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

No mundo da confecção de roupas, a diferença entre uma peça que serve perfeitamente e uma que fica desconfortável muitas vezes se resume a alguns milímetros. Quando uma fábrica corta o tecido para criar uma camisa, uma manga ou um colarinho, essas peças devem corresponder a um projeto preciso. Se uma peça for mesmo que ligeiramente grande ou pequena demais, o problema não fica isolado; ele percorre a linha de montagem, fazendo com que o produto final pareça errado, encolha de forma irregular ou exija retrabalhos caros. Durante décadas, verificar essas dimensões foi uma tarefa lenta e manual. Trabalhadores qualificados tinham que estender cada pedaço de tecido, alisá-lo à mão e medi-lo com réguas ou moldes. Esse processo não é apenas demorado, mas também propenso ao erro humano, já que a natureza macia e elástica do tecido torna difícil mantê-lo perfeitamente imóvel, e diferentes trabalhadores podem medir a mesma peça de forma ligeiramente distinta.

Para resolver isso, pesquisadores recorreram à visão computacional, um campo onde câmeras e softwares trabalham juntos para "ver" e medir objetos. No entanto, medir um pedaço plano de pano é muito mais difícil do que medir uma peça de metal rígida. O tecido amassa, desloca-se e deforma-se, confundindo ferramentas de medição padrão que esperam linhas retas e formas fixas. O desafio é construir um sistema que consiga olhar para uma fotografia de um pedaço de tecido cortado, traçar seu contorno exato, encontrar pontos específicos nesse contorno e calcular seu tamanho no mundo real com precisão milimétrica, tudo isso sem que um humano precise tocá-lo.

Uma equipe de pesquisadores da Universidade Peruana de Ciências Aplicadas desenvolveu um novo sistema automatizado projetado para enfrentar exatamente esse problema. Eles criaram uma configuração especializada para fotografar cortes têxteis e, em seguida, utilizaram inteligência artificial avançada para analisar as imagens. Em vez de depender de um método único e rígido, seu sistema se adapta à forma específica da peça de tecido que está examinando. Para algumas partes de uma camisa, como um colarinho pequeno, um tipo de análise funciona melhor; para seções maiores, como o painel traseiro, uma abordagem diferente produz melhores resultados. Os pesquisadores testaram seu sistema em quatro partes fundamentais de uma camiseta: o painel frontal, o painel traseiro, o colarinho e as mangas. Eles descobriram que, ao combinar diferentes estratégias matemáticas dentro de seu software, conseguiram alcançar um nível de precisão que rivaliza com o de especialistas humanos, mas com a velocidade e a consistência de uma máquina.

O coração de sua solução é uma câmara de câmera personalizada. Imagine uma pequena caixa à prova de luz onde a iluminação é perfeitamente uniforme e a câmera está travada em seu lugar, de modo que nunca se mova ou mude o foco. Dentro desta caixa, um trabalhador coloca um pedaço de tecido cortado sobre uma superfície branca e plana. A câmera tira uma foto de alta resolução e o sistema imediatamente começa seu trabalho. O software primeiro limpa a imagem e, em seguida, utiliza dois tipos diferentes de modelos de aprendizado profundo (deep learning), que são, essencialmente, cérebros digitais altamente treinados, para traçar o contorno do tecido. Esses modelos não estão apenas procurando por bordas; eles são treinados para entender as curvas complexas e os limites suaves do pano. Para garantir que esses cérebros digitais aprendam corretamente, os pesquisadores os ensinaram usando uma combinação especial de três regras de aprendizado diferentes. Uma regra ajuda o modelo a entender a forma geral, outra foca nas bordas precisas e uma terceira o ajuda a prestar atenção extra em áreas complicadas onde o tecido pode se misturar ao fundo. Ao misturar essas regras, o sistema aprende a desenhar o contorno do tecido com extremo cuidado, evitando as bordas serrilhadas ou difusas que frequentemente assolam sistemas automatizados.

Depois que o software traça o contorno, ele identifica pontos-chave ao longo dessa borda, como os cantos de um colarinho ou as extremidades de uma manga. Esta é uma etapa crítica porque o sistema precisa medir a distância entre esses pontos específicos para determinar se a peça tem o tamanho correto. Os pesquisadores descobriram que a melhor maneira de encontrar esses pontos dependia da forma do tecido. Para peças menores e mais complexas, como colares, uma configuração específica de seu software funcionava melhor. Para peças maiores e mais simples, como a frente e as costas da camisa, uma configuração diferente apresentava um desempenho mais confiável. O sistema é inteligente o suficiente para escolher a ferramenta certa para o trabalho, selecionando automaticamente a melhor configuração baseada no que vê na imagem. Após identificar os pontos, o sistema converte a distância entre eles de pixels na tela para milímetros no mundo real. Eles calibraram essa conversão usando um comprimento de referência conhecido, garantindo que uma medição de 100 pixels sempre equivalha à mesma distância física, independentemente da textura do tecido ou de pequenas variações na iluminação.

Os resultados deste estudo mostram que o sistema funciona com uma precisão notável. Quando testado nas diferentes partes da camiseta, o software alcançou uma precisão onde as medições variaram apenas cerca de um milímetro. Este nível de precisão é significativo porque atende aos rigorosos requisitos da manufatura industrial, onde até pequenos erros podem arruinar um lote de roupas. O sistema teve um desempenho superior aos métodos fixos antigos que utilizavam as mesmas configurações para todos os tipos de tecido. Ao adaptar sua abordagem à geometria específica de cada peça, o novo sistema reduziu erros e forneceu resultados consistentes em todos os diferentes componentes testados. Os pesquisadores também observaram que o sistema poderia gerar um relatório final para cada peça, informando ao trabalhador da fábrica exatamente quais dimensões estavam corretas e quais estavam fora da faixa aceitável. Se uma peça fosse pequena demais para ser corrigida, o sistema a sinalizava para rejeição; se estivesse apenas ligeiramente fora do padrão, mas pudesse ser salva, o sistema fornecia essa informação também.

Este trabalho demonstra que o controle de qualidade automatizado para têxteis não é apenas possível, mas pode ser altamente eficaz quando a tecnologia é adaptada aos desafios únicos do tecido. Os pesquisadores não construíram apenas uma régua mais rápida; eles construíram um sistema flexível que entende as nuances do pano. Embora o estudo tenha focado em um único modelo de camiseta, a abordagem sugere um caminho a seguir para toda a indústria. Ao se afastar da medição manual e avançar para a verificação adaptativa baseada em computador, as fábricas podem reduzir o desperdício, acelerar a produção e garantir que cada peça de roupa que saia da linha de produção atenda ao mesmo alto padrão de ajuste e qualidade. O sistema apresenta-se como uma solução prática e escalável que preenche a lacuna entre a natureza macia e imprevisível do tecido e as exigências rígidas da manufatura moderna.