Существует более 60 видов брака ткани (в российской текстильной промышленности обычно различают 14): засоренность, мушковатость, близна, пролет, двойник, недосека, подплетина, разнооттеночность, щелчок, растраф рисунка, перекос, ворсовые плешины, пятна, дыры и многое другое. Как правило, у швейных фабрик есть ограниченное время на приём и отбраковку материала. Если за оговоренное время (обычно три дня) фабрика не представила производителю дефектную карту, то далее претензии по браку не принимаются. Важно вовремя подать претензию и сэкономить немного на полученном материале. Но гораздо важнее не допустить бракованную ткань в пошив. На каждом этапе технологической цепочки изделию добавляется стоимость, и чем позже брак обнаружится - тем больше потери у фабрики. Поэтому важно обнаружить брак на приёмке материала, а не на готовом изделии в магазине. А в идеале - вообще ещё на этапе производства самой ткани. Сейчас для проверки ткани используют мерильно-браковочные машины. Это простой станок с держателями для бобин, двумя синхронными моторами и множеством ламп. Во время перемотки работник стоит рядом и внимательно следит за тканью, вручную отмечая места брака. Этот способ напрямую зависит от квалификации работника, остроты его зрения, усталости, внимательности и ответственности. Предлагается автоматизировать процесс обнаружения брака путём дооборудования существующих мерильно-браковочных машин программно-аппаратным комплексом, состоящим из камеры высокого разрешения, мини-компьютера, экрана и программной системы. Комплекс будет представлять из себя комплект для самостоятельной установки на типовые мерильно-браковочные машины. Подсветка, перемотчики и счётчик длины уже имеются в машинах. Вопросы заземления и снятия статического электричества уже решены производителями машин. Результатом будет являться браковочная карта, в которой будет отражаться номер рулона и найденные дефекты, привязанные к отметке длинны с начала рулона. В электронном виде будут сопровождаться фотографиями проблемных мест. На основе этой карты технолог принимает первое решение: о возврате/не возврате поставщику. Второе решение: как удобнее раскраивать рулон, если его оставлять. На сегодняшний день нами изучены основные исследования по теме брака ткани и опробованы несколько алгоритмов нахождения брака и аномалий. Наилучшие результаты из опробованных нами алгоритмов показывает связка алгоритмов, основанных на быстром преобразовании Фурье и фильтре Гатора, с перекрёстной проверкой с помощью нейросетевого семейства архитектур «U-Net» (это каскад «сверточных» и «полносвязных» слоев нейронов, увязанных в единой структуре, напоминающей латинскую букву «U»). В той опытной сети, которая разработали мы, 4 уровня понижения размерности, напрямую связанных с блоками восстановления размерности, при 16 ступенях непосредственного понижения. Размерность вектора «бутылочного горлышка» - 128. Общее количество слоёв — 322. На имеющемся у нас датасете (840 примеров брака, 24 вида ткани, в основном трикотаж, под обучение, — тест) каскад уверенно отмечает 96% брака. Ошибочно положительных 3%. Основные задачи, которые нужно решить в ходе НИОКР: - Опробовать остальные перспективные алгоритмы, описанные в упомянутых статьях и исследованиях. Мировые исследования различают пять групп подходов к поиску дефектов: статистические, структурные, спектральные, модельные и их комбинации. Мы испробовали часть алгоритмов спектрального подхода в комбинации с одной из возможных нейросетевых моделей. Необходимо опробовать остальные из перечисленных подходов и найти комбинации из них, показывающие наилучший результат на как можно большем количестве сортов ткани. - Настроить параметры финальной нейросети. Необходимо подобрать количество уровней понижения, количество связанных уровней, а также размерность «бутылочного горлышка», чтобы снизить потребность в вычислительных ресурсах и вероятность переобучения сети. Обученная на большом количестве образцов брака нейросеть сможет обнаруживать в пилотном режиме до 75% дефектов, при дальнейшем обучении на основе обратной связи от потребителей эта цифра будет неуклонно расти. - Обогатить датасет. Исходя из опыта опубликованных исследований, а также успешных кейсов в смежных темах, например поиск брака по фотографиям металлических листов после прокатного стана (конкурс Kaggle от АО “Северсталь“), необходимо собрать и достоверно разметить не менее 50 тыс. разных образцов брака. Примерная оценка объема работы на сбор датасета — около 20 минут на образец, то есть около 16 тыс. часов. В интернете присутствуют несколько готовых датасетов с дефектами ткани, плюс мы собрали собственный. Этого недостаточно, требуется значительно увеличить количество реальных примеров. Мы планируем собирать их на этапе пилотного тестирования. Обработка такого большого объёма данных при подборе параметров обучения, а также обучения промежуточных и финальных моделей нейросети потребует порядка 400 PFLOPS вычислительной мощности. У нас есть доступ к вычислительным мощностям, плюс к этому во втором полугодии НИОКР мы планируем податься на грант SberCloud - ML space для бизнеса. - Подобрать режимы камер. В каждой мерильно-браковочной машине уже имеются встроенные лампы для визуального контроля. Задача - избежать замены ламп и подобрать оптимальные параметры для работы с существующими лампами. Требуется настроить частоту кадров, разрешение, фиксирование фокусного расстояния и диафрагмы и размер пикселя для работы в различных режимах освещённости проверяемой ткани, и выбрать оптимальные параметры для разных типов ткани. Всего планируется протестировать до 20 моделей камер и до 10 видов ткани. По достигнутой заранее устной договорённости камеры для тестирования будут предоставлены двумя Ульяновскими дилерами систем видеонаблюдения. - Распознавать видео. Сейчас мы уже умеем находить брак на фотографиях. Необходимо переработать наши алгоритмы для работы с видеопотоком. Для этого необходимо переписать наш каскад под технологии NVIDIA RAPIDS или аналоги, чтоб

Производитель: ОБЩЕСТВО С ОГРАНИЧЕННОЙ ОТВЕТСТВЕННОСТЬЮ "ДЕТЕКТОР"

IT