一、方案概述

验布是面料出厂前的最后一道人工关口。布匹在验布机上匀速展开，检验员在照明工位前用肉眼逐米扫视，发现疵点后停机、标记、记录。这种方式沿用了几十年，工艺成熟，但它的产出高度依赖人：看得多快、看得多准、判多严，全凭个人状态与经验。

AI 视觉验布做的事很具体——让机器替人看布。在验布机照明工位上方架设线阵工业相机与高亮 LED 光源，布匹通过时逐帧成像；边缘计算盒内运行深度学习检测模型，毫秒级完成疵点定位、分类与置信度评分，结果实时标注在布幅展开图上；检验员在平板上复核确认，确认结果自动按四分制扣分，并与米数、重量绑定同一布卷号，形成一物一码的质量档案。

AI视觉质检：铺布/裁片瑕疵检测、缝制过程检测、成品全检（给出检出率指标如≥95%）、混款防错与自动点数，并说明与QMS/ERP的数据闭环。

与常见的“单点检测”方案不同，本方案把检测、评分、计量、归档、入库串成一条线。检测结果不只是屏幕上的一行提示，而是直接进入 IQC 物料检测单，驱动入库控制与结算，并按布种、供应商、机台沉淀为可回溯的质量数据。

表 1 方案能力概览

（二）与数采系统的衔接

AI 输出的疵点位置、类型与扣分，通过 MQTT 与计长咪表的米数、电子秤的重量绑定在同一布卷号上。这意味着同一卷布在系统里只有一个身份：哪台机台织的、哪个供应商供的、多长多重、扣了多少分、因为什么扣分，全部落在一条记录里。质量档案因此具备可查、可比、可统计的基础。

三、检测系统组成

系统由成像、推理、交互、标识四部分构成，均为标准化硬件，安装在现有验布机上，不改变原有验布工艺与操作动线。

（一）成像：线阵相机与高亮光源

线阵工业相机与高亮 LED 光源架设在验布机照明工位上方，布匹匀速展开通过时逐帧成像。线阵成像对布面细微纹理变化敏感，配合高亮光源可提升低对比度疵点的可见度。相机与计长咪表触发同步，每幅图像精确对应米数位置——这是后续“按位置落分”和“按米数回溯”的前提。

（二）推理：边缘计算盒

疵点检测模型部署在 AIoT 边缘工控盒上，采用 YOLOv8 系列算法，毫秒级完成疵点定位、分类与置信度评分。推理在边缘侧完成，不依赖网络稳定；工控盒同时承担协议转换、MQTT 上行与本地缓存，网络中断时数据先落本地，恢复后补传。

（三）交互：验布操作平板

15.6 吋工业安卓平板安装在检验工位，承担扫码开工、疵点确认与触发打印三项操作。AI 检出即报，检验员在平板上复核确认或修正，操作路径短，不打断原有验布节奏。

（四）标识：条码标签打印

检验完成后自动打印布卷标签；分卷拆分时生成新的卷号条码，原卷与新卷的对应关系在系统中保留。

图 1 验布机在线视觉检测示意

表 3 硬件配置清单

四、检测能力：布面疵点图谱

检测项按面料的实际质量判定习惯划分，首期覆盖 12 类高频疵点，覆盖经向、纬向、外观与织造四类成因。

表 4 首期覆盖的 12 类布面疵点

（一）按布种建专用模型

布面纹理差异大，同一类疵点在不同布种上的成像特征并不一致。因此首轮以客户的主要布种训练专用模型，而不是用一个通用模型覆盖全部品种。模型按客户提供的布种清单逐项扩展，每增加一个布种，先采集该布种的正常布样与疵点样本，再训练、验证、上线。

（二）新疵点靠样本回流迭代

名单之外的疵点不会凭空被识别。系统依赖样本回流机制：检验员在复核时确认或修正的结果进入训练集，新出现的疵点类型在积累到一定样本量后纳入模型迭代。这意味着检测范围会随着使用时间扩大，而不是出厂即封顶。

印花 AI 颜色校正

印花颜色校正是服装生产中色差控制的关键环节。传统方式依赖人工比色，主观性强、一致性差。AI 颜色校正方案通过高光谱成像+深度学习，实现客观、精准的颜色管理。

· 高光谱/多光谱相机采集印花面料颜色数据

· AI模型与标准色卡（Pantone/客户标准）进行ΔE色差比对

· 自动识别偏色方向（偏红/偏黄/偏蓝/偏暗/偏亮）

· 生成油墨配比调整建议，反馈至印花设备控制系统

· 闭环校正：调整后自动复检，直至ΔE达标

水洗工艺 AI 优化

水洗是服装（尤其牛仔/休闲品类）的关键后整理工序，直接影响手感、色牢度和外观效果。AI 优化方案通过工艺参数建模与实时反馈，实现水洗质量的精准控制和能耗降低。

· 时间参数：酶洗/石磨/漂洗各阶段时长最优配比

· 温度曲线：升温速率、保温温度、降温策略

· 化学品用量：酵素、浮石、漂白剂精准投放

· 机械作用：滚筒转速、浴比、负载率动态调整

水质参数：pH值、硬度、温度实时监测与调节