아리바바바바의 군방직업: 20만 과학자들이 모여 34; 방직 두뇌 & 35 & 34; 방직 의류 산업 변혁을 이끌다.

디지털화 개조에 앞서 원단은 햇빛그룹의 생산 자료이며 디지털화 개조 후 원단 +데이터가 진정한 창조가치의 원천이다.

원단 업계 자체는 도안에 기반한 업종이며 인공지능에 기반된 영상 인식 기술도 이 분야에서 유능하다.

어떻게 8만여 개의 품종의 원단 자료에서 바늘찾기?

어떻게 만 단위의 원단에서 작은 흠을 찾을 수 있습니까?

"자원 차원에서 데이터는 햇볕에 새로운 생산 자료다. 그것의 최종 가치는 다른 생산자료의 가치를 최대화시켜야 한다."

알리바바그룹 기술위원회 주석, 설랑 소진 명예진장 왕견박사가 강소햇빛그룹을 방문할 때 표명한 관점이다.

'다른 생산 자료'는 현재의 햇빛그룹에게 가장 전형적인 것은 옷감이다.

햇빛그룹 당위 서기, 진리벤 회장이 보기에 데이터는 햇빛 디지털화 개조에 영향을 끼치는 큰 장애다.

만약 의류와 원단, 부서, 부문, 내판과 외판의 데이터가 통합된다면 햇빛그룹, 심지어 전체 방직업에 있어서 생기는 작용은 모두 예측할 수 없다.

진리핀 강소햇빛 그룹 회장

이 단어는 진리벤 현장에 세 번 강조됐다. 태양이 환골탈태의 의미를 갖고 있다는 것을 알 수 있다.

현재 국내 전체 방직업은 대부분 중소기업에 속하고, 이들 기업들은 대부분 정보기술, 인터넷의 기술, 데이터 고도의 현상이 심각하고, 산업 사슬의 연동 효율이 낮아, 재고 적체, 교기 지연 등의 현상이 비일비재하고 있다.

새로운 기술의 급진에 따라 소규모 기업은 독특한 대데이터 시스템과 상응하는 공예 변화를 통해 업계 신화를 창조하고 대규모 정화된 복장 생산 과정을 이루면서 데이터의 가치가 확대되면서 미래는 방직 데이터를 이용해 산업사슬을 최적화시켜 제품 시장의 수요와 합리적 정가가 더욱 절실하게 될 것으로 전망된다.

햇빛도 이 데이터 혁명의 홍수 속에서 더듬어 앞으로 나아가고 있다.

연구현장에서 진리핀은 왕견박사 (설랑제수)에게 햇볕이 시급히 해결해야 할 세 가지 아픔을 제시했다. 실제로 이는 대부분 방직 의류 기업의 공통적인 문제를 대표했다.

어떻게 감소하면 심지어 샘플 샘플을 줄일 수 있습니까?

2 는 어떻게 재고 를 낮출 수 있습니까?

3은 어떻게 의류 업계의 정제화 생산을 실현합니까?

원단 밑의 디지털화 개조

원단 업계 자체는 도안에 기반한 업종이며 인공지능에 기반된 영상 인식 기술도 이 분야에서 유능하다.

1986년 초창했을 때, 햇살 그룹은 여전히 본적이 없는 읍 모방공장 (원명 강음시 정모방공장)을 비롯해 입년 햇살이 세계적으로 유명한 모방생산업체와 고급 의류 생산 기지, 제품 50% 국내 시장 50% 해외 시장이다.

그러나 원자재 원가 상승과 인구 이익이 사라지면서 기술은 이들 기업들이 혁신적인 선택으로 바뀌었다.

햇빛그룹의 디지털화 개조는 가장 먼저 원단에서 손꼽힌다.

방직 업계에서 주문서를 내린 후 먼저 샘플의 공예를 설계하고 원재료를 수령하고, 공정 흐름에 따라 각 공로 생산, 일반적으로 염색, 복정빗, 방적, 직물, 수직, 건조, 염색, 완제품 검사 등의 공정을 거쳐, 샘플 생산을 완료한 후 고객에게 제출해야 한다.

그래서 표본은 실제로 ‘표준 제정 ’의 과정이다. 일단 샘플이 확인되면 전체 공정, 매 공정이 고화되고 있다.

진리핀의 소개에 따르면, 견본의 평균 비용은 대략 2천 위안이다.

문제는 샘플이 한번도 지나지 않았고, 고객은 때로는 반복적으로 확인해야 한다는 것이다.

모조로 염색한 후 정리, 한 개는 한 달에 한 달에 두 개월이 걸린다. 이렇게 한 해에 6000차례의 견본을 계산하면 1200만원이다.

직접 비용을 제외하고는 샘플을 샘플링한 ‘스텔스 원가 ’가 전체 유수선 생산의 흐름을 교란하여 인한 효율이 떨어지는 것이다.

“‘그림 찾기 ’를 할 수 있다면 시스템에서 기존 원단의 기초 데이터, 파일 데이터를 찾을 수 있으며, 비슷한 데이터라도 직접 호출할 수 있다. 이 같은 기간은 한 달 동안 줄일 수 있다 ”고 말했다.

진리핀이 언급한'그림 찾기'는 실제로 사용자가 준 샘플을 들고 인공지능 인식 기능을 창고에서 화색, 화형, 재질의 싱크로율을 가장 높은 원단을 찾았다.

이렇게 간단한 행동은 기술적 지지가 없다면, 작업량은 상상할 수 없다.

햇볕 그룹의 자료창고에 ‘누워 ’는 약 8만여 개의 품종의 원단 자료를 가지고 있어 비슷한 옷감을 찾아서 대해침과 다름없다.

그러므로 고객이 끊임없이 와서 회사가 끊임없이 모양을 내야 한다. 이렇게 한 번 두 번 여러 번 여러 번 시범을 시험해 보면 매우 낭비된다.

하지만 실제로 창고에 기성된 것이 있다. 때로는 손님이 300미터 원단을 요구하고, 창고에 300미터, 아예 할 필요가 없다.

진리핀은 며칠 전에 발생한 사건에 대해 크게 언급했다.

한 브랜드상이 특수 원단을 필요로 하는데 진리핀은 창고 안에 많은 것을 기억해 보고 달려갔다.

하지만 창고에 도착한 후 그녀는 눈을 부릅뜨고, 이 원단은 확실히 있긴 하지만, 시스템이 통하지 않았기 때문이다. 원단창고와 의류창고의 시스템이 통하지 않았고, 내판창고와 외판창고가 통하지 않아, 인코딩을 공유하지 못해 찾기가 매우 어렵다.

"천마다 포장에는 2차원 코드가 있지만 스캔을 한 후에야 알 수 있다.

또한 의상 생산이 많은 부분에 관련되어 있으며 옷감은 때로는 의류 창고가 있을 때도 있고, 때로는 원단창고, 아니면 작업장에 있는 어느 중간 부분 코너 등을 찾아 찾기 매우 어렵다.

이것은 사실상 업계의 공통적인 통증이 있을 것이다.

진리핀은 어쩔 수 없이 말했다.

나중에 기억으로 원단을 찾았지만 진리핀이 아프게 햇볕의 데이터를 소통시켜 ET 공업대뇌와 비슷한 ‘방직 뇌 ’ 대데이터 처리 시스템을 만들어냈다.

이 시스템에서는 옷감의 기초 데이터, 파일 데이터뿐만 아니라, 공예 데이터, 조방, 원료 규격 등 정보도 포함되어 있으며, 하류 기업들은 의류 회사, 자재 회사 등과 같은 업종의 공유서비스 플랫폼이 된다.

이 8만여 품종의 원단에 진리핀은 미래에 FRID 칩을 붙일 계획이다.

이렇게 다시'그림 찾기'를 할 때, 사진을 컴퓨터에 비교해 보면 인공지능의 영상 인식 기술을 통해 배경에는 이 원단이 어디에서 생산되었는지 어떤 꽃형인지 드러나게 된다.

"100% 싱크로율이 가장 좋거나 90%, 80%, 60%의 싱크로율이라도'툭'을 시스템에서 빼도 된다."

이렇게 즉각적으로 효과가 있는 것은 재고를 정리하는 것이다.

진리핀에 따르면 8만여 품종의 원단 재고는 적게 계산해도 300만미터나 된다. 1m 100원당 가격으로 계산하면 3억원이다!

만약 이 시스템을 다른 기업에 사용하면, 심지어 전체

가져오는 효과는 예측할 수 없다.

왕견 박사.

알리바바기술위원회 의장, 설랑 마을의 명예진장 왕견박사가 햇빛그룹을 방문했다

인공지능 영상 인식 기술의 다른 전형적인 응용 장면은 흠을 찾는 것이다.

국내에서 현재 방직 업계에서 생산된 원시생포와 최종완제품의 하자점 검사는 여전히 인공 검사에 머물고 있다.

인공 검출 속도가 느리고 점검율이 높고 연속성 차이 등 여러 가지 부족이 있어 기계로 대신하여 업종의 공통 소요가 된다.

햇빛 내부에서 결점을 찾는 일은 두 사람이 완성해야 한다.

하나는 책임지고, 다른 사람은 표기를 하고, 데이터를 기록한다.

흠점 검사는 세 개의 관문: 반제품 검사, 중검, 종검사.

중검 후 보수를 한 번 해야 한다.

그중에는 흙벽돌 검사가 가장 많아 절반 정도 걸러낼 수 있다.

진리핀은 햇볕이 현재 수만 킬로미터의 원단 생산량에 따라 거의 100만 개의 하자가 있는 것으로 추산되며, 이렇게 많은 품질검사를 완수해야 하는데, 현재 햇볕은 거의 7, 80개 인력을 사용한다.

만약 기계로 사람을 대신하면 인공지능의 영상 인식 기술을 이용하여 결점을 찾는다면 두 사람은 적어도 한 사람을 절약하고 한 사람이 표기를 만들어 준다.

즉 50%의 인력을 절약하는 것이다."

큰 화물 장면 아래에서 어떻게 작은 대량 정제 생산을 실현할 수 있습니까?

티타늄 매체들은 앞서 제조업체를 방문할 때 제품의 고도의 개성화 정제 기업이 보편적으로 공통적인 문제를 겪었다: 주문서가 많고 대량 생산량이 적은 제품은 무엇이 좋은 해결 방안이 있었을까? 햇빛그룹이 만난 하나의 난제였다.

햇빛, 큰 물건의 정제화 생산은 줄곧 지나갈 수 없는 고비이다.

대품이란 출하량이 비교적 많은 제품이다. 이 고객들은 상대적으로 안정적이며 계약을 맺는 것은 서른다섯 년이지만, 특징은 주문 도매가 많기 때문에 기간이 짧고, 이 방면은 기존의 생산 과정에 큰 어려움을 초래하고, 다른 방면에서도 연구 정보를 개발하는 비대칭이다.

햇빛의 고객은 해항, 동항, 국항, 하항 등 항공사를 포함한다.

이들 항공사들은 거의 매주 다음 주문을 할 것이다.

동항으로 말하자면, 한 달에 여러 번씩 내리는 주문이 적어 3 -5세트로, 게다가 항공사들은 인원 유동으로 가장 많은 2개월에 출퇴근하는 것을 의미한다. 이는 2개월 안에 화물을 인도해야 한다는 뜻으로 유수선에서 잠시 동항의 단자, 곧 해항의 단자, 전체 배열기, 배정, 배정, 배정, 배정 등이 끊임없이 조정될 뿐만 아니라 효율적으로 낮은 기간에 미루는 것도 집편의밥이다.

그러나 이 큰 물건들도 좋은 점이 하나 있다. 바로 디자인이 장기불변하고, 기본적으로 S, M, L 3개의 상규 번호를 유지한다.

진리핀은 데이터를 이용해 매년 주문 수량, 주파수, 규격복의 수량, 그리고 주파수가 가장 많은 스타일 등을 분석할 수 있다고 밝혔다.

데이터가 안정된 상황에서, 때로는 1년간 재고품을 준비할 수 있다.

이런 주문서는 매달 한 번씩 내려가고, 심지어 매년 한 번씩 생산선 효율도 크게 높아질 수 있다.

물론 데이터가 상대방의 출하량이 갈수록 적고 주문도 줄고 있다면, 상대방이 돈을 바꾸려고 하는지 주의할 것이다.

예를 들어 해항, 역사적 데이터는 3년에 한 번 바꾼다. 그러면 우리는 3년째 자동으로 비품을 줄일 수 있다.

생산을 정제화하는 또 하나의 아픔은 직업복이다.

직업복도 햇빛의 타이틀 제품이다.

2000년부터 웨니제 고급 주문 의상, 방베 직업복 등 브랜드가 잇따라 출시되면서 방베 의상의 연간 150만 세트를 선보였다.

일반적인 복장에 비해 직업복의 가장 큰 특징은 모든 사람의 치수 몸매가 완전히 다르다. 이는 양체, 판넬, 재단 등의 공정 요구가 매우 가혹하다.

특히 양체는 디테일이 엄격하고 포켓의 폭이 좁아 네크라인으로 꿰매는 정밀도 등 데이터는 이미 수십만 개의 축적되어 있다.

이렇게 세밀한 양체의 데이터는 재단도 반드시 정확하게 해야 한다는 것을 의미한다.

햇볕에 재단하는 것은 두 번 나누어 완성한 털가위와 정강이다.

예를 들어 현재 1만 세트를 생산해야 하고, 나이는 18부터 60세 사이로 남성복은 60여 개의 견본이 필요하다. 여장도 다양하다.

이렇게 남성복 여장을 합치면 거의 120여 개의 견본이 있다.

재단할 때에는 먼저 비슷한 규격과 문서를 정리해야 하며, 한 컬렉션에 두 번 더 재단하여 완성해야 한다.

털을 깎을 때는 샘플과 1센티미터 -0.5센티미터의 잔류를 보유하고 다시 잘라야 한다.

이렇게 한 벌을 떼면 5 센티미터를 잘라버릴 거예요.

.

만약 1년에 250만 세트의 생산량에 따라 1센티미터를 절약한다면 1미터 100위안을 누르면 250만 위안의 원가가 된다.

5 센티미터가 되면 1250만원의 손실이다.

진리핀이 표시하다.

원단 손실 외에 인력 손실도 무시할 수 없다.

이 방면 은 주로 세 시, 숙련된 재단 인력 을 모집 할 수 없 고, 그 다음은 속도 가 느리고 재단 의 정밀 이 부족 해 생산 복장 의 합체율 을 크게 할인 했 다.

진리핀은 현재 양체의 데이터가 햇빛에 아직 좋은 분석과 처리가 되지 않았고 미래는 이러한 데이터의 통합과 발굴을 통해 표준화된 리본 규격을 형성하고, 자동으로 베드기술을 빌려 한 단계 수준의 정밀한 재단재를 도모하면 원단 손실을 줄이고 인적 원가를 절약할 것이라고 소개했다.

"그래서 이것은 전형적인 데이터 자원으로 다른 자원을 바꾸는 문제입니다."

왕견 박사.

"자원 측면에서 데이터가 연결되면 전체 기업의 자원 이용 효율을 반영하지 못하면 디지털화는 정보화를 위한 정보화로 바뀌었다."

반면 진리핀은 햇빛의 디지털화 혁신 시도를 희망하며 데이터와 기술을 모두 침전해 방직 뇌를 형성하여 전 업계에서 서비스를 제공할 수 있도록 전 업계의 경쟁력을 향상시킬 수 있다.

인공지능으로 ‘ 깨워 ’ 방직업

6월30일 무석 2018 설랑대회에서 강소성 무석경제개발구 (태호신성)와 알리운이 함께 2018 설랑 제조 AI 도전전을 시작한다고 발표했다. 포착 단점 인식, 큰 데이터와 인공지능 기술이 포트점 인식에서 적용되는 응용 탐구, 조력공업제조량품을 높였다.

포목점 검측의 고통

방직업은 줄곧 우리 국민경제에서 가장 가벼운 지위를 차지하고 있으며 2016년 우리나라 포피생산량이 700억미터를 넘어 생산량이 상승세를 보이고 있다.

인공지능과 컴퓨터 시각 기술을 방직 업계에 응용할 수 있다면 방직 업계의 가치에 대해 의심할 수 없다.

포목의 결점 검사는 방직이다.

생산과 품질 관리의 중요한 부분은, 그러나 지금까지 포목 점검은 모두 눈에 의해 완성되었다.

인공 검출 속도가 느리고 노동강도가 높아 주관적인 요인에 영향을 받아 일치성이 부족해, 이 방법은 방직 생산과정의 자동화 정도를 심각하게 낮추었다.

인공 검출 속도는 일반적으로 15 ~20미터 /분할, 이 속도 아래 한 개별 검사 인원은 0.8 -1미터 폭의 검사를 마칠 수 있기 때문에, 피의 검사와 정리 순서는 전체 생산 과정의 병목으로 이루어졌다.

인공 검사는 노동자 경험에 지나치게 의존하는 단점이 있어, 검색 오차와 점검을 자주 한다.

이번 설랑대회 메인 포럼의 무대, 강소햇빛그룹 회장 진리핀도 인공지능을 이 분야의 필요성을 공유했다.

그녀는 햇빛 내부에서 결점을 찾는 일은 일반적으로 두 사람이 완성해야 한다고 말했다.

하나는 책임지고, 다른 사람은 표기를 하고, 데이터를 기록한다.

흠점 검사는 세 개의 관문: 반제품 검사, 중검, 종검사.

중검 후 보수를 한 번 해야 한다.

그중에는 흙벽돌 검사가 가장 많아 절반 정도 걸러낼 수 있다.

진리핀은 햇볕이 현재 수만 킬로미터의 원단 생산량에 따라 거의 100만 개의 하자가 있는 것으로 추산되며, 이렇게 많은 품질검사를 완수해야 하는데, 현재 햇볕은 거의 7, 80개 인력을 사용한다.

만약 기계로 사람을 대신하면 인공지능의 영상 인식 기술을 이용하여 결점을 찾는다면 두 사람은 적어도 한 사람을 절약하고 한 사람이 표기를 만들어 준다.

즉 50%의 인력을 절약하는 것이다."

데이터 는 새로운 생산 자료 이다

이번 AI 도전은 아리운 천전지가 항공, 전력, 공업에 이어 또 하나의 출범 업종의 인공지능 경기다.

강소성 무석 경제개발구 (태호 신성) 은 아리운 천전지 경쟁 플랫폼에 의지해 포팅 지능 인식의 최우수 산법, 강소햇빛그룹은 수천 개의 정자 표본 자료를 제공한다.

알리운천장과 함께 AI 도전전을 개최하는 것은 강소햇빛그룹이 하이테크닉 기술을 방치 분야에 적용하는 또 하나의 탐색으로 활용한다.

강소햇빛 그룹은 줄곧 중국 방직업의 표병으로, 심오한 공예 기술과

항일전쟁 승리 70주년 대열병 해방군 3군의장대 신식 의장복 설계, 제작 작업, 선저우 11호 항천원 추동 상복 원단 생산 작업에 참여했다.

강소햇빛그룹도 데이터의 축적과 응용을 중시하며 아리운 팀과 협력해 ET 공업대뇌에 기반된 ‘방직 뇌 ’ 대데이터 처리 시스템을 건설하고 이를 위한 새로운 혁신을 완성했다.

"자원의 측면에서 데이터는 햇볕 (그룹)에게 새로운 생산 자료다. 그것의 최종 가치는 다른 생산자료의 가치를 최대화시켜야 한다"고 말했다.

알리바바그룹 기술위원회 주석, 설랑마을의 명예진장 왕견박사가 강소햇빛그룹을 방문하고 있다.

이번 대회의 데이터는 강소햇빛그룹이 풍부하고 완벽한 원단을 제공하고, 샘플, 샘플, 샘플링, 결점 판단 표준, 공예 전문가의 전문 지도, 소프트 하드웨어 환경에서 많은 분야에서 버팀대를 제공한다.

20만 과학자들을 모아 알리운 조력으로 ‘ 방직 뇌 ’ 를 만든다

이번 포목의 결점 검출 대회의 데이터는 방직업의 소색 천의 여러 가지 중요한 흠을 담고 있다.

데이터는 모두 2부: 원시 그림과 하자의 표시 데이터를 포함한다.

이 데이터들은 20여 만 명이 천지에 모인 세계 최고급 과학자들에게 새로운 생산력을 환화할 것이다.

이번 대회를 탑재한 알리운'천지'는 전 세계에서 최대 규모의 중지 플랫폼으로 전 세계 20여 명의 AI 산법 과학자들을 모았다.

아리운은 참가 팀을 위해 기계 학습 PAI 플랫폼을 제공해 복선 팀을 지원할 수 있다.

결승전 진출 팀 방안에는 깊이 배움의 주요 산법으로 삼아야 한다.