در سالهای اخیر استفاده از پارچه های هادی جریان الکتریسیته به خصوص در پوشاک الکترونیک و محصولات هوشمند گسترش زیادی یافته است. با توجه به اهمیت تعیین خصوصیات الکتریکی این نوع منسوجات، در این تحقیق یک مدل الکترومکانیکی برای پیش بینی مقاومت الکتریکی معادل پارچه های تاری، پودی رسانای بافته شده با فیلامنت فلزی ارائه گردیده که با استفاده از روش المان محدود توزیع جریان در پارچه های هادی بافته شده با فیلامنت فلزی مورد بررسی قرار گرفته است. در این راستا اثر فاکتورهایی مانند زاویه تماس میان فیلامنت ها و صفحه الکترود، مقاومت الکتریکی تماسی میان فیلامنت ها و نیز اندازه پارچه هادی، روی هدایت و توزیع جریان پارچه های هادی مورد مطالعه قرار گرفته شده است. نتایج حاصل از آزمایشات تجربی بیانگر کارایی مدل ارائه شده جهت پیش بینی مقاومت الکتریکی معادل پارچه هادی می باشد. مدل ارائه شده توانایی بررسی تاثیر پارامترهایی مانند زاویه قرارگیری صفحات الکترود بر روی سطح پارچه، ابعاد پارچه و فشار وارد بر مقاومت الکتریکی معادل پارچه هادی بافته شده با فیلامنت فلزی را دارا می باشد. همچنین در این تحقیق یک مدل حرارتی نیز ارائه شده است که می توان با توجه به مقاومت معادل الکتریکی پارچه هادی و جریان تغذیه شده به دو طرف صفحات الکترود و با استفاده از فرمول p=ri2، توان حرارتی اتلافی که بصورت گرما در جسم رسانا ظاهر می شود، برای یک پارچه هادی بافته شده با فیلامنت فلزی با ابعاد متفاوت و همچنین در زاویه های متفاوت قرارگیری الکترودها بر روی سطح پارچه را محاسبه نمود.

چکیده صنعت پوشاک بعنوان یکی از مهمترین صنایع در جوامع امروزی شناخته شده است. با توجه به اهمیت پوشاک و افزایش خرید های اینترنتی نیاز به سیستم های کمک طراحی پوشاک جهت هدایت مشتری به سمت پوشاک مورد نظرش بیشتر شده است. هدف از این پایان نامه طراحی لباس با استفاده ازالگوریتم تکاملی و شباهت است. یکی ازالگوریتم های تکاملی، الگوریتم ژنتیک است که جهت بهینه ساختن مسائل در صنایع مختلف بکار گرفته شده است، همچنین نظریه شباهت بعنوان منطقی در الگوریتم تکاملی و جهت استنتاج آن به کار برده می شود. در این پایان نامه 100 طرح مانتو ترسیم شده است و اجزای آن که شامل یقه، آستین، دامن، کمربند، جیب، دکمه می شود از هم جدا شده و با استفاده از الگوریتم ژنتیک محاوره ای طرح های مانتو که لباس رسمی زنان ایرانی است، طراحی می گردد و سپس برازندگی تعدادی از طرح ها توسط ارزیابی کاربر و برازندگی بقیه طرح ها توسط روابط شباهت به دست می آید. به سه روش بررسی اختلافات، اشتراکات و ترکیب اختلافات و اشتراکات، شباهت طرحها ارزیابی می شود. نتایج حاکی از آن است الگوریتم تلفیقی با روش سوم بررسی شباهت، درمقایسه با بقیه روشها، رضایت کاربران را بیشتر جلب نموده است.

متوازن سازی خط تولید یکی از اهداف مهم در تمامی صنایع برای دستیابی به بازدهی بیشتر خطوط تولید و کاهش زمان های بیکاری می باشد. متوازن سازی خط تولید در کارخانجات پوشاک به دلیل تعداد زیاد مراحل کاری و در نتیجه وجود تعداد زیادی کارگر با مهارت های مختلف بسیار مهم و ضروری می باشد. هدف از این تحقیق ارائه مدلی برای متوازن سازی خط دوزندگی پیراهن مردانه ، به عنوان مهمترین قسمت در کارخانجات پوشاک، توسط الگوریتم ژنتیک بر مبنای میزان مهارت هر کارگر و ارائه بهترین چیدمان کارگری بر مبنای پیش بینی زمان استاندارد هر وظیفه توسط شبکه عصبی مصنوعی می باشد. برای توازن خط دوزندگی ابتدا زمان استاندارد مجاز برای هر وظیفه اندازه گیری و محاسبه شد. سپس میزان مهارت هر کارگر عددی تصادفی بین 0 و 1.5 در نظر گرفته شد. با تقسیم زمان استاندارد مجاز برای هر وظیفه بر میزان مهارت هر کارگر، زمان صرف شده برای انجام هر وظیفه توسط هر کارگر بدست آمد. با استفاده از الگوریتم ژنتیک تلاش گردید بهترین چیدمان کارگری برای هر وظیفه بر اساس کمترین زمان صرف شده برای اتمام مراحل دوخت بدست آید. سپس این چیدمان با زمان های بدست آمده از شبکه عصبی نیز محاسبه شده و اختلاف این دو زمان محاسبه می شود. برای پیش بینی زمان انجام هر وظیفه توسط شبکه عصبی از سه پارامتر طول دوخت، ماکزیمم سرعت چرخ خیاطی و پارامتر سومی که بر اساس مشخصات هر مرحله دوخت مشخص می شود، استفاده گردید. شبکه عصبی مصنوعی طراحی شده، feedforward، دارای یک لایه پنهان با 5 نرون می باشد و از الگوریتم آموزش پس انتشار استفاده شده است. نتایج نشان می دهد که شبکه عصبی مصنوعی می تواند ابزاری مفید برای پیش بینی زمان انجام هر مرحله عملیات دوزندگی باشد. نتایج بیانگر ضریب همبستگی 0.98 بین مقادیر واقعی و آموزش و 0.97 بین مقادیر واقعی و آزمون می باشد. نتایج متوازن سازی خط تولید با استفاده از الگوریتم ژنتیک بیانگر زمان 656.68 ثانیه برای اتمام یک محصول با استفاده از زمان های اندازه گیری شده و زمان 626.93 ثانیه با استفاده از نتایج حاصل از شبکه عصبی برای بهترین چیدمان کارگری می باشد. بنابراین شبکه عصبی مصنوعی می تواند ابزاری قدرتمند برای پیش بینی زمان استاندارد انجام وظایف و بنابراین پیش بینی میزان زمان لازم برای تولید و همچنین توازن خط تولید باشد.

لباس پوشیدن پدیده ای است که تقریبا به اندازه تاریخ طول بشر سابقه دارد. همراه با پیشرفت علم و تکنولوژی طی قرون متمادی پیشرفت های چشم گیری در زمینه تهیه پوشاک که از احتیاجات ضروری بشر محسوب می شود به وجود آمده است. با تغییر نسل ها پوشش نیز متفاوت یافته و امروزه اشخاص علاقه دارند لباس هایی را بپوشند که سایز بدن خود آنها باشد و بتواند به بهترین شکل ممکن زیبایی اندام آنها را به نمایش بگذارد و حتی عیوب بدن آنها را به خوبی بپوشاند، به عبارت دیگر امروز تن خوری لباس و قالب تن بودن آن و ارگونومی پوشاک (علم تناسب لباس در بدن انسان) برای مردم اهمیت ویژه ای پیدا کرده و این مطلب اهمیت مبحث سایز بندی و تعیین سایز را برای مصرف کنندگان پوشاک دوچندان کرده است. در این پروژه هدف ارائه مدلی برای سایزبندی پوشاک مردانه با استفاده از روش های آماری با رنج سنی 18 الی 30 سال می باشد و منظور از پوشاک مردانه پوشاک بالاتنه، پایین تنه و سر(کلاه) است. در این تحقیق ابتدا از روش تحلیل عاملی به منظور استخراج متغیر های مهم آنتروپومتریک ( اندازه گیری شده ) استفاده شده است و در مرحله بعد متغیر های استخراج شده از روش تحلیل عاملی به عنوان ورودی به روش خوشه بندی کی مینز در نظر گرفته شد و سپس با استفاده از شاخص اعتبار سنجی خوشه ها یعنی دیویس- بولدین بهترین تعداد خوشه بندی یعنی بهترین تعداد گروه سایزی گزارش گردید. برای پوشاک بالاتنه و پایین تنه هفت گروه سایزی و برای پوشاک سر چهار گروه سایزی مشخص شد و مشخصات هرگروه سایزی به عنوان جداول سایزبندی ارائه گردید که نرخ پوشش جدول سایزبندی ارائه شده برای پوشاک بالاتنه 102/97 درصد، برای پوشاک پایین تنه 002/97 درصد و برای پوشاک سر 60/98 درصد می باشد. جداول سایزبندی ارائه شده برای تولیدکنندگان پوشاک می تواند در زمینه های طراحی الگو، برش صحیح، تولید انبوه لباس و پیش بینی بازار مفید واقع شود و همچنین سبب می شود تا افراد لباسی متناسب با ابعاد بدن خود بپوشند.

ماشین دوزندگی در دوره انقلاب صنعتی جهت کم کردن کار دستی و سرعت بخشیدن به امر تولید اختراع شد. با اختراع چرخ خیاطی از حدود سال 1870 تا به امروز، تغییرات بسیار زیادی در صنعت دوخت و تهیه لباس انجام شده است. تضمین کیفیت تولیدات صنعتی محصولات دوخته شده همواره یکی از فرآیندهای حیاتی از زنجیره نساجی می باشد. در این رابطه سوزن و مکانیزم محرک آن از پارامتر های مهم در فرآیند دوخت و شکل گیری کیفیت مطلوب برای مواد دوخته شده می باشند. یکی از مشکلات مهمی که در فرآیند دوخت رخ می دهد، تولید حرارت بر اثر اصطکاک بین سوزن و پارچه در محدوده نفوذ سوزن در پارچه می باشد. از جمله عوامل موثر در کاهش این گرما، کاهش سرعت سوزن در محدوده نفوذ می باشد. پارامتر سرعت سوزن به هندسه مکانیزم محرک سوزن وابسته است. بنابراین ابداع و بهینه سازی مکانیزم های محرک سوزن کمک به سزایی در رفع این مشکل خواهد کرد. علاوه بر این مطلوب بودن معیار های طراحی مکانیزم مانند زاویه انتقال و مزیت مکانیکی به روند ایده آل فرآیند دوخت کمک می کند. از دیگر معیار هایی که با میزان آسیب وارده به پارچه و کیفیت دوخت رابطه مستقیم دارد، نیروی وارده به سوزن از طرف پارچه می باشد. بنابراین پیش بینی یک مدل ریاضی جهت محاسبه نیروی نفوذ سوزن از اهمیت ویژه ای برخوردار است. با توجه به موارد اشاره شده در بالا تحقیقات اندکی در رابطه با عملکرد مطلوب ماشین دوزندگی صورت گرفته است. برای این منظور در این مطالعه پس از بررسی تحقیقات گذشته در رابطه با عملکرد حرکت سوزن در ماشین دوزندگی، فرآیند بهینه سازی الگوریتم ژنتیک که الگوریتم بهینه سازی مورد نظر در این مطالعه می باشد، به طور مختصر توضیح داده می شود. پس از آن یک مکانیزم ترکیبی محرک سوزن به منظور جایگزینی مکانیزم معمول حرکت سوزن در ماشین دوزندگی معرفی و معیار های طراحی آن با استفاده فرآیند بهینه سازی الگوریتم ژنتیک، بهینه سازی می شود. نتایج به دست آمده بهبود عملکرد حرکتی مکانیزم محرک سوزن را به وضوح نشان می دهد. در نهایت به بررسی و تکمیل یک مدل ریاضی جهت محاسبه نیروهای وارد شده به سوزن در فرآیند دوخت پرداخته می شود.

قطر الیاف یکی از مهمترین عوامل تاثیرگذار بر خواص منسوجات است. با کاهش قطر الیاف در حد نانو، خواص ویژه¬ای در این مواد ظاهر می¬شود، که آن ها را بسیار کارآمد می¬کند. نانوالیاف پلیمری به وسیله¬ روش¬هایی ازجمله: کشش، تفکیک فازی، الکتروریسی و... تولید می¬شوند، که اغلب این روش¬ها آزمایشگاهی بوده و تنها روش الکتروریسی تا حدی رواج پیدا نموده است. روش الکتروریسی دارای هزینه¬های بالا و پیچیدگی¬های فرایندی زیادی است. از اینرو روش استخراج نانوالیاف از ماتریس الیاف آمیخته¬ای که دارای مزایایی چون سرعت تولید بسیار بیشتر، هزینه¬های تولید بسیار کمتر، انعطاف پذیری در تولید قطرهای متفاوت نانوالیاف¬ و یکنواختی بیشتر قطر نانوالیاف است، به عنوان یک روش جدید مورد توجه قرار گرفته است. توسعه روزافزون استفاده ازنانوالیاف در صنایع مختلف، دانستن مورفولوژی ساختارهای آن¬ها را جهت شناخت توزیع ابعاد الیاف مورد توجه قرار داده است. روش¬های سنتی در تعیین قطر بسیار زمان¬بر هستند. بنابراین اندازه¬گیری دقیق قطر الیاف، نیاز به استفاده از روش¬های سریع چون پردازش تصاویر دارد. دراین پروژه که هدف بهینه¬سازی در تولید نانوالیاف به روش استخراج از الیاف آمیخته¬ای است، تاثیر عملیات کشش بر تغییرات میانگین قطر نانوالیاف و ارزیابی قطر نانولیفچه¬ها به روش پردازش تصویری مورد مطالعه قرار گرفته است. برای این منظور، الیاف آمیخته (pp/pbt) که در شرایط کاملا صنعتی تولید شده است با نسبت کشش¬های مختلف تحت کشش سرد قرار گرفته و سپس جزء اصلی آمیخته با استفاده از حلال حل می گردد، در این صورت جزء فرعی به صورت لایه¬ای از نانوالیاف با قطر بسیار ظریف بدست می¬آید. مورفولوژی نانوالیاف حاصل به روش میکروسکپ الکترونی مورد مطالعه قرار گرفته و روش بصری و روش پردازش تصویری برای ارزیابی متوسط اندازه قطر این نانوالیاف تحت تاثیر کشش، مورد استفاده قرار گرفته است. همچنین، دو روش ردیابی مستقیم و تبدیل فاصله برای اندازه¬گیری قطر نانو الیاف مورد استفاده قرار گرفته و با یکدیگر مقایسه شده است. با توجه به اینکه پیاده سازی روش¬های تعیین قطر الیاف بر روی تصاویر باینری امکان پذیر می¬باشد، از این رو روش¬هایی جهت آستانه¬گیری تصویر چون روش سراسری، محلی، خوشه¬بندی کی¬مینز و fcm معرفی و بهترین روش برای این کار تعیین شد. مقایسه روش¬های آستانه¬گیری نشان داد که برای تصاویر نانوالیاف حاصل از استخراج، بهترین روش در جداسازی الیاف از پس¬زمینه، روش fcmو بهترین روش اندازه¬گیری قطر روش تبدیل فاصله است. در مقایسه دقت روش¬های پردازش تصویری با روش متداول اپراتوری نیز، همبستگی بالای 90 درصد این روش¬ها با روش بصری نشان دهنده دقت روش¬های پردازش تصویر در تعیین قطر نانوالیاف است. نتایج حاصل شده نشان می¬دهد که با افزایش نسبت کشش به الیاف آمیخته، قطر فیبریل¬های استخراج شده کاهش می¬یابد. تغییرات قطر فیبریل¬ها از نمونه بدون کشش تا نمونه با نسبت کشش 4، در روش بصری از 420 نانومتر تا 175 نانومتر است. در بررسی تصاویر sem نیز مشخص شد که شکل ذرات فاز پراکنده طی فرایند کشش تغییر شکل داده و در نهایت به شکل ذراتی ریز و باریک(فیبریل) در می¬آیند. بهترین رابطه¬ی بین نسبت کشش و میانگین قطر فیبریل¬ها نیز با سطح اطمینان مطلوبی 0.95r2= محاسبه و گزارش شد.

یکی از مسائل شناخته شده در حوزه تحقیق در عملیات به ویژه در زمینه برنامه‏ریزی تولید مسئله چیدمان و برش است. از اهداف اصلی در بررسی مسئله برش کاهش ضایعات ناشی از برش با استفاده از بهینه چینی قطعات می باشد. مسائل برش و چیدمان از جمله مسائل بهینه‏سازی هستند که انواع مختلف آن مورد توجه بسیاری از صنایع می‏باشد. به طور کلی با توجه به شکل هندسی قطعات، می‏توان انواع مسائل چیدمان را در دو گروه طبقه‏بندی کرد. یکی چیدمان قطعات با اشکال منظم در صنعت شیشه، کاشی و کاغذ، و دیگری چیدمان قطعات با اشکال نامنظم در صنعت نساجی، فلز و چرم. پیاده‏سازی مسئله چیدمان قطعات با اشکال نامنظم، به دلیل پیچیدگی هندسی بیشتر اشکال نامنظم نسبت به اشکال منظم، دشوارتر است. تمرکز پژوهش حاضر نیز بر حل مسائل چیدمان قطعات با اشکال نامنظم (الگوی لباس) می‏باشد که این عملیات در صنعت پوشاک اصطلاحاً تحت عنوان طراحی مارکر شناخته می‎شود. در صنعت پوشاک، طراحی مارکر یکی از مهم ترین عملیات در مرحله برش الگو می باشد. چیدمان مارکر، هدف رایج این فرایند به حداکثر رساندن بهره برداری و به حداقل رساندن دورریز پارچه می‏باشد. در طی سال ها، دو روش اصلی جهت حل مسائل چیدمان ارائه گشت: روش اکتشافی و تقریب بر پایه ی برنامه ریزی خطی. استفاده از برنامه ریزی خطی در مسائل چیدمان بیشتر محدود به مسائل یک بعدی و یا دوبعدی با تعداد قطعات کم می‏باشد و بیشتر توجه محققین به علت بزرگ بودن فضای جواب مسائل چیدمان، معطوف به روش‏های فراابتکاری بوده که توانایی جستجوی هوشمندانه فضای جستجو را دارند. در این تحقیق به منظور دستیابی به چیدمان بهینه مارکر، از روشی بر پایه الگوریتم نوظهور فراابتکاری رقابت استعماری و و الگوریتم‏های جایگذاری blf، bl و bllt استفاده شده و عملکرد روش پیشنهادی با یک روش دقیق و همچنین روش‏های دیگر چیدمان مارکر مبتنی بر الگوریتم ژنتیک مقایسه شده است. عملکرد روش پیشنهادی در حل مسائل چیدمان از طریق مجموعه الگوهای قطعات منظم و نامنظم مورد آزمایش قرار گرفت. نتایج ابتدا نشان داد که الگوریتم ‏های دقیق در مقابل روش‏های فراابتکاری، به دلیل زمان اجرای بسیار بالا، روش‏های ناکارآمدی در حل مسائل چیدمان می‏باشند. همچنین مشاهده شد که کارایی الگوریتم رقابت استعماری در حل اینگونه مسائل به میزان زیادی بستگی به الگوریتم جایگذاری ترکیب شده با آن دارد. در نهایت بررسی نتایج نشان داد که الگوریتم رقابت استعماری الگوریتم جستجوی مناسبی جهت استفاده در حل مسائل چیدمان می‏باشد و این الگوریتم قادر است در زمان کمتری نسبت به الگوریتم ژنتیک که الگوریتم پرکاربرد در حل مسائل چیدمان می‏باشد، به چیدمان نزدیک به بهینه دست یابد.

در این پژوهش، پس از مروری بر تاریخچه علم کنترل، رویکردهای قابل استفاده در طراحی سیستم کنترل بررسی شده است. در ادامه شبکه های عصبی به تفصیل شرح داده شده و در نهایت پس از آشنائی با اصول کاربردی علم کنترل، به موارد استفاده از آن ها در ماشین آلات، ریسندگی، بافندگی، رنگرزی و تکمیل و منسوجات بی بافت پرداخته شد و با مطالعه دقیق تر ماشین کارد الیاف کوتاه ادامه یافته است. در انتها روند مدل سازی ماشین کارد الیاف کوتاه تا دست یابی به معماری شبکه عصبی مطلوب مورد مطالعه قرار گرفت. از عوامل مهم و تأثیرگذار بر روی نایکنواختی های فتیله کاردینگ می توان به مواردی از قبیل سرعت تولید و نمره تغذیه اشاره کرد. این عوامل به عنوان ورودی های شبکه و کشش به-عنوان خروجی شبکه انتخاب شده است. هدف از آموزش، این است که مقدار کشش به گونه ای انتخاب شود تا cv% فتلیه تولیدی کمتر از 4% گردد. در این پژوهش از یک شبکه عصبی پیشخور با الگوریتم آموزشی پس انتشار خطا و تابع آموزشی levenberg-marquardt (lm) استفاده شده است. معماری منتخب این شبکه شامل دو لایه مخفی است، که تابع انتقال لایه مخفی اول logsig و 2 نرون و تابع انتقال لایه مخفی دوم logsig و 3 نرون و نیز از تابع انتقال purelin در لایه خروجی استفاده شده است، این معماری بهترین شرایط پایداری را برای ماشین کارد الیاف کوتاه فرآهم کرده است. نتایج شبیه سازی در صد خطای نسبی % 43/4 و ضریب همبستگی 975/0را گزارش می-کند.

امروزه دقت و سرعت در طراحی پارچه و لباس دارای اهمیت بسزایی می باشد و لذا تولیدکنندگان برای حفظ استمرار تولید و افزایش سرعت ترجیح می دهند، از روش های کم هزینه و کارآمد برای تولید پارچه مدنظر استفاده کنند. از آن جا که روش های دستی برای طراحی پارچه های استتاری از دقت کم و امکان خطای زیادی برخوردارند و بسیار سخت و زمان بر است ، در نتیجه روش های رایانه ای با استفاده از الگوریتم های تکاملی ( فراابتکاری) می تواند کمک بزرگی برای تسهیل ایجاد طرح های استتاری و افزایش سرعت در طراحی پارچه باشد. این الگوریتم ها به ویژه الگوریتم ژنتیک در صنعت طراحی پارچه و لباس کاربرد بسیاری دارند از جمله این کاربردها در زمینه پوشاک می توان به چیدمان مارکر، بهینه سازی خط تولید و نرم افزارهای کمک طراحی لباس اشاره کرد. در این راستا پردازش تصویر با استفاده از الگوریتم های فرا ابتکاری می تواند روش مفیدی را برای دستیابی به این هدف ارائه دهد. در این پژوهش با استفاده از روش خوشه بندی k-means تصاویر ورودی کاهش رنگ داده می شوند، پس از آن طرح استتاری با توجه به رنگ های ایجاد شده، توسط الگوریتم ژنتیک نیمه خودکار تولید می شود، سپس برازندگی تعدادی از طرح ها توسط کاربر ارزیابی می گردد. نتایج نشان می دهد که در اکثر تصاویر ارائه شده توسط الگوریتم ژنتیک نیمه خودکار به کاربران، میزان برازندگی بالایی به دست آمده و نرم افزار ارائه شده قابلیت ایجاد طرح استتاری را دار می باشد .

پارچه تاری و پودی یک جسم انعطاف پذیر است و به منظور تعیین پارامترهای آن، استفاده از روشهای غیر منعطف و معمول پردازش تصویر همواره دارای خطای قابل توجه ای می باشد و در این زمینه، ارائه یک روش انطباق پذیر با خصوصیات تصویر منسوج جهت استخراج پارامترهای آن مورد توجه می باشد. در این راستا استفاده از الگوریتم های فرا ابتکاری جهت تطبیق الگوریتم استخراج پارامترهای ساختاری با شرایط تصویر، کاربردی به نظر می رسد. در این پروژه، با کاربرد ترکیبی از روش های پردازش تصویر، خوشه بندی و الگوریتم های فرا ابتکاری، یک روش نوین برای پیش پردازش و تشخیص بافت ساختاری تصاویر منسوجات ارائه شده است. به منظور یافتن دقیق بافت تصویر و تشخیص موقعیت نخ ها که مقدمه شناسایی پارامترهای ساختاری پارچه محسوب می شود، تصویر رنگی پارچه با استفاده از روش های تبدیل موجک، خوشه بندی فازی (fcm) و k-means پیش پردازش شده و بازه تغییرات پارامترهای پارچه به طور غیر دقیق از تصویر حاصل استخراج می گردد. سپس، الگوریتم ترکیبی رقابت استعماری و ژنتیک، الگوریتم ژنتیک و الگوریتم انجماد تدریجی مبتنی بر جمعیت هر کدام به طور جداگانه برای بهینه سازی بازه تغییرات به دست آمده از مرحله قبل و تعیین موقعیت دقیق تر نخ ها به کار می رود. در مرحله بعد، تصویر شبیه سازی شده پارچه با استفاده از روش کاهش رنگ و بر اساس تصویر نشان دهنده موقعیت نخ ها ایجاد می گردد. با کاربرد روشی جدید بر پایه الگوریتم ژنتیک، پارامترهای طرح رنگ و طرح بافت پارچه از تصویر شبیه سازی شده حاصل استخراج می شود. نتایج نشان می دهد که خطای تشخیص موقعیت نخ با استفاده از روش ترکیبی رقابت استعماری و ژنتیک به میزان 7/56 درصد در مقایسه با روش رایج شدت نور سطح خاکستری کاهش یافته است. همچنین این روش قادر به تشخیص موقعیت نخ در تصاویر پارچه های رنگی با شدت نور نایکنواخت و تراکم کم با دقت میانگین 4/87 درصد و در پارچه های با تراکم زیاد این مقدار بیش از 2/89 درصد می باشد. در روش بر پایه الگوریتم ژنتیک، میزان دقت میانگین تشخیص موقعیت نخ در پارچه های با شدت نور نایکنواخت 9/79 درصد و در پارچه های با تراکم زیاد، 8/73 درصد می باشد. میزان کاهش خطا در مقایسه با روش رایج شدت نور سطح خاکستری 3/45 درصد می باشد. در الگوریتم انجماد تدریجی مبتنی بر جمعیت، موقعیت نخ در پارچه های با تراکم زیاد با دقت 5/73 درصد و در پارچه های با تراکم کم با دقت 3/71 درصد تشخیص داده شده است و در مقایسه با روش رایج، میزان کاهش خطا 8/40 درصد است. بنابراین به طور کلی دقت روش ترکیبی رقابت استعماری و ژنتیک در مقایسه با دو روش دیگر بیش تر می باشد. در مرحله کاهش رنگ به دلیل ایجاد طرح بافت نایکنواخت در تصویر شبیه سازی شده، نیاز به مطالعه بیشتری وجود دارد. نتایج تشخیص طرح رنگ و طرح بافت نشان می دهد که روش ارائه شده قابلیت تشخیص طرح رنگ و بافت صحیح با دقت بیش از 98 درصد حتی با وجود ایراد تا سه نخ در تصویر شبیه سازی شده را دارد.

آویزش پارچه یکی از خواص مکانیکی بسیار مهم می باشد که روی زیبایی ظاهری لباس تاثیر می گذارد. وقتی که یک پارچه در حال آویزش است پارچه می تواند در یک یا چند جهت براساس ساختارش تغییر شکل دهد. از اینرو آویزش پارچه یک رفتار مکانیکی پیچیده است که تغییر شکل-های بزرگی را تحت تنش کم ایجاد می کند. ماهیت پیچیده ی پارچه همراه با توسعه در تکنولوژی ارتباطات، برنامه های کاربردی جدید برای پارچه و تمایل محققان برای مطالعه ی پارچه در یک محیط مجازی، فرصت های جدیدی را برای مدل سازی پارچه ایجاد کرده است.