Det äldsta kända stickobjektet går tillbaka till Egypten på medeltiden, genom ett par omsorgsfullt handgjorda strumpor. Även om handgjorda kläder har ockuperat våra garderober i århundraden, en ny tillströmning av högteknologiska stickmaskiner har förändrat hur vi nu skapar våra favoritbitar.

Dessa system, som har gjort allt från Prada-tröjor till Nike-skjortor, är fortfarande långt ifrån sömlösa. Programmeringsmaskiner för mönster kan vara en tråkig och komplicerad prövning:när du måste specificera varje enskild söm, ett misstag kan kasta bort hela plagget.

I ett nytt par papper, forskare från MIT:s datavetenskap och artificiell intelligens Laboratory (CSAIL) har kommit med ett nytt tillvägagångssätt för att effektivisera processen:ett nytt system och designverktyg för att automatisera stickade plagg.

I en tidning, ett team skapade ett system som heter "InverseKnit, " som översätter foton av stickade mönster till instruktioner som sedan används med maskiner för att tillverka kläder. Ett tillvägagångssätt som detta kan låta tillfälliga användare skapa design utan minnesbank av kodningskunskap, och till och med förena frågor om effektivitet och slöseri i tillverkningen.

"När det gäller maskiner och stickning, denna typ av system kan förändra tillgängligheten för människor som vill vara designare av sina egna artiklar, "' säger Alexandre Kaspar, CSAIL Ph.D. student och huvudförfattare på ett nytt papper om systemet. "Vi vill låta tillfälliga användare få tillgång till maskiner utan nödvändig programmeringsexpertis, så att de kan skörda fördelarna med anpassning genom att använda maskininlärning för design och tillverkning."

I en annan tidning, forskare kom med ett datorstött designverktyg för att anpassa stickade föremål. Verktyget låter icke-experter använda mallar för att justera mönster och former, som att lägga till ett triangulärt mönster till en mössa, eller vertikala ränder till en strumpa. Du kan avbilda användare som gör föremål anpassade till sin egen kropp, samtidigt som den anpassas efter önskad estetik.

InverseKnit

Automation har redan omformat modebranschen som vi känner den, med potentiella positiva rester av att förändra vårt tillverkningsfotavtryck också.

För att få igång InverseKnit, laget skapade först en dataset med stickinstruktioner, och de matchande bilderna av dessa mönster. De tränade sedan sitt djupa neurala nätverk på dessa data för att tolka 2D-stickinstruktionerna från bilder.

Det här kan se ut som att ge systemet ett foto av en handske, och sedan låta modellen ta fram en uppsättning instruktioner, där maskinen sedan följer dessa kommandon för att mata ut designen.

När du testar InverseKnit, teamet fann att det producerade korrekta instruktioner 94 % av gångerna.

"Nuvarande toppmoderna datorsynstekniker är datahungriga, och de behöver många exempel för att modellera världen effektivt, " säger Jim McCann, biträdande professor vid Carnegie Mellon Robotics Institute. "Med InverseKnit, teamet samlade en enorm datauppsättning av stickade prover som, för första gången, gör det möjligt att använda moderna datorsynstekniker för att känna igen och analysera stickmönster. "

Medan systemet för närvarande fungerar med en liten provstorlek, teamet hoppas kunna utöka urvalspoolen för att använda InverseKnit i större skala. För närvarande, laget använde bara en specifik typ av akrylgarn, men de hoppas kunna testa olika material för att göra systemet mer flexibelt.

Ett verktyg för stickning

Även om det har skett en hel del utveckling inom området-som Carnegie Mellons automatiska stickprocesser för 3D-maskor-kan dessa metoder ofta vara komplexa och tvetydiga. De förvrängningar som finns i 3D-former hindrar hur vi förstår objektens positioner, och detta kan vara en börda för formgivarna.

För att lösa detta designproblem, Kaspar och hans kollegor utvecklade ett verktyg som heter "CADKnit, " som använder 2D-bilder, CAD-programvara, och fotoredigeringstekniker för att låta tillfälliga användare anpassa mallar för stickade mönster.

Med verktyget kan användare designa både mönster och former i samma gränssnitt. Med andra mjukvarusystem, du skulle troligtvis förlora en del arbete i båda ändar när du anpassar båda.

"Oavsett om det är för den vanliga användaren som vill härma en väns mössa, eller en delmängd av allmänheten som kan ha nytta av att använda detta verktyg i en tillverkningsmiljö, vi siktar på att göra processen mer tillgänglig för personlig anpassning, säger Kaspar.

Teamet testade användbarheten av CADKnit genom att låta icke-experta användare skapa mönster för sina plagg och justera storlek och form. I undersökningar efter test, användarna sa att de tyckte att det var lätt att manipulera och anpassa sina strumpor eller mössor, framgångsrikt tillverka flera stickade prover. De noterade att spetsmönster var knepiga att designa korrekt och skulle dra nytta av snabb realistisk simulering.

Systemet är dock bara ett första steg mot fullständig anpassning av plagg. Författarna fann att plagg med komplicerade gränssnitt mellan olika delar – som tröjor – inte fungerade bra med designverktyget. Bålen på tröjor och ärmar kan kopplas ihop på olika sätt, och programvaran hade ännu inte ett sätt att beskriva hela designutrymmet för det.

Vidare, det nuvarande systemet kan bara använda ett garn för en form, men teamet hoppas kunna förbättra detta genom att introducera en bunt garn vid varje stygn. För att möjliggöra arbete med mer komplexa mönster och större former, forskarna planerar att använda hierarkiska datastrukturer som inte innehåller alla sömmar, bara de nödvändiga.

"Effekten av 3D-stickning har potentialen att bli ännu större än den av 3D-utskrift. Just nu, designverktyg håller tekniken tillbaka, det är därför denna forskning är så viktig för framtiden, säger McCann.

Den här historien återpubliceras med tillstånd av MIT News (web.mit.edu/newsoffice/), en populär webbplats som täcker nyheter om MIT-forskning, innovation och undervisning.