在紡織業中，檢查布料瑕疵一直是一項勞動密集且精細的工作。這項任務依賴於人工檢測，其中檢驗人員必須用肉眼來識別每一個可能的疵點。一位經驗豐富的檢驗員在一小時內最多可能發現200個疵點，並達到大約70%的檢出率。這種方法不僅耗時，而且隨者工作時間的增加，人眼容易疲勞，其效率和準確性會逐漸下降。此外，人工檢測多少會受到檢驗員的主觀判斷影響，這會導致檢測結果的不一致。

為了解決驗布標準不一致及速度慢的問題，近年來自動光學檢測（AOI）和人工智能（AI）影像辨識技術逐漸在紡織業使用。理論上這個技術是可以提升效率。但是，儘管檢出率高，影像識別在布料上仍然有正確率不足及無法全面覆蓋所有布料瑕疵的問題。即使有了視覺驗布設備，還是需要靠經驗豐富的驗布師傅進行二次複檢，在一定程度上削弱了自動光學檢測的效益。所以，即便是最新的技術，也顯然不能全面的解決問題。紡織廠、代驗廠及成衣廠在選擇驗布工具時，必須了解AOI和AI技術核心特點及其局限，以做出最適合自身生產需求的技術投資決策。

自動光學檢測（AOI）方式：定義與功能

自動光學檢測（AOI）利用高解析度的相機來捕捉面料圖像，並根據預設的標準(如色差異常、結構損壞或紋理不均)識別各類瑕疵，進行布料瑕疵的評估。

應用：

  • 速度快且效率高：AOI影像辨識可以在短時間內檢查大量面料，比人工檢查快許多。

  • 減少人為錯誤：自動化過程減少了因人工疲勞或主觀判斷誤差所引起的問題。

  • 重複性：一旦設定好檢測標準，AOI影像辨識可以一致性地重複檢查過程。

限制：

  • 適應性差：對於未知類型的瑕疵或新面料，僅可檢出定義好的瑕疵。

  • 誤判率高：AOI光學檢測通常採用傳統演算法，並設定較嚴格的參數，使得系統對外界因素如光影過度敏感，這可能導致過度檢出（Overkill）的情況。因此，這通常需要額外的人力和時間成本來進行二次檢查。

  • 設定依賴：需要專業知識人員來設定檢測參數，這可能需要額外的時間和成本。

  • 檢測環境及環境要求高：AOI系統極度依賴光源、相機和鏡頭之間的精確協同。尤其布料的紋路、特性，織法等，必須要有嚴格的測試環境，才能降低誤判的風險。

人工智能（AI）在驗布瑕疵識別中的應用：

AI影像辨識涉及機器學習或深度學習來訓練模型，使其學會如何識別面料瑕疵。過程不僅只是依靠預設的規則，更是通過分析大量面料圖像數據進行模型訓練，使模型具備識別從基本到複雜或罕見瑕疵的能力。

應用：

  • 靈活性和適應性：AI模型可以持續學習和適應新的瑕疵類型，隨著時間的推移逐步提高識別準確性。

  • 處理複雜瑕疵：能夠識別由多種因素造成的複雜瑕疵，如不規則的圖案或混合纖維。

  • 減少需要預設的參數：AI可以通過自我學習來優化其檢測算法，降低對專業設定的依賴。

限制：

  • 訓練每個瑕疵須提供大量瑕疵：要達到高準確率，AI模型需要大量的標記好的訓練數據。

  • 處理時間和資源：初期訓練過程可能需要顯著的計算資源和時間。

總結來說，AOI和AI各有優勢和局限性，與AI軟體的快速學習和低樣本需求相比，AOI需要更多樣本和較長的設定時間。然而，在現代紡織業的應用中，兩者往往是互補的。在設置初期，AOI可以快速提供基於規則的檢測，而AI則可逐步接手，提供更深入和全面的檢測，特別是在處理複雜或未知的瑕疵時更顯其優勢。

影像識別技術在布料檢測中的優勢與挑戰

優勢

  • 即時發現問題並排除：減少不良品召回和浪費，提高客戶滿意度和重複訂單的可能性。

  • 減少人為誤差，降低由於疲勞和光線不足導致的人工檢查錯誤。

  • 減少不一致的品質標準：降低客戶投訴率，提高投資報酬率，工廠可承接大宗訂單，增加盈利潛力。

  • 增強的追蹤與追溯能力：影像識別技術可以提供完整的布料檢測記錄，使得產品質量追蹤變得更加容易和透明。

  • 降低生產成本：有效解決人員流動、人工疲勞和招工困難等引起的產能波動。

  • 提升品牌形象：使用先進的AI與AOI技術不僅提高產品質量，也可作為一種市場營銷工具，提升品牌形象，表明品牌對創新和質量的承諾。

挑戰

  • 二次複檢需求：AOI儘管快速，但準確率不足，導致頻繁需要技術人員二次複檢，增加成本並降低效率。利用AI進行深度學習，提升初始檢測的準確性，減少依賴於二次人工複檢。

  • 依賴人工經驗的局限性：瑕疵檢測的好與壞，取決於使用者的「判斷能力」。 AOI依賴預設參數，對新型瑕疵識別能力有限。比起AOI的死規則，AI會深度學習，根據人類判斷的結果再去滾動學習，這使AI在識別多樣和複雜的瑕疵方面具有顯著優勢。但是，這不代表AI就萬能，不好的瑕疵圖資或前期的分類不正確也會導致AI模型精準度下降。

  • 品牌與布廠標準不一致：不同品牌和工廠有不同的瑕疵定義和檢測標準。提高系統的配置靈活性，確保能根據不同客戶的要求調整檢測標準。

  • 隱私和數據安全：大規模使用影像數據可能帶來數據安全和隱私問題。強化數據安全措施，保證數據在處理過程中的安全和合規性。

  • 成本效益與投資回報：許多設備商看準紡織業毛利低採用租賃或代驗方式，初期的確價格吸引人，但長期來看，持續的租賃費用可能會超過購買設備的總成本。另外，租賃意味著您對設備的控制和自由度較低，全程設依賴供應商。再來，企業無法從這些設備中累積資產價值，例如從中做回溯分析或技術整合。

  • 技術升級：AI技術持續更新，定期更新最新技術通常包含安全和增強功能，可確保軟體的兼容性。

選擇影像識別工具的三個關鍵考量

對於那些從其他行業轉入紡織業的企業，雖然他們可能對影像軟體技術有一定的理解，但通常缺乏對紡織品特性和工廠操作痛點的實際了解。例如，面料在驗布過程中不應該被拉伸，以避免紋理歪曲或產生緯斜瑕疵。皺褶的存在同樣會干擾系統處理紋理時的判斷精確性，而保持布料送入時的平整性是提高檢測效率的先決條件。

有效運用視覺辨識技術不僅需要從老師傅那裡繼承經驗，還需要驗布機供應商在用戶現場實地投入大量時間（通常為1至6個月，具體取決於布料種類及瑕疵類型的多寡）來修正和調整識別模型。因此，建立驗布方和設備供應商之間的共識，以及雙方的耐心與持續努力，是技術成功導入的關鍵。只有透過這樣的合作與努力，才能確保視覺辨識技術在紡織行業中的有效應用，從而提高生產效率和產品質量。

無論AOI或是AI，影像識別都要花時間訓練。那麼，找專業驗布設備製造的製造商、熟悉布料瑕疵的供應商、了解紡織與成衣業工廠痛點及未來發展的製造商才能盡可能縮短前期的投入時間。

結論

許多紡織和成衣製造商初次接觸AI與AOI技術時，常誤以為這些工具可立即投入使用。實際上，這些技術需要大量的前期準備，包括人力和時間的投入。要提升系統的智能和效率，必須蒐集並清晰分類大量的瑕疵圖像數據。

在這方面，歐西瑪憑藉半世紀的驗布設備製造經驗，與紡織大廠及工業技術研究院共同開發AI驗布機，先是解決傳統AOI與AI驗布機不能有效處理的彈性布料。我們的AI驗布系統也涵蓋市面上常見的瑕疵類型，如色汙、色點、油汙、破洞、勾紗、擦傷、斷緯等。此外，系統還提供業界所需的色差報告，並配備符合工廠操作習慣的使用介面，是一款真正能為紡織驗布帶來實質效益的影像識別系統。若有興趣取得免費報告請聯繫我們。