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

In de wereld van het maken van kleding komt het verschil tussen een kledingstuk dat perfect past en een dat ongemakkelijk zit, vaak neer op een paar millimeter. Wanneer een fabriek stof snijdt om een overhemd, een mouw of een kraag te creëren, moeten die stukken voldoen aan een nauwkeurige blauwdruk. Als een stuk zelfs maar iets te groot of te klein is, blijft het probleem niet geïsoleerd; het reist door de assemblagelijn, waardoor het eindproduct er verkeerd uitziet, ongelijkmatig krimpt of kostbare nabewerking vereist. Decennialang was het controleren van deze afmetingen een trage, handmatige taak. Geschoolde arbeiders moesten elk stuk stof uitleggen, het met de hand platstrijken en het meten met linialen of sjablonen. Dit proces is niet alleen tijdrovend, maar ook foutgevoelig, omdat de zachte, rekbare aard van stof het moeilijk maakt om het perfect stil te houden, en verschillende werkers hetzelfde stuk net iets anders kunnen meten.

Om dit op te lossen, hebben onderzoekers zich gericht op computer vision, een vakgebied waar camera's en software samenwerken om objecten te "zien" en te meten. Het meten van een plat stuk stof is echter veel moeilijker dan het meten van een stijf metalen onderdeel. Stof kreukt, verschuift en vervormt, wat standaard meetinstrumenten die recht lijnen en vaste vormen verwachten, in verwarring brengt. De uitdaging is om een systeem te bouwen dat een foto van een gesneden stuk stof kan bekijken, de exacte omtrek ervan kan traceren, specifieke punten op die omtrek kan vinden en de werkelijke grootte ervan met millimeterprecisie kan berekenen, allemaal zonder dat een mens het hoeft aan te raken.

Een team van onderzoekers van de Peruaanse Universidad de Ciencias Aplicadas heeft een nieuw geautomatiseerd systeem ontwikkeld dat ontworpen is om precies dit probleem aan te pakken. Ze creëerden een gespecialiseerde opstelling om textielsnijstukken te fotograferen en gebruikten vervolgens geavanceerde kunstmatige intelligentie om de afbeeldingen te analyseren. In plaats van te vertrouwen op één enkele, rigide methode, past hun systeem zich aan aan de specifieke vorm van het stuk stof dat het onderzoekt. Voor sommige delen van een overhemd, zoals een kleine kraag, werkt één type analyse het beste; voor grotere secties zoals het achterpand levert een andere aanpak betere resultaten op. De onderzoekers testten hun systeem op vier fundamentele onderdelen van een T-shirt: het voorpand, het achterpand, de kraag en de mouwen. Ze ontdekten dat door verschillende wiskundige strategieën binnen hun software te combineren, ze een nauwkeurigheidsniveau konden bereiken dat wedijvert met dat van menselijke experts, maar met de snelheid en consistentie van een machine.

Het hart van hun oplossing is een op maat gemaakte camerakamer. Stel je een kleine, lichtdichte doos voor waar de verlichting perfect gelijkmatig is en de camera op een vaste plek staat, zodat deze nooit beweegt of van focus verandert. In deze doos plaatst een medewerker een stuk gesneden stof op een plat, wit oppervlak. De camera maakt een foto met een hoge resolutie, en het systeem begint onmiddellijk aan zijn werk. De software zuivert eerst de afbeelding en gebruikt vervolgens twee verschillende soorten deep learning-modellen, wat in essentie hooggetrainde digitale hersenen zijn, om de omtrek van de stof te traceren. Deze modellen zoeken niet alleen naar randen; ze zijn getraind om de complexe krommingen en zachte grenzen van stof te begrijpen. Om ervoor te zorgen dat deze digitale hersenen correct leren, hebben de onderzoekers hen onderwezen met een speciale combinatie van drie verschillende leerregels. Eén regel helpt het model de algemene vorm te begrijpen, een andere focust op de precieze randen, en een derde helpt het om extra aandacht te besteden aan lastige gebieden waar de stof in de achtergrond kan overgaan. Door deze regels bij elkaar te voegen, leert het systeem de omtrek van de stof met uiterste zorg te tekenen, waarbij de gekartelde of wazige randen die automatische systemen vaak teisteren, worden vermeden.

Zodra de software de omtrek heeft getraceerd, identificeert deze belangrijke punten langs die rand, zoals de hoeken van een kraag of de uiteinden van een mouw. Dit is een cruciale stap omdat het systeem de afstand tussen deze specifieke punten moet meten om te bepalen of het stuk de juiste grootte heeft. De onderzoekers ontdekten dat de beste manier om deze punten te vinden afhing van de vorm van de stof. Voor kleinere, complexere stukken zoals kragen, werkte een specifieke configuratie van hun software het beste. Voor grotere, eenvoudigere stukken zoals de voor- en achterkant van het shirt, presteerde een andere configuratie betrouwbaarder. Het systeem is slim genoeg om het juiste gereedschap voor de klus te kiezen, door automatisch de beste instelling te selecteren op basis van wat het in de afbeelding ziet. Na het identificeren van de punten, zet het systeem de afstand tussen hen om van pixels op een scherm naar werkelijke millimeters. Ze hebben deze conversie gekalibreerd met een bekende referentielengte, waardoor een meting van 100 pixels altijd dezelfde fysieke afstand oplevert, ongeacht de textuur van de stof of kleine variaties in de verlichting.

De resultaten van dit onderzoek laten zien dat het systeem met opmerkelijke precisie werkt. Wanneer het werd getest op de verschillende onderdelen van het T-shirt, bereikte de software een nauwkeurigheid waarbij de metingen slechts ongeveer één millimeter afweken. Dit niveau van precisie is significant omdat het voldoet aan de strikte eisen van de industriële productie, waar zelfs kleine fouten een partij kleding kunnen verpesten. Het systeem presteerde beter dan oudere, vaste methoden die dezelfde instellingen gebruikten voor elk type stof. Door zijn aanpak aan te passen aan de specifieke geometrie van elk stuk, verminderde het nieuwe systeem de fouten en leverde het consistente resultaten over alle geteste componenten. De onderzoekers merkten ook op dat het systeem een definitief rapport voor elk stuk kon genereren, waarin aan de fabrieksmedewerker precies werd verteld welke afmetingen correct waren en welke buiten het acceptabele bereik vielen. Als een stuk te klein was om te kunnen worden hersteld, markeerde het systeem dit voor afwijzing; als het er slechts iets naast zat maar toch gered kon worden, leverde het ook die informatie aan.

Dit werk demonstreert dat geautomatiseerde kwaliteitscontrole voor textiel niet alleen mogelijk is, maar ook zeer effectief kan zijn wanneer de technologie is afgestemd op de unieke uitdagingen van stof. De onderzoekers hebben niet alleen een snellere liniaal gebouwd; ze hebben een flexibel systeem gebouwd dat de nuances van stof begrijpt. Hoewel de studie zich richtte op een enkel model van een T-shirt, suggereert de aanpak een pad voor de gehele sector. Door over te stappen van handmatige meting naar adaptieve, computergestuurde verificatie, kunnen fabrieken verspilling verminderen, de productie versnellen en ervoor zorgen dat elk kledingstuk dat de lijn verlaat, aan dezelfde hoge standaard van pasvorm en kwaliteit voldoet. Het systeem vormt een praktische, schaalbare oplossing die de kloof overbrugt tussen de zachte, onvoorspelbare natuur van stof en de rigide eisen van de moderne productie.