Automated Dimensional Verification of Textile Cuts Using Improved U-Net and ResUnet Models

In der Welt der Bekleidungsherstellung kommt der Unterschied zwischen einem Kleidungsstück, das perfekt sitzt, und einem, das sich ungeschickt anfühlt, oft auf wenige Millimeter an. Wenn eine Fabrik Stoff schneidet, um ein Hemd, einen Ärmel oder einen Kragen zu fertigen, müssen diese Teile einem präzisen Entwurf entsprechen. Wenn ein Teil auch nur ein klein wenig zu groß oder zu klein ist, bleibt das Problem nicht isoliert; es zieht sich durch die gesamte Montagelinie, was dazu führt, dass das Endprodukt falsch aussieht, sich ungleichmäßig zusammenzieht oder eine teure Nacharbeit erfordert. Jahrzehntelang war die Überprüfung dieser Dimensionen eine langsame, manuelle Aufgabe. Fachkräfte mussten jedes Stoffstück auslegen, es von Hand glätten und mit Linealen oder Schablonen ausmessen. Dieser Prozess ist nicht nur zeitaufwendig, sondern auch anfällig für menschliche Fehler, da die weiche, dehnbare Natur des Stoffes es schwierig macht, ihn perfekt ruhig zu halten, und verschiedene Arbeiter dasselbe Stück leicht unterschiedlich messen könnten.

Um dies zu lösen, haben Forscher die Computer Vision genutzt, ein Feld, in dem Kameras und Software zusammenarbeiten, um Objekte zu „sehen“ und zu messen. Das Messen eines flachen Stoffstücks ist jedoch wesentlich schwieriger als das Messen eines starren Metallteils. Stoff faltet, verschiebt und verformt sich, was Standard-Messwerkzeuge verwirrt, die gerade Linien und feste Formen erwarten. Die Herausforderung besteht darin, ein System zu entwickeln, das in der Lage ist, ein Foto eines zugeschnittenen Stoffstücks zu betrachten, seine exakte Kontur nachzuzeichnen, spezifische Punkte auf dieser Kontur zu finden und seine reale Größe mit Millimeterpräzision zu berechnen – und zwar, ohne dass ein Mensch eingreifen muss.

Ein Team von Forschern der Peruvian University of Applied Sciences hat ein neues automatisiertes System entwickelt, das genau dieses Problem angeht. Sie haben einen spezialisierten Aufbau geschaffen, um Textilschnitte zu fotografieren, und anschließend fortschrittliche künstliche Intelligenz eingesetzt, um die Bilder zu analysieren. Anstatt sich auf eine einzige, starre Methode zu verlassen, passt sich ihr System an die spezifische Form des untersuchten Stoffstücks an. Für einige Teile eines Hemdes, wie etwa einen kleinen Kragen, eignet sich eine andere Art der Analyse am besten; für größere Abschnitte wie das Rückenteil liefert ein anderer Ansatz bessere Ergebnisse. Die Forscher testeten ihr System an vier grundlegenden Teilen eines T-Shirts: dem Vorderteil, dem Rückenteil, dem Kragen und den Ärmeln. Sie fanden heraus, dass sie durch die Kombination verschiedener mathematischer Strategien innerhalb ihrer Software eine Genauigkeit erreichen konnten, die der von menschlichen Experten ebenbürtig ist, jedoch mit der Geschwindigkeit und Konsistenz einer Maschine.

Das Herzstück ihrer Lösung ist eine eigens konstruierte Kamera-Kammer. Stellen Sie sich eine kleine, lichtundurchlässige Box vor, in der die Beleuchtung vollkommen gleichmäßig ist und die Kamera fest fixiert ist, sodass sie sich niemals bewegt oder ihren Fokus verändert. In dieser Box platziert ein Arbeiter ein zugeschnittenes Stoffstück auf einer flachen, weißen Oberfläche. Die Kamera macht ein hochauflösendes Foto, und das System beginnt sofort mit seiner Arbeit. Die Software bereinigt zuerst das Bild und nutzt dann zwei verschiedene Arten von Deep-Learning-Modellen – was im Wesentlichen hochtrainierte digitale Gehirne sind –, um die Kontur des Stoffes nachzuzeichnen. Diese Modelle suchen nicht nur nach Kanten; sie sind darauf trainiert, die komplexen Kurven und weichen Grenzen von Stoff zu verstehen. Um sicherzustellen, dass diese digitalen Gehirne korrekt lernen, haben die Forscher sie mit einer speziellen Kombination aus drei verschiedenen Lernregeln trainiert. Eine Regel hilft dem Modell, die Gesamtform zu verstehen, eine andere konzentriert sich auf die präzisen Kanten, und eine dritte hilft ihm, besonders auf schwierige Bereiche zu achten, in denen der Stoff mit dem Hintergrund verschmelzen könnte. Durch das Mischen dieser Regeln lernt das System, die Kontur des Stoffes mit äußerster Sorgfalt zu zeichnen und dabei die gezackten oder unscharfen Kanten zu vermeiden, die automatisierte Systeme oft plagen.

Sob{ie} das die Software die Kontur nachgezeichnet hat, identifiziert sie Schlüsselpunkte entlang dieser Kante, wie etwa die Ecken eines Kragens oder die Enden eines Ärmels. Dies ist ein entscheidender Schritt, da das System den Abstand zwischen diesen spezifischen Punkten messen muss, um festzustellen, ob das Teil die richtige Größe hat. Die Forscher fanden heraus, dass die beste Methode, um diese Punkte zu finden, von der Form des Stoffes abhängt. Für kleinere, komplexere Teile wie Kragen funktionierte eine bestimmte Konfiguration ihrer Software am besten. Für größere, einfachere Teile wie Vorder- und Rückseite des Shirts war eine andere Konfiguration zuverlässiger. Das System ist intelligent genug, um das richtige Werkzeug für die jeweilige Aufgabe zu wählen und automatisch die beste Einstellung basierend auf dem, was es im Bild sieht, auszuwählen. Nach der Identifizierung der Punkte konvertiert das System den Abstand zwischen ihnen von Pixeln auf einem Bildschirm in reale Millimeter. Sie kalibrierten diese Konvertierung mithilfe einer bekannten Referenzlänge, um sicherzustellen, dass eine Messung von 100 Pixeln immer die gleiche physische Distanz entspricht, unabhängig von der Textur des Stoffes oder leichten Variationen in der Beleuchtung.

Die Ergebnisse dieser Studie zeigen, dass das System mit bemerkenswerter Präzision arbeitet. Bei Tests an den verschiedenen Teilen des T-Shirts erreichte die Software eine Genauigkeit, bei der die Messungen nur um etwa einen Millimeter abwichen. Dieses Maß an Präzision ist signifikant, da es die strengen Anforderungen der industriellen Fertigung erfüllt, in der selbst kleine Fehler eine ganze Charge von Kleidung ruinieren können. Das System schnitt besser ab als ältere, starre Methoden, die für jeden Typ von Stoff dieselben Einstellungen verwendeten. Durch die Anpassung seines Ansatzes an die spezifische Geometrie jedes Stücks reduzierte das neue System die Fehler und lieferte konsistente Ergebnisse über alle getesteten Komponenten hinweg. Die Forscher stellten zudem fest, dass das System einen Abschlussbericht für jedes Teil erstellen kann, der dem Fabrikarbeiter genau mitteilt, welche Dimensionen korrekt waren und welche außerhalb des akzeptablen Bereichs lagen. Wenn ein Teil zu klein war, um repariert zu werden, markierte das System es zur Ablehnung; wenn es nur leicht daneben lag, aber gerettet werden konnte, lieferte es auch diese Information.

Diese Arbeit zeigt, dass die automatisierte Qualitätskontrolle für Textilien nicht nur möglich, sondern auch hocheffektiv sein kann, wenn die Technologie auf die einzigartigen Herausforderungen von Stoff zugeschnitten ist. Die Forscher haben nicht nur ein schnelleres Lineal gebaut; sie haben ein flexibles System geschaffen, das die Nuancen von Stoff versteht. Obwohl sich die Studie auf ein einzelnes T-Shirt-Modell konzentrierte, deutet der Ansatz auf einen Weg für die gesamte Branche hin. Durch den Übergang von manueller Messung hin zu einer adaptiven, computerbasierten Verifizierung können Fabriken Abfall reduzieren, die Produktion beschleunigen und sicherstellen, dass jedes Kleidungsstück, das die Linie verlässt, denselben hohen Standard an Passform und Qualität erfüllt. Das System stellt eine praktische, skalierbare Lösung dar, die die Lücke zwischen der weichen, unvorhersehbaren Natur von Stoff und den starren Anforderungen der modernen Fertigung schließt.