台灣AI產業應用研究(1)-流行看板圖像與布料特徵辨識
一、台灣的紡織業
台灣的紡織業曾一度被稱為夕陽產業，但在經過持續轉型與升級之後，已成為全球成衣業者的重要合作夥伴。台灣紡織業的結構完整，主要的產業聚落有位於北部的針織代工聚落、染整聚落及整理加工聚落，位於中部的梭織代工聚落，以及位於南部的棉/化纖混紡梭織聚落。
從產業鏈的角度來看，紡織產業的上游包含纖維、成絲天然物料及塑化原料；中游包含紡紗加工、織布染整；下游則為成衣、紡織品與不織布。
目前台灣紡織業的 AI 應用都以單一企業的內部應用為主，包括 AOI 瑕疵檢測、參數最佳化、物料需求分析、瑕疵根因分析、以及本文要介紹的圖像分類辨識。
二、流行看板圖像與布料特徵辨識
位於紡織業中下游的廠商，其業務除了生產成衣及各種織品布料之外，也會為了行銷推廣及服務客戶，每年都需要製作大量的流行趨勢實體看板。在製作每個流行趨勢實體看板時，設計師會提供新一季的流行趨勢圖案，企劃設計人員需要依照流行趨勢圖案與流行詞語的特性，從企業布料管理系統中幾萬組的布料挑選出適用的布料，再進行後續實體看板的製作。
三、用 AI 解決問題
過去這種需要仰賴企劃人員手動從企業布料管理系統中幾萬組的布料挑選出適用布料的流程，主要會導致兩個問題，第一是耗費時間，增加整體的開發成本；第二是挑選的過程容易受企劃設計人員的主觀印象影響，會造成布料選擇不一致的問題。
面對這個問題，我們可以透過機器學習演算法，根據所提供的流行趨勢圖案與所應用布料外觀圖像，計算流行圖案與布料特徵值的連結性，當新一季設計師提供新的流行趨勢圖案時，可以快速在企業布料管理系統中幾萬筆的布料外觀資料中，使用 AI 圖像辨識技術找出最適用的布料，讓企劃設計人員可以快速在第一階段找出適用的布料，加速整體看板的作業時間。 並且可以使用企劃設計人員實際選擇的布料資訊與組合，來重新訓練之前學習的模型。
四、建議作法
透過 AI 來進行流行看板圖像與布料特徵辨識，我們可以分成以下四個步驟：
- 先將企業布料管理系統中的布料依照布料特徵（顏色、紋理、材質、光澤、織法）進行分類，我們可以使用一般常見的分群（clustering）演算法，如 K-Means。（若已有人工標記分類，則可以使用分類（classification）演算法）
- 使用流行看板圖檔及其對應布料的類別，訓練一個監督式學習的影像分類演算法（如 CNN），判斷每張流行看板圖檔適合使用的布料類別。
- 使用排序演算法，計算該布料類別中的排序，推薦最佳的適用布料。
- 將企劃設計人員實際選擇的布料資訊與組合，來重新訓練影像分類演算法及排序演算法。
透過使用機器學習對布料進行分類，再依照看板圖像跟布料類別訓練深度學習模型，企劃設計人員在拿到最新流行圖案時，可以快速從布料管理系統中挑選出最適用的布料，縮短設計企劃人員看板製作時間達 80%以上，從原先數個工作天縮短至數小時即能完成，也減少了主觀挑選造成布料選擇不一致的問題。
五、結論
台灣的紡織業在經過長年的轉型與升級之後，已成為全球成衣業者的重要合作夥伴，但要能夠因應客戶大單或是急單的需求，必須要透過 AI 等新技術來降低開發成本及時程。本文介紹如何使用 AI 來進行看板圖像與布料特徵的辨識，不僅可以大幅降低看版的開發時程，也減少了因為人工主觀挑選而造成布料選擇不一致的問題。
