Büyük Verinin Ötesinde ve Tekstiller için Talep-Odaklı

Son üç yılda BTMA üyesi Shelton Vision'daki adanmış bir Yapay Zekâ geliştirme ekibi, tekstil endüstrisi için talep-odaklı makine öğrenimi çözümleri geliştiriyor.

  27 Mart 2023 08:30 Pazartesi
Büyük Verinin Ötesinde ve Tekstiller için Talep-Odaklı

Haber Merkezi-Hasan Keleşer

Amaç, üretim ortamlarında gerçek zamanlı olarak, tespit ve algı sürecini ve tekstillerdeki basit kusurları adlandırma ve derecelendirme keskinliğini yükseltmek olmuştur.

‘’Yüz tanıma ve Google Haritalar gibi teknolojilerin arkasındakiler gibi Büyük Veri 'rafta hazır' sistemler, saniyede binlerce tekil görüntüyü okumayı içerir ve bu özel durumda gerekenler için yeterli veriyi toplamak çok uzun sürer" dedi, Shelton Vision CEO'su ve Genel Müdür Mark Shelton ve ekledi, "Tekstil endüstrisinin bir özelliği, birçok sektörde ürün yelpazesinin bir yıl içinde birkaç kez değişmesi ve hassas ayarlara dayalı olarak bir yıl içinde yüzlerce hatta binlerce farklı stili analiz etmek zorunda kalmak alışılmadık değil."

Kusur türleri açısından, gerçek zamanlı olarak doğru bir şekilde tespit edilmesi, sınıflandırılması (adlandırılması) ve derecelendirilmesi gereken tipik olarak 100'ün üzerinde olabileceğini ekliyor.

“Buna ek olarak, yüzeydeki gevşek iplikler, tiftik ve toz gibi sistem dışı ortaya çıkan 'kusursuzlukların' 'filtrelenmesi' ihtiyacı da ekleniyor - bunların sayısı gerçek kusurlardan daha fazla olabilir - ve açıktır ki bir ısmarlama sistem gereklidir.” Sonuç olarak geliştirme ekibi, kusur değerlerini tanımlamak için metaveri oluşturmuştur ve bu da hataların çok daha az sayıda görüntüden başarılı bir şekilde tanımlanmasını sağlar.

Shelton, "Sistem, yapay zekâ gerçek zamanlı hata sınıflandırması ve derecelendirme yazılımı için yüksek kaliteli görüntüler sağlamak üzere, otomatik stil eğitimi için makine öğreniminin ve kusur tespiti için yeni algoritmaların benzersiz bir kombinasyonunu kullanıyor" dedi ve ekledi, "Kumaş özelliklerindeki-ham maddeler, yapı, tekstüre doku, renk ve finisajlar; miras kalan varyasyonlar ve ayrıca değer zincirlerindeki farklılaşan ürün kalite standartları ve hangi kusurların adlandırıldığına ilişkin bölgesel varyasyonlar nedeniyle- yapay zekâ motorumuz her biri bireysel şirket veya şirketler grubu veya ürün değer zinciri için oluşturulmuş modeller kullanır.’’

Otomasyon Destekli Uygun Maliyetli Çözüm

Yapay zekâ modelleri, kullanıcı görevlilerinin onları görüş sistemi tarafından üretilen kendi verileriyle veya başka bir görüntüleme kaynağından (örneğin bir cep telefonu kamerası) kusurlu görüntüler elde ederek popüle edebilecekleri şekilde yapılandırılır.

Kusurların oluşumu sporadiktir ve birçok kusur türü nadiren ortaya çıkar, ancak meydana geldiklerinde ciddi sonuçlara yol açabilirler. Bu senaryolar, yapay zekâ motorunun hızlı bir şekilde kurulması ve hata türü başına tipik olarak 30 ila 50 iyi kaliteli görüntüden oluşan sınırlı veri kümeleriyle keskin bir şekilde çalışabilmesi ihtiyacını yeniden zorunlu kılar.

Diğer bir özellik, kullanıcının kurulum aşamasında yapay zekâ verilerini periyodik olarak "temizlemesini" sağlayan bir araçtır. Bu, çakışan verileri çözmek ve yanlış adlandırılmış görüntüleri düzeltmek için kullanılır.

Genel olarak, kumaş üretiminin en yüksek maliyetli bileşeni ham maddedir ve bitmiş ürün analizine ek olarak, görüntü sistemlerinin uygun maliyetli bir kullanımı süreç operasyonundadır.

“Baskı veya kaplama gibi ayrı süreçlerde oluşturulan kusurların gerçek zamanlı tespitine ve kusurları ve bunların sıklığını doğru bir şekilde belirleyebilen ve bir operatörün düzeltmesi için güvenilir bir sinyal sağlayabilen gerçek zamanlı otomatik sistemlere ihtiyaç var. Bu, önemli ölçüde tasarrufla sonuçlanabilir. Shelton'ın özelleştirilmiş makine görüşü ve gerçek zamanlı hata sınıflandırmasını sunmasından önce, mevcut olan tek sistem, hem gerçek kusurları hem de "kusursuz" görüntüleri içeren çok sayıda görüntünün manuel olarak elenmesini gerektiren sistemlerdi. Görev çok genellikle yorucuydu ve manuel kumaş denetiminin ötesinde fazla bir fayda sağlamadı.''

Shelton Vision yapay zekâ gelişimi tamamen kendi kendini finanse etti ve gerekli çalışma süresini sağlamak için sağlam tasarım gerektiren işletme kritik sistemler olarak talepkâr tekstil uygulamalarında halihazırda faaliyet gösteren birçok sistem var.

İngiliz Tekstil Makineleri Birliği (BTMA) CEO'su Jason Kent, "Araştırmalar, Shelton Vision'ın talep-odaklı yapay zekâ çözümlerine sahip WebSpector'ının uzman zekâ kumaş denetleme sistemlerinin hız, keskinlik ve süreklilik açısından insan denetiminden daha iyi performans gösterdiğini gösteriyor" dedi ve ekledi, "Ayrıca, insanların kumaş denetiminin gerektirdiği faaliyet türünden küresel olarak uzaklaşması, şirketin teknolojisini ileriye dönük fabrikalar için giderek daha değerli hale getiriyor."

BTMA Hakkında

1940 yılında kurulan İngiliz Tekstil Makineleri Derneği, İngiliz tekstil makine üreticilerini ve ürünlerini dünyaya aktif olarak tanıtmaktadır. Kâr amacı gütmeyen kuruluş, üyeleri ile tekstil imalat sektöründe giderek çeşitlenen endüstriler arasında bir köprü görevi görüyor.


YORUMLAR
Sayın ziyaretçimiz; Üye olmadan yapılan yorumlar "misafir" olarak adlandırılacaktır. Yorumlarınızda size özel bir isim ve resim kullanmak, yaptığınız yorumlara üye menüsünden ulaşmak, yorumlarınıza gelen cevapları kontrol etmek ve üyelere sunulan daha pek çok özellikten yararlanmak için üye olun!
Bu haber hakkındaki yorumunuz nedir?
1000 - karakter kaldı.