El color es una característica indispensable en la calidad de diversos productos, para lograr una apropiada coloración es necesario determinar la proporción de colorantes requeridos para conseguir una exacta coincidencia del color que se desea. En la industria textil, el desarrollo de una apropiada coloración es un estándar de calidad indispensable, ya que genera un impacto directo en el nivel de agrado de un producto. Actualmente en la industria textil, el desarrollo de la formulación de color depende de un maestro colorista, por lo que este proceso es altamente subjetivo, pues depende de la experiencia del colorista para lograr una coincidencia de color en función de su apreciación. A su vez, la evaluación visual del color depende de factores ambientales como: tipo de iluminación, la incidencia de la luz y el color de fondo empleado. Debido a la subjetividad y poca estandarización de la formulación del color en la industria textil, es necesario el desarrollo de nuevas técnicas que permitan generar formulaciones de color más exactas. Las redes neuronales artificiales (RNA) son herramientas inteligentes que pueden ser entrenadas para imitar la forma de trabajo de los coloristas, permitiendo así la minimización del error entre el color a desarrollar y un color objetivo. Con una RNA es posible generar recetas de color óptimas, de una manera más rápida y continua dentro de un proceso de fabricación. Para eliminar la subjetividad de la evaluación visual del color, la RNA puede ser alimentada con datos colorimétricos precisos del objeto bajo estudio. En el presente trabajo se presenta el uso de una RNA de retro propagación de 3 capas, que genera formulaciones de color para productos textiles a partir de coordenadas de color L, a*, b* proporcionadas por un colorímetro. El coeficiente de determinación R total obtenido por la RNA propuesta fue de 0.99776 obteniendo un medio cuadrado del error de 0.0016 y 0.0019 en mililitros respectivamente para los colorantes empleados.Introducción: La evaluación del color es un estándar de calidad de suma importancia, el cual incide en el nivel de aceptación o rechazo de diversos productos en el sector industrial (Li, Wang, & Jing, 2015). En la industria textil uno de los más importantes procesos es el desarrollo de una coloración apropiada para teñir cierto tipo de tejido por medio de la generación de recetas de color adecuadas (Furferi & Carfagni, 2010). La valoración del color en la industria textil depende en mayor medida de la evaluación visual del producto, la cual es altamente subjetiva, debido a que la percepción del color se ve afectada por diversos factores ambientales así como el entrenamiento del evaluador. Actualmente se han desarrollado diversos métodos para el análisis de la percepción del color. En éstos se han empleado técnicas y herramientas de inteligencia artificial, como son las RNA (Li, Wang, & Jing, 2015).El presente artículo propone el desarrollo de un sistema para la obtención de recetas de color, en el cual se empleó una RNA de retro propagación para generar formulaciones de color que presenten poca variación con base a un patrón de color establecido, empleando como instrumento de medición un colorímetro, esto debido a su bajo costo en relación con el espectrofotómetro para obtener las coordenadas colorimétricas de evaluación del color que permitieron entrenar a la RNA empleada, disminuyendo así la subjetividad de la evaluación y formulación del color, al emplear técnicas instrumentales dentro del proceso.Método: Para el presente artículo, teniendo como base tela de algodón y 2 pigmentos tipo cubas (color azul y amarillo), se generaron 4 muestras colorimétricas correspondientes a 5 formulaciones propuestas, las cuales se replicaron 4 veces, obteniéndose así un total de 20 unidades experimentales, de las que se generaron un total de 840 datos colorimétricos (correspondientes a los vectores L, a*, b* del espacio de color CIELAB); estos datos fueron analizados para determinar si presentaban diferencias significativas que pudieran influir en el desempeño de la red en la formulación del color; concluido este análisis los datos fueron empleados para entrenar una RNA de retro propagación.La RNA fue analizada con 5, 10, 15 y 20 neuronas en la capa oculta, para determinar la mejor estructura que permita minimizar los errores de formulación de manera adecuada y rápida. La selección de la red dependió del valor del coeficiente de correlación (valor R) el cual se pretendió fuera cercano a 1. Concluido este proceso, se obtuvo una formulación de color propuesta por la salida de la RNA, la cual fue analizada para obtener el cuadrado medio de error (MSE); y verificar el desempeño de la RNA construida en función de la exactitud lograda en la igualación del color de la formulación generada.Resultados: El análisis ANOVA realizado arrojó que existe diferencia significativa para la variable muestra, pero ésta diferencia no afectó el desempeño del entrenamiento de la RNA para la obtención de formulaciones de color adecuadas y precisas.La RNA de retro propagación diseñada mostró un buen desempeño para cada uno de los casos analizados; tomando como base el valor R obtenido en el entrenamiento, se seleccionó la RNA más adecuada para el propósito de la investigación; obteniendo así formulaciones de color adecuadas; las cuales fueron analizadas para obtener el valor del error medio cuadrado (MSE) para cada colorante empleado y verificar así el desempeño de la RNA seleccionada.Discusión o Conclusión: Una RNA de retro propagación es capaz de minimizar los errores de formulación en productos textiles, en el presente artículo, con el propósito de minimizar dichos errores, se entrenó una RNA de retro propagación; la cual contó con una estructura 3-5-2 y presentó un buen desempeño para la resolución de este tipo de problemas, con el entrenamiento de la RNA se consiguió obtener una formulación de color adecuada, la cual presentó un error medio cuadrado de 0.0016628 para el colorante azul y 0.0019724 para el colorante amarillo, el coeficiente de correlación R total obtenido por la RNA fue de 0.99776, este valor indica que la red generada es capaz de explicar el 99.77% de la variación observada en los datos empleados para su entrenamiento.
