人工智能在纺织行业 - 当前和未来应用

服装及纺织制造业在历史上一直劳动密集型产业，如看到有多少的世界上最大的时尚，服装及服饰品牌似乎拥有自己的产品显著部分亚洲国家，如中国，印度，孟加拉，越南等制造

大部分纺织制造业向东方迁移发生在过去的几十年中，当劳动力成本开始在亚洲国家的崛起（尤其是中国）。同日益渗透在该行业的工业自动化中，纺织制造企业可以访问历史和实时操作数据，从而利用人工智能提高效率并增强其人工员工的能力。

Readers should know that the adoption of AI applications in the textiles manufacturing industry is still very early, and although there are a few use cases (many of which we’ve explored in the sections below), there doesn’t appear to be widespread adoption of AI – even in developed countries.

相反，我们今天探讨在纺织工业应用人工智能的可能性，什么AI或许能为行业企业两到五年在未来做。

我们已经打破了下面的文章到当前和未来应用，检查企业和使用情况逐一发掘自己的商业价值。

（本文将只涵盖纺织面料的应用，而不会讨论时尚。读者对时尚感兴趣可以阅读我们的文章全文AI应用在时装。）

当前的应用程序

康耐视 - 面料图案检验

康耐视公司，成立于波士顿于1981年，拥有超过1000名员工今天是机器视觉系统，软件和传感器的美国制造商。该公司提供的据称是机器视觉为基础康耐视VIDI平台专为在纺织业面料模式识别。

康耐视权利要求书所述的Cognex VIDI平台可以自动地检查织物图案如织，针织，编织，整理，以及打印的各方面。该公司还建议其平台无需开发周期将其集成到一个制造系统，它可以利用的好的面料样品看起来像什么的预定义图像进行培训。

在写作的时候，我们无法找到的康耐视的VIDI技术的成功使用案例的任何名单。这可能是该技术在研发或中试阶段，或者说目前的客户还没有获准名称标识。

基于由康耐视提供的说明，该产品似乎工作如下：

• 纺织制造商可能会节省采取通过使用替代目测康耐视VIDI平台检查最终织物的最终产品的质量成本和时间。通常情况下，制造商可能会安装在他们的工厂和投入几百图片“好”最后的样本，而“坏”样本的基于摄像头的检测系统（见上图）。
  
• 该平台学习花纹的织法，纱线性能，颜色和容忍的缺陷，从这些图像，并在几个星期的培训后，可能潜在地能够检测纺织最终产品的缺陷（如错误的针织图案），节约人类从评估数以百计的材料手工的码的手动任务。

下面是从几个快照康耐视的宣传册示出它的特征，以及各种纺织缺陷可以潜在地通过机器视觉系统来检测的：

在下面这段2分钟的视频中，用户演示了上传面料样品的“好”图片，以便训练ViDi系统识别面料错误:

从我们的初步研究我们发现的案例研究康耐视的许多行业如汽车和医药使用视觉系统，但有似乎是纺织业没有这样的资源。

据康耐视几个挑战在检查织物图案，即其复杂性，多变性和结构类型的绝对数量所固有的。雷托•韦斯计算机科学博士和CTO软件处处长康​​耐视是首席技术官VIDI 5年之前，首先是由康耐视收购。

Datacolor公司 - AI公差为面料配色

Datacolor公司，成立于瑞士卢塞恩在1970年有超过380名员工提供色彩管理工具和软件。

为了确保原设计的颜色在完成纺织品企业相匹配的颜色通常会指派一个“色容差” - 一个限制的样品和客户的需求之间的颜色差异有多大都可以，被认为是样品前可以接受的。这些公差值通常由制造商或供应商和客户之间经内部同意确定样品是否通过或失败的检查。

虽然传统的色彩公差的基础上，通过“色彩的数字进行说明器乐公差系统”，该方法通常有很多误报与目测相比，造成延误审批过程中由于需要进行认真的人为干预。

Datacolor公司索赔它已经开发出一种人工智能通过/失败（P / F）功能，以帮助提高仪器的公差的精度和效率。

Datacolor公司表明，在创建公差其特征AI可以考虑的从人类操作员视觉检查结果的历史数据，这又导致在更紧密地匹配的视觉检查的样品的工具检查。

Datacolor的AI P / F程序据称工作原理如下：

• 纺织专家第一视觉上会审核所有已制造的各个批次
• 运营商进入颜色测量和公差在德塔软件的所有批次帮助训练AI P / F系统
• 所述AI P / F系统然后可以对新的批次，以自动设置AI公差测试，训练系统，以确定哪些样本通过和失败

下面展示了如何纺织品制造商可能会利用该平台设置容一批生产的批号为一个客户的快照。周围的图形的中心的绿色圆圈表示与“理想”的颜色值，从而通过测试和黄色圆圈表示可接受的公差极限批次：

在现实世界中，这个应用程序可能会造福于纺织品制造商和他们的客户，以提高检验过程的色彩匹配的速度和准确度。

例如：

• 桌布企业可能从面料生产企业购买纺织原料及订购特定类型的面料在某些特定的颜色 - 颜色通常是在数字方面的具体数字规定。
• 将织物在几个批次的制造每批中获得的实际颜色方面由于像添加颜色的量或在彩色接合水平每批的差异（在织物）死亡过程变量轻微变化。
• 每批样品可能是使用了Datacolor公司的平台设置一个容忍限度的质量检查。任何位于所述容限之外的样本被拒绝（见上面的图中的红点）
• 制造商的人工检查人员首先与进入的视觉容差读数每批次（几百样本）到AI合格/不合格功能，以帮助识别被拒绝什么样也算不错了和样品所需要的任务。
• 通过自动化繁琐配色潜在地节省了生产厂家显著时间和人的努力 - 认可P / F功能然后与从其它批次的织物，其中它可以潜在地通过从人类检查员“学习”自动分配公差极限的图像供给任务。

在写这篇文章的时候，Datacolor公司似乎并没有公开列出它的现有客户，我们无法找到他们的AI工具的任何个案研究与任何客户公司使用。

Datacolor的软件技术目前由副总裁R＆d兼首席技术官领导，泰园研究总监迈克尔·布里尔。虽然我们必须在这里补充既不似乎在AI明确的背景下，虽然迈克尔·布里尔也持有雪城大学物理学博士学位。

未来应用

在过去的五年中，学术研究论文已发表在许多应用中利用图像识别技术在纺织行业，如分级纱线外观来自纺织部，技术部，伊朗Amirkabir大学要么使用传感器织物缺陷检查。由于机器视觉继续做它的方式进入制造业在工业应用方面，我们可以期待在未来看到更多的纺织品检验用例。

然而，在预产纺织品加工商业用途AI的今天似乎仅限于少数的应用，尤其是在识别和分级纺织纤维和纱线。光纤识别和分级在颜色，长度，均匀度，韧性等，术语可以看到AI用例在未来几年发展。

我们怀疑，只有更大，更精通技术的纺织品制造商可能会采用这种技术在短期内，考虑到安装，集成和数据科学人才的潜在需求将被要求成功地扩展跨越这样的应用公司。

未来几年可能看到不同厂商的应用，如提供人工授精服务的出现从纤维性能的纱线虚拟建模（康奈尔），纱线的拉伸性能和纱线不匀的预测（Fraunhofer研究院）。

的应用，企业可能会在未来看到变得商业化的一些例子包括：

• 在生产方面，人工智能可能被应用于检测衬衫或衣领的视觉缺陷，或者它可能被应用于自动检测和在织物上的皱纹测定。
  • 因为它影响和决定的服装的视觉美感在织物材料计量皱纹是至关重要的。AATCC方法（纺织化学家和着色师的美国协会）测量织物抗皱性能是常用的，但过程是单调乏味 - 和训练有素的专家仍经常不同意的结果。这个过程所需的皱纹测量可以帮助纺织品制造商削减成本和时间机器基于视觉的。

• 我们可能在纺织品未来AI中看到的另一个主题包括使用机器学习识别从原始数据之前隐藏的模式。我们还可以看到纺织企业采取了线索，从财务或医疗保健业播放器和采用“转让：数据科学和数据挖掘技术为以下解释：
  • 在纺织工业，产品（如T恤，桌布等）的制造产生大量使用关于原材料数据，机器设置用于生产，产品的质量参数。机器学习可以潜在地使业务到纤维性能，工艺参数，和纱线性能的纱线特性，机器参数和织物性能之间或之中找到模式与关联。这先前未被发现从而在提高效率和维护有助于未来发现的关系可能会帮助企业。这是非常相似的我们在其他地方制造AI看到应用，其中可以收集关于生产过程数据到结果改善。
• 面料在许多行业，如装饰的汽车或T恤的图案设计发挥设计和原型的重要作用。人工智能可以帮助设计工程师在纺织业“3D模型”丝纤维在他们的设计和原型。
  • 造型纤维的传统方法是非常繁琐和较简单的程序模型过于正规和不符合实际不够美观。来自康奈尔大学的研究已经开发了一个AI算法可以在不太多人为干预自动地和真实模拟纱线和纤维的性能。
  • 在传统的过程中，人类的3D建模专家将不得不创建单独的“虚拟光纤”使得它耗时和繁琐的纱线。康奈尔研究论文声称已经开发了其中纱线的单链的图像是使用CT（计算机断层摄影）扫描器扫描的方法。一个AI算法被用作显示在下面的图中，以数据从微CT扫描转换为3D纤维模型。

在纺织品上的AI总结思考

虽然一些厂商AI迎合纺织行业的今天，使用情况和厂商的数量比较低的与其他制造业相比，和重工业宽广地。在今天的大多数纺织品AI应用似乎涉及使用机器视觉来替代或纺织样品的扩充人力检查 - 通常是为了发现错误和异常。

它是有希望看到一些研究和开发活动，由大学和其他机构进行 - 我们认为这是在未来几年中更具潜力行业使用情况的领先指标。

它似乎很清楚，在纺织部门的真实世界AI应用仍处于起步阶段，并有可能新锐AI制造业的应用更有可能在更大，更现代部门到达 - 包括电子产品和汽车。一个挑战可能是目前缺乏许多系统集成商和AI顾问专门针对纺织行业（再次，可能是因为它的规模相对较小相比其他全球制造部门）。

当我们展望未来的五年中，AI可能能够在纺织业帮扶企业提高质量，产量，并降低成本。我们预计，机器视觉纺织检查将是一个唾手可得的使用案例，并从机器视觉应用提供了坚实的投资回报率可能会鼓励一般更多的热情和通过AI。

企业希望利用任何这样的图像处理应用程序需要大量的宝库现有数据为平台，借鉴和成功整合往往涉及从员工一起AI工作的时间，成本和行业专长，一个显著量AI会做好笔记engineers – a dynamic that we’ve covered in depth in ourAI企业采用文章。

标题图片来源：iFashion网络