如果您在网页上搜索“如何确定面料的制作成分”，您可能会找到“燃烧测试”的网页内容。在燃烧测试中，需要取一小块织物样品，放在明火上，观察它是否收缩、熔化或燃烧，并注意产生的气味。
现在，使用TI DLP® NIRscan™ Nano评估模块(EVM)和Sagitto系统，可以更简单、准确地确定织物和纺织品成分。Sagitto系统结合了微型近红外传感器和机器学习模型，可帮助企业简化测量过程。每种类型的织物都因不同的成分而具有独特的近红外指纹。服装通常包含不同类型的纤维，精确的合成物组分在服装的整个使用过程中都是很重要的。
许多国家要求明确标识纺织品的纤维成分。有时这些标签会产生误导。例如，在下图中，我们看到一组标有100%棉的洗碗巾，但是经Sagitto测试后，发现是67%棉和33%涤纶的混合物。
但为什么纤维成分很重要?据估计，每年生产800亿件衣服，其中75%最终会通过填埋或焚烧的方式处理。越来越多的消费者正在要求大型服装零售商寻找替代方法，处理高周转时装零售业中产生的大量废物。政府也开始制定法规，鼓励“循环经济”，并从垃圾中分流衣物。
丙烯酸和聚酯服装会对环境造成严重的影响，例如，每个洗涤循环都会将数十万个微纤维释放到当地的废水处理厂。其中多达40%的微纤维可能会流入河流、湖泊和海洋。
因此，市场亟需开发全新的纺织品化学回收技术。例如，这些回收技术需要将聚酯和棉制服装分解为其化学组成成分——纤维素纤维、聚酯单体和低聚物。但首先，采用化学回收的回收商需要通过纤维成分精确地分选原料。
在传统的操作中，通常由员工通过感觉和视觉对废弃纺织品进行分类，即拿起每件衣服时就确定纺织品的成分。不幸的是，对于人类来说，根本无法精确确定含有纤维混合物的纺织品的组分，并满足现代化学回收技术的要求。
通过将TI DLP NIRscan Nano整合到一个机器人手臂中，再加上复杂的机器学习能力，就可以为化学品回收工厂开发出精准的机器人分选系统。
Sagitto将DLP NIRscan Nano与基于云端的人工智能相结合。使用Sagitto，您无需专门聘请自己的数据科学家，甚至无需收集自己的数据，训练机器学习模型。Sagitto消除了设备成本、技能和数据等方面的障碍，使新一类的制造商和生产商可以使用DLP NIRscan Nano EVM优化生产流程。
利用Sagitto人工智能软件和DLP NIRscan Nano 评估模块，您可以使用独特的织物成分演示模型。在Sagitto网站上注册并请求访问Sagitto演示帐户，可以使用DLP NIRscan Nano评估模块免费进行50次预测
上一篇：了解自动化领域的创新如何改变世界
下一篇：AR HUD中阳光负载建模的重要性
