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

의류 제작의 세계에서, 옷이 완벽하게 잘 맞느냐 아니면 어색하게 느껴지느냐의 차이는 종종 불과 몇 밀리미터에서 결정됩니다. 공장에서 셔츠, 소매 또는 칼라를 만들기 위해 원단을 자를 때, 이 조각들은 정밀한 설계도와 일치해야 합니다. 만약 한 조각이라도 아주 약간 크거나 작다면, 그 문제는 단순히 그 조각에 머물지 않습니다. 그것은 조립 라인을 타고 흘러가 최종 제품이 잘못되어 보이게 하거나, 불균일하게 수축하게 하거나, 값비싼 재작업을 필요하게 만듭니다. 수십 년 동안 이러한 치수를 확인하는 것은 느리고 수동적인 작업이었습니다. 숙련된 작업자들은 각 원단 조각을 펼쳐 놓고, 손으로 평평하게 편 다음, 자나 템플릿을 사용하여 측정해야 했습니다. 이 과정은 시간이 많이 걸릴 뿐만 아니라, 원단의 부드럽고 신축성 있는 특성 때문에 완벽하게 고정해 두기가 어렵고, 작업자마다 동일한 조각을 약간씩 다르게 측정할 수 있기 때문에 인간의 실수에 취ンダ하기 쉽습니다.

이를 해결하기 위해 연구자들은 카메라와 소프트웨어가 함께 작동하여 물체를 "보고" 측정하는 분야인 컴퓨터 비전에 주목했습니다. 그러나 평평한 천을 측정하는 것은 단단한 금속 부품을 측정하는 것보다 훨씬 어렵습니다. 원단은 주름지고, 움직이며, 변형되기 때문에 직선과 고정된 모양을 기대하는 표준 측정 도구들을 혼란스럽게 만듭니다. 과제는 사진을 보고 절단된 원단 조각의 정확한 윤곽선을 추적하고, 그 윤곽선의 특정 지점들을 찾아내며, 사람의 손길 없이도 밀리미터 단위의 정밀도로 실제 크기를 계산할 수 있는 시스템을 구축하는 것입니다.

페루 응용과학대학교의 연구팀은 바로 이 문제를 해결하기 위해 설계된 새로운 자동화 시스템을 개발했습니다. 그들은 직물 절단물을 촬영하기 위한 특수 설비를 만들었고, 그 후 이미지를 분석하기 위해 고급 인공지능을 사용했습니다. 하나의 경직된 방식에 의존하는 대신, 그들의 시스템은 검사하는 원단 조각의 특정 형태에 적응합니다. 셔츠의 작은 칼라와 같은 일부 부품에는 한 가지 유형의 분석이 가장 효과적이며, 뒷판과 같은 더 큰 섹션에는 다른 접근 방식이 더 나은 결과를 가져옵니다. 연구진은 티셔츠의 네 가지 기본 부품인 앞판, 뒷판, 칼라, 소매를 대상으로 시스템을 테스트했습니다. 그들은 소프트웨어 내에서 서로 다른 수학적 전략을 결합함으로써, 기계의 속도와 일관성을 유지하면서도 인간 전문가와 대등한 수준의 정확도를 달고 달성할 수 있다는 것을 발견했습니다.

그들 솔루션의 핵심은 맞춤 제작된 카메라 챔버입니다. 조명이 완벽하게 균일하고 카메라가 고정되어 있어 초점이 변하지 않는 작은 빛 차단 상자를 상상해 보십시오. 이 상자 안에서 작업자는 잘린 원단 조각을 평평한 흰색 표면 위에 놓습니다. 카메라는 고해상도 사진을 찍고, 시스템은 즉시 작업을 시작합니다. 소프트웨어는 먼저 이미지를 정화한 다음, 두 가지 유형의 딥러닝 모델(본질적으로 고도로 훈련된 디지털 뇌)을 사용하여 원단의 윤곽선을 추적합니다. 이 모델들은 단순히 가장자리만을 찾는 것이 아니라, 천의 복잡한 곡선과 부드러운 경계를 이해하도록 훈련되었습니다. 이 디지털 뇌들이 올바르게 학습할 수 있도록, 연구진은 세 가지 서로 다른 학습 규칙의 특별한 조합을 사용하여 그들을 가르쳤습니다. 한 규칙은 모델이 전체적인 형태를 이해하도록 돕고, 다른 하나는 정밀한 가장자리에 집중하며, 세 번째 규칙은 원단이 배경과 섞일 수 있는 까다로운 영역에 특별히 주의를 기울이도록 돕습니다. 이 규칙들을 혼합함으로써, 시스템은 자동화된 시스템에서 흔히 발생하는 들쭉날쭉하거나 흐릿한 가장자지를 피하며 극도로 세심하게 원단의 윤곽선을 그리는 법을 배웁니다.

소프트웨어가 윤곽선을 추적하고 나면, 칼라의 모서리나 소매의 끝과 같은 그 가장자리를 따라 주요 지점들을 식별합니다. 이는 매우 중요한 단계인데, 왜냐하면 시스템이 해당 조각이 적절한 크기인지 결정하기 위해 이 특정 지점들 사이의 거리를 측정해야 하기 때문입니다. 연구진은 이러한 지점들을 찾는 최선의 방법이 원단의 형태에 따라 달라진다는 것을 발견했습니다. 칼라와 같이 작고 복잡한 조각의 경우 특정 구성의 소프트웨어가 가장 잘 작동했습니다. 반면 티셔츠의 앞뒤판과 같이 크고 단순한 조각의 경우, 다른 구성이 더 안정적인 성능을 보였습니다. 시스템은 똑똑하게도 자신이 보는 것에 기반하여 최적의 설정을 자동으로 선택함으로써, 적재적소에 맞는 도구를 고릅니다. 지점들을 식정한 후, 시스템은 화면상의 픽셀로부터 실세계의 밀리미터로 거리를 변환합니다. 그들은 알려진 기준 길이를 사용하여 이 변환 과정을 보정함으로써, 원단의 질감이나 미세한 조명 변화에 관계없이 100픽셀이 항상 동일한 물리적 거리에 해당하도록 했습니다.

이 연구 결과는 시스템이 놀라운 정밀도로 작동함을 보여줍니다. 티셔츠의 다양한 부품에 대해 테스트했을 때, 소프트웨어는 오차가 약 1밀리미터 내외인 정확도를 달축했습니다. 이 정도의 정밀도는 작은 오류가 의류 한 배치를 망칠 수 있는 산업 제조 현장의 엄격한 요구 사항을 충족하는 중요한 수치입니다. 이 시스템은 모든 유형의 원단에 동일한 설정을 사용하는 기존의 고정된 방식보다 더 우수한 성능을 보였습니다. 각 조각의 기하학적 구조에 맞춰 접근 방식을 조정함으로써, 새 시스템은 오류를 줄이고 모든 테스트된 구성 요소 전반에 걸쳐 일관된 결과를 제공했습니다. 또한 연구진은 시스템이 각 조각에 대한 최종 보고서를 생성하여, 어떤 치수가 정확하고 어떤 것이 허용 범위를 벗어났는지 작업자에게 알려줄 수 있다고 언급했습니다. 만약 조각이 수정 불가능할 정도로 작다면 시스템은 폐기를 알렸고, 약간 벗어났지만 살릴 수 있는 경우라면 그 정보를 제공했습니다.

이 작업은 섬유를 위한 자동 품질 관리가 가능할 뿐만 아니라, 기술이 직물의 독특한 과제에 맞게 조정될 때 매우 효과적일 수 있음을 입증합니다. 연구진은 단순히 더 빠른 자를 만든 것이 아니라, 천의 뉘앙스를 이해하는 유연한 시스템을 구축했습니다. 이번 연구는 단일 티셔츠 모델에 집중했지만, 이 접근 방식은 산업 전체를 향한 진로를 제시합니다. 수동 측정에서 벗어나 적응형 컴퓨터 기반 검증으로 전환함으로써, 공장은 낭비를 줄이고 생산 속도를 높이며, 생산 라인을 떠나는 모든 의류가 동일한 높은 수준의 핏과 품질을 갖추도록 보장할 수 있습니다. 이 시스템은 부드럽고 예측 불가능한 직물의 특성과 현대 제조의 엄격한 요구 사이의 간극을 메우는 실질적이고 확장 가능한 솔루션으로 자리 잡고 있습니다.