| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 8.86 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
Considerando o constante esforço em aprimorar a eficiência dos processos industriais,
esta pesquisa direciona o seu foco para a convergência entre Engenharia e Gestão
Industrial e a colorimetria. No âmago deste estudo, ressalta a necessidade premente
de melhorar o processo de afinação de tintas, no qual a capacidade de prever a
proporção ideal de cada base de tinta para alcançar uma tonalidade específica se
configura como um desafio complexo e relevante.
As bases de tinta, essência da palete cromática, oferecem uma gama diversificada
de tonalidades por meio de combinações variadas. O processo de identificar as bases
a integrar na mistura e as suas proporções é uma questão de destaque na colometria,
frequentemente apresentando múltiplas soluções devido à natureza intrincada da cor.
Este estudo adota abordagens sustentáveis de Machine Learning para determi nar fórmulas de tintas a partir de características específicas da cor e acabamento da
tinta, oferecendo uma solução inovadora aos desafios da colorimetria. Simultanea mente, esta pesquisa promove a colaboração entre a Inteligência Artificial e o setor
industrial, melhorando a eficiência em aplicações essenciais.
Assim, o objetivo primordial deste projeto reside em desenvolver, no mínimo, um
modelo de previsão de fórmulas de tinta capaz de alcançar a cor especificada com
base nos parâmetros L, a e b do sistema de cor CIELab.
Esta dissertação adota a metodologia Cross Industry Standard Process for Data
Mining (CRISP-DM) como estrutura orientadora. Por meio da exploração da sua
natureza adaptativa, os algoritmos de Machine Learning demonstram um potencial
substancial para melhorar não só a eficiência, mas também a precisão do processo
de afinação de cores.
Este estudo empreendeu uma análise criteriosa de três distintas abordagens,
com foco na avaliação da consistência e da precisão nas previsões realizadas. A
primeira abordagem pautou-se na modelação clássica das fórmulas de tintas baseada
em algoritmos únicos. No entanto, diferentes modelos destacaram-se na previsão de
distintas bases de tinta e, por isso mesmo, na segunda abordagem, adotou-se uma
estratégia que envolve a combinação dos modelos mais adequados para cada base
com o propósito de melhorar a eficácia global das previsões. Por fim, na terceira
abordagem, dividiu-se o conjunto de dados em clusters, para avaliar a precisão das
previsões das fórmulas de cores, explorando a especialização dos modelos.
Considerando o constante esforço em aprimorar a eficiência dos processos industriais,
esta pesquisa direciona o seu foco para a convergência entre Engenharia e Gestão
Industrial e a colorimetria. No âmago deste estudo, ressalta a necessidade premente
de melhorar o processo de afinação de tintas, no qual a capacidade de prever a
proporção ideal de cada base de tinta para alcançar uma tonalidade específica se
configura como um desafio complexo e relevante.
As bases de tinta, essência da palete cromática, oferecem uma gama diversificada
de tonalidades por meio de combinações variadas. O processo de identificar as bases
a integrar na mistura e as suas proporções é uma questão de destaque na colometria,
frequentemente apresentando múltiplas soluções devido à natureza intrincada da cor.
Este estudo adota abordagens sustentáveis de Machine Learning para determi nar fórmulas de tintas a partir de características específicas da cor e acabamento da
tinta, oferecendo uma solução inovadora aos desafios da colorimetria. Simultanea mente, esta pesquisa promove a colaboração entre a Inteligência Artificial e o setor
industrial, melhorando a eficiência em aplicações essenciais.
Assim, o objetivo primordial deste projeto reside em desenvolver, no mínimo, um
modelo de previsão de fórmulas de tinta capaz de alcançar a cor especificada com
base nos parâmetros L, a e b do sistema de cor CIELab.
Esta dissertação adota a metodologia Cross Industry Standard Process for Data
Mining (CRISP-DM) como estrutura orientadora. Por meio da exploração da sua
natureza adaptativa, os algoritmos de Machine Learning demonstram um potencial
substancial para melhorar não só a eficiência, mas também a precisão do processo
de afinação de cores.
Este estudo empreendeu uma análise criteriosa de três distintas abordagens,
com foco na avaliação da consistência e da precisão nas previsões realizadas. A
primeira abordagem pautou-se na modelação clássica das fórmulas de tintas baseada
em algoritmos únicos. No entanto, diferentes modelos destacaram-se na previsão de
distintas bases de tinta e, por isso mesmo, na segunda abordagem, adotou-se uma
estratégia que envolve a combinação dos modelos mais adequados para cada base
com o propósito de melhorar a eficácia global das previsões. Por fim, na terceira
abordagem, dividiu-se o conjunto de dados em clusters, para avaliar a precisão das
previsões das fórmulas de cores, explorando a especialização dos modelos.
Considerando o constante esforço em aprimorar a eficiência dos processos industriais,
esta pesquisa direciona o seu foco para a convergência entre Engenharia e Gestão
Industrial e a colorimetria. No âmago deste estudo, ressalta a necessidade premente
de melhorar o processo de afinação de tintas, no qual a capacidade de prever a
proporção ideal de cada base de tinta para alcançar uma tonalidade específica se
configura como um desafio complexo e relevante.
As bases de tinta, essência da palete cromática, oferecem uma gama diversificada
de tonalidades por meio de combinações variadas. O processo de identificar as bases
a integrar na mistura e as suas proporções é uma questão de destaque na colometria,
frequentemente apresentando múltiplas soluções devido à natureza intrincada da cor.
Este estudo adota abordagens sustentáveis de Machine Learning para determi nar fórmulas de tintas a partir de características específicas da cor e acabamento da
tinta, oferecendo uma solução inovadora aos desafios da colorimetria. Simultanea mente, esta pesquisa promove a colaboração entre a Inteligência Artificial e o setor
industrial, melhorando a eficiência em aplicações essenciais.
Assim, o objetivo primordial deste projeto reside em desenvolver, no mínimo, um
modelo de previsão de fórmulas de tinta capaz de alcançar a cor especificada com
base nos parâmetros L, a e b do sistema de cor CIELab.
Esta dissertação adota a metodologia Cross Industry Standard Process for Data
Mining (CRISP-DM) como estrutura orientadora. Por meio da exploração da sua
natureza adaptativa, os algoritmos de Machine Learning demonstram um potencial
substancial para melhorar não só a eficiência, mas também a precisão do processo
de afinação de cores.
Este estudo empreendeu uma análise criteriosa de três distintas abordagens,
com foco na avaliação da consistência e da precisão nas previsões realizadas. A
primeira abordagem pautou-se na modelação clássica das fórmulas de tintas baseada
em algoritmos únicos. No entanto, diferentes modelos destacaram-se na previsão de
distintas bases de tinta e, por isso mesmo, na segunda abordagem, adotou-se uma
estratégia que envolve a combinação dos modelos mais adequados para cada base
com o propósito de melhorar a eficácia global das previsões. Por fim, na terceira
abordagem, dividiu-se o conjunto de dados em clusters, para avaliar a precisão das
previsões das fórmulas de cores, explorando a especialização dos modelos.
Entre os algoritmos avaliados, o Artificial Neural Network with a pre-trained
Decoder (ANND) da primeira abordagem, apoiado na técnica de Transfer Learning,
destacou-se como o mais promissor. Este demonstrou um desempenho superior
tanto em termos de Erro Absoluto Médio (MAE) quanto de Raiz do Erro Quadrático
Médio (RMSE), sobressaindo-se particularmente na previsão das bases de tinta mais
complexas.
Adicionalmente, ao realizar uma análise individual para cada cluster, destacaram se diferenças notáveis, onde cores mais claras mostraram-se mais facilmente modela das, enquanto cores mais escuras apresentaram uma maior complexidade. Portanto,
ao lidar com cores mais claras, a escolha de um modelo específico pode ser uma
estratégia mais eficaz. Foram ainda realizados testes experimentais, em ambiente
empresarial, que reforçaram a aplicabilidade deste estudo, evidenciando o seu po tencial ao formular tintas conforme as especificações de cor e acabamento desejadas.
Esta dissertação, além de enriquecer o conhecimento na área de pesquisa, destaca
inequivocamente o potencial das abordagens de Machine Learning na afinação de
tintas. Assim, deixa uma contribuição importante na esfera da formulação de tintas,
destacando a importância da análise de dados e da modelação como meios eficazes
de enfrentar os desafios perenes desta indústria em constante evolução.
Considering the ongoing effort to enhance industrial processes’ efficiency, this re search focuses on the convergence between Industrial Engineering and Management and colorimetry. At the heart of this study lies the pressing need to improve the paint formulation process, where the ability to predict the ideal proportion of each ink base to achieve a specific shade is a complex and relevant challenge. Ink bases, the essence of the color palette, offer a diverse range of shades through various combinations. The process of identifying the bases to integrate into the mixture and their proportions is a prominent issue in colorimetry, often presenting multiple solutions due to the intricate nature of color. This study adopts sustainable Machine Learning approaches to determine paint formulas based on specific color and finish characteristics, offering an innovative solution to colorimetry challenges. Simultaneously, this research promotes collabo ration between Artificial Intelligence and the industrial sector, enhancing efficiency in essential applications. Thus, the primary objective of this project is to develop, at least, one paint for mula prediction model capable of achieving the specified color based on the CIELab color system’s L, a, and b parameters. This dissertation adopts the Cross-Industry Standard Process for Data Mining (CRISP-DM) methodology as a guiding framework. Through the exploration of its adaptive nature, Machine Learning algorithms demonstrate substantial potential to improve the efficiency and accuracy of the color tuning process. This study undertook a thorough analysis of three distinct approaches, focusing on evaluating consistency and precision in predictions. The first approach relied on classic modeling of paint formulas, based on single algorithms. However, different models excelled in predicting different ink bases, leading to the adoption of a strategy in the second approach that involved combining the most suitable models for each base to enhance overall prediction effectiveness. Finally, in the third approach, the dataset was divided into clusters to assess the accuracy of color formula predictions, exploring model specialization. As the most promising method, the Artificial Neural Network with a pre-trained Decoder (ANND) from the first approach, based on Transfer Learning, demonstrated superior performance in terms of both Mean Absolute Error (MAE) and Root Mean.Square Error (RMSE), particularly excelling in predicting the most challenging ink bases. Additionally, through individual analysis for each cluster, notable differences emerged, with lighter colors proving easier to model, while darker colors exhibited greater complexity. Therefore, when dealing with lighter colors, selecting a specific model may be a more effective strategy. Furthermore, experimental tests were conducted in a business environment, fur ther confirming the applicability of this study and highlighting its potential in for mulating paints according to desired color and finish specifications. In addition to enriching knowledge in the research field, this dissertation un equivocally emphasizes the potential of Machine Learning approaches in paint for mulation. Thus, it makes a significant contribution to the ink tuning sphere, under scoring the importance of data analysis and modeling as effective means to address the ongoing challenges in this ever-evolving industry.
Considering the ongoing effort to enhance industrial processes’ efficiency, this re search focuses on the convergence between Industrial Engineering and Management and colorimetry. At the heart of this study lies the pressing need to improve the paint formulation process, where the ability to predict the ideal proportion of each ink base to achieve a specific shade is a complex and relevant challenge. Ink bases, the essence of the color palette, offer a diverse range of shades through various combinations. The process of identifying the bases to integrate into the mixture and their proportions is a prominent issue in colorimetry, often presenting multiple solutions due to the intricate nature of color. This study adopts sustainable Machine Learning approaches to determine paint formulas based on specific color and finish characteristics, offering an innovative solution to colorimetry challenges. Simultaneously, this research promotes collabo ration between Artificial Intelligence and the industrial sector, enhancing efficiency in essential applications. Thus, the primary objective of this project is to develop, at least, one paint for mula prediction model capable of achieving the specified color based on the CIELab color system’s L, a, and b parameters. This dissertation adopts the Cross-Industry Standard Process for Data Mining (CRISP-DM) methodology as a guiding framework. Through the exploration of its adaptive nature, Machine Learning algorithms demonstrate substantial potential to improve the efficiency and accuracy of the color tuning process. This study undertook a thorough analysis of three distinct approaches, focusing on evaluating consistency and precision in predictions. The first approach relied on classic modeling of paint formulas, based on single algorithms. However, different models excelled in predicting different ink bases, leading to the adoption of a strategy in the second approach that involved combining the most suitable models for each base to enhance overall prediction effectiveness. Finally, in the third approach, the dataset was divided into clusters to assess the accuracy of color formula predictions, exploring model specialization. As the most promising method, the Artificial Neural Network with a pre-trained Decoder (ANND) from the first approach, based on Transfer Learning, demonstrated superior performance in terms of both Mean Absolute Error (MAE) and Root Mean.Square Error (RMSE), particularly excelling in predicting the most challenging ink bases. Additionally, through individual analysis for each cluster, notable differences emerged, with lighter colors proving easier to model, while darker colors exhibited greater complexity. Therefore, when dealing with lighter colors, selecting a specific model may be a more effective strategy. Furthermore, experimental tests were conducted in a business environment, fur ther confirming the applicability of this study and highlighting its potential in for mulating paints according to desired color and finish specifications. In addition to enriching knowledge in the research field, this dissertation un equivocally emphasizes the potential of Machine Learning approaches in paint for mulation. Thus, it makes a significant contribution to the ink tuning sphere, under scoring the importance of data analysis and modeling as effective means to address the ongoing challenges in this ever-evolving industry.
Description
Keywords
Ink Tuning Color Space CIELab Machine Learning Multi-Target Regression Clustering Ensemble Learning