TÍCH HỢP ROBOT DẪN HƯỚNG THỊ GIÁC ĐAN ĐẢO NGƯỢC TRONG TỰ ĐỘNG HÓA SẢN XUẤT DỆT MAY

Tóm tắt

Đan dệt là một công đoạn cốt lõi của ngành dệt may nhưng vẫn khó tự động hóa, đặc biệt trong việc chuyển đổi thiết kế vải thành các chỉ dẫn đan có thể thực thi bằng máy. Nghiên cứu này đề xuất một pipeline đan đảo ngược hai giai đoạn, định hướng ứng dụng robot và cơ điện tử, nhằm tích hợp thị giác máy với hệ thống đan tự động. Pipeline gồm giai đoạn nhận dạng nhãn mũi đan mặt trước từ ảnh vải và giai đoạn suy luận nhãn đầy đủ mang tính cấu trúc, đảm bảo khả năng đan được trên máy đan phẳng điều khiển số. Thiết kế mô-đun cho phép hệ thống dễ tích hợp vào dây chuyền sản xuất và mở rộng cho các kịch bản công nghiệp. Phương pháp được đánh giá trên cả mẫu sợi đơn và đa sợi, cho thấy khả năng thích ứng tốt với sự đa dạng cấu trúc và vật liệu. Các thách thức trong tự động hóa dệt may như mất cân bằng nhãn, mũi đan hiếm và yêu cầu kiểm soát chi tiết được giải quyết thông qua các kiến trúc học sâu phù hợp với đặc thù cơ học của quá trình đan. Nghiên cứu đặt nền móng cho các hệ thống robot đan dệt tự động hoàn toàn, hướng tới sản xuất dệt may thông minh, linh hoạt và tùy biến cao.

Title

INTEGRATING VISION-GUIDED ROBOTICS FOR REVERSE KNITTING IN AUTOMATED TEXTILE MANUFACTURING

Abstract

Knitting is a core process in textile manufacturing, yet remains difficult to automate, particularly in translating fabric designs into machine-executable knitting instructions. This study proposes a two-stage reverse knitting pipeline, oriented toward robotic and mechatronic applications, to integrate machine vision with automated knitting systems. The pipeline consists of a front-side stitch label recognition stage from fabric images and a structural inference stage that reconstructs complete knitting instructions, ensuring knittability on computer-controlled flat knitting machines. Its modular design enables seamless integration into automated production lines and supports scalability across industrial scenarios. The proposed method is evaluated on both single-yarn and multi-yarn fabric samples, demonstrating robustness to structural and material variability. Key challenges in robotic textile automation, including label imbalance, underrepresented stitch types, and fine-grained structural control, are addressed through deep learning architectures tailored to the mechanical characteristics of the knitting process. This work lays the foundation for fully automated robotic knitting systems, enabling intelligent, flexible, and customizable textile manufacturing.