Le système convertit les images de tissu en instructions de tricotage à machine complètes

Les progrès récents de la robotique et de l’apprentissage automatique ont permis l’automatisation de nombreuses tâches du monde réel, y compris divers processus de fabrication et industriels. Entre autres applications, les systèmes d’intelligence robotique et artificielle (IA) ont été utilisés avec succès pour automatiser certaines étapes de la fabrication de vêtements.

Des chercheurs de l’Université Laurentiens au Canada ont récemment décidé d’explorer la possibilité d’automatiser complètement le tricot des vêtements. Pour ce faire, ils ont développé un modèle pour convertir tissu Des images en instructions complètes que les robots à tricoter pourraient lire et suivre. Leur modèle, décrit dans un article publié dans Électroniquea été constaté pour réaliser avec succès des modèles pour la création de vêtements en un seul verge et à plusieurs verges en tricot.

« Notre article relève le défi de l’automatisation du tricot en convertissant les images en tissu en instructions lisibles par machine », a déclaré à Tech Xplore Xingyu Zheng et Mengcheng Lau, co-auteurs du journal.

« Les méthodes traditionnelles nécessitent un étiquetage manuel, qui est à forte intensité de main-d’œuvre et limite l’évolutivité. Inspirée par cet écart, notre objectif était de développer un système d’apprentissage en profondeur que les inverseurs ont tricoté des tissus d’images, permettant une plus grande personnalisation et une évolutivité dans la fabrication textile. »

L’approche basée sur l’apprentissage en profondeur développée par Zheng, Lau et leurs collègues s’attaque au problème de la production d’instructions de tricot en effectuant deux étapes principales. Le premier a été nommé la «phase de génération», tandis que le second était la «phase d’inférence».

« Dans la phase de génération, un modèle AI traite des images de tissu réelles en représentations synthétiques claires, puis interprète ces images synthétiques pour prédire des instructions de tricot simplifiées, appelées étiquettes avant », a déclaré le Haoliang Sheng et Songpu CAI, co-auteurs de l’article. « Dans la phase d’inférence, un autre modèle utilise les étiquettes avant pour déduire les instructions complètes de tricotage prêtes à la machine. »

Le nouveau modèle de création de motifs de tissu introduit par les chercheurs présente plusieurs caractéristiques et avantages précieux. Plus particulièrement, il peut produire des motifs de tricot à deux et à plusieurs verges, incorporer avec précision les points rares et être facilement appliqués à de nouveaux styles de tissu.

Les chercheurs ont testé leur système proposé dans une série de tests, l’utilisant pour produire des modèles pour environ 5 000 échantillons de textiles, qui devaient être fabriqués à la fois de tissus naturels et synthétiques. Ils ont constaté que cela fonctionnait remarquablement bien, générant des instructions de tricot précises pour la plupart de ces articles.

« Notre modèle a atteint une précision de plus de 97% dans la conversion d’images en instructions de tricot, surpassant considérablement les méthodes existantes », a déclaré Sheng et CAI.

« Notre système a également géré efficacement la complexité des fils multicolores et des types de points rares, qui étaient des limitations majeures dans les approches antérieures. En termes d’applications, notre méthode permet une production textile entièrement automatisée, une réduction du temps et des coûts de main-d’œuvre. »

Le nouveau modèle développé par LAU, Zheng, Sheng et Cai pourrait bientôt être testé et amélioré davantage. Finalement, il pourrait être déployé dans des paramètres du monde réel, soutenant potentiellement la production de masse automatisée de vêtements tricotés personnalisés. Lorsqu’elle est utilisée avec des systèmes robotiques à tricoter, le modèle pourrait également permettre aux concepteurs de créer rapidement des prototypes de leurs conceptions ou de tester de nouveaux modèles sans créer manuellement des modèles lisibles par machine.

« À l’avenir, nous prévoyons de traiter les déséquilibres de l’ensemble de données, en particulier pour les points rares, grâce à des techniques d’augmentation avancées », a ajouté Lau et Zheng.

« Nous visons également à incorporer la reconnaissance des couleurs pour améliorer la fidélité structurelle et visuelle. L’élargir le système pour gérer les tailles d’entrée et de sortie variables est un autre objectif, lui permettant de s’adapter dynamiquement à différents tissus. Enfin, nous avons l’intention d’étendre notre pipeline à des vêtements tricots 3D complexes et d’explorer des applications de domaine croisé telles que le tissage et l’embroche. »

© 2025 Science X Réseau