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.

A new fabric inspection technique for accurately detecting the most subtle of defects on patterned fabrics during high speed production has been developed by BTMA member Shelton Vision, of Leicester, UK.

The patent-pending system has been integrated into the company’s WebSpector platform and validated through factory trials on a purpose-built full scale in-house demonstration system with sophisticated fabric transport capabilities. As a result, a first system has already been ordered by a manufacturer of both plain and patterned fabrics, including camouflage, in Colombia. This follows the successful conclusion of a 21-month Innovate UK project in which techniques for the resolution of complex pattern deformations were developed by machine vision and computer scientists in the company, backed up by the machine vision and robotics department at Loughborough University.

Restrictions
Traditional methods for defect detection rely on human inspection which is ineffective, with detection rates under 65%, while the Shelton WebSpector machine vision system offers a sophisticated platform for automated defect detection of over 97%, but until now has been restricted to plain textiles.

While pattern matching and neural network approaches have previously been tried for patterned textiles, they have failed to provide a practical solution due to the extreme complexity associated with pattern matching on deformable substrates like textiles, as well as the time required to train a neural network for each pattern type.

Challenges
The challenge is that fabrics are not rigid and can be creased or stretched and are also subject to local distortion,” says Shelton Vision Managing Director and CEO Mark Shelton. “As a result, inspection without the technique we have developed, would lead to thousands of false positives. Our sophisticated pattern inspection software techniques ensure a clean image, allowing the detection of faults on fabrics running at speeds of up to a hundred metres a minute.”

The full system consists of:

• A camera and lighting system for optimum image capture at high speed and associated image processing hardware.
• Self-training software utilising statistical analysis to automate the system configuration for new textile products.
• An advanced suite of defect detection algorithms for the detection of all textile defect types.
• An AI-driven defect classification system which learns and automates defect naming in real time, as well as a real time defect grading capability based on client decision rules.
• A system for recording and retrieving complete roll map images for subsequent review and quality control.

The generation of textile roll maps with complete defect data allows for an optimised textile cut plan, improved downstream processing and quality assurance.