Moda Etiope e Intelligenza Artificiale: Viaggio nel Cuore dei Tessuti Habesha con il Deep Learning

Ciao a tutti! Oggi voglio portarvi con me in un viaggio affascinante, un ponte tra tradizione millenaria e tecnologia futuristica. Parleremo di tessuti meravigliosi, di cultura etiope e di come l’intelligenza artificiale stia imparando a riconoscerne la bellezza unica. Avete mai sentito parlare dell’Habesha kemis? È l’abito tradizionale etiope, indossato con orgoglio dalle donne della comunità Habesha. Un capo che racconta storie, intriso di storia e significato.

Cos’è l’Habesha Kemis? Un Tuffo nella Tradizione

Immaginate un abito lungo, fluttuante, solitamente di cotone bianco, con maniche ampie e uno scollo rotondo. Questo è il Kemis, il cuore pulsante dell’abbigliamento Habesha. È un simbolo di semplicità, eleganza e grazia. Ma non è solo: spesso viene accompagnato dal Netela, uno scialle leggero drappeggiato con maestria, e per gli uomini, specialmente nelle occasioni formali o con clima più freddo, c’è il Gabi, un mantello rettangolare di grande impatto.

Questi abiti, in particolare il Kemis, non sono tutti uguali. Inizialmente erano lunghi vestiti con corpetti aderenti, ma nel tempo i design si sono evoluti. Soprattutto nella regione Amhara, diversi gruppi etnici come Gojjam, Gondar, Shewa, Agew e Wollo hanno sviluppato stili distinti. A prima vista potrebbero sembrare simili, ma è nei ricami che si cela la vera magia: motivi, forme e colori unici che rappresentano l’eredità culturale specifica di ogni area. Pensate che meraviglia!

Recentemente, questi tessuti hanno iniziato a farsi notare anche a livello internazionale. Designer, storici della moda ed appassionati sono rimasti affascinati dalla loro bellezza e dal loro significato profondo. Li vediamo sfilare sulle passerelle globali, fondendo tradizione e modernità. Studiare questi tessuti ci permette di apprezzare la diversità, l’arte e il simbolismo che portano con sé, aprendo un dialogo interculturale prezioso.

La Sfida: Distinguere i Ricami Regionali

Ma come si fa a distinguere un Kemis di Gojjam da uno di Gondar o Shewa basandosi solo sul ricamo? Per un occhio esperto, magari è possibile notare le sottili differenze nei motivi, nelle combinazioni di colori, nella disposizione dei disegni (alcuni hanno ricami sulle spalle, altri sul fondo, altri sui polsini). Ad esempio:

• Shewa: Ricami su polsini, centro, fondo o tutti e tre, spesso su lino bianco, abbinato a un Netela dello stesso tessuto e colore.
• Gonder: Ricamo elaborato sulla spalla e un’ampia fascia ricamata sull’orlo inferiore, ma solo sul retro. Ha anche ricami sulla manica.
• Gojjam: Simile a Gonder ma con un disegno diverso sulla spalla e una combinazione di colori differente nel ricamo frontale.
• Wollo: Ampio ricamo frontale e un disegno sulla manica all’altezza della mano.
• Agew: Ricorda Shewa e Gojjam, ma si distingue per lo stile del ricamo e la palette di colori.

Tutti sono generalmente abbinati al Netela bianco. Capite bene che classificare manualmente un gran numero di questi abiti può essere complesso e richiedere tempo. Ed è qui che entra in gioco la tecnologia!

Deep Learning: L’Occhio Artificiale che Impara la Tradizione

Avete presente il Deep Learning (DL)? È una branca dell’intelligenza artificiale che si ispira al funzionamento del cervello umano, usando reti neurali con molti strati per imparare da grandi quantità di dati. Nel nostro caso, i dati sono immagini degli Habesha kemis.

Abbiamo utilizzato specifiche architetture di reti neurali chiamate Reti Neurali Convoluzionali (CNN), perfette per analizzare le immagini. Modelli come VGG16, VGG19 e ResNet50v2 sono stati “addestrati” per riconoscere le caratteristiche distintive dei ricami di ogni regione (Agew, Gojjam, Gonder, Shewa, Wollo). Immaginate queste reti come degli studenti super diligenti: strato dopo strato, imparano a riconoscere prima dettagli semplici (linee, curve, colori base) e poi combinazioni sempre più complesse (motivi specifici, forme particolari) fino a poter dire: “Questo è un ricamo stile Gondar!”.

Il Nostro Esperimento: Come Abbiamo Fatto?

Il processo è stato meticoloso e affascinante. Ecco i passaggi chiave:

1. Raccolta Dati: Abbiamo bussato alle porte di istituti culturali (come l’Hadis Alemayehu Institute of Cultural Studies), uffici regionali e negozi, persino convertito video culturali in immagini! Abbiamo usato uno smartphone Samsung Galaxy M30 per scattare foto e raccolto un bel po’ di materiale. Fondamentale è stata la collaborazione con esperti locali che ci hanno aiutato a etichettare correttamente ogni immagine secondo la sua origine regionale. Inizialmente avevamo 320 immagini per ciascuna delle 5 classi, per un totale di 1600 immagini.

2. Preprocessing delle Immagini: Le immagini grezze non vanno bene per le reti neurali. Dovevamo “pulirle” e standardizzarle.

• Ridimensionamento: Tutte le immagini sono state portate a una dimensione standard (abbiamo provato 64×64, 128×128 e 224×224 pixel, quest’ultima ha dato i risultati migliori).
• Miglioramento Qualità: Abbiamo ridotto il “rumore” (imperfezioni) usando tecniche come il filtro Gaussiano (Gaussian blur 5×5) per rendere l’immagine più liscia.
• Aumento del Contrasto: Per far risaltare meglio i dettagli dei ricami, abbiamo usato una tecnica avanzata chiamata CLAHE (Contrast Limited Adaptive Histogram Equalization), che migliora il contrasto localmente senza amplificare troppo il rumore.

3. Data Augmentation: 1600 immagini sono un buon punto di partenza, ma per addestrare bene una rete neurale, più dati ci sono, meglio è! Abbiamo quindi “aumentato” il nostro dataset applicando piccole modifiche alle immagini esistenti: rotazioni, spostamenti orizzontali e verticali, flip (ribaltamenti). Questo non solo aumenta il numero di immagini (siamo arrivati a 3.270!), ma aiuta anche il modello a diventare più robusto e a generalizzare meglio, evitando l’overfitting (cioè imparare troppo a memoria i dati di training e non funzionare bene su dati nuovi).

4. Segmentazione dell’Immagine: Volevamo che il modello si concentrasse *solo* sul ricamo, ignorando lo sfondo. Abbiamo usato tecniche di visione artificiale per isolare i motivi:

• Canny Edge Detection: Per trovare i contorni netti del ricamo.
• Dilation: Per “inspessire” leggermente i contorni trovati e renderli più definiti.
• Contour Detection: Per identificare precisamente le aree corrispondenti ai ricami.

In questo modo, abbiamo potuto “ritagliare” automaticamente le parti importanti dell’immagine da dare in pasto alla rete neurale.

5. Addestramento e Valutazione: Abbiamo diviso il nostro dataset potenziato: l’80% per addestrare i modelli (VGG16, VGG19, ResNet50v2) e il 20% per testare le loro performance su immagini mai viste prima. Durante l’addestramento, abbiamo usato un ottimizzatore chiamato Adam e provato diversi parametri, come la dimensione del batch (quante immagini processare insieme, 32 o 64) e il numero di epoche (quante volte mostrare l’intero dataset al modello, nel nostro caso 30 è risultato ottimale). Abbiamo usato la funzione di attivazione SoftMax nell’ultimo strato per ottenere la probabilità che un’immagine appartenesse a ciascuna delle 5 classi.

I Risultati: VGG16 Vince la Sfida!

E ora, il momento della verità! Quale modello si è comportato meglio? Rullo di tamburi… VGG16!

Con una dimensione delle immagini di 224×224 e un batch size di 64, il modello VGG16 ha raggiunto un’accuratezza impressionante:

• 99.62% sui dati di addestramento
• 95.72% sui dati di test!

Questo significa che il modello è stato capace di classificare correttamente quasi il 96% delle immagini di Habesha kemis mai viste prima, distinguendo tra gli stili di Agew, Gojjam, Gonder, Shewa e Wollo basandosi sui loro ricami. Un risultato fantastico!

Abbiamo confrontato VGG16 con VGG19 (che ha ottenuto il 94.72% di accuratezza sul test) e ResNet50v2 (che si è fermato al 69%). VGG16 non solo è stato il più accurato, ma ha anche mostrato un buon equilibrio tra performance su training e test (specialmente con batch size 64), suggerendo che le tecniche di data augmentation hanno funzionato bene nel prevenire l’overfitting. Inoltre, VGG16 è un modello relativamente efficiente in termini di risorse computazionali rispetto ad altri.

Perché Tutto Questo è Importante?

Ok, abbiamo un modello AI che riconosce i ricami etiopi. E quindi? Beh, le implicazioni sono più grandi di quanto sembri!

• Preservazione Culturale: Questa tecnologia può aiutare a documentare e catalogare digitalmente i diversi stili regionali, preservando un patrimonio culturale prezioso prima che vada perso o si mescoli troppo.
• Supporto agli Artigiani: Può fornire strumenti agli artigiani per ottimizzare i pattern, garantire la coerenza e la precisione, magari anche per creare nuovi design ispirati alla tradizione ma con un tocco moderno.
• Industria della Moda e Commercio: Potrebbe velocizzare la produzione, migliorare il controllo qualità e aiutare nella promozione internazionale di questi capi unici, garantendo l’autenticità. Immaginate un’app che riconosce lo stile di un Kemis da una foto!
• Ricerca e Sviluppo: Apre nuove strade per studiare l’evoluzione dei design tessili e per applicare l’AI ad altri ambiti dell’artigianato culturale.

In pratica, stiamo usando l’intelligenza artificiale non per sostituire la tradizione, ma per valorizzarla, proteggerla e darle nuove opportunità nel mondo moderno. È un modo per far dialogare passato e futuro, celebrando la bellezza intramontabile dell’Habesha kemis.

Questo studio dimostra come le CNN siano uno strumento potente per l’analisi automatica dei tessuti tradizionali. C’è ancora tanto da esplorare, ma i risultati sono incredibilmente promettenti. La prossima volta che vedrete un Habesha kemis, guardate attentamente i suoi ricami: ora sapete che dietro quella bellezza c’è una storia, una cultura e, forse, anche un algoritmo di deep learning che la sta studiando!

Fonte: Springer