AI预测天然染料在丝绸上的最佳染色工艺与色牢度研究

摘要：随着环境问题的日益严峻，为了提高实验效率、节约成本，推动可持续发展战略在染料与纺织品领域的应用，文章首先对天然染料染色的数据进行了收集与预处理，然后采用Xgboost集成学习算法构建AI模型并进行了模型训练与验证，评估了模型的有效性和预测精度。该模型实现了天然染料在丝绸上染色工艺与效果的高效模拟与预测，从而显著缩短了实验时间并降低了资源损耗。这一方法提高了研究效率和经济效益。研究表明，该模型在预测反应最佳酸碱度（pH值）、水洗色牢度（CFW）和摩擦色牢度（CFR）方面具有较高的准确率，在验证集中三者的预测准确率高达94.12%、93.75%、100%，在真实的测试集上分别拥有87.50%、94.12%、82.35%的准确率，同时具备有效性与可迁移性。集成学习的方法通过极小的部署成本和极短的耗时为天然染料染色性能的探索给出了极具价值的指导，也为AI机器学习与纺织染色的学科的交叉应用拓展了可能性。

关键词：AI预测；Xgboost；天然染料；丝绸；色牢度

中图分类号：TS141.8

文献标志码：A

文章编号：10017003（2025）01004009

DOI：10.3969 j.issn.1001-7003.2025.01.005

基金项目：广西教育科学“十四五”规划专项项目（2023ZJY1805）

作者简介：刘莹（1990），女，副教授，博士，主要从事可持续时尚设计、视觉传达设计的研究。

丝绸作为一种拥有数千年历史的纺织品，已成为国际公认的中国特有的文化符号之一［1］。丝绸以其良好的吸湿性、柔软的手感、华丽的外观及优雅的光泽等性能，深受消费者青睐［2］，在服装、家居装饰等领域具有广泛的应用。随着环保和健康理念的不断深入人心，越来越多的消费者倾向于以“环境友好”的方式进行绿色消费［3］。天然植物染料因其无毒、无害、与环境友好、生物降解性良好等特性［4］，开始受到行业内外的广泛关注。然而，天然植物染料的染色性能和功能化效果受多种因素影响，导致其在应用中面临诸多挑战。

近年来随着深度学习等技术的突破，人工智能（AI）在数学、物理学、化学、生物学、材料学、制药等自然科学和高技术领域的研究中得到了广泛应用［5］。而纺织品染色领域还未涉及，由于机器学习在复杂问题建模和高维数据挖掘方面具有显著优势［6］，因此，本研究利用Xgboost算法构建AI模型，模拟天然染料对丝绸纺织品的功能化过程，旨在优化染色工艺、缩短新品开发周期，以填补研究空白，并推动行业的绿色、可持续发展。通过引入AI技术，可以模拟预测出精准的数值、促进高效的生产，降低资源浪费和环境污染，为染料与纺织品行业的可持续发展注入新的活力。同时，这也将为消费者带来更多高品质、环保健康的丝绸产品，满足人们对美好生活的追求。通过本研究，以期为丝绸等纺织品行业带来一个更加绿色、环保、可持续的未来。

1 研究方法

1.1 数据来源与预处理

本研究使用的天然染料最佳反应条件（在无媒染剂条件下K S值最高）和染色性能（水洗色牢度与摩擦色牢度）数据均来源于已发表的文献和实验报告。同时，采用手工提取与自动化脚本相结合的方式，对数据进行了高效的提取，并对提取后的数据集进行了2次以上的校对。在收集的超过350篇文献中，具有具体和完整数据的文献达到146篇，包括最新的天然染料实验数据及中文期刊中最具有影响力的研究。其中最完整的应当是59篇对丝绸织物染色的实验数据，详细记录了不同反应温度、环境酸碱度、M∶L比值与反应时长下各天然染料的染色结果，这部分数据也成为本研究构建集成学习模型所使用的数据。

由于不可能每篇文献都对某一天然染料的化学组分、反应环境酸碱度、反应温度、反应时间及色素浸提比进行研究，同时也有部分文献缺少最终色牢度与抗紫外能力的具体数据，因此在数据分析之前，首先需要对数据进行预处理，主要包括：

1）数据清洗：删除重复、错误或不完整的数据条目，确保数据的准确性和一致性。

2）数据标准化：对数值型数据（尤其是pH值和色素浸提比）进行标准化处理，消除不同文献的数据之间的量纲和格式差异，以求达到标准统一。

3）数据预处理通常根据数据的分布和特征，对缺失数据采用插值、回归等方法进行合理填充。本研究没有这么做，是因为天然染料K S值最高时的反应条件和染色结果数据具有显著的不规律性和不确定性，无法通过算法进行插值。同时，在实验过程中发现每一个数值都对算法的拟合结果具有显著的影响。因此，本研究择直接剔除实验结果有缺失或者不精确的样本，只输入最原始最准确的数据。

1.2 数据分析与算法构建

1.2.1 数据分析

根据大量的文献数据，在相似的反应条件下不同的物质也可能表现出差异较大的染色结果，最终起到决定性作用的仍是染料种类与组分本身。因此，本研究认为应该根据不同的天然染料类型与组分进行数据划分，让集成学习算法能够针对不同的染料组分推测出合理的结果。

本研究保留了“天然染料种类”作为最重要的输入自变量。但通过数学逻辑可知，一个不具备先验知识的算法模型，仅凭输入染料的名称，是无法全面理解染料与丝绸之间复杂相互作用的。虽然算法并不知道茶叶与树叶染色的差异，但是可以将染料名称映射成化学组分，这样茶叶和树叶的差异就被映射成了多酚与叶绿素的差异，自变量与因变量之间的关系就具有了底层的数学逻辑性。

根据前述逻辑，本研究创新性地进行了“文本数据”的组分映射，将类似“红茶色素”“茶多酚”“茶水”等文本映射为由组分百分比构成的一维数组，如［0，0，0，5，0，95］代表该化学物质大概由0%的叶绿素、0%的叶黄素等类胡萝卜素、0%的花青素或花色苷、5%的黄酮类物质、0%的单宁及95%的原花青素等其他多酚类物质构成。这个成分划分标注是在参考了Shen等［7］发表的综述文章与Bhandari的酚类化合物特别是类黄酮和单宁的主要职责是赋予织物颜色的观点［8］的基础上，由本研究首次提出的。

本研究根据对收集的59条实验数据（完整的对丝绸染色的数据）进行归类与分析后（图1），再参考上述文献，将常见天然染料着色成分划分为叶绿素、叶黄素及其他类胡萝卜素、花青素、单宁、其他黄酮类，以及其他多酚类六类，能基本囊括国内外文献中常见天然染料着色的有效成分。

部分化学成分数据如表1所示。

1.2.2 数据集构建

本研究筛选后的天然染料组分比例、反应条件及色牢度等数据整合为数据集，并以ND-Dataset（Natural Dyes Dataset）的名称公开发布，供各类机器学习算法进行训练和测试。

数据集分为训练集、验证集与测试集3个部分。将从文献获取到的146条实验数据中59条有效的（统一在丝绸上染色，且数据完整可靠）数据按照6∶2∶2的比例划分为35条训练集数据、12条验证集数据与12条测试集数据，分别用于模型训练学习阶段的输入、模型调整过程中的验证及训练完毕后的测试。这是由于使用模型没有学习过的数据作为测试集，可以模拟训练完成的模型在真实数据中的预测效果，防止模型对训练集产生过拟合，保证了模型的泛化能力与可迁移性。

由于数据量较少的情况下，在实验中本研究采用了K-折交叉验证的技术。这种方法将数据集分成K个子集，每次留出一个子集作为验证集，其余（K-1）个子集组合成训练集。这个过程重复K次，每个子集都有机会作为验证集，以此更稳定和可靠地估计模型性能。本研究实际实验过程中K=4，对47条数据（训练集和验证集）选用了4折交叉验证的方法。

1.2.3 算法选择

在与XGBoost、CNN、KNN、贝叶斯、随机森林等算法的比较中，本研究最终选择了XGBoost的集成学习算法。在机器学习中的各类有监督学习算法中，集成学习在各个规模的数据集上都有很好的策略。这是因为集成学习组合了多个弱监督模型以期得到一个更好更全面的强监督模型，潜在的思想是即便某一个弱分类器得到了错误的预测，其他的弱分类器也可以将错误纠正回来。对于结构化的、序列化的数据，XGBoost则是集成学习的算法当中拥有最出色的拟合能力和规律总结能力的算法之一，在各大算法竞赛上频获佳绩。同时，针对轻量级和快速预测的需求，XGBoost也能够通过极小的部署成本与极快的推理速度解决。

针对一个训练集，XGBoost首先使用决策树训练得到一个模型，这样针对每个样本都会产生一个偏差值。然后将样本偏差值作为新的训练集，继续使用决策树训练得到一个新模型；以此重复，直至达到某个退出条件为止。因此与随机森林算法不同，随机森林算法的核心特点是降低方差，而XGBoost算法的特点是降低偏差（图2）。

由图2可见，最终的XGBoost模型就是将上述所有模型进行加和。 假设一共有M棵决策树，即共需迭代M次，每个决策树模型的输出被定义为fi。那么XGBoost模型的最终输出 yi为：

yi=∑Mi=1fi（xi）（1）

若当前迭代到第m次，则当前输出为：

y（m）i=∑mi=1fi（xi）=y（m-1）i+fm（xm）（2）

式中：y（m-1）i为上一轮迭代的输出结果， fm（xm）为当前轮次生成的决策树模型输出。

损失函数方面，本研究为XGBoost算法训练选择了对数损失（Log Loss）函数，即逻辑损失或交叉熵损失（Cross-Entropy Loss）函数。

在统计学中，期望值是对随机变量可能取值的加权平均，每个取值的权重是它发生的概率，代表了该随机变量的平均预期结果。如果每种情况下的编码长度与它的概率相乘，就可以得到编码长度的数学期望。编码长度的期望值，在信息论中即信息熵（Entropy）。

在本质上，对数损失其实求得也是一种熵，用于求编码长度的概率。对于其中N个样本数量，yi是第i个样本的真实标签（0或1），yi是第i个样本的预测概率值。来自于模型的实际输出yi，取值介于0～1，它对应的编码长度记做log1yi，但评价这个编码长度的权值，却来自于真实概率yi，故称为交叉熵。

yi是真实标签，取值为0或1，如果将这样的标签当作概率，它们可以理解为0%和100%，其编码长度期望（即每个样本的交叉熵）如下式描述：

Cross-entropyforthei-thsample=

yilog1yi=-yilog（yi）

（1-yi）log11-yi=-（1-yi）log（1-yi）（3）

因此对于N个样本的交叉熵进行加权，得到Log Loss的公式描述如下：

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

作为一种用于二分类或多分类问题的损失函数，Log Loss不仅考虑了模型的预测准确度，还考虑了预测概率。这有助于了解模型的不确定性，同时可微分的特性适用于梯度下降等训练过程中的优化算法。

1.2.4 模型构建

利用Python的Xgboost库构建三个独立的模型，分别用于预测最佳反应酸碱度（pH值）、水洗色牢度（CFW）和摩擦色牢度（CFR）。

在模型训练的过程中，本研究仔细调整了Xgboost的各项参数，如学习率、树深度等，以优化模型的性能。训练过程中，学习率为0.03，树最大深度为8层，多分类数量为7类（pH值0～6+共七类，色牢度3、3～4、4、4～5、5+共五类，取两者最大值）。模型的其他超参数方面，本研究将”objective”参数类型设置为”multi：softmax”，以利用Softmax算子将多分类的预测输出值转换为范围在［0， 1］和为1的概率分布。同时将”n_estimators”参数设为500，这为整个AI模型提供500次的迭代与500棵决策树的集成，充分的迭代与决策树数量为模型的拟合能力提供了保障，如图3所示。

1.3 模型训练与验证

使用训练集对Xgboost模型进行训练。在训练过程中，通过迭代优化算法不断更新模型的参数，以提高模型的预测精度。同时，通过交叉验证（如5折交叉验证）来评估模型的稳定性和泛化能力。

由于文献中实验用物料的差异，即使是同一组分的天然染料测出来的最佳染色温度和酸碱度都有偏差，再加上溶液的浸提比和溶剂的不同，最终染色的结果会有一定的波动。因此，这个模型理论上因变量（色牢与抗紫外）是由非常多自变量（化学组分、温度、pH值、色素、溶剂甚至催化剂等）影响的，每个自变量又具有波动，互相之间形成噪声干扰，在100条数据内几乎是毫无规律的一片混沌。于是本研究通过简化输入，减少指定个数的自变量，探究各个自变量与因变量之间的相关性。最终发现影响程度最大的是天然染料的化学组分，这也非常合乎事实逻辑，所以在训练前对数据进行了重新整理和清洗再输出。最后，重复进行模型训练和验证过程，直至满意的模型性能为止。每次迭代会根据前一次迭代的验证结果对模型进行调整和优化，以提高模型的性能。

2 结果与分析

2.1 数据预处理结果

本研究在相关性分析的过程中选取了Correl函数对任一因变量（数组X）与自变量（数组Y）进行相关系数的计算：

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

若结果越接近+1或-1则表示该因素和最终染色结果直接具有越强烈的正或负相关，然而在参与分析的15组样本（国内最新、最全面的15组文献数据）中，反应温度与水洗色牢度的相关系数低至-0.27，反应酸碱度（pH值）与水洗色牢度的相关系数更是低至0.006 9，与0接近，几乎无相关性可言。其他因变量的相关性系数同样不容乐观，如表2所示。

唯一与色牢度正相关较强的反应时间也只是顺应了长时间反应通常能提供更高色牢度的普遍规律。因此得出结论，针对不同的天然染料物质，反应环境酸碱度、反应温度、反应时间及色素浸提比并不能对最终染色的结果起到决定性的作用，在同一反应条件下不同的物质往往表现出差异较大的染色结果。因此，最终本研究认为应该根据不同的天然染料类

型与组分进行数据划分，让AI模型能够针对不同的染料组分推测合理的结果。

2.2 模型训练结果

整个模型通过三个子模型，使用Xgboost的集成决策树分别对天然染料化学组分与反应最佳酸碱度pH值、水洗色牢度（CFW）值与摩擦色牢度（CFR）值之间的关系进行了学习和拟合，如图4所示。

整个算法的输入是天然染料的化学组分，用户可以通过输入染料的名字找到数据库里的组分，也可以根据用户已知的组分数据手动自定义，如图5所示。

最终三者在测试集上的准确率分别为94.12%、93.75%、100%（图6），模型预测混淆矩阵如图7所示；对数损失函数（Log Loss）分别为0.818 19、0.216 12、0.164 17；可移植（C语言版本）模型文件总体量小至815 kB；总训练时长总和低至3.12 s，对某一染料进行预测推理时间低至52 ms。

这说明本实验通过极小的模型体量与极其迅速的推理速度完成了对天然染料化学组分染色效果的精准预测，利用极少的时间和存储成本为后续的大规模染色实验提供了可靠指导。

经过对天然染料化学组分数据的深入分析和Xgboost算法的精心训练，本研究分别通过组分推理预测出反应最佳酸碱度pH值、水洗色牢度（CFW）值与摩擦色牢度（CFR）值，如表3所示。

2.3 预测结果与实际比较

经过对天然染料化学组分数据的细致处理和Xgboost算法的精确训练，本研究得到了三个预测模型的结果。令人鼓舞的是，这些预测结果与实际观测值之间的差异并不显著，对于本研究收集的34条文献数据，模型对最优酸碱度环境的预测准确率为87.50%，对水洗色牢度的预测准确率高达9412%，对于摩擦色牢度的预测准确率则达到82.35%。这表明了针对天然染料，本研究使用组分比例进行映射建模并使用集成学习方法进行训练取得了显著的学习结果与拟合吻合度。

更值得一提的是，对于文献中并没有完成或没有给出的实验结果（即缺失的数据），AI模型给出了合理的推测。这是训练学习完成后的合理预测，体现了模型的良好的预测能力及对训练集中不包含的数据表现出的泛化能力与可迁移性，为未来面对更多样的数据能够给出合理可靠、鲁棒稳定的结果提供了保证。

经过对天然染料化学组分数据的深入分析及Xgboost预测模型的训练与验证，本研究得到了关于反应最佳酸碱度（pH值）、水洗色牢度（CFW）和摩擦色牢度（CFR）的预测结果。在验证集上分别获得了高达94.12%、93.75%、100%的准确率，在真实的测试集中获得了87.5%、94.12%、82.35%的准确率，取得了预测值与实验值高度一致的结果。

3 结 论

本研究通过运用Xgboost集成学习算法，成功构建了预测天然染料在丝绸上染色效果的模型。模型针对反应最佳酸碱度（pH值）、水洗色牢（CFW）和摩擦色牢（CFR）进行了预测，在验证集上获得了高达94.12%、93.75%、100%的准确率，在真实的测试集上分别拥有87.50%、94.12%、82.35%的准确率，取得了预测值与实验值高度一致的结果。同时，该模型具有泛化能力强、鲁棒性高、轻量级与推理速度快的特点。最终仅占用815 kB的存储空间即可在52 ms的极短时间内给出对某一天然染料染色实验效果的合理预测，该模型可无须任何部署成本在任意设备上运行。这一结果大大减少了后续实验的重复工作量，为新品类天然染料的可持续探究和尝试给出了可靠的方向和快速有效的指导。

参考文献：

［1］孙菊剑. 基于顾客价值的丝绸品牌文化营销研究［D］. 苏州： 苏州大学， 2016.

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

［2］张庆华， 王琛， 王梅. 蚕丝纤维及其制品改性的最新研究进展［J］. 丝绸， 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］于伟. 消费者绿色消费行为形成机理分析：基于群体压力和环境认知的视角［J］. 消费经济， 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］张弛， 崔永珠. 国内外天然植物染料的应用及发展现状［J］. 针织工业， 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］陈云霁， 郭崎. AI for Technology： 技术智能在高技术领域的应用实践与未来展望［J］. 中国科学院院刊， 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， 陈奉献， 陈希娟. 基于XGBoost模型的土壤中阿特拉津降解预测［J］. 应用生态学报， 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， 贾艳梅. 红茶色素对丝绸的抗紫外线功能化染色［J］. 蚕业科学， 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］陈文丽， 蒋海华， 汪媛， 等. 茶树果壳染料在真丝织物上的染色性能［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. 冬青叶色素的提取及其在真丝染色中的应用［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］陈美云， 袁德宏， 张玉萍. 荷叶天然染料的提取及用于真丝绸染色［J］. 丝绸， 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］赵航， 任燕， 洪宝嘉. 黑枸杞色素的制备及真丝染色［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］贾艳梅， 郝旭， 赵龙. 黑米花青素对丝绸的染色及其抗紫外线性能［J］. 现代纺织技术， 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］徐静， 张梅， 张玉. 红苋菜色素的提取及真丝染色［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］徐静， 王鑫. 金盏花色素的提取及其对真丝染色性能的研究［J］. 上海纺织科技， 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， 黄美瑜. 咖啡渣提取液对蚕丝织物的超声染色研究［J］. 丝绸， 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， 张梅. 菱角壳色素的提取及其对真丝染色的工艺研究［J］. 印染助剂， 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］徐静， 陈晓娜. 玫瑰茄色素提取及对真丝染色性能研究［J］. 印染助剂， 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］陈梦吉， 曹天天， 张俊， 等. 葡萄籽对于真丝织物的染色工艺研究［J］. 江苏丝绸， 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］张蓉， 顾伟， 张钰， 等. 石榴皮多酚提取物对真丝的应用及测试［J］. 山东纺织经济， 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， 黄继红， 张淑云， 等. 石榴色素用于真丝织物染色的研究［J］. 惠州学院学报， 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］王辉， 陈学遂， 陆伟， 等. 水溶性姜黄色素对真丝染色工艺的研究［J］. 印染助剂， 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］张俊， 陈林， 陈艳娟. 天然多酚在真丝上的改性及染色性能研究［J］. 上海纺织科技， 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， 徐成书， 胥小凤. 天然红曲色素的真丝绸染色［J］. 西安工程大学学报， 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］陈林. 乌饭树叶染料对桑蚕丝织物的染色［J］. 染料与染色， 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］张鹏， 范荣， 钟雨文， 等. 银杏落叶植物染料的提取及真丝染色［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， 陈国强， 唐孝明. 用薯莨提取液对真丝织物染色增重的最佳工艺及金属离子后处理的改性效果［J］. 蚕业科学， 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］贾艳梅. 柞树叶染料对柞蚕丝绸的染色性能研究［J］. 丝绸， 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， 李龙春， 王瑾， 等. 真丝面料的栾树叶染色［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］陈美云， 袁德宏， 张玉萍. 竹叶天然染料的提取及其真丝绸染色［J］. 印染助剂， 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］李红， 孙建荣. 紫甘薯天然色素的提取及对真丝染色性能的研究［J］. 印染助剂， 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