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

在服装制造的世界里，一件衣服是合身完美还是穿着别扭，往往取决于区区几毫米的差距。当工厂裁剪布料以制作衬衫、袖子或衣领时，这些部件必须符合精确的蓝图。如果某个部件哪怕只是稍微大了一点或小了一点，问题就不会止步于此；它会沿着装配线蔓向全身，导致最终成品看起来不对劲、缩水不均，或者需要昂贵的返工。几十年来，检查这些尺寸一直是一项缓慢的手动任务。熟练的工人不得不铺开每一块布料，用手将其压平，然后使用尺子或模板进行测量。这个过程不仅耗时，而且容易产生人为错误，因为织物的柔软和弹性特性使得它很难保持完全静止，且不同的工人可能会对同一块布料进行略有不同的测量。

为了解决这个问题，研究人员转向了计算机视觉领域，这是一个通过摄像头和软件协同工作来“看见”并测量物体的领域。然而，测量一片平整的布料要比测量一个刚性的金属零件困难得多。织物会起皱、移动和变形，这会让那些预期是直线和固定形状的标准测量工具感到困惑。挑战在于构建一个系统，该系统能够观察一张裁剪好的布料照片，追踪其精确轮廓，找到该轮廓上的特定点，并在无需人工干预的情况下，以毫米级的精度计算其真实尺寸。

来自秘鲁应用科学大学的一个研究小组开发了一种全新的自动化系统，旨在解决这一特定问题。他们创建了一个专门的装置来拍摄纺织品裁剪件的照片，并利用先进的人工智能来分析图像。该系统并非依赖单一的僵化方法，而是能根据所检查的布料部件的具体形状进行调整。对于衬衫的一些部分，如小巧的衣领，一种分析方法效果最好；而对于较大的部分，如后片，另一种方法则能产生更好的结果。研究人员在 T 恤的四个基本部件上测试了他们的系统：前片、后片、衣领和袖子。他们发现，通过在软件中结合不同的数学策略，他们可以实现一种既能媲美人类专家，又具备机器般速度和一致性的准确度。

他们解决方案的核心是一个定制的相机室。想象一个小型、避光的盒子，其中的光照非常均匀，且摄像头位置固定，永远不会移动或改变焦距。在这个盒子里，工人将一块裁剪好的布料放在一个平坦的白色表面上。相机拍摄一张高分辨率照片，系统随即开始工作。软件首先对图像进行清理，然后使用两种不同类型的深度学习模型（本质上是高度训练的数字大脑）来追踪布料的轮廓。这些模型不仅仅是在寻找边缘，它们还经过训练，能够理解织物复杂的曲线和柔软的边界。为了确保这些数字大脑能够正确学习，研究人员使用了三种不同学习规则的特殊组合来指导它们。一条规则帮助模型理解整体形状，另一条侧重于精确的边缘，第三条则帮助它特别关注那些织物可能与背景融合的棘手区域。通过将这些规则混合在一起，系统学会了极其细致地描绘布料轮廓，避免了自动化系统经常出现的锯齿状或模糊边缘问题。

一旦软件追踪完轮廓，它就会识别该边缘上的关键点，例如衣领的角或袖子的末端。这是至关重要的一步，因为系统需要测量这些特定点之间的距离，以确定该部件的大小是否正确。研究人员发现，寻找这些点最佳方式取决于布料的形状。对于像衣领这样较小且复杂的部件，使用特定的软件配置效果最好；而对于像衬衫前后片这样较大且简单的部件，另一种配置的表现则更为可靠。该系统足够聪明，能够根据它所看到的图像自动选择合适的工具和设置。在识别出点之后，系统会将屏幕上的像素距离转换为现实世界中的毫米。他们通过一个已知的参考长度对这种转换进行了校准，确保无论织物的纹理或光照的轻微变化如何，100 个像素始终等于相同的物理距离。

这项研究的结果表明，该系统具有卓越的精度。在对不同部分的 T 恤进行测试时，软件实现的精度误差仅为约一毫米。这种精度水平非常显著，因为它符合工业制造的严格要求，因为在服装制造中，即使是微小的误差也会毁掉一批衣服。该系统的表现优于那些对每种类型的织物都使用相同设置的旧式固定方法。通过针对每个部件的几何形状调整其方法，新系统减少了误差，并在所有测试的不同组件上提供了稳定的结果。研究人员还注意到，系统可以为每个部件生成最终报告，告诉工厂工人哪些尺寸是正确的，哪些超出了可接受范围。如果一个部件由于过小而无法修复，系统会将其标记为报废；如果只是稍微偏离但仍可挽救，系统也会提供相关信息。

这项工作证明了纺织品的自动化质量控制不仅是可能的，而且在技术针对织物独特挑战进行定制时，可以非常高效。研究人员不仅仅是制造了一个更快的尺子，他们还构建了一个理解织物细微差别的灵活系统。虽然本研究侧重于单一型号的 T 恤，但这种方法为整个行业指明了方向。通过从手动测量转向自适应的、基于计算机的验证，工厂可以减少浪费、提高生产速度，并确保每一件离开流水线的成衣都符合同样的高标准合身度和品质。该系统作为一个实用的、可扩展的解决方案，弥合了织物柔软不可预测的特性与现代制造业刚性需求之间的鸿沟。