AI預測天然染料在絲綢上的最佳染色工藝與色牢度研究

摘要：隨著環境問題的日益嚴峻，為了提高實驗效率、節約成本，推動可持續發展戰略在染料與紡織品領域的應用，文章首先對天然染料染色的數據進行了收集與預處理，然后采用Xgboost集成學習算法構建AI模型并進行了模型訓練與驗證，評估了模型的有效性和預測精度。該模型實現了天然染料在絲綢上染色工藝與效果的高效模擬與預測，從而顯著縮短了實驗時間并降低了資源損耗。這一方法提高了研究效率和經濟效益。研究表明，該模型在預測反應最佳酸堿度（pH值）、水洗色牢度（CFW）和摩擦色牢度（CFR）方面具有較高的準確率，在驗證集中三者的預測準確率高達94.12%、93.75%、100%，在真實的測試集上分別擁有87.50%、94.12%、82.35%的準確率，同時具備有效性與可遷移性。集成學習的方法通過極小的部署成本和極短的耗時為天然染料染色性能的探索給出了極具價值的指導，也為AI機器學習與紡織染色的學科的交叉應用拓展了可能性。

關鍵詞：AI預測；Xgboost；天然染料；絲綢；色牢度

中圖分類號：TS141.8

文獻標志碼：A

文章編號：10017003（2025）01004009

DOI：10.3969 j.issn.1001-7003.2025.01.005

基金項目：廣西教育科學“十四五”規劃專項項目（2023ZJY1805）

作者簡介：劉瑩（1990），女，副教授，博士，主要從事可持續時尚設計、視覺傳達設計的研究。

絲綢作為一種擁有數千年歷史的紡織品，已成為國際公認的中國特有的文化符號之一［1］。絲綢以其良好的吸濕性、柔軟的手感、華麗的外觀及優雅的光澤等性能，深受消費者青睞［2］，在服裝、家居裝飾等領域具有廣泛的應用。隨著環保和健康理念的不斷深入人心，越來越多的消費者傾向于以“環境友好”的方式進行綠色消費［3］。天然植物染料因其無毒、無害、與環境友好、生物降解性良好等特性［4］，開始受到行業內外的廣泛關注。然而，天然植物染料的染色性能和功能化效果受多種因素影響，導致其在應用中面臨諸多挑戰。

近年來隨著深度學習等技術的突破，人工智能（AI）在數學、物理學、化學、生物學、材料學、制藥等自然科學和高技術領域的研究中得到了廣泛應用［5］。而紡織品染色領域還未涉及，由于機器學習在復雜問題建模和高維數據挖掘方面具有顯著優勢［6］，因此，本研究利用Xgboost算法構建AI模型，模擬天然染料對絲綢紡織品的功能化過程，旨在優化染色工藝、縮短新品開發周期，以填補研究空白，并推動行業的綠色、可持續發展。通過引入AI技術，可以模擬預測出精準的數值、促進高效的生產，降低資源浪費和環境污染，為染料與紡織品行業的可持續發展注入新的活力。同時，這也將為消費者帶來更多高品質、環保健康的絲綢產品，滿足人們對美好生活的追求。通過本研究，以期為絲綢等紡織品行業帶來一個更加綠色、環保、可持續的未來。

1 研究方法

1.1 數據來源與預處理

本研究使用的天然染料最佳反應條件（在無媒染劑條件下K S值最高）和染色性能（水洗色牢度與摩擦色牢度）數據均來源于已發表的文獻和實驗報告。同時，采用手工提取與自動化腳本相結合的方式，對數據進行了高效的提取，并對提取后的數據集進行了2次以上的校對。在收集的超過350篇文獻中，具有具體和完整數據的文獻達到146篇，包括最新的天然染料實驗數據及中文期刊中最具有影響力的研究。其中最完整的應當是59篇對絲綢織物染色的實驗數據，詳細記錄了不同反應溫度、環境酸堿度、M∶L比值與反應時長下各天然染料的染色結果，這部分數據也成為本研究構建集成學習模型所使用的數據。

由于不可能每篇文獻都對某一天然染料的化學組分、反應環境酸堿度、反應溫度、反應時間及色素浸提比進行研究，同時也有部分文獻缺少最終色牢度與抗紫外能力的具體數據，因此在數據分析之前，首先需要對數據進行預處理，主要包括：

1）數據清洗：刪除重復、錯誤或不完整的數據條目，確保數據的準確性和一致性。

2）數據標準化：對數值型數據（尤其是pH值和色素浸提比）進行標準化處理，消除不同文獻的數據之間的量綱和格式差異，以求達到標準統一。

3）數據預處理通常根據數據的分布和特征，對缺失數據采用插值、回歸等方法進行合理填充。本研究沒有這么做，是因為天然染料K S值最高時的反應條件和染色結果數據具有顯著的不規律性和不確定性，無法通過算法進行插值。同時，在實驗過程中發現每一個數值都對算法的擬合結果具有顯著的影響。因此，本研究擇直接剔除實驗結果有缺失或者不精確的樣本，只輸入最原始最準確的數據。

1.2 數據分析與算法構建

1.2.1 數據分析

根據大量的文獻數據，在相似的反應條件下不同的物質也可能表現出差異較大的染色結果，最終起到決定性作用的仍是染料種類與組分本身。因此，本研究認為應該根據不同的天然染料類型與組分進行數據劃分，讓集成學習算法能夠針對不同的染料組分推測出合理的結果。

本研究保留了“天然染料種類”作為最重要的輸入自變量。但通過數學邏輯可知，一個不具備先驗知識的算法模型，僅憑輸入染料的名稱，是無法全面理解染料與絲綢之間復雜相互作用的。雖然算法并不知道茶葉與樹葉染色的差異，但是可以將染料名稱映射成化學組分，這樣茶葉和樹葉的差異就被映射成了多酚與葉綠素的差異，自變量與因變量之間的關系就具有了底層的數學邏輯性。

根據前述邏輯，本研究創新性地進行了“文本數據”的組分映射，將類似“紅茶色素”“茶多酚”“茶水”等文本映射為由組分百分比構成的一維數組，如［0，0，0，5，0，95］代表該化學物質大概由0%的葉綠素、0%的葉黃素等類胡蘿卜素、0%的花青素或花色苷、5%的黃酮類物質、0%的單寧及95%的原花青素等其他多酚類物質構成。這個成分劃分標注是在參考了Shen等［7］發表的綜述文章與Bhandari的酚類化合物特別是類黃酮和單寧的主要職責是賦予織物顏色的觀點［8］的基礎上，由本研究首次提出的。

本研究根據對收集的59條實驗數據（完整的對絲綢染色的數據）進行歸類與分析后（圖1），再參考上述文獻，將常見天然染料著色成分劃分為葉綠素、葉黃素及其他類胡蘿卜素、花青素、單寧、其他黃酮類，以及其他多酚類六類，能基本囊括國內外文獻中常見天然染料著色的有效成分。

部分化學成分數據如表1所示。

1.2.2 數據集構建

本研究篩選后的天然染料組分比例、反應條件及色牢度等數據整合為數據集，并以ND-Dataset（Natural Dyes Dataset）的名稱公開發布，供各類機器學習算法進行訓練和測試。

數據集分為訓練集、驗證集與測試集3個部分。將從文獻獲取到的146條實驗數據中59條有效的（統一在絲綢上染色，且數據完整可靠）數據按照6∶2∶2的比例劃分為35條訓練集數據、12條驗證集數據與12條測試集數據，分別用于模型訓練學習階段的輸入、模型調整過程中的驗證及訓練完畢后的測試。這是由于使用模型沒有學習過的數據作為測試集，可以模擬訓練完成的模型在真實數據中的預測效果，防止模型對訓練集產生過擬合，保證了模型的泛化能力與可遷移性。

由于數據量較少的情況下，在實驗中本研究采用了K-折交叉驗證的技術。這種方法將數據集分成K個子集，每次留出一個子集作為驗證集，其余（K-1）個子集組合成訓練集。這個過程重復K次，每個子集都有機會作為驗證集，以此更穩定和可靠地估計模型性能。本研究實際實驗過程中K=4，對47條數據（訓練集和驗證集）選用了4折交叉驗證的方法。

1.2.3 算法選擇

在與XGBoost、CNN、KNN、貝葉斯、隨機森林等算法的比較中，本研究最終選擇了XGBoost的集成學習算法。在機器學習中的各類有監督學習算法中，集成學習在各個規模的數據集上都有很好的策略。這是因為集成學習組合了多個弱監督模型以期得到一個更好更全面的強監督模型，潛在的思想是即便某一個弱分類器得到了錯誤的預測，其他的弱分類器也可以將錯誤糾正回來。對于結構化的、序列化的數據，XGBoost則是集成學習的算法當中擁有最出色的擬合能力和規律總結能力的算法之一，在各大算法競賽上頻獲佳績。同時，針對輕量級和快速預測的需求，XGBoost也能夠通過極小的部署成本與極快的推理速度解決。

針對一個訓練集，XGBoost首先使用決策樹訓練得到一個模型，這樣針對每個樣本都會產生一個偏差值。然后將樣本偏差值作為新的訓練集，繼續使用決策樹訓練得到一個新模型；以此重復，直至達到某個退出條件為止。因此與隨機森林算法不同，隨機森林算法的核心特點是降低方差，而XGBoost算法的特點是降低偏差（圖2）。

由圖2可見，最終的XGBoost模型就是將上述所有模型進行加和。 假設一共有M棵決策樹，即共需迭代M次，每個決策樹模型的輸出被定義為fi。那么XGBoost模型的最終輸出 yi為：

yi=∑Mi=1fi（xi）（1）

若當前迭代到第m次，則當前輸出為：

y（m）i=∑mi=1fi（xi）=y（m-1）i+fm（xm）（2）

式中：y（m-1）i為上一輪迭代的輸出結果， fm（xm）為當前輪次生成的決策樹模型輸出。

損失函數方面，本研究為XGBoost算法訓練選擇了對數損失（Log Loss）函數，即邏輯損失或交叉熵損失（Cross-Entropy Loss）函數。

在統計學中，期望值是對隨機變量可能取值的加權平均，每個取值的權重是它發生的概率，代表了該隨機變量的平均預期結果。如果每種情況下的編碼長度與它的概率相乘，就可以得到編碼長度的數學期望。編碼長度的期望值，在信息論中即信息熵（Entropy）。

在本質上，對數損失其實求得也是一種熵，用于求編碼長度的概率。對于其中N個樣本數量，yi是第i個樣本的真實標簽（0或1），yi是第i個樣本的預測概率值。來自于模型的實際輸出yi，取值介于0～1，它對應的編碼長度記做log1yi，但評價這個編碼長度的權值，卻來自于真實概率yi，故稱為交叉熵。

yi是真實標簽，取值為0或1，如果將這樣的標簽當作概率，它們可以理解為0%和100%，其編碼長度期望（即每個樣本的交叉熵）如下式描述：

Cross-entropyforthei-thsample=

yilog1yi=-yilog（yi）

（1-yi）log11-yi=-（1-yi）log（1-yi）（3）

因此對于N個樣本的交叉熵進行加權，得到Log Loss的公式描述如下：

Log Loss=-1N∑Ni=1［yilog（yi）+（1-yi）log（1-yi）］（4）

作為一種用于二分類或多分類問題的損失函數，Log Loss不僅考慮了模型的預測準確度，還考慮了預測概率。這有助于了解模型的不確定性，同時可微分的特性適用于梯度下降等訓練過程中的優化算法。

1.2.4 模型構建

利用Python的Xgboost庫構建三個獨立的模型，分別用于預測最佳反應酸堿度（pH值）、水洗色牢度（CFW）和摩擦色牢度（CFR）。

在模型訓練的過程中，本研究仔細調整了Xgboost的各項參數，如學習率、樹深度等，以優化模型的性能。訓練過程中，學習率為0.03，樹最大深度為8層，多分類數量為7類（pH值0～6+共七類，色牢度3、3～4、4、4～5、5+共五類，取兩者最大值）。模型的其他超參數方面，本研究將”objective”參數類型設置為”multi：softmax”，以利用Softmax算子將多分類的預測輸出值轉換為范圍在［0， 1］和為1的概率分布。同時將”n_estimators”參數設為500，這為整個AI模型提供500次的迭代與500棵決策樹的集成，充分的迭代與決策樹數量為模型的擬合能力提供了保障，如圖3所示。

1.3 模型訓練與驗證

使用訓練集對Xgboost模型進行訓練。在訓練過程中，通過迭代優化算法不斷更新模型的參數，以提高模型的預測精度。同時，通過交叉驗證（如5折交叉驗證）來評估模型的穩定性和泛化能力。

由于文獻中實驗用物料的差異，即使是同一組分的天然染料測出來的最佳染色溫度和酸堿度都有偏差，再加上溶液的浸提比和溶劑的不同，最終染色的結果會有一定的波動。因此，這個模型理論上因變量（色牢與抗紫外）是由非常多自變量（化學組分、溫度、pH值、色素、溶劑甚至催化劑等）影響的，每個自變量又具有波動，互相之間形成噪聲干擾，在100條數據內幾乎是毫無規律的一片混沌。于是本研究通過簡化輸入，減少指定個數的自變量，探究各個自變量與因變量之間的相關性。最終發現影響程度最大的是天然染料的化學組分，這也非常合乎事實邏輯，所以在訓練前對數據進行了重新整理和清洗再輸出。最后，重復進行模型訓練和驗證過程，直至滿意的模型性能為止。每次迭代會根據前一次迭代的驗證結果對模型進行調整和優化，以提高模型的性能。

2 結果與分析

2.1 數據預處理結果

本研究在相關性分析的過程中選取了Correl函數對任一因變量（數組X）與自變量（數組Y）進行相關系數的計算：

Correl（X，Y）=∑（x-x）（y-y）∑（x-x）2∑（y-y）2（5）

若結果越接近+1或-1則表示該因素和最終染色結果直接具有越強烈的正或負相關，然而在參與分析的15組樣本（國內最新、最全面的15組文獻數據）中，反應溫度與水洗色牢度的相關系數低至-0.27，反應酸堿度（pH值）與水洗色牢度的相關系數更是低至0.006 9，與0接近，幾乎無相關性可言。其他因變量的相關性系數同樣不容樂觀，如表2所示。

唯一與色牢度正相關較強的反應時間也只是順應了長時間反應通常能提供更高色牢度的普遍規律。因此得出結論，針對不同的天然染料物質，反應環境酸堿度、反應溫度、反應時間及色素浸提比并不能對最終染色的結果起到決定性的作用，在同一反應條件下不同的物質往往表現出差異較大的染色結果。因此，最終本研究認為應該根據不同的天然染料類

型與組分進行數據劃分，讓AI模型能夠針對不同的染料組分推測合理的結果。

2.2 模型訓練結果

整個模型通過三個子模型，使用Xgboost的集成決策樹分別對天然染料化學組分與反應最佳酸堿度pH值、水洗色牢度（CFW）值與摩擦色牢度（CFR）值之間的關系進行了學習和擬合，如圖4所示。

整個算法的輸入是天然染料的化學組分，用戶可以通過輸入染料的名字找到數據庫里的組分，也可以根據用戶已知的組分數據手動自定義，如圖5所示。

最終三者在測試集上的準確率分別為94.12%、93.75%、100%（圖6），模型預測混淆矩陣如圖7所示；對數損失函數（Log Loss）分別為0.818 19、0.216 12、0.164 17；可移植（C語言版本）模型文件總體量小至815 kB；總訓練時長總和低至3.12 s，對某一染料進行預測推理時間低至52 ms。

這說明本實驗通過極小的模型體量與極其迅速的推理速度完成了對天然染料化學組分染色效果的精準預測，利用極少的時間和存儲成本為后續的大規模染色實驗提供了可靠指導。

經過對天然染料化學組分數據的深入分析和Xgboost算法的精心訓練，本研究分別通過組分推理預測出反應最佳酸堿度pH值、水洗色牢度（CFW）值與摩擦色牢度（CFR）值，如表3所示。

2.3 預測結果與實際比較

經過對天然染料化學組分數據的細致處理和Xgboost算法的精確訓練，本研究得到了三個預測模型的結果。令人鼓舞的是，這些預測結果與實際觀測值之間的差異并不顯著，對于本研究收集的34條文獻數據，模型對最優酸堿度環境的預測準確率為87.50%，對水洗色牢度的預測準確率高達9412%，對于摩擦色牢度的預測準確率則達到82.35%。這表明了針對天然染料，本研究使用組分比例進行映射建模并使用集成學習方法進行訓練取得了顯著的學習結果與擬合吻合度。

更值得一提的是，對于文獻中并沒有完成或沒有給出的實驗結果（即缺失的數據），AI模型給出了合理的推測。這是訓練學習完成后的合理預測，體現了模型的良好的預測能力及對訓練集中不包含的數據表現出的泛化能力與可遷移性，為未來面對更多樣的數據能夠給出合理可靠、魯棒穩定的結果提供了保證。

經過對天然染料化學組分數據的深入分析及Xgboost預測模型的訓練與驗證，本研究得到了關于反應最佳酸堿度（pH值）、水洗色牢度（CFW）和摩擦色牢度（CFR）的預測結果。在驗證集上分別獲得了高達94.12%、93.75%、100%的準確率，在真實的測試集中獲得了87.5%、94.12%、82.35%的準確率，取得了預測值與實驗值高度一致的結果。

3 結 論

本研究通過運用Xgboost集成學習算法，成功構建了預測天然染料在絲綢上染色效果的模型。模型針對反應最佳酸堿度（pH值）、水洗色牢（CFW）和摩擦色牢（CFR）進行了預測，在驗證集上獲得了高達94.12%、93.75%、100%的準確率，在真實的測試集上分別擁有87.50%、94.12%、82.35%的準確率，取得了預測值與實驗值高度一致的結果。同時，該模型具有泛化能力強、魯棒性高、輕量級與推理速度快的特點。最終僅占用815 kB的存儲空間即可在52 ms的極短時間內給出對某一天然染料染色實驗效果的合理預測，該模型可無須任何部署成本在任意設備上運行。這一結果大大減少了后續實驗的重復工作量，為新品類天然染料的可持續探究和嘗試給出了可靠的方向和快速有效的指導。

參考文獻：

［1］孫菊劍. 基于顧客價值的絲綢品牌文化營銷研究［D］. 蘇州： 蘇州大學， 2016.

SUN J J. Research on Cultural Marketing of Silk Brand Based on Customer Value［D］. Suzhou： Soochow University， 2016.

［2］張慶華， 王琛， 王梅. 蠶絲纖維及其制品改性的最新研究進展［J］. 絲綢， 2012， 49（5）： 16-20.

ZHANG Q H， WANG C， WANG M. Progress of the latest research on modifcation of silk fiber and its products［J］. Journal of Silk， 2012， 49（5）： 16-20.

［3］于偉. 消費者綠色消費行為形成機理分析：基于群體壓力和環境認知的視角［J］. 消費經濟， 2009， 25（4）： 75-77.

YU W. Analysis of the formation mechanism of consumer green consumption behavior： From the perspective of group pressure and environmental cognition ［J］. Consumer Economics， 2009， 25（4）： 75-77.

［4］張弛， 崔永珠. 國內外天然植物染料的應用及發展現狀［J］. 針織工業， 2009（1）： 75-78.

ZHANG C， CUI Y Z. Application and development status of natural plant dyes at home and abroad［J］. Knitting Industries， 2009 （1）： 75-78.

［5］陳云霽， 郭崎. AI for Technology： 技術智能在高技術領域的應用實踐與未來展望［J］. 中國科學院院刊， 2024， 39（1）： 34-40.

CHEN Y J， GUO Q. Al for Technology： Applied practices and future perspectives of technological intelligence in high tech areas［J］. Bulletin of Chinese Academy of Sciences， 2024， 39 （1）： 34-40.

［6］李香伶， 陳奉獻， 陳希娟. 基于XGBoost模型的土壤中阿特拉津降解預測［J］. 應用生態學報， 2024， 35（3）： 789-796.

LI X L， CHEN F X， CHEN X J. Plediction of atrazine degradation in soil based on XGBoost model［J］. Chinese Journal of Applied Ecology， 2024， 35（3）： 789-796.

［7］SHEN N， REN J N， LIU Y X， et al. Natural edible pigments： A comprehensive review of resource， chemical classification， biosynthesis pathway， separated methods and application［J］. Food Chemistry， 2023（403）： 134422.

［8］BHANDARI N， SHRESTHA S， BHANDARI G， et al. Extraction of dye from castanopsis indica for its use in textile dyeing and medicinal purpose withnatural mordant［J］. Egyptian Journal of Chemistry， 2021， 64（11）： 6681-6690.

［9］WANG W W， LE T， YU L T， et al. Effects of key components on the antioxidant activity of black tea［J］. Foods， 2023，12（16）： 3134.

［10］WANG J L， YAO J， LIU J M， et al. Chemical constituents from barks of Quercus mongolica［J］. Chinese Traditional and Herbal Drugs， 2014， 45（21）： 3062-3066.

［11］JIA Y M， LIU B， CHENG D H， et al. Dyeing characteristics and functionability of tussah silk fabric with oak bark extract［J］. Textile Research Journal， 2017， 87（15）： 1806-1817.

［12］SHUKLA D， VANKAR P S. Natural dyeing with black carrot： New source for newer shades on silk［J］. Journal of Natural Fibers， 2013， 10（3）： 207-218.

［13］ALI S， NISAR N， HUSSAIN T. Dyeing properties of natural dyes extracted from eucalyptus［J］. The Journal of the Textile Institute， 2007， 98（6）： 559-562.

［14］杜春霖， 賈艷梅. 紅茶色素對絲綢的抗紫外線功能化染色［J］. 蠶業科學， 2023， 49（3）： 283-288.

DU C L， JIA Y M. Anti-ultraviolet functional dyeing of silk with black tea pigment［J］. Acta Sericologica Sinica， 2023， 49（3）： 283-288.

［15］陳文麗， 蔣海華， 汪媛， 等. 茶樹果殼染料在真絲織物上的染色性能［J］. 印染， 2012， 38（17）： 8-11.

CHEN W L， JIANG H H， WANG Y， et al. Dyeing behaviors of natural dyestuffs from tea nutshell on silk fabric［J］. China Dyeing amp; Finishing， 2012， 38（17）： 8-11.

［16］董超萍， 董杰， 梅林， 等. 冬青葉色素的提取及其在真絲染色中的應用［J］. 印染， 2015， 41（7）： 37-40.

DONG C P， DONG J， MEI L， et al. Extraction of natural dyes from holly leaves and its application to silk dyeing［J］. China Dyeing amp; Finishing， 2015，41（7）： 37-40.

［17］陳美云， 袁德宏， 張玉萍. 荷葉天然染料的提取及用于真絲綢染色［J］. 絲綢， 2012， 49（7）： 19-24.

CHEN M Y， YUAN D H， ZHANG Y P. Extraction of natural dlye from lotus leaves and its application to dyeing of silk［J］. Journal of Silk， 2012， 49（7）： 19-24.

［18］趙航， 任燕， 洪寶嘉. 黑枸杞色素的制備及真絲染色［J］. 印染， 2019， 45（10）： 7-11.

ZHAO H， REN Y， HONG B J. Preparation of black wolfberry colourant and its dyeing performance on silk［J］. China Dyeing amp; Finishing， 2019， 45 （10）： 7-11.

［19］賈艷梅， 郝旭， 趙龍. 黑米花青素對絲綢的染色及其抗紫外線性能［J］. 現代紡織技術， 2022， 30（3）： 174-178.

JIA Y M， HAO X， ZHAO L. Dyeing behavior and anti-ultraviolet property of silk fabric dyed with black rice anthocyanin［J］. Advanced Textile Technology， 2022， 30（3）： 174-178.

［20］徐靜， 張梅， 張玉. 紅莧菜色素的提取及真絲染色［J］. 印染， 2017， 43（20）： 1-6.

XU J， ZHANG M， ZHANG Y. Extraction of colorant from amaranthus paniculatus and dyeing performance on silk fabric［J］. China Dyeing amp; Finishing， 2017， 43 （20）： 1-6.

［21］徐靜， 王鑫. 金盞花色素的提取及其對真絲染色性能的研究［J］. 上海紡織科技， 2018， 46（1）： 28-31.

XU J， WANG X. Extraction of marigold pigment and its dyeing property to silk［J］. Shanghai Textile Science amp; Technology， 2018， 46（1）： 28-31.

［22］彭文芳， 黃美瑜. 咖啡渣提取液對蠶絲織物的超聲染色研究［J］. 絲綢， 2020， 57（8）： 19-22.

PENG W F， HUANG M Y. Study on ultrasonic dyeing of silk fabric with coffee ground extract［J］. Journal of Silk， 2020， 57（8）： 19-22.

［23］朱莉娜， 張梅. 菱角殼色素的提取及其對真絲染色的工藝研究［J］. 印染助劑， 2016， 33（2）： 38-40.

ZHU L N， ZHANG M. Extraction of natural dye from water chestnut and its dyeing on silk fabric［J］. Textile Auxiliaries， 2016， 33 （2）： 38-40.

［24］徐靜， 陳曉娜. 玫瑰茄色素提取及對真絲染色性能研究［J］. 印染助劑， 2018， 35（9）： 29-32.

XU J， CHEN X N. Extraction of rose eggplant pigment and its dyeing property to silk［J］. Textile Auxiliaries， 2018， 35（9）： 29-32.

［25］陳夢吉， 曹天天， 張俊， 等. 葡萄籽對于真絲織物的染色工藝研究［J］. 江蘇絲綢， 2022（1）： 7-10.

CHEN M J， CAO T T， ZHANG J， et al. Study on the dyeing process of grape seeds on silk fabrics［J］. Jiangsu Silk， 2022（1）： 7-10.

［26］張蓉， 顧偉， 張鈺， 等. 石榴皮多酚提取物對真絲的應用及測試［J］. 山東紡織經濟， 2016（12）： 43-44.

ZHANG R， GU W， ZHANG Y， et al. Application and testing of pomegranate peel polyphenol extract on real silk［J］. Shandong Textile Economy， 2016（12）： 43-44.

［27］唐孝明， 黃繼紅， 張淑云， 等. 石榴色素用于真絲織物染色的研究［J］. 惠州學院學報， 2012， 32（3）： 58-61.

TANG X M， HUANG J H， ZHANG S Y， et al. Study on the dyeing of silk fabrics with granatum pigment［J］. Journal of Huizhou University， 2012， 32（3）： 58-61.

［28］王輝， 陳學遂， 陸偉， 等. 水溶性姜黃色素對真絲染色工藝的研究［J］. 印染助劑， 2009， 26（5）： 24-25.

WANG H， CHEN X S， LU W， et al. Study on silk dyeing with water soluble curcuma colourant ［J］. Textile Auxiliaries， 2009， 26（5）： 24-25.

［29］張俊， 陳林， 陳艷娟. 天然多酚在真絲上的改性及染色性能研究［J］. 上海紡織科技， 2015， 43（10）： 20-22.

ZHANG J， CHEN L， CHEN Y J. Study on the modification and dyeing property of silk with natural polyphenols［J］. Shanghai Textile Science amp; Technology， 2015， 43（10）： 20-22.

［30］任燕， 徐成書， 胥小鳳. 天然紅曲色素的真絲綢染色［J］. 西安工程大學學報， 2015， 29（3）： 289-294.

REN Y， XU C S， XU X F. Dyeing of nature monascus pigment on silk fabric［J］. Journal of Xi’an Polytechnic University， 2015， 29（3）： 289-294.

［31］陳林. 烏飯樹葉染料對桑蠶絲織物的染色［J］. 染料與染色， 2017， 54（1）： 30-32.

CHEN L. Dyeing mulberry silk with vaccinium bracteatum Thunb. Leaves［J］. Dyestuffs and Coloration， 2017， 54（1）： 30-32.

［32］張鵬， 范榮， 鐘雨文， 等. 銀杏落葉植物染料的提取及真絲染色［J］. 印染， 2018， 44（9）： 26-30.

ZHANG P， FAN R， ZHONG Y W， et al. Extraction of deciduous plant dyes from ginkgo and its dyeing process on silk fabrics［J］. China Dyeing amp; Finishing， 2018， 44 （9）： 26-30.

［33］周青青， 陳國強， 唐孝明. 用薯莨提取液對真絲織物染色增重的最佳工藝及金屬離子后處理的改性效果［J］. 蠶業科學， 2008， 34（4）： 694-700.

ZHOU Q Q， CHEN G Q， TANG X M. Optimal technology of silk weighted by deying with dioscorea cirrhosa extract and effect of post-treatment with metal lons on its performance ［J］. Acta Sericologica Sinica， 2008， 34（4）： 694-700.

［34］賈艷梅. 柞樹葉染料對柞蠶絲綢的染色性能研究［J］. 絲綢， 2012， 49（12）： 6-9.

JIA Y M. Study on dyeing performance of tussah leaves dyes for tussah silk fabric［J］. Journal of Silk， 2012， 49（12）： 6-9.

［35］祖倚丹， 李龍春， 王瑾， 等. 真絲面料的欒樹葉染色［J］. 印染， 2018， 44（9）： 1-5.

ZU Y D， LI L C， WANG J， et al. Dyeing properties of koelrenteria paniculata leaves on silk fabric［J］. China Dyeing amp; Finishing， 2018， 44 （9）： 1-5.

［36］陳美云， 袁德宏， 張玉萍. 竹葉天然染料的提取及其真絲綢染色［J］. 印染助劑， 2012， 29（11）： 15-19.

CHEN M Y， YUAN D H， ZHANG Y P. Extraction of natural dye from bamboo and its dyeing on silk fabric［J］. Textile Auxiliaries， 2012， 29（11）： 15-19.

［37］李紅， 孫建榮. 紫甘薯天然色素的提取及對真絲染色性能的研究［J］. 印染助劑， 2010， 27（11）： 17-20.

LI H， SUN J R. Study on extraction of natural dyestuff from purple sweet potato and its dyeing behaviour on silk fabric［J］. Textile Auxiliaries， 2010， 27（11）： 17-20.

［38］PUNRATTANASIN N， NAKPATHOM M， SOMBOON B， et al. Silk fabric dyeing with natural dye from mangrove bark （Rhizophora apiculata Blume） extract［J］. Industrial Crops and Products， 2013（49）： 122-129.

［39］CHE J N， TENG X H， JI J L. Extraction and application of pumpkin peel colorants for natural textile dyeing［J］. AATCC Journal of Research， 2023， 10（3）： 154-162.

［40］NARAYANASWAMY V， GOWDA K N N， SUDHAKAR R. Dyeing and color fastness of natural dye from psidium guajuva on silk［J］. Journal of Natural Fibers， 2013， 10（3）： 257-270.

［41］WANG L N， WANG S W， SONG K L，et al. Dyeing of silk fabric using natural dye extracted from sargentodoxa cuneata and its ultraviolet resistant property［J］. Journal of Natural Fibers，2022， 19（13）： 7275-7282.

［42］SAHINBASKAN B Y， KARADAG R， TORGAN E. Dyeing of silk fabric with natural dyes extracted from cochineal （Dactylopius coccus Costa） and gall oak （Quercus infectoria Olivier）［J］. Journal of Natural Fibers， 2018， 15（4）： 559-574.

［43］WANG S W， WANG L N， WU M H， et al. Dyeing of silk fabric with natural wall nut tree wood dye and its ultraviolet protection properties［J］. Journal of Natural Fibers， 2022， 19（15）： 11181-11192.

［44］YIN Y J， FEI L， WANG C X. Optimization of natural dye extracted from phytolaccaceae berries and its mordant dyeing properties on natural silk fabric［J］. Journal of Natural Fibers， 2017， 15（1）： 69-79.

［45］SASIVATCHUTIKOOL P， NAKPATHOM M. Application of natural dye extracted from cassia fistula ripe pods for dyeing of silk fabric［J］. Fibers and Polymers， 2019， 20（9）： 1841-1849.

［46］SINGHEE D， SAMANTA P. Studies on dyeing process variables for application of Tesu （Butea monosperma） as natural dye on silk fabric［J］. Journal of Natural Fibers， 2019， 16（8）： 1098-1112.

［47］YANG R， LI J Q， CHENG G， et al. Textiles dyeing with Pomegranate （Punica granatum） peel extract using natural mordant［J］. Journal of Natural Fibers， 2023， 20（2）： 2282056.

A study on AI prediction of optimal dyeing process and color fastness of natural dyes on silk

LIU Ying1， CHEN Jie2

（1.College of Art and Design， Nanning Normal University， Nanning 530001， China;

2.School of Physics and Technology， Wuhan University， Wuhan 430000， China）

Abstract：Against the background of the current growing global environmental crisis， this study aims to promote the green transformation of the textile industry through AI technology， especially for the application of natural dyes in the textile dyeing process. Traditional chemical dyes not only cause serious pollution to the environment， but also threaten humans’ health. Therefore， the core objective of this study is to develop an efficient and accurate AI intelligent prediction model to simulate and optimize the dyeing process of natural dyes on silk， which can significantly reduce the experimental cost， shorten the Ramp;D cycle， and significantly enhance the market competitiveness of natural dye products， contributing to the sustainable development of the textile industry.

Firstly， a large amount of data were collected on natural dye types， dyeing conditions （e.g.， temperature， time， pH， pigment extraction ratio， etc.） and dyeing effects （e.g.， color fastness， UV resistance） through an extensive literature research system. Subsequently， data cleaning and pre-processing techniques were applied to ensure the data quality and lay a solid foundation for model construction. In the model construction stage， this study innovatively adopts the Xgboost integrated learning algorithm to construct the AI model and conducts model training and validation to evaluate the effectiveness and prediction accuracy of the model， which realizes the efficient simulation and prediction of the dyeing process and effect of natural dyes on silk， thus significantly shortening the experimental time and reducing the loss of resources. The innovations of this study are mainly reflected in the following aspects： first， the Xgboost integrated learning algorithm is applied for the first time to the simulation and prediction of natural dye dyeing process， which breaks the limitations of the traditional experimental methods and realizes the leap from empirical trial-and-error to intelligent prediction; second， the evaluation system covering the optimal reaction acidity and alkalinity， washing fastness and rubbing fastness and other multi-dimensional prediction indexes is constructed， which significantly improves the multi-dimensionality and prediction accuracy of the prediction; third， the efficiency and reliability of the model in real test sets are proved through validation， which provides a strong technical support and theoretical basis for the research and development and application of green dyestuffs in the textile industry. The study shows that the model has high accuracy in predicting the best reactive pH， color fastness to washing （CFW） and color fastness to friction （CFR）， and the prediction accuracies of the three in the validation set are as high as 94.12%， 93.75%， and 100%， and the accuracies in the real test set are 8750%， 94.12%， and 82.35%， respectively. It also possesses good migratability and generalization ability， providing strong technical support for the green transformation of the textile industry.

With the continuous development of artificial intelligence technology and the continuous expansion of application fields， the natural dye dyeing effect prediction model constructed in this study is expected to be further optimized and improved. On the one hand， the prediction accuracy and generalization ability of the model can be improved by introducing data with more dimensions and higher accuracy; on the other hand， the model can be explored to be combined with automated and intelligent production equipment to realize the intelligent control of the whole chain of dyeing process， and to promote the textile industry to develop in a greener， more efficient， and more intelligent direction. At the same time， this study also provides useful reference for the deep integration of AI machine learning with traditional industries such as textile dyeing， and opens up a new path for cross-disciplinary applications.

Key words：AI predictions; Xgboost; natural dye; silk; color fastness