阿里巴巴進軍紡織業：匯聚20萬科學家打造"紡織大腦"，引領紡織服裝行業變革!

　　在數字化改造之前，面料是陽光集團的生產資料，而在數字化改造之后，面料+數據才是真正創造價值的源泉。

　　面料行業本身既是一個基于圖案的行業，這也使得基于人工智能的圖像識別技術，在這個領域大有可為。

　　如何從8萬多個品種的面料資料里“撈針”?

　　如何在以萬為計數單位的面料中找到微小瑕疵?

　　“從資源的角度來講，數據對陽光來說是新的生產資料，它的最終價值就是要讓其他的生產資料價值最大化。”這是阿里巴巴集團技術委員會主席、雪浪小鎮名譽鎮長王堅博士在走訪江蘇陽光集團時所表述的一個觀點。

　　所謂“其他生產資料”對眼下的陽光集團來說，最典型的就是布料。在陽光集團黨委書記、董事長陳麗芬看來，數據不通是影響陽光數字化改造的一大障礙。倘若把服裝與面料、部門與部門、內銷與外銷之間的數據打通，那么對陽光集團、甚至對整個紡織行業來說，產生的作用都是不可估量的。

江蘇陽光集團董事長 陳麗芬

　　值得提出的是，“不可估量”這個詞被陳麗芬現場強調了三次!可見數據對陽光擁有著脫胎換骨般的意義。

　　目前國內整個紡織行業，大部分企業都屬于中小企業，這些企業大多缺乏充分應用信息技術、互聯網的技術人才，數據孤島現象嚴重，產業鏈中各個環節的聯動效率低下，造成庫存積壓、交期拖延等現象比比皆是。隨著新技術的迅猛突進，有小部分企業通過獨特的大數據系統和相應的工藝改變，創造了行業神話，也有實現大規模定制化的服裝生產流程，使得數據的價值被放大，未來利用紡織大數據來優化產業鏈，預測產品市場需求及合理定價變得更為迫切。

　　陽光也在這場數據革命的洪流中摸索前行。在調研現場，陳麗芬對王堅博士(與雪浪制數)提出了陽光目前亟待解決的三個痛點場景，實際上這也代表了大多紡織服裝企業的共性問題：

　　一如何減少甚至減除試樣打樣?

　　二如何降低庫存?

　　三如何實現服裝行業的定制化生產?

從面料下手的數字化改造

　　面料行業本身既是一個基于圖案的行業，這也使得基于人工智能的圖像識別技術，在這個領域大有可為。

　　1986年初創時，陽光集團還是一家籍籍無名的鎮辦毛紡廠(原名江陰市精毛紡廠)，如今而立之年的陽光早已是全球有名的毛紡生產企業和高檔服裝生產基地，產品50%國內市場，50%海外市場。但是隨著原材料成本上漲以及人口紅利的消失，技改成了這些企業突破創新的不二選擇。

　　陽光集團的數字化改造可以說最先是從面料下手的。

　　在紡織行業，下訂單之后首先需要打樣，先設計好樣品的工藝，然后領取原材料，根據工藝流程下到各工道生產，一般要經過染色、復精梳、紡紗、織造、修布、染整和成品檢驗等工序，樣品生產完成之后提交客戶確認。所以打樣實際上就是一個“制定標準”的過程，一旦樣品確認，那么整個工藝流程、每道工序就固化下來。

　　據陳麗芬介紹，一個打樣的平均成本大概兩千塊錢。問題是，打樣并非一次就過，客戶有時候要反復確認。從毛條染色到后整理，一個打樣差不多需要一個月，打兩次就是兩個月，這樣一年大概6000次的打樣，成本算下來就是1200萬左右。除了直接成本，打樣還有一個“隱形成本”，就是擾亂了整個流水線生產的流程而導致的效率下降。

　　“如果能夠‘以圖找圖’，從系統里找到之前布料的基礎數據、檔案數據，哪怕是相近的數據，都可以直接調用，這樣交期起碼可以縮短一個月。”

　　陳麗芬所提到的“以圖找圖”，實際上就是拿著用戶給的樣本圖片，通過人工智能的圖像識別功能在倉庫里找到花色、花型和材質相似度最高的布料。

　　這樣看似簡單的行為，如果沒有技術支持，工作量會大到根本無法想象。因為在陽光集團的資料倉庫里，“躺”著大概有8萬多個品種的面料資料，要從中找到類似的布料，無異于大海撈針。

　　“所以客戶不斷來樣，公司要不斷出樣，這樣一遍兩遍三遍地試樣，非常浪費。但實際上倉庫里就有現成的，有時候客人要300米布料，庫房里就有300米，根本不用做。”

　　陳麗芬還講了一件前幾天剛發生的對她觸動很大的事件。一位品牌商需要一款特殊面料，陳麗芬記得倉庫里有很多，就沖過去查。但是到了倉庫后她就傻眼了，大家都說這個面料確實有，但就是查不到，因為系統沒打通!面料倉庫與服裝倉庫的系統沒打通，內銷倉庫與外銷倉庫沒打通，編碼不共享，這使得查找非常困難。

　　“雖然每塊布的外包裝上都有二維碼，但是只有掃描后才知道是哪塊。而且服裝生產涉及很多環節，布料有時會存在服裝倉庫，有時在面料倉庫，或者在車間里的某一個中間環節等，找起來特別難。這其實應該是行業的一個共性痛點。”陳麗芬無奈地表示。

　　盡管后來還是憑借記憶找到了布料，但這件事也讓陳麗芬痛下決心把陽光的數據疏通，建造一個類似于ET工業大腦的“紡織大腦”大數據處理系統。在這個系統里，不但有布料的基礎數據、檔案數據，還包括生產工藝數據、配方、原料規格等信息，同時整合上下游企業如服裝公司、材料公司等，建成為一個行業的共享服務平臺。

　　對于這8萬多品種的布料，陳麗芬打算未來都給它們貼上FRID芯片標簽。這樣再“以圖找圖”時，只需把照片在電腦上一比對，通過人工智能的圖像識別技術，后臺就會顯示出這個面料是在哪生產的，什么花型。“有100%的相似度最好，或者90%、80%，哪怕六七十的相似度，也可以‘啪’地一下從系統里調走，直接使用。”

　　這樣立竿見影的效果就是清理庫存。據陳麗芬估算，8萬多品種的面料庫存算下來少說也有300萬米，如果按每米100塊的價格來算，也就是3億元!

　　“如果把這套系統用到其他企業，甚至整個行業，帶來的效益不可估量。”王堅博士表示。

阿里巴巴技術委員會主席、雪浪小鎮名譽鎮長王堅博士走訪陽光集團

　　人工智能圖像識別技術的另一個典型應用場景就是找瑕疵。

　　在國內目前的紡織行業，生產出來的原始坯布和最終成品的疵點檢測仍都停留在人工檢測階段。人工檢測往往存在速度慢、漏檢率高、連續性差等諸多缺陷，因此用機器代替人來找疵點成為行業的共同訴求。

　　在陽光內部，找疵點的工作需要2個人完成。一個負責找，另一個人負責做標記，記錄下數據。疵點的檢測有三道關口：坯檢，中檢，終檢。中檢后要進行一次補修。其中，坯檢的疵點最多，差不多能濾去一半。

　　陳麗芬估算，按照陽光目前的幾萬公里的面料產量，差不多會有近100萬個疵點，要完成這么多的質檢，目前在陽光差不多用了7、80個人力。

　　“如果用機器代人，利用人工智能的圖像識別技術來找疵點的話，兩個人至少省一個人，留下一個人做標記。也就是說節省50%的人力。”

大貨場景下，如何實現小批量定制化生產?

　　鈦媒體之前在走訪制造企業時發現，產品高度個性化定制的企業普遍都遭遇一個共性問題：訂單批次多、生產批量小的產品，有什么好的解決方案?這也是陽光集團遇到的一個難題。

　　在陽光，大貨的定制化生產一直是個繞不過去的坎兒。

　　所謂大貨，就是出貨量比較多的產品，這些客戶相對穩定，合同一簽就是三五年，但特點是訂單批次多，交期時間短，這一方面對原有的生產流程造成很大困擾，另一方面也造成研發信息的不對稱。

　　陽光的客戶包括海航、東航、國航、廈航等航空公司。這些航空公司幾乎每周都會下一次單。拿東航來說，一個月多次下單，一個訂單少則3-5套，多則十幾套，而且航空公司因為人員流動大，空姐培訓最多兩個月就上崗，這就意味著2個月內必須要交貨，這就造成了流水線上一會兒是東航的單子，一會兒又是海航的單子，整個生產排期、排程、調度等都要不斷進行調整，不但效率極為低下，交期拖延也是家常便飯。

　　不過這些大貨也有一個好處，就是款式長期不變，基本保持在S、M、L三個常規款號。陳麗芬表示，如果能夠利用數據分析出大貨每年訂單的數量、頻次，不同規格服裝的數量，以及使用頻次最多的款式等，陽光就可以做到提前備貨。數據穩定的情況下，有時甚至可以備出一年的存貨。

　　“這樣訂單可以降至每月一次甚至每年一次，產線效率也會大幅提升。當然，如果數據顯示對方出貨量越來越少，訂單批次也在減少，那么我們就會注意，對方是不是想改款。比如海航，歷史數據顯示三年換一次，那我們可以到了第三年自動減少備貨。”

　　定制化生產的另外一個痛點是職業裝。職業裝也是陽光的主打產品。自2000年開始，陽光接連推出威尼帝高級訂制服裝、龐貝職業裝等品牌，其中，龐貝服裝的年銷售超150萬套。

　　相較普通服裝，職業裝的最大特點就是每個人的尺寸體型身材完全不一樣，這就使得對量體、制板、裁剪等工序要求極為嚴苛。尤其是量體，細節把控非常嚴格，從口袋的寬窄，到領口縫制的精密程度等，數據已積累幾十萬條。

　　如此精細的量體數據，意味著裁剪也必須十分精確。在陽光，裁剪是分兩次來完成的——毛剪和精剪。舉例來說，現在要生產1萬套服裝，年齡從18到60歲之間，那么單是男裝就需要60幾個樣板，女裝也是，另外還有很多特體。這樣男裝女裝加起來差不多120多個樣本。裁剪時，需要先把相似的規格歸檔，每一檔再通過兩次裁剪完成。毛剪時，要與樣板保有1公分-0.5公分的余留，之后再精剪。這樣一套下來大概會剪掉5公分的布料。

　　“如果一年按250萬套的產量算，節約一公分就是25000米布，按1米100塊錢那就是250萬的成本。5公分下來就是1250萬的損耗。”陳麗芬表示。

　　除了面料損耗，人力損耗也是不容忽視的。在這方面主要有三點，一個是熟練的裁剪人工招不到，其次是速度慢，再者是人工裁剪的精度不夠，以致產服裝的合體率會大打折扣。

　　陳麗芬介紹說，目前量體數據在陽光還沒有得到很好的分析和處理，未來希望通過對這些數據的整合和挖掘，形成標準化的排版規格，再借助自動裁床技術實現一步到位精準剪裁，就會大大減少面料損耗，節約人力成本。

　　“所以這就是典型的用數據資源去換別的資源的問題。”王堅博士說。“從資源的角度來看，如果數據聯通如果不能反映到整個企業的資源利用效率的話，數字化就變成了一個為信息化而信息化的事情。”

　　而陳麗芬希望陽光的數字化創新嘗試，能夠把數據和技術都沉淀下來，形成一個紡織大腦，能夠為全行業提供服務，提升整個行業的競爭力。

用人工智能“喚醒”紡織業

　　6月30日，無錫2018雪浪大會上，江蘇省無錫經濟開發區(太湖新城)與阿里云共同宣布啟動2018雪浪制造AI挑戰賽，聚焦布匹疵點智能識別，開展大數據與人工智能技術在布匹疵點識別上的應用探索，助力工業制造良品提升。

　　布匹疵點檢測之痛

　　紡織行業一直是我們國民經濟中占據舉足輕重的地位，2016年我國布匹產量超過700億米，且產量一直處于上升趨勢。如果能夠將人工智能和計算機視覺技術應用于紡織行業，對紡織行業的價值無疑會是巨大的。

　　布匹疵點檢測是紡織行業生產和質量管理的重要環節，但一直以來布匹疵點檢測都是由人眼完成的。人工檢測速度慢、勞動強度大，受主觀因素影響，缺乏一致性，這種方法嚴重降低了紡織生產流程的自動化程度。

　　據了解，人工檢測速度一般在15-20米/分，在此速度下，單個檢驗人員只能完成0.8-1米寬幅的檢測，因此布匹的檢驗和整理環節成了整個生產過程中的瓶頸。人工檢測還存在過于依賴驗布工人經驗的缺點，經常出行檢測誤差和漏檢。

　　在本次雪浪大會主論壇的舞臺，江蘇陽光集團董事長陳麗芬也分享了將人工智能應用在這一領域的必要性。

　　她提到，在陽光內部，找疵點的工作一般需要2個人完成。一個負責找，另一個人負責做標記，記錄下數據。疵點的檢測有三道關口：坯檢，中檢，終檢。中檢后要進行一次補修。其中，坯檢的疵點最多，差不多能濾去一半。

　　陳麗芬估算，按照陽光目前的幾萬公里的面料產量，差不多會有近100萬個疵點，要完成這么多的質檢，目前在陽光差不多用了7、80個人力。

　　“如果用機器代人，利用人工智能的圖像識別技術來找疵點的話，兩個人至少省一個人，留下一個人做標記。也就是說節省50%的人力。”

　　數據是新的生產資料

　　本次AI挑戰賽是阿里云天池繼航空、電力、工業之后，又一個扎根行業應用的人工智能賽事。江蘇省無錫經濟開發區(太湖新城)將依托阿里云天池競賽平臺，征集布匹疵點智能識別的最優算法，江蘇陽光集團提供了數千份精標注布樣數據。

　　和阿里云天池一起舉辦AI挑戰賽，是江蘇陽光集團將高新技術應用到防治領域的又一探索。

　　江蘇陽光集團一直是中國紡織業的標兵，憑借精湛的工藝技術和行業領先地位，參與過包括紀念抗日戰爭勝利70周年大閱兵解放軍三軍儀仗隊新式禮賓服的設計、制作工作，以及“神舟十一號”航天員秋冬常服面料生產工作。

　　江蘇陽光集團也很重視數據的積累和應用，與阿里云團隊合作，建造了一個基于ET工業大腦的“紡織大腦”大數據處理系統，并基于此完成了一系列創新。

　　“從資源的角度來講，數據對陽光(集團)來說是新的生產資料，它的最終價值就是要讓其他的生產資料價值最大化。”阿里巴巴集團技術委員會主席、雪浪小鎮名譽鎮長王堅博士在走訪江蘇陽光集團如此表述。

　　作為本次大賽的數據提供方，江蘇陽光集團提供豐富和完善的布料樣本，包括布樣、取樣環境、疵點判斷標準，以及工藝專家的專業指導，從軟硬件環境諸多方面提供大賽支撐。

匯聚20萬科學家，阿里云助力打造“紡織大腦”

　　本次布匹疵點檢測大賽的數據涵蓋了紡織業中素色布的各類重要瑕疵。數據共包括2部分：原始圖片和瑕疵的標注數據。這些數據將在20多萬聚集在天池的全球頂級科學家那里，幻化出新的生產力。

　　承載本次大賽的阿里云“天池”是全球規模最大的眾智平臺，匯聚了來自全球的20多萬名AI算法科學家。

　　阿里云為參賽團隊提供機器學習PAI平臺，復賽團隊可申請使用。入圍決賽的參賽團隊方案里，必須包含深度學習作為主要算法。