Defeitos em tecido: detecção 10x mais rápida que a inspeção manual

Por que a inspeção manual de tecido fica devendo

A inspeção têxtil foi trabalho manual por cem anos e os limites são conhecidos. Um inspetor treinado olhando uma mesa iluminada captura entre 60% e 80% dos defeitos de um rolo; o resto passa porque ele pisca, a iluminação muda ou o defeito é sutil demais para ser registrado a 25 metros por minuto. O custo dos defeitos não detectados se acumula a jusante: as mesas de corte produzem peças defeituosas, os varejistas devolvem os produtos acabados e a planta acaba pagando por tecido que nunca deveria ter sido expedido.

O que a detecção de defeitos com IA faz

A detecção de defeitos em tecido com IA usa câmeras sobre a mesa de inspeção ou o tear para capturar cada metro em alta resolução. Um modelo de deep learning treinado com milhares de imagens de defeito marca cada anomalia em tempo real, registra o tipo e a posição e grava tudo contra o ID do rolo. O sistema lida com velocidades de 20 a 60 metros por minuto com precisão de 98%+ nas classes treinadas, bem acima do que um inspetor humano consegue em um turno de 8 horas.

Classes de defeito que ele captura

Integração com revisadeiras existentes

Uma das preocupações mais comuns de quem opera a planta é se será preciso trocar as revisadeiras que já existem. Em 2026 a resposta é não. Os sistemas com IA são instalados em retrofit sobre as mesas existentes, montando câmeras line-scan ou area-scan sobre o tecido em movimento, com unidades de inferência edge montadas ao lado. A parte mecânica da revisadeira — desenrolador, enrolador, iluminação e estação do operador — permanece como está. O retrofit costuma levar 1-2 dias de instalação.

Marcação, corte e rastreabilidade

Quando um defeito é detectado, o sistema pode fazer três coisas, muitas vezes em paralelo:

Construir modelos para o seu mix de tecidos

Modelos genéricos de tecido não funcionam bem entre plantas. Um modelo treinado em jeans não transfere bem para malhas de poliéster, e um modelo de uma planta europeia não transfere para o algodão latino-americano sem retreinamento. O fluxo correto é começar com um modelo base e ajustá-lo com amostras da sua própria produção: 200-500 amostras rotuladas por tipo de tecido colocam o sistema em performance de produção já na semana do go-live.

Redução de rejeição na prática

Uma revisadeira inteligente com IA é superior à manual porque captura mais defeitos, mas o resultado de negócio que importa é a redução de rolos rejeitados e de desperdício a jusante. As plantas que migraram do manual para a IA relatam tipicamente:

A inspeção manual captura 60% dos defeitos em um bom dia e 40% em um dia ruim. A IA captura cada defeito todo dia, e a taxa de rejeição na sala de corte mostra a diferença.

O que torna bom um sistema de inspeção de tecido com IA

ROI real

Para uma planta de porte médio rodando 5 teares ou 3 linhas de acabamento, a inspeção com IA costuma atingir o payback em 10-14 meses. As principais economias vêm da redução de rejeição na sala de corte, da menor mão de obra de inspeção manual e do valor do ajuste proativo de processo a partir de dados em tempo real. Plantas que exportam para mercados exigentes (vestuário para varejistas europeus, têxteis técnicos para o setor automotivo) veem payback mais rápido porque o custo de uma reclamação do cliente é maior.