Detailansicht
Supervised machine learning for the quantification of cotton/polyester textiles using IR spectroscopy
Sebnem Sara Yayla
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Informatik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Data Science
Betreuer*in
Jürgen Zanghellini
DOI
10.25365/thesis.79418
URN
urn:nbn:at:at-ubw:1-16875.82789.253428-8
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Textilabfälle stellen eine erhebliche Umweltbelastung dar, die durch den ressourcenintensiven Charakter der Textilproduktion und die Fast-Fashion-Industrie noch verschärft wird. Seit den 1980er Jahren ist die weltweite Textilfaserproduktion jährlich um etwa 3% gewachsen und erreichte 2018 107 Millionen Tonnen. Allerdings werden nur 12% der jährlichen Textilproduktion für Verbraucherbekleidung recycelt, der Großteil landet auf Mülldeponien oder in Verbrennungsanlagen. Diese Arbeit befasst sich mit der effizienten Sortierung von Textilabfällen durch Anwendung von Methoden zur Textilquantifizierung. Der Schwerpunkt liegt auf der Anwendung von Infrarotspektroskopie (IR), einer zerstörungsfreien Methode, die Textilzusammensetzungen anhand ihre spektralen Fingerabdrücke identifizieren kann. Ziel ist es, die IR-Spektroskopie zu nutzen, um den Anteil von Baumwolle und Polyester in Textilien zu bestimmen. Die Methodik umfasst den Einsatz von Mittelinfrarot- (MIR) und Nahinfrarot- (NIR) Spektroskopie, um die Genauigkeit und Zuverlässigkeit der Analyse zu erhöhen. Durch die Kombination spektroskopischer Daten mit sieben verschiedenen Regressionmodellen zielt diese Studie darauf ab, die Sortierung von Textilabfällen während des Recyclingprozesses zu verbessern. Das Projekt umfasst die Bestimmung der richtigen Stichprobengröße sowie den Vergleich verschiedener Regressionsmodelle mit unterschiedlichen Methoden der Datenvorverarbeitung. Durch einen Bootstrap-basierten Ansatz konnte die Mindestanzahl an Messungen bestimmt werden, die für statistisch zuverlässige Spektren erforderlich ist. Die Kombination von Nahinfrarot- (NIR) Spektroskopie mit Regressionsmodellen ermöglichte einen schnellen und genauen Ansatz zur Textilquantifizierung. Wir stellten fest, dass die Wahl der Vorverarbeitungsmethode eine entscheidende Rolle für die Prognosegenauigkeit und die Generalisierbarkeit der Modelle spielte. Insgesamt erwiesen sich Partial Least Squares Regression, Least Squares Support Vector Machine sowie die Kombination aus Kernel Ridge Regression und der Vorverarbeiungsmethode Standard Normal Variate als die besten Lösungen zur Quantifizierung des Baumwollgehalts in Mischtextilien. Unsere Ergebnisse zeigten auch, dass Modelle basierend auf Entscheidungsbäumen und Convolutional Neural Networks zu Overfitting neigten. Die Erkenntnisse bilden die Grundlage für weitere Forschungen zu Mehrfaser-Textilmischungen und der Einbeziehung ergänzender spektroskopischer Techniken.
Abstract
(Englisch)
Textile waste is a significant environmental challenge exacerbated by the resource-intensive nature of textile production and the fast fashion industry. Since the 1980s, global textile fiber production has grown by about 3% annually, reaching 107 million tons in 2018. However, only 12% of the annual fiber production for consumer clothing is recycled, with the majority ending up in landfills or incinerators. This thesis discusses the efficient sorting in textile recycling by applying an advanced textile quantification method. It focuses on the application of Infrared (IR) Spectroscopy, a non-destructive method known for its ability to identify textile compositions through unique spectral fingerprints. The aim is to realize the use of IR Spectroscopy to accurately estimate the blend ratios of polyester and cotton in textiles in a non-destructive and efficient manner. The methodology covers the use of both Mid-Infrared (MIR) and Near-Infrared (NIR) spectroscopy to increase the accuracy and reliability of textile composition analysis. By combining spectroscopic data with seven different machine learning models, this study aims to improve the predictive capabilities of textile recycling technologies. The project includes determining the correct sample size and analyzing how regression models perform with different preprocessing methods. By using a Bootstrap-based margin of error approach, it was possible to determine the minimum number of measurement spots required to obtain statistically reliable spectra. The combination of Near-Infrared (NIR) spectroscopy with machine learning models provided a fast and accurate approach for textile quantification. We observed that the choice of preprocessing method played a critical role in regression accuracy and model generalization. Overall, Partial Least Squares Regression, Least Squares Support Vector Machine as well as Kernel Ridge Regression emerged as the best performing solutions for quantifying cotton content in blended textiles. Our results also indicated that tree-based models were prone to overfitting, while Convolutional Neural Networks were unstable. The findings set the stage for further research into multi-fiber textile blends and the incorporation of complementary spectroscopic techniques.
Schlagwörter
Schlagwörter
(Deutsch)
Spektroskopie NIR-Spektroskopie Chemometrie Machine Learning Regression Textilsortierung Textilrecycling
Schlagwörter
(Englisch)
Spectroscopy NIR Spectroscopy Chemometrics Machine Learning Regression Textile Sorting Textile Recycling
Autor*innen
Sebnem Sara Yayla
Haupttitel (Englisch)
Supervised machine learning for the quantification of cotton/polyester textiles using IR spectroscopy
Publikationsjahr
2025
Umfangsangabe
viii, 71 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Jürgen Zanghellini
Klassifikationen
35 Chemie > 35.23 Analytische Chemie. Allgemeines ,
35 Chemie > 35.25 Spektrochemische Analyse
AC Nummer
AC17669738
Utheses ID
77690
Studienkennzahl
UA | 066 | 645 | |