模型訓練 優化布料檢測

隨著全球紡織產業朝向少量多樣發展，市場對於布料的需求日益多元，布種與生產規格也變得更加複雜。每年數千種新型布料推陳出新，為產業帶來創新機會的同時，也使布料瑕疵檢測面臨前所未有的挑戰。

傳統驗布方式無法應對日益增多的布種與變化多端的瑕疵類型，檢測準確度受限，進而影響品質控管與生產效率。

目前紡織廠普遍採用高效能驗布機，以滿足大規模生產需求，驗布速度可達每分鐘10公尺以上。然而現行技術多仰賴傳統影像處理技術進行瑕疵檢測，雖能快速識別異常，但在面對布種與紋理多樣化的環境時，經常產生大量「假瑕疵」警報，影響檢測準確度，導致生產線效率下降。

AI的導入為布料檢測帶來突破性的進展。透過機器學習以及深度學習技術，AI不僅能輔助驗布機進行初步篩檢，更能進行二次確認，以降低誤判並提升檢測精準度。然而，布料種類繁多、瑕疵型態變異大，使得AI模型訓練面臨一大挑戰──如何獲取足夠且多樣化的訓練資料。

AI模型的訓練高度仰賴大量高品質的標註資料，但在紡織業，布種與瑕疵類型過於多樣，要完整蒐集所有可能的瑕疵樣本極具挑戰，導致AI模型的適應能力受限。

為解決問題，生成式AI（GAI）技術應運而生，能模擬各類布料瑕疵樣本，強化AI模型的訓練效果。

GAI可以透過深度學習技術，例如擴散模型，來生成多樣化的布料瑕疵影像，模擬真實生產過程中可能出現的問題。其中，擴散模型透過逐步添加與去除雜訊的方式，生成高度逼真的瑕疵影像，能夠有效捕捉細微的瑕疵特徵，使AI模型在訓練時能夠學習更多不同的變異情境，進一步提升準確率與適應能力。此外，GAI技術還能夠調整瑕疵影像的光線、材質、角度等條件，模擬在不同生產環境下的檢測情境，確保AI模型在各種驗布場域中都能保持穩定的檢測表現。

在經濟部產業技術司補助下，工研院投入研發布料瑕疵生成技術的先期研究，針對收集的少量布匹瑕疵影像，經由大語言模型完善並擴充影像描述，並微調多模態的影像生成模型，使GAI能夠生成各種變化的布匹瑕疵影像，以擴充AI的瑕疵樣本訓練資料，透過這些高品質的合成數據，AI模型準確率可由原先的80.10%提升至90.55%，大幅提升檢測效能。影像生成技術的導入，使紡織業者能夠縮短AI模型的資料收集時間，減少實體瑕疵布料的收集成本，進一步提高驗布機的智慧化程度，加速智慧驗布技術的普及與應用。

GAI應用於布料瑕疵檢測的優勢，主要體現在幾個方面，包括：提升AI模型的準確度與適應性，透過擴充瑕疵樣本資料庫，使AI能夠更精準識別各種布料上的細微瑕疵；降低資料收集成本，減少人工標註與實體布料蒐集需求，縮短驗證時間；加速AI部署速度，透過大量合成數據快速調整模型，提高其在不同生產場域的適應性。這些技術優勢使AI在驗布檢測中的應用更加全面，進一步提升紡織業的智慧製造水準。

隨著GAI技術的發展與應用深化，未來驗布機將能夠更精準偵測瑕疵，減少人力投入，提升紡織品的品質穩定度，為少量多樣市場提供更高效且智慧的品質管理解決方案。智慧驗布技術的導入，將加速台灣紡織業的數位轉型，使其在全球市場中保持競爭優勢。

台灣擁有全球領先的紡織產業鏈，透過GAI的導入與驗布技術的創新升級，不僅可提升產品品質，也將助力產業邁向更高效、智慧的生產模式，為全球紡織供應鏈帶來新契機，鞏固台灣在國際市場的領導地位。

（作者是工研院資訊與通訊研究所經理）