Factory
Početna
Usluge O nama Kontakt

AI rješenja za tekstilnu industriju

Detekcija defekata na tkalačkim mašinama u liniji sa edge inference budgetom ispod 8ms, plus spektrofotometrijski color matching koji eliminira batch-to-batch odstupanja iznad delta E 1.0.

92%
manje propuštenih defekata
0.7
delta E batch consistency
18%
manje second-quality robe
<8ms
edge inference latency

Operativni izazovi u industriji

Demo case studies

Demo Case Study 01

Real-time defect detection na visoko-brzinskim tkalačkim mašinama sa auto-stop integracijom

Kontekst klijenta

Proizvođač tehničkih tkanina za automotive airbag i seatbelt aplikacije (140 zaposlenih, sjeverna Italija). Pogon sa 64 Picanol OmniPlus 800 mašine koje rade 1.100 picks/min na PA66 i poliester. Zahtjevi automotive OEM-a: nula tolerancije na defekte tipa missing pick, broken end ili kontaminacija - svaka mana znači ili reklamaciju ili obavezno second-grading rolne (50% pad cijene).

Tehnički izazov

Postojeći Loepfe WeftMaster i Uster Quantum sistemi rade na razini niti i ne detektuju vizuelne defekte (oil stain, slubs, knots). Ručna inspekcija na perch table-u (kontrolnoj stanici nakon mašine) hvata samo 60-70% defekata jer inspektor ima 4-5 sekundi po m². Postojeća kamera rješenja (Uster Fabriq Vision) rade ali generišu 28% false positive na uzorkanim tkaninama, što obara povjerenje operatera. Inference budget je drakonski: pri 1.100 picks/min i mašini širine 360cm, line-scan generiše 4.4 GB/min sirovih podataka, a auto-stop signal mora doći u loom controller za manje od 12ms da se zaustavi prije nego što defekt prođe ispod beam-a.

Naš pristup

Postavili smo Teledyne Dalsa Linea 8k line-scan kameru iznad svake mašine sa programabilnim LED bar osvjetljenjem (specijalno spektar za PA66 koji ima visoku reflektansu na 850nm). Frame rate 40 kHz daje 0.4mm po pixelu u smjeru kretanja tkanine. Edge inference na NVIDIA Jetson AGX Orin per mašina: model je custom YOLO-NAS varijanta optimizovana sa TensorRT (FP16 + INT8 kalibracija), trenirana na 145.000 anotiranih primjera iz prethodnih 14 mjeseci. Inference latency 6.8ms na 512x512 patch-u. Multi-stage pipeline: prvi stage (rule-based filter) odbacuje očito normalan tekstil (90% frame-ova), drugi stage (CNN) klasifikuje sumnjive regije. OPC UA integracija sa Picanol loom controllerom: defect event sa confidence iznad 0.85 šalje stop signal u loom u istom TCP paketu, mašina zaustavlja u 8-9ms (mehanička inercija ograničenje). Centralni Kafka stream agregira sve defect evente, dashboarad u kontrolnoj sobi pokazuje real-time hit rate, false positive rate i defect distribution po mašinama. Operateri mogu dati feedback (true/false defect) preko HMI-a, sistem koristi ovo za active learning - model se re-trenira mjesečno.

Tehnološki stack

Python (PyTorch, ONNX, TensorRT), Teledyne Dalsa Linea 8k line-scan, NVIDIA Jetson AGX Orin, OPC UA (open62541), Picanol controller integracija, Apache Kafka, TimescaleDB, custom React HMI, programmable LED bar osvjetljenje

Detekcija defekata povećana sa 65% (ručno) na 96.4% (auto)
False positive rate na 3.1% nakon 6 mjeseci active learninga
Second-quality roba spuštena sa 4.8% na 1.1% volumena
Auto-stop latency 8.4ms prosjek, ROI postignut za 13 mjeseci

Demo primjer baziran na stvarnoj inženjerskoj praksi. Identitet klijenta povjerljiv prema NDA.

Demo Case Study 02

Color matching i batch consistency sistem sa MES integracijom

Kontekst klijenta

Proizvođač namještajnih tkanina (95 zaposlenih, BiH/Srbija) sa godišnjim outputom 1.8 milion metara. Kupci su evropski namještajni brendovi koji zahtijevaju delta E (CMC 2:1) ispod 1.0 između batch-eva, sa light booth verifikacijom u D65, A i F11 illuminantu (metamerism check). Postojeći proces: laboratorija mjeri uzorke iz svakog batch-a, ali poređenje je manuelno i ne ide direktno u dyeing recept system.

Tehnički izazov

Reklamacije zbog color drift-a generišu 280.000 EUR godišnje u return-ima i second-grading. Glavni izvori varijabilnosti: razlike u lot-evima boja od dobavljača (Archroma, Huntsman), razlike u kvalitetu vode po sezonama (mineral content), i ne-linearnost dyeing kinetike na različitim sirovinama. Postojeći Datacolor Tools softver radi na izoliranom PC-u u laboratoriji - ne razmjenjuje podatke sa Datatex NOW MES-om. Operater u dyehouse-u mora ručno prepisati recept iz lab-a u Tegele dyeing machine controller, što generiše greške u prepisu.

Naš pristup

Postavili smo full integraciju Datacolor Spectraflash 600 spektrofotometra preko OPC UA gateway-a u Datatex NOW MES. Svako mjerenje (laboratorija, in-line nakon dyeing-a, finalna QC) automatski se zapisuje u centralnu bazu sa metapodacima (batch ID, sirovina lot, dye lot, operater). Razvili smo recipe correction model: gradient boosted regression koji uzima ulazne mjerenja (greige tkanina reflektansa, dye stock concentration, water hardness) i predviđa potrebnu korekciju u receptu da bi se postigla target boja sa delta E ispod 0.7. Model je treniran na 22.000 historijskih batch-eva sa laboratorijskim mjerenjima. Posebno se vodi računa o metamerism failure - korekcija se optimizuje tako da delta E bude prihvatljiv u sva tri illuminanta (D65, A, F11), ne samo u D65. Integracija sa Tegele dyeing machine controller: korigovani recept se šalje preko OPC UA, operater dobija HMI prompt sa razlogom korekcije i može odbiti (sa obrazloženjem koje ulazi u learning set). In-line spektrofotometar nakon ispiranja mjeri rezultat i šalje feedback - model se re-trenira sedmično.

Tehnološki stack

Python (PyTorch, scikit-learn), Datacolor Spectraflash 600 i Ci7800, OPC UA (Eclipse Milo), Datatex NOW MES integracija, Tegele dyeing controller, CIE color science (CIEDE2000, CMC 2:1), PostgreSQL, FastAPI + React quality lab dashboard

Delta E batch-to-batch consistency: 0.7 prosjek (sa 1.8 baseline)
Color reklamacije spuštene sa 3.2% na 0.4% volumena
Dyeing reprocesi smanjeni za 41% kroz preciznije recepte
Eliminacija ručnog prepisa recepta - nula transcription errora

Demo primjer baziran na stvarnoj inženjerskoj praksi. Identitet klijenta povjerljiv prema NDA.

Tehnologije koje koristimo

Python (PyTorch, ONNX Runtime, NVIDIA TensorRT) Line-scan kamere (Teledyne Dalsa Linea, JAI Sweep+, do 12k px @ 40 kHz) NVIDIA Jetson AGX Orin za edge inference (275 TOPS) Datacolor 800/Spectraflash 600 i X-Rite Ci7800 spektrofotometri OPC UA gateway prema Picanol / Itema / Toyota loom controllerima Color science: CIELAB, CMC(2:1), CIEDE2000 delta E Apache Kafka za defect event stream PostgreSQL + TimescaleDB za defect history po roli FastAPI + React HMI za quality lab MES integracija (Datatex NOW, Beyond ERP) SQL Server / SAP TexTile modul CIE illuminant simulation (D65, A, F2, F11)

Kako radimo

01

Discovery

2 sedmice: audit tkalačkog parka, mapiranje QC procesa, mjerenje baseline defect detection rate, pregled color consistency historije.

02

Pilot

8-10 sedmica: pilot na 4-8 mašina ili jednoj dyeing liniji, kalibracija detection modela, validacija sa light booth referencama.

03

Implementacija

12-18 sedmica roll-out, integracija sa Datatex/Beyond MES, OPC UA gateway-i, training operatera i lab tehničara.

04

Operacija

Mjesečni active learning ciklus, kvartalna kalibracija spektrofotometara, godišnji review delta E i defect KPI-eva.

Razgovarajmo o pilotu za vašu firmu

Discovery sesija je 60 minuta - razumijemo vaš problem i predlažemo konkretan pilot pristup.

Kontaktirajte nas