Come rileva l'IA i difetti in tessuti e capi?
La computer vision sta spostando l'ispezione tessile dall'occhio umano a telecamere e modelli. Come funziona, dove viene utilizzata e perché dati e definizioni dei difetti contano più di tutto.
IN SINTESI Sintesi della redazione
- Nel tessile, il controllo qualità con l'IA utilizza telecamere e modelli di computer vision per rilevare difetti come buchi, macchie, fili rotti ed errori di cucitura su rotoli di tessuto o capi finiti.
- Secondo una rassegna del 2024 pubblicata su Electronics, i metodi di deep learning, in particolare le reti neurali convoluzionali, costituiscono oggi la maggior parte degli approcci di ricerca al rilevamento automatico dei difetti dei tessuti.
- Gli ostacoli principali sono la mancanza di definizioni condivise dei difetti, dataset di addestramento per lo più privati e la potenza di calcolo necessaria in fabbrica.
- L'ispezione automatizzata funziona meglio sui tessuti uniformi in fase di tessitura; l'ispezione di capi complessi si affida ancora in larga misura a ispettori umani esperti.
- Dati sulla qualità migliori contano di più con le norme UE che privilegiano prodotti durevoli e limitano la distruzione della merce invenduta.
L'IA rileva i difetti in tessuti e capi analizzando immagini da telecamera con modelli di computer vision addestrati su esempi di materiale conforme e difettoso. Il sistema segnala buchi, macchie, ingrossamenti, fili rotti o errori di cucitura affinché gli ispettori possano verificarli, e registra ogni difetto come dato. È più maturo per l'ispezione dei tessuti in tessitura; per i capi finiti di solito supporta gli ispettori umani anziché sostituirli.
Perché l'ispezione della qualità è importante nella moda?
I difetti individuati tardi sono costosi. Un difetto sfuggito sul rotolo di tessuto può finire in decine di pezzi tagliati, poi nei capi finiti, poi nei resi dei clienti. L'ispezione tradizionale si basa su personale esperto che esamina il tessuto su specole o controlla i capi a mano, un lavoro impegnativo in cui l'attenzione cala naturalmente nel corso di un turno.
Anche le politiche europee stanno alzando la posta in gioco sulla qualità dei prodotti. La Strategia dell'UE per prodotti tessili sostenibili e circolari stabilisce l'obiettivo che entro il 2030 i prodotti tessili immessi sul mercato dell'UE siano durevoli, riparabili e riciclabili. Dati di ispezione migliori aiutano i brand a capire dove hanno origine i problemi di qualità e ad affrontarli con i fornitori.
Come funziona l'ispezione dei tessuti con l'IA?
- Acquisizione delle immagini: telecamere lineari o matriciali con illuminazione controllata fotografano il tessuto mentre scorre su una macchina di ispezione, oppure i capi in una postazione dedicata.
- Rilevamento: un modello analizza ogni immagine e contrassegna le aree che si discostano dalla texture o dal disegno normali.
- Classificazione: il sistema assegna un tipo di difetto e un livello di gravità, spesso in base allo standard di classificazione dell'azienda.
- Revisione umana: un ispettore conferma o respinge il rilevamento; i casi confermati e respinti possono essere utilizzati per riaddestrare il modello.
- Output dei dati: ogni difetto viene registrato con posizione e tipo, creando una mappa della qualità del rotolo o del lotto.
Una rassegna del 2024 sugli approcci di computer vision, pubblicata sulla rivista Electronics, ha rilevato che gli approcci di deep learning e machine learning costituiscono oggi la maggior parte dei metodi del settore. Dominano le reti neurali convoluzionali, compresi i rilevatori a uno stadio della famiglia YOLO e i rilevatori a due stadi come Faster R-CNN, mentre modelli generativi come gli autoencoder vengono utilizzati per apprendere l'aspetto del tessuto normale e segnalare qualsiasi anomalia. La ricerca precedente, sintetizzata in una rassegna del 2008 molto citata pubblicata su IEEE Transactions on Industrial Electronics, si basava su metodi statistici, spettrali e basati su modelli, e osservava che i difetti sono difficili da rilevare perché vaghi e suddivisi in molte classi.
Quali difetti può rilevare l'IA?
| Attività | Esempi | Idoneità all'IA oggi |
|---|---|---|
| Tessuti uniti e uniformi | Buchi, macchie, fili rotti, ingrossamenti, punti spessi | Alta, purché esistano immagini di addestramento |
| Tessuti fantasia e stampati | Errori di stampa, difetti del disegno, sfumature di colore | Media, il disegno stesso può essere scambiato per un difetto |
| Uniformità di tonalità e colore | Variazioni di tonalità tra rotoli o pannelli | Media, dipende da illuminazione e telecamere calibrate |
| Capi finiti | Arricciature delle cuciture, punti saltati, pannelli disallineati | Emergente, i capi sono tridimensionali e variano a seconda del modello |
| Misure e vestibilità | Dimensioni del capo rispetto alla specifica | Emergente, richiede un posizionamento controllato |
Quali sono i limiti del controllo qualità con l'IA?
La rassegna pubblicata su Electronics individua diversi ostacoli che restano rilevanti per i brand e i fornitori che valutano l'ispezione automatizzata.
- Nessuna tassonomia condivisa dei difetti: gli autori osservano che non esiste ancora un consenso su quali difetti debbano essere considerati, per cui i modelli addestrati in una tessitura potrebbero non corrispondere agli standard di un'altra.
- Dati privati: la maggior parte della ricerca utilizza dataset privati, e i benchmark pubblici sono piccoli o datati, il che rende difficile confrontare le accuratezze dichiarate.
- Risorse di calcolo: il deep learning può richiedere hardware poco pratico in fabbriche con infrastrutture limitate.
- Difetti rari: i modelli imparano dagli esempi, e i difetti più rari sono per definizione difficili da raccogliere.
- Prodotti che cambiano: ogni nuovo tessuto, colore o stampa può modificare ciò che appare normale, richiedendo un nuovo addestramento o una ricalibrazione.
Di che cosa ha bisogno un sistema di ispezione con IA per funzionare bene?
La configurazione tecnica è solo una parte del compito. Illuminazione e telecamere stabili e calibrate sono importanti, perché per un modello le variazioni di luce possono sembrare variazioni di tonalità o difetti di texture. Soprattutto, il sistema ha bisogno di esempi etichettati: immagini di ciascun tipo di difetto rilevante, classificate secondo lo standard effettivamente utilizzato dall'azienda, oltre a molte immagini di materiale accettabile, affinché la normale variabilità non venga segnalata.
Concordare questo standard è spesso più difficile del previsto. Tessiture, confezionisti e brand possono classificare lo stesso difetto in modo diverso, e ciò che è considerato accettabile può variare a seconda della categoria di prodotto e del livello di prezzo. Mettere per iscritto le definizioni dei difetti e i livelli di gravità prima di addestrare un modello evita di costruire un sistema preciso che misura la cosa sbagliata. L'integrazione è l'ultimo passaggio: i risultati dell'ispezione sono più utili quando raggiungono i sistemi in cui si prendono le decisioni, per esempio per bloccare un rotolo, adeguare il taglio o avviare una contestazione con un fornitore.
A chi dovrebbero appartenere i dati di qualità generati dall'IA nella supply chain?
La maggior parte dell'ispezione avviene presso tessiture e confezionisti, non presso i brand. Ciò solleva questioni pratiche: chi paga le attrezzature, a chi appartengono le immagini e i registri dei difetti e come vengono condivisi i risultati. I brand che vogliono utilizzare i dati di ispezione per la valutazione dei fornitori o per claim sulla durabilità hanno bisogno di accordi con i propri fornitori su formati dei dati, accesso e conservazione.
Collegare i dati sui difetti ai dati di prodotto e d'ordine offre un ulteriore vantaggio. Gli schemi che emergono dai resi, come cuciture che cedono su un determinato modello, possono essere ricondotti a lotti e fornitori. Questo tipo di collegamento è utile anche mentre le aziende preparano le informazioni di prodotto per il futuro Passaporto digitale del prodotto.
Come dovrebbe iniziare un'azienda della moda?
Un punto di partenza sensato è un singolo problema di qualità ad alto volume, come i difetti dei tessuti individuati al taglio, con una baseline chiara di quanti ne vengono trovati e quanti sfuggono. Un progetto pilota dovrebbe affiancare l'ispezione manuale esistente, così da poter confrontare i risultati sullo stesso materiale. Gli ispettori umani restano indispensabili: definiscono gli standard, confermano i rilevamenti e gestiscono i casi che il modello non ha mai visto. L'obiettivo sono meno difetti non rilevati e dati migliori, non un'ispezione senza persone.
Domande frequenti
L'IA può sostituire gli ispettori di qualità umani nel tessile?
Non completamente. L'IA può esaminare il tessuto in modo costante e segnalare i probabili difetti, ma servono ancora persone per definire gli standard, confermare i rilevamenti e gestire i casi insoliti, soprattutto per i capi finiti.
Quanto è accurato il rilevamento dei difetti dei tessuti con l'IA?
L'accuratezza dipende fortemente dal tipo di tessuto, dai difetti e dai dati di addestramento. I risultati della ricerca si basano per lo più su dataset privati o di piccole dimensioni, per cui le aziende dovrebbero testare i sistemi sui propri materiali prima di affidarsi ai dati pubblicati.
Quale tecnologia si usa per l'ispezione automatizzata dei tessuti?
I sistemi utilizzano telecamere industriali con illuminazione controllata e modelli di computer vision, oggi per lo più reti neurali convoluzionali. Alcuni approcci apprendono l'aspetto del tessuto normale e segnalano qualsiasi scostamento.
L'ispezione con IA si usa per i capi finiti?
È in fase emergente. I capi sono tridimensionali e variano a seconda del modello, il che rende l'ispezione automatizzata più difficile che per il tessuto piano, per cui di solito supporta gli ispettori umani anziché sostituirli.
Un'edizione ogni giorno feriale. Si legge in cinque minuti. Gratuita per i professionisti del settore.
