Aus der Branche

In den vergangenen drei Jahren hat ein spezielles KI-Entwicklungsteam des BTMA-Mitglieds Shelton Vision maßgeschneiderte maschinelle Lernlösungen für die Textilindustrie entwickelt.

Ziel war es, den Erkennungsprozess und die Genauigkeit bei der Benennung und Einstufung subtiler Mängel in Textilien in Echtzeit in Produktionsumgebungen zu verbessern.

Big-Data-Systeme von der Stange", wie sie hinter Technologien wie Gesichtserkennung und Google Maps stecken, lesen viele Tausende von Einzelbildern pro Sekunde und brauchen einfach zu lange, um genügend Daten für die Anforderungen in diesem speziellen Fall zu sammeln", sagt Mark Shelton, CEO und Geschäftsführer von Shelton Vision. "Die Textilindustrie zeichnet sich dadurch aus, dass sich die Produktpalette in vielen Bereichen innerhalb eines Jahres mehrmals ändert, und es ist nicht ungewöhnlich, dass innerhalb eines Jahres Hunderte, wenn nicht Tausende von verschiedenen Modellen auf der Grundlage präziser Einstellungen geprüft werden müssen".

Er fügt hinzu, dass es in der Regel mehr als 100 Fehlertypen gibt, die genau erkannt, klassifiziert (benannt) und in Echtzeit eingestuft werden müssen.

Hinzu kommt die Notwendigkeit, das zufällige Auftreten von "Nicht-Fehlern" wie losen Fäden, Fusseln und Staub auf der Oberfläche herauszufiltern - deren Anzahl höher sein kann als die der tatsächlichen Fehler - und es ist klar, dass ein maßgeschneidertes System erforderlich ist.
Das Entwicklungsteam hat daraufhin Metadaten zur Identifizierung von Defekteigenschaften erstellt, die eine erfolgreiche Identifizierung von Fehlern aus einer viel geringeren Anzahl von Bildern ermöglichen.

"Das System nutzt eine einzigartige Kombination aus maschinellem Lernen für das automatische Stiltraining und neuartigen Algorithmen für die Fehlererkennung, um qualitativ hochwertige Bilder für die KI-Software zur Klassifizierung und Klassifizierung von Fehlern in Echtzeit zu liefern", erklärt Shelton. "Aufgrund der inhärenten Unterschiede bei den Stoffmerkmalen - Rohstoffe, Konstruktion, Textur, Farbe und Veredelung - sowie der unterschiedlichen Produktqualitätsstandards in den Wertschöpfungsketten und der regionalen Unterschiede bei der Bezeichnung von Mängeln verwendet unsere KI-Engine Modelle, die für jedes einzelne Unternehmen oder jede Gruppe von Unternehmen oder Produktwertschöpfungskette erstellt werden."

Die KI-Modelle sind so aufgebaut, dass die Anwender sie mit ihren eigenen Daten füllen können, die vom Bildverarbeitungssystem erzeugt werden oder indem sie Fehlerbilder von einer anderen Bildgebungsquelle (z. B. einer Handykamera) erhalten.  

Das Auftreten von Defekten ist sporadisch, und viele Defekttypen treten nur selten auf, können aber schwerwiegende Folgen haben, wenn sie auftreten. Diese Szenarien machen deutlich, dass die KI-Engine schnell eingerichtet und in der Lage sein muss, mit begrenzten Datensätzen von typischerweise 30 bis 50 qualitativ hochwertigen Bildern pro Fehlerart genau zu arbeiten.