Het primaire doel van dit onderzoek was het ontwikkelen van een snelle, gebruiksvriendelijke en kosteneffectieve methodologie voor het voorspellen van kledingcomfort met behulp van kunstmatige intelligentie (AI) om de beperkingen van de traditionele comfortbeoordelingsmethoden, die vaak tijdrovend, subjectief en beperkt in omvang zijn te overwinnen.

De voorgestelde AI-gebaseerde aanpak had tot doel deze tekortkomingen te overwinnen door gebruik te maken van grote datasets van kledingsystemen die onder gecontroleerde omstandigheden door menselijke proefpersonen zijn geëvalueerd. Deze methodologie is veelbelovend voor het begeleiden van textielfabrikanten bij het ontwerpen van kledingstukken, zoals werkkleding en sportkleding, met verbeterd comfort, afgestemd op specifieke gebruikssituaties.

Het comfort van kleding wordt beïnvloed door een groot aantal variabelen. Om een robuuste basis voor AI-modellering te garanderen, richtte het onderzoek zich op twee belangrijke variabelen: materiaalsoort en pasvorm van het kledingstuk. Andere invloedrijke factoren, zoals omgevingsomstandigheden, werkintensiteit en deelnemersprofielen, werden constant gehouden om de effecten van de geselecteerde variabelen te isoleren.

Er werd een gedetailleerd en reproduceerbaar testprotocol ontwikkeld dat strikt werd gevolgd tijdens de draagproeven. Mannelijke proefpersonen droegen kledingstukken die verschilden in materiaal en pasvorm, en beoordeelden hun comfort, thermische en vochtigheidsgevoelens tijdens indoor hardloopsessies in een gematigde omgeving. Tegelijkertijd werden fysiologische parameters (bijv. kerntemperatuur, huidtemperatuur, hartslag) continu gemonitord met behulp van niet-invasieve, in de handel verkrijgbare sensoren.

In totaal werden tijdens het project ongeveer 90 draagproeven uitgevoerd, 20 tests per deelnemer, elk met een duur van 30 minuten. De deelnemers beoordeelden het comfort van tien T-shirts en polo's, die in de praktijk vaak worden gebruikt als werkkleding met verschillende beschermingsniveaus. Elk kledingstuk werd beoordeeld door meerderen testpersonen.

Verder werden de comforteigenschappen van de gebreide materialen geanalyseerd en gebundeld in achttien technische fiches. Meerdere machine learning en neurale netwerkarchitecturen werden getest. Eenvoudige binaire neurale netwerken die gebruik maakten van materiaaleigenschappen en sensorgegevens bereikten een nauwkeurigheid van maximaal 92% bij het voorspellen van comfort. Het toevoegen van thermische beeldvorming verbeterde de prestaties van het model niet.

De succesvolle inzet van neurale netwerken toont de haalbaarheid aan van het integreren van AI in praktische workflows voor kledingontwerp. De dataset van kledingstukken is echter beperkt en mist demografische diversiteit, wat de generaliseerbaarheid van de bevindingen beperkt. Ook werden de omgevingsomstandigheden constant gehouden, waardoor de toepasbaarheid werd beperkt. Om vooruitgang te boeken op dit gebied en een bredere toepassing van AI-gestuurde comfortvoorspellingen mogelijk te maken, worden o.a. de volgende prioriteiten aanbevolen: (i) uitbreiding van de dataset om de diversiteit van de deelnemers te vergroten met vrouwen, ouderen en personen met verschillende fitnessniveaus en lichaamssamenstellingen; (ii) variatie in de omgeving, door systematische variatie in temperatuur en vochtigheid in te voeren,

om een beter inzicht te krijgen in de prestaties van stoffen, (iii) uitbreiding van de materiaaldataset, door representatieve en/of nieuwe materialen en meerlaagse kledingstelsels op te nemen, en (iv) geavanceerde modellering.

The need for protection and performance in various work and sport setups has driven the development of functional textiles and clothing with complex designs. Comfort is an important aspect for high performance sportswear and Personal Protective Equipment (PPE) as it affects the health, sports performance and work efficiency of athletes and workers. Unfortunately the comfort of these cloths, consisting of complex structures and special materials, is known to be poor. In many cases, the customers are satisfied with the functionality (i.e. protection against rain, cold, etc.) but disappointed in the poor comfort.
Problem and innovation target: none of the existing state-of-the-art comfort test methods is ideal. They typically require numerous physical prototypes, specialized test equipment, lengthy and costly wearer tests, etc. Physiological parameters, such as skin temperature (Tsk) is linked to thermal sensations and comfort of the human subject and can be accurately assessed by Infrared (IR) thermography. Comfort is a complex matter influenced by the intensity of the activity, climatic conditions, textile material properties, clothing design and fit. Artificial Intelligence, in particular Deep
Learning (DL), can be used to deal with these numerous parameters that influence the comfort.
Goal and objectives: ComforTex-AI will help overcoming these issues related to comfort and aims to develop algorithms that will result in an affordable, quick and user-friendly methodology to assess and optimize the garment comfort. Fabric comfort characteristics (Ret/Rct), physiological parameters (i.e. Tsk), environmental factors (i.e. air temperature/humidity), work intensity and garment fit will be
used as input for the AI Neural Networks (NN) that will predict comfort perceptions.
The main expected result is a new algorithm-driven methodology developed in the form of a userfriendly tool for companies to aid in the design of comfortable functional clothing. Further results include among others: (1) Large library with quantitative data (i.e. Tsk, fabric properties Ret/Rct,) tested via state-of-the-art equipment and qualitative data (i.e. comfort sensations from human
subjects) collected in various wear scenario’s; (2) AI algorithm to assess and optimize clothing comfort (on 5-points scale); (3) Data-based product classification for specific usage conditions; (4) Validated cases for sportswear, workwear and PPE for specific purposes.
Economic impact: implementation of the new methodology will assist the companies to make optimized choices of material and garment designs during the development phase. This will result in an increase of their turnover as a result of (1) shorter and cheaper development costs due to less physical prototypes and testing, (2) lower production costs due to more efficient use of materials and (3) merchandising of qualitative and comfortable clothing which comply with the wearer needs. This
will furthermore limit the premature discharging, overproduction and overconsumption, which are currently huge concerns for the textile and clothing sector. Due to its strong multidisciplinary character, ComforTex-AI will enable the acquirement of new skills and knowledge and strengthen the market position of the companies in the sector. The specific target group consists of manufacturers of workwear, PPE and sportswear (20 to 25 companies in Belgium and 30 companies in Germany) and also producers of fabrics (11 weaving mills and 21 knitting mills in
Belgium and 15 knitting mills in Germany). The project consortium consists of two sector associations (FKT as global coordinator and CREAMODA) and four RTOs with complementary expertise in materials and clothing comfort (HOGENT and Hohenstein Institute), IR thermography and AI techniques (UAntwerp and FITT / htw Saar). The user committee (UC) consists of Belgian and German companies
representing all segments of the value chain.