theo hướng sợi dọc

và ngang dựa trên các thông số vải dệt thoi nhẹ và trung bình dệt từ sợi bông, Pe/Co, PES, bông pha Spandex bằng cách ứng dụng giải thuật kNN Hệ thống sẽ cho phép dự báo độ

nhăn trong sản xuất may mặc khi lựa chọn vải nhằm đáp ứng yêu cầu về ngoại quan đường may Các thủ tục để tiến hành dự báo được xác định cụ thể với các giao diện của hệ thống

2.2.1 Ứng dụng giải thuật kNN để dự báo nhăn đường may dựa trên các thông

số vải

2.2.1.1 Cấu trúc hệ thống dự báo nhăn đường may:

Mô hình được thiết lập để dự báo nhăn đường may trên vải bông, Pe/Co, PES, bông pha Spandex khối lượng nhẹ và trung bình Đầu vào của hệ thống là 36 thông số cấu trúc và cơ học vải 2 đầu ra O1 và O2 của mô hình là cấp độ SS của đường may theo hướng sợi dọc và sợi ngang Giải thuật học được áp dụng cho mô hình đã thiết lập là kNN

kNN là giải thuật học lười, một trong những phương pháp học máy thường được áp dụng trong các bài toán dự báo Giải thuật kNN cho phép trì hoãn sự khái quát tập mẫu học cho đến khi gặp mẫu truy vấn trên tập kiểm thử Khi có một mẫu cần phân lớp hoặc dự báo, ta xác định k điểm gần nhất dựa trên các dữ liệu học Khoảng cách từ điểm xác định được tính toán theo các hàm Manhattan, Euclidean, Chebyshev Giải thuật này giả sử rằng mỗi một thể hiện tương ứng với một điểm trong không gian n chiều Rn

Những lân cận gần nhất của một mẫu được xác định bởi một hàm khoảng

cách được thể hiện bởi một vectơ n chiều:

(X1,X2,….Xn), trong đó (Xi R) là một số thực

Với bài toán mà kết quả của hàm mục tiêu là liên tục thường áp dụng cho dự

báo Mỗi mẫu X trong tập mẫu được biểu diễn bởi một véc tơ n chiều (X 1 , X 2, ….X n )

trong đó (Xi R) là một số thực; và kết quả đầu ra là một số thực Y x R Tương tự

như đối với bài toán dự báo, trong pha học, lưu trữ tất cả các phần tử có trong tập

mẫu D = {X} Trong pha kiểm thử, để có thể đưa ra được đầu ra là một số thực cho

một mẫu kiểm thử z, ta thực hiện các bước như sau:

 Với mỗi mẫu x trong tập mẫu học D, tính toán khoảng cách giữa x và z

 Tìm tập các mẫu có trong D có khoảng cách gần nhất với mẫu z NB(z)

k phần tử gần nhất trong tập này được xác định bởi một hàm khoảng cách d

 Dự báo kết quả đầu ra được tính theo công thức:



) (

1

z NB

k y

Trong mô hình thiết kế để dự báo nhăn đường may, hàm Euclidean được sử

i x z w

z x d

1

2

)(

),

Trong đó, wi là trọng số của thuộc tính i

Hàm khoảng cách d có vai trò rất quan trọng trong các hệ học máy sử dụng giải thuật kNN và thường được cố định và không thể thay đổi trong cả pha học và pha kiểm thử

Bốn phương pháp được áp dụng để tìm kiếm bộ trọng số tối ưu cho hệ thống

dự báo nhăn đường may là kNN đơn giản, Greedy Forward Search, Greedy Backward Elimination và Gradient Descent Người sử dụng có thể chọn các tham số

học k và hệ số học α

kNN đơn giản:

Với giải thuật kNN đơn giản, tất cả các trọng số của các thuộc tính đều nhận giá trị bằng 1, nghĩa là coi ảnh hưởng của 36 thông số vải ở đầu vào lên kết quả cấp

độ nhăn dự báo là như nhau

Giải thuật Greedy Forward Selection:

Giải thuật này nằm trong nhóm những giải thuật Features Selection Trong đó, giá trị

trọng số của các thuộc tính là 0 hoặc 1, tức là thuộc tính đó hoặc là được sử dụng cho mô

hình hoặc bị loại bỏ hoàn toàn Giải thuật sử dụng cách tiếp cận wrapper model, tức là sử

dụng hiệu năng của mô hình như là một tham số trong quá trình tìm kiếm bộ tham số tối

ưu Nguyên tắc của thuật toán là lựa chọn lần lượt từng thuộc tính mà làm cho hiệu năng của mô hình tăng lên nhiều nhất

Với T là tập huấn luyện mà mỗi mẫu được biểu diễn bằng một vectơ 36 chiều, V là tập

liệu, S là tập những thuộc tính đã được chọn (khởi tạo là rỗng) thì chi tiết của giải thuật được mô tả như sau:

1 M* là mô hình có hiệu năng tốt nhất hiện tại

2 Với mỗi thuộc tính trong F thì:

2.1 Tạo một tập U = S {f}

2.2 Huấn luyện mô hình M với tập các thuộc tính có trong U 2.3 Dùng V để kiểm nghiệm mô hình M

2.4 Gán M* bằng M nếu mô hình M* có hiệu năng tốt hơn so với M

3 Nếu hiệu năng của mô hình M* không thể tăng được nữa thì dừng lại

4 Thêm những thuộc tính f dùng trong M* vào S và xóa f trong F

5 Nếu F rỗng thì quá trình xử lý dừng lại

6 Quay trở lại bước 1

Hiệu năng của mô hình M khi kiểm thử với V được tính bằng công thức:

V in ins of No

Ei

_ _ _ _



 (2-1) Trong đó, Ei là sai số tương đối khi kiểm thử mẫu thứ i với mô hình M:

(2-2)

Giải thuật Greedy Backward Emilination:

Giải thuật Greedy Backward Emilination cũng nằm trong nhóm các giải thuật features

selection Nguyên tắc của thuật toán này cũng tương tự như giải thuật greedy forward selection nhưng thay vì lựa chọn dần dần từng thuộc tính, thuật toán này loại bỏ dần dần

những thuộc tính sao cho hiệu năng của mô hình được tăng lên nhiều nhất Nếu T là tập huấn luyện mà mỗi mẫu được biểu diễn bằng một vectơ 36 chiều, V là tập các mẫu kiểm thử, F là tập 36 thuộc tính, tương ứng với 36 chiều dùng để biểu diễn dữ liệu và S là tập những thuộc tính sẽ bị xóa (khởi đầu là rỗng) thì chi tiết của giải thuật được mô tả như sau:

1 M* là mô hình có hiệu năng tốt nhất hiện tại

2 Với mỗi thuộc tính trong F thì:

2.1 Tạo một tập U = F S