Permasalahan Klasik dalam Inspeksi Kain
Industri tekstil global saat ini bergerak sangat cepat, dan ekspektasi terhadap kualitas produk terus meningkat. Namun, deteksi cacat kain masih menjadi titik lemah dalam rantai produksi. Cacat yang tidak terdeteksi dapat menyebabkan kerugian besar, karena produk ditolak atau dikembalikan setelah distribusi. Penelitian sebelumnya mencatat bahwa nilai jual kain bisa turun antara 45% hingga 65% akibat cacat visual—angka yang sangat merugikan bila terjadi secara massal.
Di lapangan, inspeksi masih dilakukan secara manual oleh tenaga kerja manusia. Masalahnya, metode ini tidak hanya lambat, tetapi juga tidak konsisten. Faktor kelelahan dan subjektivitas membuat akurasi inspeksi manual jarang mencapai angka ideal di atas 80%. Maka, muncul kebutuhan akan sistem inspeksi otomatis berbasis kecerdasan buatan yang cepat, ringan, dan andal.
Misi Penelitian: Merampingkan Model Tanpa Kehilangan Akurasi
Tim peneliti menyadari bahwa model deep learning yang umum digunakan, seperti UNet dan ResNet, dirancang untuk citra umum (natural images) dan cenderung terlalu berat untuk digunakan langsung di sistem inspeksi kain industri. Tantangannya adalah bagaimana menyederhanakan model agar bisa bekerja lebih cepat dan hemat daya, terutama pada perangkat embedded seperti NVIDIA Jetson, tanpa mengorbankan akurasi deteksi.
Untuk menjawab tantangan ini, mereka mengembangkan strategi optimasi model melalui dua pendekatan utama: pruning atau pemangkasan jaringan saraf, dan tuning parameter menggunakan Bayesian optimization. Hasilnya adalah model UNet++ yang lebih ringan namun tetap presisi.
Dataset yang Digunakan: Beragam dan Representatif
Peneliti menggunakan empat jenis dataset untuk memastikan generalisasi model:
- Dataset pertama adalah koleksi citra kain buatan sendiri yang mengandung cacat seperti benang tersangkut (hooked yarn).
- Dataset kedua menambahkan jenis cacat baru seperti tufted yarn.
- Dataset ketiga berasal dari data publik yang berisi berbagai cacat pada kain rajut seperti benang patah, lubang, dan sambungan silang.
- Dataset keempat menggunakan citra serat nano dengan cacat mikro, menantang kemampuan model dalam mendeteksi detail sangat kecil.
Masing-masing dataset mencakup ratusan citra beresolusi tinggi, disusun untuk pelatihan, validasi, dan pengujian.
Pendekatan Ganda: Klasifikasi dan Segmentasi
Penelitian ini memadukan dua metode utama:
Pertama adalah klasifikasi berbasis sliding window menggunakan CNN modifikasi dari arsitektur ResNet-50. Citra kain dibagi menjadi blok-blok kecil, lalu setiap blok dinilai apakah mengandung cacat atau tidak. Model ini menunjukkan akurasi sangat tinggi, mencapai lebih dari 97% di semua dataset, bahkan hingga 99% untuk kain tenun dan rajut.
Kedua, untuk mendeteksi bentuk dan lokasi pasti dari cacat, digunakan segmentasi berbasis UNet. Teknik ini memungkinkan model menyorot area yang dianggap cacat secara presisi piksel demi piksel. Hasil segmentasi dievaluasi dengan metrik Intersection over Union (IoU), dan model berhasil mencatat performa yang memuaskan, dengan angka rata-rata di kisaran 60% hingga 75% tergantung kompleksitas dataset.
Strategi Optimasi: Kombinasi Pruning dan Bayesian Tuning
Pruning dilakukan untuk memangkas neuron atau filter yang kontribusinya minim. Teknik yang digunakan adalah L1-norm untuk mengidentifikasi dan menghapus filter tidak signifikan, lalu model dilatih ulang agar tidak kehilangan kemampuan deteksi. Agar proses pruning tidak asal-asalan, peneliti memanfaatkan Bayesian optimization—tepatnya metode Tree-structured Parzen Estimator (TPE)—untuk menemukan kombinasi sparsity terbaik di tiap layer jaringan saraf.
Strategi ini bukan hanya mengurangi beban komputasi, tetapi juga menghindari penurunan performa drastis yang umum terjadi saat pruning dilakukan secara manual. Proses optimasi ini menghasilkan model yang tetap tangguh, namun jauh lebih efisien.
Kecepatan Eksekusi: Bukti Nyata di Dunia Nyata
Setelah proses pruning dan tuning, model diuji di dua lingkungan komputasi: satu berbasis GPU kelas atas (RTX 2080 Ti), dan satu lagi sistem embedded (NVIDIA Jetson AGX Xavier). Hasilnya sangat mengesankan. Waktu inferensi model berkurang drastis, antara 59% hingga 80% dibandingkan sebelum optimasi, tergantung kompleksitas dataset.
Pada sistem embedded, model yang telah dioptimasi dapat menyelesaikan deteksi cacat dalam waktu kurang dari 15 milidetik per gambar. Ini membuktikan bahwa sistem bisa diimplementasikan langsung di lini produksi tanpa perlu infrastruktur server besar.
Perbandingan dengan Pendekatan Lain
Penulis juga membandingkan pendekatannya dengan metode populer lain seperti YOLOv4. Meskipun YOLO dikenal cepat, model ini kesulitan mendeteksi cacat berbentuk garis tipis yang memanjang—jenis cacat yang umum terjadi pada kain. Dalam hal ini, segmentasi berbasis UNet++ terbukti lebih akurat dan detail dalam mengenali cacat yang tidak kasat mata atau bentuknya tidak teratur.
Selain itu, pendekatan mereka lebih fleksibel terhadap berbagai jenis kain dan tekstur. Hal ini membedakan penelitian ini dari banyak riset terdahulu yang hanya fokus pada satu jenis dataset atau cacat tertentu.
Dampak Industri dan Relevansi Praktis
Dengan meningkatnya adopsi sistem edge computing dan lini produksi otonom, kebutuhan akan model AI yang ringan, cepat, dan akurat makin mendesak. Penelitian ini membuka jalan bagi implementasi nyata model deep learning di industri tekstil tanpa harus berinvestasi pada perangkat keras kelas atas.
Selain tekstil, pendekatan ini dapat direplikasi dalam berbagai aplikasi lain:
- Deteksi cacat pada panel surya,
- Pemeriksaan kualitas permukaan logam,
- Analisis retakan mikro pada produk keramik.
Fleksibilitas dan efisiensi dari metode ini membuatnya sangat menarik untuk UKM dan pabrikan berskala menengah yang ingin mulai mengadopsi AI tanpa perlu merombak total lini produksinya.
Kritik dan Saran Pengembangan Lanjutan
Meskipun penelitian ini solid, beberapa hal masih bisa ditingkatkan:
- Penulis belum membahas augmentasi data, padahal teknik ini penting untuk memperkuat model dalam kondisi pencahayaan dan tekstur variatif.
- Belum ada uji coba lintas dataset (cross-dataset generalization) untuk mengukur ketahanan model pada kain jenis baru.
- Segmentasi masih bisa ditingkatkan akurasinya melalui integrasi dengan model transformer atau attention module.
Langkah lanjutan yang menarik adalah menggabungkan sistem ini dengan kamera pintar atau edge device untuk inspeksi real-time yang sepenuhnya otomatis.
Kesimpulan: Ringan, Cepat, dan Siap Dipakai Industri
Penelitian ini membuktikan bahwa deep learning untuk inspeksi kain tidak harus berat dan boros daya. Melalui strategi optimasi struktural dan tuning parameter yang presisi, model UNet++ yang kompleks dapat disulap menjadi versi ringan yang tetap akurat—bahkan saat dijalankan di perangkat embedded berdaya rendah.
Dengan kinerja luar biasa, desain fleksibel, dan kesiapan untuk diterapkan langsung di pabrik, studi ini menjadi langkah penting dalam membawa teknologi AI dari laboratorium ke lantai produksi. Di masa depan, kita bisa membayangkan dunia manufaktur tekstil yang sepenuhnya diawasi oleh sistem penglihatan mesin yang cepat, cerdas, dan andal.
Sumber:
Ho, C.-C., Chou, W.-C., & Su, E. (2021). Deep Convolutional Neural Network Optimization for Defect Detection in Fabric Inspection. Sensors, 21(21), 7074.