Grupo Adar / Artec / TexlivingArtec Malhas · Brasil · 2022

Visão computacional em tecidos

Inspeção humana pode deixar defeitos passarem; problema chega ao cliente e gera devolução, deslocamento de técnico, retrabalho e custo. A solução adotada foi: Sistema com câmeras, processamento e modelo de ML baseado em visão computacional/anomaly detection.

PoC validada / implementaçãoEvidência C · Exploratória

Escala: Indústria têxtil / linha de produçãoInício: 2022

RELATO DO CASE

O que a empresa fez

O problema original: Inspeção humana pode deixar defeitos passarem; problema chega ao cliente e gera devolução, deslocamento de técnico, retrabalho e custo.
Como era antes: Inspeção visual manual do tecido na saída da rama.

O objetivo: Detectar e localizar defeitos em tempo real e padronizar o controle de qualidade.
A solução de IA: Sistema com câmeras, processamento e modelo de ML baseado em visão computacional/anomaly detection.

Como funciona

O modelo é treinado com imagens de tecido em padrão de qualidade; imagens fora do padrão são identificadas como anomalias e o defeito é localizado.

Câmera → processamento → modelo Anomalib/PyTorch → detecção → alerta → ação de qualidade.

Dados utilizados

Imagens de tecidos; exemplos de boa qualidade; parâmetros do processo; tipos de tecido.

Decisão apoiada

O tecido está dentro do padrão? Onde está o defeito e é necessário intervir?

Ação gerada

Alerta/identificação do defeito para ação imediata antes de envio ao cliente.

O que continua sob decisão humana

Sim — inspeção/ação corretiva

O que fica com a IA: Sistema com câmeras, processamento e modelo de ML baseado em visão computacional/anomaly detection.
Quem utiliza: Qualidade; produção; engenharia; gestão industrial.
Integração ao processo: Câmera → processamento → modelo Anomalib/PyTorch → detecção → alerta → ação de qualidade.
Limitações: Resultados quantitativos de acurácia e ROI não foram divulgados; desempenho precisa ser validado em diferentes padrões/estampas e condições de iluminação.
Riscos reportados no case: Resultados quantitativos de acurácia e ROI não foram divulgados; desempenho precisa ser validado em diferentes padrões/estampas e condições de iluminação.

EVIDÊNCIAS DO CASE

Resultados publicados

Resultado medido3 tipos

Tipos de tecido liso testados

Direção: Sem direção
Escopo: PoC mostrou capacidade de detectar e reconhecer defeitos com precisão; o fornecedor relata redução esperada de devoluções/retrabalho, sem percentual público. A métrica deve ser interpretada no escopo de maturidade do case: PoC validada / implementação.
Confiança: Média
Contexto: Case do fornecedor e artigo de implementação; sem métrica pública de ROI.

Macnica DHW / Grupo Adar

Síntese dos resultados: PoC mostrou capacidade de detectar e reconhecer defeitos com precisão; o fornecedor relata redução esperada de devoluções/retrabalho, sem percentual público.
Benefícios: Detecção antecipada; padronização; menor custo de não qualidade; menor devolução/retrabalho.

Evidência C

Case do fornecedor e artigo de implementação; sem métrica pública de ROI.

O nível representa a força da evidência disponível na biblioteca, não uma avaliação da empresa.

Problemas AMEM relacionados

Capacidades de IA utilizadas

Visão Computacional e Reconhecimento Visual

Papel: Reconhecer/detectar em imagem
Aplicação: No case Visão computacional em tecidos, a capacidade “Visão Computacional e Reconhecimento Visual” contribui para: O modelo é treinado com imagens de tecido em padrão de qualidade; imagens fora do padrão são identificadas como anomalias e o defeito é localizado. A saída apoia a decisão: O tecido está dentro do padrão? Onde está o defeito e é necessário intervir?
Tecnologia: Computer Vision; Anomaly Detection; ML
Fornecedor: Macnica DHW / PyTorch / Anomalib

Importância5 / 5

Detecção de Anomalias e Mudanças

Papel: Detectar anomalias
Aplicação: No case Visão computacional em tecidos, a capacidade “Detecção de Anomalias e Mudanças” contribui para: O modelo é treinado com imagens de tecido em padrão de qualidade; imagens fora do padrão são identificadas como anomalias e o defeito é localizado. A saída apoia a decisão: O tecido está dentro do padrão? Onde está o defeito e é necessário intervir?
Tecnologia: Computer Vision; Anomaly Detection; ML
Fornecedor: Macnica DHW / PyTorch / Anomalib

Importância4 / 5

INTERPRETAÇÃO EDITORIAL · AMEM / RECTRIX

Como este case pode inspirar sua empresa?

Avaliação editorial para apoio à análise durante o Workshop AMEM.

Aprendizado executivo: Visão computacional é forte quando há padrão visual de qualidade e custo claro do defeito tardio.
Aplicação AMEM: Inspeção de tecido, costura, acabamento, etiqueta, embalagem ou montagem final usando câmera e detecção de anomalias.
MVP sugerido: Selecionar um defeito recorrente, coletar imagens boas/ruins e testar detecção em uma etapa da linha.
Dados mínimos do MVP: Imagens representativas; classificação/registro de defeitos; condições de captura; lote/ordem; resultado da inspeção.

Impacto AMEM5 / 5Replicabilidade4 / 5Complexidade4 / 5Score AMEM4,05 / 5

Sugestões para experimentação no contexto AMEM. Não são resultados publicados nem garantias de desempenho.

RASTREABILIDADE

Fontes e evidências

Fonte principalCase de fornecedor

Indústria têxtil melhora a qualidade dos produtos com Inteligência Artificial