Visione di Stile: Machine Vision per il Controllo Qualità del Denim

Il Digital Innovation Hub Vicenza ha appena concluso FABCOD (Fabric Composition Detector),  progetto finanziato da DIH4AI e capeggiato dall’azienda software TR2 S.r.l.s. specializzata in Machine Vision per applicazioni industriali. FABCOD, acronimo che sta per Fabric Composition Detection, è una potente soluzione di Controllo Qualità che rappresenta un potenziale salto trasformativo nel campo dell’ispezione tessile.

Campioni di tessuti denim

Il Contesto

L’esperimento si è proposto di raggiungere tre obiettivi principali:

 

 

  1. Automatizzare la rilevazione delle anomalie nei tessuti denim;
  2. Differenziare materiali denim rilevandone la composizione chimica o gli agenti inquinanti tramite analisi iperspettrale;
  3. Rappresentare i dati e le statistiche ottenute dall’analisi in una dashboard utilizzabile da operatori.

Automatizzando l’ispezione dei tessuti, FABCOD consente di affrontare alcuni dei maggiori ostacoli alla produzione, dai tempi prolungati di QA ai costi dovuti all’errore umano. Il progetto ha anche dato prova dei vantaggi dati dalla collaborazione sinergica tra Digital Innovation Hub localizzati in diverse aree geografiche e culturali. In particolare, l’applicazione di tecniche di Machine Learning d’avanguardia è stata condotta dal terzo partner di progetto, IFARLAB-DIH, un affermato centro di ricerca per lo sviluppo di soluzioni di robotica e automazione dell’Università Osmangazi di Eskişehir, Turchia.

L’approccio innovativo

L’allestimento sperimentale è costituito da una telecamera ottica e una SWIR montata su specola. Utilizzando un modello YOLOv8 per la rilevazione delle anomalie, FABCOD ha superato le aspettative con una precisione del 92,8% in configurazioni non in tempo reale. Le capacità in tempo reale hanno raggiunto un tasso di successo tra l’80% e il 90% rispetto a un obiettivo atteso del 70%.

 

Immagine raffigurante la dashboard di TR2, con rilevamento anomalie in tempo reale.
Immagine raffigurante la dashboard di TR2, con rilevamento anomalie in tempo reale.

Per l’analisi iperspettrale, TR2 ha ottenuto immagini su 224 bande diverse, consentendo al software di “trovare” diverse sostanze in base alla risposta. In particolare, tecniche di Machine Learning hanno consentito, in via sperimentale, di segmentare diversi tessuti in base alla composizione chimica: cotone denim vs. denim con elastane (jeans elastico). Infine, ciò ha dimostrato la possibilità di tracciare in maniera grafica la natura del materiale sotto analisi. La videocamera consentirebbe inoltre di ricavare informazioni su molte altre sostanze, quali polveri, legno, ecc. Di conseguenza, la stessa procedura si potrebbe estendere dall’estalane ai molti altri componenti di interesse alle aziende tessili (e non solo).

 

elastic vs. nonelastic denim
Immagine prodotta da un range limitato di lunghezze d’onda.
Dashboard FABCOD con il rilevamento di diverse sostanze.
Dashboard con il rilevamento di diverse sostanze.

Il futuro

L’implementazione oltre la fase di Proof of Concept è destinata a generare significativi risparmi e aumentare la competitività nel mercato tessile. La visione strategica di TR2 è di aprire la strada a progetti di linea con l’uso di robot e cobot, in cui i sistemi basati sull’AI agiscono in sintonia con le azioni umane.

Avendo concluso il progetto in ottica di Ricerca e Sviluppo, il software sarà disponibile come prodotto commerciale TR2. Per aziende interessate a esplorare le possibilità di questa tecnologia, o dell’Intelligenza Artificiale in generale, contattateci a info@dihvicenza.it

Per ricercatori, sviluppatori, professionisti o curiosi: un subset del dataset iperspettrale è pubblicamente disponibile per la sperimentazione da parte del pubblico, in ottica di condivisione delle conoscenze. Troverete molte risorse sia commerciali che open source, compresi modelli di intelligenza artificiale e dataset, attraverso le piattaforme di AI on Demand, una piattaforma messa a disposizione dal progetto AI4Europe e finanziato da Horizon Europe.
This sub-project has received funding from the European Union’s Horizon 2020 research and innovation programme under Open Call 2 of DIH4AI project GA No 101017057.
Back To Top