هوش مصنوعی در طراحی فرش بیشتر با روش «انتقال سبک عصبی» آزموده شده است؛ روشی که سبک یک تصویر را بر محتوای تصویری دیگر مینشاند. پژوهشی در دانشگاه شهید باهنر کرمان با ترکیب روشهای Style-Swap، گاتیس و CLIPStyler نقشههایی برای «فرش ایرانی مدرن» ساخت و آنها را با پرسشنامه ارزیابی کرد. در کنار طراحی، بینایی ماشین برای تحلیل طرحهای تاریخی و بازرسی عیوب بافتهها نیز به کار میرود، هرچند بسیاری از این کارها هنوز در مرحلهٔ پژوهش یا پیشنهادند.
- فناوری اصلی
- شبکههای عصبی کانولوشنی، انتقال سبک عصبی
- نام انگلیسی
- AI in carpet design
- کاربردهای دیگر
- تحلیل طرحهای تاریخی، کنترل کیفیت
- پژوهش شاخص ایرانی
- رحمتیان و همکاران، ۲۰۲۴م
- روشهای بررسیشده
- Gatys، Style-Swap، CLIPStyler، CAMS
- شیوهٔ ارزیابی آن پژوهش
- پرسشنامه (کارشناسان و مخاطبان عام)
- بخش
- فناوری و نوآوری
- آخرین بهروزرسانی
- ۷ مهر ۱۴۰۵
فهرست مطالب
هوش مصنوعی و فرش
هوش مصنوعی در صنعت فرش دستکم در سه زمینه مطرح شده است: تولید طرح و نقشهٔ فرش (نیز نک. طرحهای فرش ایرانی)، تحلیل مجموعههای طرحهای تاریخی، و بازرسی خودکار کیفیت بافتهها[۱][۲][۳]. شناختهشدهترین پژوهش ایرانی در زمینهٔ نخست، مقالهای از درسا رحمتیان، منیره مشوش، مهدی افتخاری و کامران حسینخانی است که در ۲۰۲۴م در «مجلهٔ پژوهشهای ریاضی ماهانی» دانشگاه شهید باهنر کرمان منتشر شد[۱]. یکی از نویسندگان عضو گروه فرش دانشکدهٔ هنر همان دانشگاه است و پژوهش را صندوق حمایت از پژوهشگران و فناوران کشور پشتیبانی کرده است[۱]. این مقاله بیشتر بر همین پژوهش تکیه دارد و سپس به کاربردهای گستردهتر میپردازد.
مسئله: نقشهکشی کند و پرهزینه
به گفتهٔ نویسندگان، نقشهکشی سنتی فرش سه مرحله دارد: طرح اولیه، نقطهگذاری و رنگآمیزی؛ و این فرایند کند، پرهزینه و کمتنوع است[۱]. هدف آنها تولید «نقشهٔ فرش ایرانی مدرن» با شبکههای عصبی ژرف و روشهای انتقال سبک بود تا هم سرعت افزایش یابد و هم دخالت انسانی کمتر شود[۱].
انتقال سبک عصبی چیست؟
انتقال سبک عصبی (Neural Style Transfer) یعنی نشاندن بافت و «سبک» یک تصویر، که تصویر سبک خوانده میشود، بر محتوای تصویری دیگر، یعنی تصویر محتوا، با کمک ویژگیهایی که یک شبکهٔ عصبی کانولوشنی استخراج میکند[۱]. سه روش اصلی در این پژوهش به کار رفته است.
روش گاتیس
در روش گاتیس، محتوا از لایههای ژرف شبکه گرفته میشود و سبک با «ماتریس گرام»، یعنی همبستگی میان کانالهای ویژگی، نمایش داده میشود؛ سپس تصویر خروجی با پسانتشار خطا گامبهگام بهینه میشود[۱][۴]. مقالهٔ اصلی گاتیس و همکاران (CVPR ۲۰۱۶م) از شبکهٔ VGG نوزدهلایه (VGG-19) استفاده کرده است؛ این در حالی است که مقالهٔ رحمتیان و همکاران در یک بخش از VGG-16 نام میبرد و در بخشی دیگر، برای Style-Swap، از VGG-19، که نشاندهندهٔ ناسازگاری در گزارش است[۴][۱].
Style-Swap
روش Style-Swap را چن و اشمیت در ۲۰۱۶م معرفی کردند؛ روشی مبتنی بر تطبیق محلی در یک لایهٔ شبکهٔ ازپیشآموزشدیده که با یک شبکهٔ معکوس امکان ترکیب هر محتوا و هر سبکی را فراهم میکند[۵]. در این روش ویژگیها به وصلههای (patch) هماندازه تقسیم میشوند و هر وصلهٔ محتوا با شبیهترین وصلهٔ سبک جایگزین میشود؛ اندازهٔ وصله تعیین میکند چه اندازه از جزئیات نقشهٔ اولیه حفظ شود[۱].
CLIPStyler
CLIPStyler، معرفیشده از سوی کوون و یه در ۲۰۲۲م، به جای تصویر سبک تنها یک متن توصیفی میگیرد و با بهره از فضای مشترک متن و تصویر در مدل CLIP، سبک خواستهشده را بر تصویر مینشاند[۶][۱]. برای رنگآمیزی نیز روشی به نام CAMS به کار رفته که بافت هر رنگ را به نزدیکترین رنگ تصویر محتوا منتقل میکند[۱].
روش پیشنهادی رحمتیان و همکاران
الگوریتم پیشنهادی دو مرحله دارد[۱]. در مرحلهٔ نخست، Style-Swap روی یک نقشهٔ سنتی اجرا میشود و نقشهای اسلیمی و الگوهای فراکتال بهعنوان تصویر سبک به کار میروند[۱]. در مرحلهٔ دوم، برای ساختن طرحهای متنوعتر، یکی از سه روش Style-Swap، گاتیس یا CLIPStyler اجرا میشود و سپس رنگآمیزی با یکی از روشهای گاتیس، CAMS یا CLIPStyler انجام میگیرد[۱].
| تنظیم | مقدار |
|---|---|
| اندازهٔ وصله و گام در Style-Swap | ۵ و ۳[۱] |
| شمار رنگهای پالت در CAMS | ۵[۱] |
| شمار تکرار: گاتیس / CAMS / CLIPStyler | ۵۰۰ / ۳۰۰ / ۱۰[۱] |
ارزیابی و یافتهها
نقشههای تولیدشده با دو پرسشنامه و در مقیاسی چهارسطحی ارزیابی شدند: پرسشنامهٔ نخست را ۲۸ کارشناس فرش و ۱۳۸ مخاطب عام و پرسشنامهٔ دوم را ۲۰ کارشناس و ۱۳۶ مخاطب عام پاسخ دادند[۱]. بر پایهٔ نتایج، ترکیب Swap-Gatys زیباترین نقشههای خاکستری را ساخت و Swap-Clip نوآورانهترین آنها را[۱]. در معیار «پذیرش»، کارشناسان ترکیب Swap-Swap را ترجیح دادند و مخاطبان عام Swap-Gatys را؛ در رنگآمیزی نیز ترتیب ترجیح گاتیس، CLIPStyler و سپس CAMS بود[۱].
محدودیتها و نقدها
- ارزیابی تنها با نظرسنجی: داوری کیفیت نقشهها فقط بر پایهٔ پرسشنامه است و آزمون آماری معنادار یا معیار کمّی گزارش نشده است[۱].
- بافتپذیری: مقاله نشان نمیدهد که طرحهای تولیدشده چگونه به نقشهٔ شطرنجی قابلبافت، با رجشمار و گره مشخص، تبدیل میشوند؛ پیوند آن با تولید واقعی هنوز آزموده نشده است[۱].
- ادعای تقدم: نویسندگان کار خود را «نخستین» کاربرد روشهای هوشمند در تولید نقشهٔ فرش میخوانند، اما این ادعا بدون مرور جامع پیشینه مطرح شده و باید آن را «به گفتهٔ نویسندگان» دانست[۱].
- ناسازگاری فنی: همانگونه که گفته شد، گزارش مقاله دربارهٔ نسخهٔ شبکهٔ VGG یکدست نیست[۱][۴].
فراتر از طراحی: تحلیل طرح و کنترل کیفیت
تحلیل طرحهای تاریخی
یادگیری ماشین برای شناخت طرحهای تاریخی نیز به کار رفته است. پژوهشی از سیامک سربازی و همکاران مجموعهدادهای از طرحها و نقوش فرشهای دورهٔ قاجار با ۸۰۰ رکورد (۲۰۰ تصویر اصلی و ۶۰۰ نسخهٔ افزوده) از موزههای مطرح گرد آورد[۲]. بر پایهٔ یافتههای آن، طرحهای افشان و لچکترنج در این مجموعه غالباند و حدود ۴۱ درصد فرشها عناصر تصویری با تأثیر غربی دارند؛ نویسندگان کمبود داده را مانعی برای انتساب منطقهای میدانند[۲].
بازرسی عیوب با بینایی ماشین
بازرسی خودکار عیوب پارچه با بینایی ماشین پیشینهای طولانی در نساجی دارد؛ مروری مشهور در ۲۰۰۸م حدود ۱۶۰ پژوهش را بررسی کرد و روشها را به سه دستهٔ آماری، طیفی و مدلمحور تقسیم کرد و ترکیب آنها را کارآمدتر از هر روش منفرد دانست[۷]. در فرش ماشینی، پیشنهادی که در ۲۰۲۶م در arXiv منتشر شد، سامانهای با دوربینهای خطی و نورپردازی دوگانه برای بافتههای ویلتون و اکسمینستر طراحی کرده و عیوب را در هفت خانواده، از جمله عیوب ساختاری، پرز، رنگ، آلودگی، سوراخ و پارگی، طرح و پشت فرش، دستهبندی کرده است[۳]. نویسندهٔ آن تصریح میکند که این کار یک طرح پیشنهادی است و نتایج اندازهگیریشده از اجرای واقعی ندارد[۳]. برای شناخت این عیوب، مقالههای عیوب فرش ماشینی و عیوب فرش دستباف را ببینید.
چشمانداز
پژوهشهای موجود نشان میدهند که هوش مصنوعی میتواند در تولید ایدههای طراحی و تحلیل مجموعههای بزرگ طرح سودمند باشد، اما بیشتر آنها هنوز با ارزیابیهای محدود یا در مرحلهٔ پیشنهاد باقی ماندهاند[۱][۳]. این فناوری را میتوان در امتداد گرایشهای نوگرا در فرش معاصر دید؛ جریانی که بهکارگیری نرمافزار در تهیهٔ نقشه را یکی از محورهای دگرگونی فنی فرش میداند[۸].
پرسشهای پرتکرار
آیا هوش مصنوعی میتواند نقشهٔ فرش طراحی کند؟
پژوهشها نشان دادهاند که روشهای انتقال سبک عصبی میتوانند طرحهای تازهای شبیه نقشهٔ فرش بسازند، اما تبدیل این طرحها به نقشهٔ شطرنجی قابلبافت هنوز در این پژوهشها نشان داده نشده است.
انتقال سبک عصبی چیست؟
روشی است که با کمک یک شبکهٔ عصبی کانولوشنی، بافت و «سبک» یک تصویر را بر محتوای تصویری دیگر مینشاند؛ مثلاً ساختار یک نقشهٔ سنتی را با الگوهای اسلیمی یا فراکتال درمیآمیزد.
نخستین کاربرد هوش مصنوعی در نقشهٔ فرش کی بود؟
نویسندگان مقالهٔ انتقال سبک ۲۰۲۴م کار خود را نخستین کاربرد روشهای هوشمند در تولید نقشهٔ فرش معرفی کردهاند، اما این ادعای تقدم بدون مرور جامع پیشینه است و باید با احتیاط پذیرفته شود.
هوش مصنوعی در کنترل کیفیت فرش چه کاربردی دارد؟
بینایی ماشین میتواند با تصویربرداری از بافته و تحلیل آن، عیوبی مانند ایراد پرز، رنگ یا طرح را شناسایی کند؛ این حوزه در صنعت نساجی سابقهای طولانی دارد اما در فرش بیشتر در مرحلهٔ پژوهش است.
منابع
- Rahmatian, D.; Moshavash, M.; Eftekhari, M.; Hoseinkhani, K. (2024). "Generating Modern Persian Carpet Map by Style-Transfer". J. Mahani Math. Res. 13(1): 23–44. doi:10.22103/jmmr.2023.20648.1373مشاهده ↗ ↩
- سربازی، سیامک؛ یعقوبزاده، آزاده؛ سربازی، مهدی. «تحلیل اکتشافی و ایجاد مجموعه داده طرحها و نقوش فرش دوره قاجار: رویکردی مبتنی بر دادهها با تمرکز بر یادگیری ماشین». Future Research on AI and IoT 2(1)مشاهده ↗ ↩
- Erkinov, A. (2026). "Data Collection for Training Quality-Control AI in Carpet Manufacturing: A Design Proposal Grounded in a Six Sigma Project in Woven Carpet Production". arXiv:2606.01023مشاهده ↗ ↩
- Gatys, Ecker, Bethge (2016). "Image Style Transfer Using Convolutional Neural Networks", CVPRمشاهده ↗ ↩
- Chen, T. Q.; Schmidt, M. (2016). "Fast Patch-based Style Transfer of Arbitrary Style" (Style-Swap). arXiv:1612.04337مشاهده ↗ ↩
- Kwon, G.; Ye, J. C. (2022). "CLIPstyler: Image Style Transfer with a Single Text Condition". arXiv:2112.00374 (CVPR 2022)مشاهده ↗ ↩
- Kumar, A. (2008). "Computer-vision-based fabric defect detection: A survey". IEEE Transactions on Industrial Electronics 55(1): 348–363مشاهده ↗ ↩
- Tofighi, P.; Taheri, A.; Arbabi, B. (2026). "The Innovation of Iranian Carpets in the 14th Century S.H. and the Signs of Disruption in It". Jelve-y Honar (Alzahra), 18(2): 6–27. doi:10.22051/jjh.2025.50365.2319مشاهده ↗ ↩