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

En el mundo de la confección de ropa, la diferencia entre una prenda que queda perfecta y una que se siente incómoda suele reducirse a unos pocos milímetros. Cuando una fábrica corta tela para crear una camisa, una manga o un cuello, esas piezas deben coincidir con un plano preciso. Si una pieza es incluso ligeramente más grande o más pequeña, el problema no se queda aislado; viaja a través de la línea de montaje, provocando que el producto final se vea mal, se encoja de forma irregular o requiera un costoso retrabajo. Durante décadas, verificar estas dimensiones ha sido una tarea lenta y manual. Trabajadores cualificados han tenido que extender cada pieza de tela, aplanarla a mano y medirla con reglas o plantillas. Este proceso no solo consume mucho tiempo, sino que también es propenso al error humano, ya que la naturaleza suave y elástica de la tela hace que sea difícil mantenerla perfectamente quieta, y diferentes trabajadores podrían medir la misma pieza de forma ligeramente distinta.

Para resolver esto, los investigadores se han volcado hacia la visión artificial, un campo donde las cámaras y el software trabajan juntos para "ver" y medir objetos. Sin embargo, medir una pieza de tela plana es mucho más difícil que medir una pieza de metal rígida. La tela se arruga, se desplaza y se deforma, confundiendo a las herramientas de medición estándar que esperan líneas rectas y formas fijas. El desafío consiste en construir un sistema que pueda mirar una fotografía de una pieza de tela cortada, trazar su contorno exacto, encontrar puntos específicos en ese contorno y calcular su tamaño en el mundo real con precisión milimétrica, todo sin que un humano tenga que tocarla.

Un equipo de investigadores de la Universidad Peruana de Ciencias Aplicadas ha desarrollado un nuevo sistema automatizado diseñado para abordar precisamente este problema. Crearon una configuración especializada para fotografiar cortes textiles y luego utilizaron inteligencia artificial avanzada para analizar las imágenes. En lugar de depender de un método único y rígido, su sistema se adapta a la forma específica de la pieza de tela que está examinando. Para algunas partes de una camisa, como un cuello pequeño, funciona mejor un tipo de análisis; para secciones más grandes como el panel trasero, un enfoque diferente ofrece mejores resultados. Los investigadores probaron su sistema en cuatro partes fundamentales de una camiseta: el panel frontal, el panel posterior, el cuello y las mangas. Descubrieron que, al combinar diferentes estrategias matemáticas dentro de su software, podían lograr un nivel de precisión que rivaliza con el de los expertos humanos, pero con la velocidad y la consistencia de una máquina.

El corazón de su solución es una cámara de captura construida a medida. Imagine una pequeña caja a prueba de luz donde la iluminación es perfectamente uniforme y la cámara está fija en su lugar, de modo que nunca se mueve ni cambia su enfoque. Dentro de esta caja, un trabajador coloca una pieza de tela cortada sobre una superficie blanca y plana. La cámara toma una fotografía de alta resolución y el sistema comienza inmediatamente su trabajo. El software primero limpia la imagen y luego utiliza dos tipos diferentes de modelos de aprendizaje profundo, que son esencialmente cerebros digitales altamente entrenados, para trazar el contorno de la tela. Estos modelos no solo buscan bordes; están entrenados para comprender las curvas complejas y los límites suaves de la tela. Para asegurar que estos cerebros digitales aprendan correctamente, los investigadores los enseñaron utilizando una combinación especial de tres reglas de aprendizaje distintas. Una regla ayuda al modelo a comprender la forma general, otra se enfoca en los bordes precisos y una tercera ayuda a prestar especial atención a las áreas complicadas donde la tela podría mezclarse con el fondo. Al mezclar estas reglas, el sistema aprende a dibujar el contorno de la tela con extremo cuidado, evitando los bordes dentados o difusos que suelen afectar a los sistemas automatizados.

Una vez que el software ha trazado el contorno, identifica puntos clave a lo largo de ese borde, como las esquinas de un cuello o los extremos de una manga. Este es un paso crítico porque el sistema necesita medir la distancia entre esos puntos específicos para determinar si la pieza tiene el tamaño correcto. Los investigadores descubrieron que la mejor manera de encontrar estos puntos dependía de la forma de la tela. Para piezas más pequeñas y complejas, como los cuellos, una configuración específica de su software funcionaba mejor. Para piezas más grandes y simples, como el frente y la espalda de la camiseta, una configuración diferente desempeñaba un papel más fiable. El sistema es lo suficientemente inteligente como para elegir la herramienta adecuada para el trabajo, seleccionando automáticamente la mejor configuración basada en lo que ve en la imagen. Tras identificar los puntos, el sistema convierte la distancia entre ellos de píxeles en una pantalla a milímetros en el mundo real. Calibraron esta conversión utilizando una longitud de referencia conocida, asegurando que una medición de 100 píxeles siempre equivalga a la misma distancia física, independientemente de la textura de la tela o de las ligeras variaciones en la iluminación.

Los resultados de este estudio muestran que el sistema funciona con una precisión notable. Al ser probado en las diferentes partes de la camiseta, el software logró una precisión en la que las mediciones variaban solo alrededor de un milímetro. Este nivel de precisión es significativo porque cumple con los estrictos requisitos de la fabricación industrial, donde incluso los errores pequeños pueden arruinar un lote de ropa. El sistema funcionó mejor que los métodos fijos anteriores que utilizaban la misma configuración para todo tipo de tela. Al adaptar su enfoque a la geometría específica de cada pieza, el nuevo sistema redujo los errores y proporcionó resultados consistentes en todos los componentes distintos probados. Los investigadores también señalaron que el sistema podía generar un informe final para cada pieza, indicando al trabajador de la fábrica exactamente qué dimensiones eran correctas y cuáles quedaban fuera del rango aceptable. Si una pieza era demasiado pequeña para ser reparada, el sistema la marcaba para su rechazo; si estaba ligeramente desviada pero podía salvarse, también proporcionaba esa información.

Este trabajo demuestra que el control de calidad automatizado para textiles no solo es posible, sino que puede ser altamente efectivo cuando la tecnología se adapta a los desafíos únicos de la tela. Los investigadores no solo construyeron una regla más rápida; construyeron un sistema flexible que comprende los matices de la tela. Aunque el estudio se centró en un único modelo de camiseta, el enfoque sugiere un camino a seguir para toda la industria. Al alejarse de la medición manual y avanzar hacia la verificación adaptativa basada en computadoras, las fábricas pueden reducir el desperdicio, acelerar la producción y asegurar que cada prenda que sale de la línea cumpla con el mismo alto estándar de ajuste y calidad. El sistema constituye una solución práctica y escalable que cierra la brecha entre la naturaleza suave e impredecible de la tela y las exigencias rígidas de la fabricación moderna.