Une IA convertit des images de tissu en instructions de tricot pour les machines

Le tricot industriel ne consiste pas seulement à actionner une machine : il faut d’abord convertir une idée, un motif ou un échantillon de maille en une suite d’instructions extrêmement précise. C’est cette étape, longtemps largement manuelle, que des chercheurs de l’Université Laurentienne, au Canada, cherchent à automatiser. Leur système d’intelligence artificielle prend pour point de départ une image de tissu et produit des consignes de tricot que des machines peuvent lire.

Présentée dans la revue Electronics, cette recherche réunit notamment Xingyu Zheng, Mengcheng Lau, Haoliang Sheng et Songpu Cai. Leurs essais, menés sur environ 5 000 échantillons de tissus naturels et synthétiques, affichent une précision supérieure à 97 %. Le résultat ne signifie pas que n’importe quel vêtement peut déjà être reproduit automatiquement dans une usine, mais il illustre une piste concrète pour relier la vision par ordinateur, la conception textile et des équipements de tricotage automatisés.

Pourquoi passer d’une image à des instructions de tricot est difficile

Une photo de tissu montre un résultat visuel. Une machine à tricoter a besoin, elle, d’une description opérationnelle : quels points effectuer, dans quel ordre, avec quels enchaînements et selon quelle structure. En d’autres termes, il faut remonter de l’apparence d’une étoffe vers la recette de fabrication de sa maille.

Cette opération est délicate pour plusieurs raisons. Les tissus peuvent présenter des reliefs, des mailles serrées ou lâches, des motifs répétés, des fils de nature différente et des couleurs variées. Des points visuellement proches peuvent aussi correspondre à des instructions distinctes. À l’inverse, une même structure de tricot peut paraître différente selon la prise de vue, la texture du fil ou l’éclairage de l’image.

Dans un processus traditionnel, cette traduction repose largement sur l’expérience d’un concepteur ou d’un technicien. Celui-ci observe un échantillon, identifie les éléments du motif, puis prépare un programme ou des consignes adaptés au matériel. Ce travail est indispensable à la qualité du résultat, mais il peut ralentir le prototypage et rendre plus coûteuse la multiplication de variantes.

L’objectif des chercheurs n’est donc pas simplement de reconnaître un tissu. Il est de créer un pont entre deux langages : celui de l’image, interprétable par l’œil humain, et celui des instructions structurées nécessaires à une machine.

Un système en deux phases, de l’image à la consigne complète

Le modèle proposé repose sur une chaîne de traitement en deux phases principales : la génération, puis l’inférence. Cette séparation permet de ne pas demander à un seul système de résoudre d’un coup toutes les ambiguïtés présentes dans une image de tissu réelle.

Lors de la phase de génération, l’IA analyse les images de tissus et les transforme en représentations synthétiques plus claires. L’enjeu est de dégager la structure utile au tricotage à partir des informations visuelles de départ. Une photographie peut comporter de nombreux détails qui ne correspondent pas directement à une instruction : ombres, reliefs, variations de matière ou irrégularités de surface. Une représentation simplifiée aide à isoler les éléments pertinents.

Dans un second temps, ces images sont interprétées afin de prédire des instructions de tricot simplifiées, que les auteurs désignent comme des étiquettes avant. La phase d’inférence s’appuie alors sur ces étiquettes pour élaborer les instructions complètes, prêtes à être utilisées par les machines.

Cette architecture reflète une idée fréquente en vision artificielle : décomposer une tâche complexe en plusieurs étapes facilite l’apprentissage et le contrôle du résultat. Dans le textile, cette approche est particulièrement pertinente, car la fidélité visuelle ne suffit pas. Une instruction doit également être cohérente avec les contraintes concrètes du tricotage.

Plus de 97 % de précision sur près de 5 000 échantillons

Les chercheurs ont testé leur méthode sur environ 5 000 échantillons de tissus, comprenant des matériaux naturels et synthétiques. D’après les résultats rapportés, le système a généré des instructions de tricot avec une précision de plus de 97 %. Les auteurs estiment que leur approche dépasse nettement les techniques existantes évaluées dans leur travail.

Ce chiffre doit être lu dans son contexte. Il mesure les performances du modèle sur les données et le protocole de test retenus par l’étude. Il ne constitue pas, à lui seul, une garantie de reproduction parfaite de chaque tissu rencontré dans des conditions industrielles. Entre une image analysée en laboratoire et un vêtement commercial produit à grande échelle, il reste des paramètres à maîtriser : qualité des prises de vue, diversité des fils, réglages des machines, dimensions des pièces et exigences de finition.

La performance reste néanmoins notable, car l’étude s’attaque à deux obstacles souvent mentionnés dans ce type de reconnaissance : les fils multicolores et les types de points rares. La diversité des points est précisément ce qui complique la conversion automatique. Un système entraîné principalement sur des motifs fréquents peut être moins fiable dès qu’il rencontre une structure peu présente dans ses données d’apprentissage.

Les coauteurs soulignent que leur méthode traite mieux ces cas que les approches précédentes. C’est un point déterminant pour une utilisation créative, car la valeur d’un outil de conception ne se limite pas aux motifs les plus simples ou les plus répandus.

Ce que cette IA peut changer pour les créateurs et les fabricants

À terme, un tel outil pourrait raccourcir la distance entre une intention de design et un premier prototype. Un créateur disposant d’une image de référence pourrait la soumettre au système, vérifier les instructions proposées, les ajuster si nécessaire, puis les transmettre à un équipement de tricotage. Pour un fabricant, l’intérêt réside dans la possibilité de tester plus rapidement plusieurs motifs avant d’engager une production plus importante.

Les chercheurs évoquent notamment la production de vêtements tricotés personnalisés. La personnalisation est souvent associée à une multiplication des petites séries, qui peut être difficile à concilier avec des méthodes nécessitant beaucoup de préparation manuelle. Automatiser une partie de la génération des consignes pourrait réduire le temps nécessaire à cette préparation et, potentiellement, les coûts de main-d’œuvre associés.

Le système pourrait aussi servir à explorer de nouveaux motifs sans devoir les modéliser entièrement à la main dès la première étape. Cela ne rend pas le savoir-faire textile inutile. Au contraire, les résultats produits par l’IA devront être évalués au regard de contraintes que connaît le métier : tenue de la maille, comportement du fil, faisabilité sur une machine donnée et qualité du vêtement final.

Automatisation ne veut pas dire disparition du geste textile

L’expression « production entièrement automatisée » peut faire imaginer une chaîne sans intervention humaine. En pratique, l’automatisation décrite par l’étude cible une étape spécifique et exigeante : la création d’instructions à partir d’une apparence textile. Elle peut accélérer le passage de l’image au programme, sans supprimer toutes les étapes de conception, de contrôle et de fabrication.

Les techniciens et créateurs gardent notamment un rôle dans la sélection des matières, la validation de la structure, le choix du rendu souhaité et l’inspection du produit. Une image ne contient pas nécessairement toutes les informations nécessaires sur la résistance, le confort ou le comportement d’un fil. De même, les possibilités varient selon les machines utilisées.

Cette nuance est importante pour comprendre le potentiel de l’IA dans le secteur. Son apport le plus immédiat est celui d’un assistant de traduction et de prototypage. Il peut rendre certaines opérations plus rapides, mais la qualité d’un vêtement reste le résultat d’un dialogue entre la conception, les matériaux et les équipements de production.

Les limites identifiées par les chercheurs

L’équipe ne présente pas son modèle comme un outil achevé pour tous les cas de figure. Plusieurs améliorations sont déjà envisagées. La première concerne le déséquilibre des jeux de données. Dans une collection d’images, certains points de tricot sont courants tandis que d’autres sont rares. L’IA risque logiquement de mieux apprendre les premiers que les seconds.

Pour y remédier, les chercheurs envisagent des techniques d’augmentation avancées. Le principe est d’enrichir les données disponibles afin d’aider le modèle à rencontrer davantage de variations utiles durant son entraînement. L’objectif est particulièrement important pour les motifs complexes et peu fréquents, ceux qui apportent souvent une forte valeur esthétique mais qui sont moins bien représentés dans les échantillons.

La deuxième piste est l’intégration d’une reconnaissance des couleurs. Même si la méthode traite des fils multicolores, cette amélioration doit renforcer la fidélité à la fois structurelle et visuelle. Le rendu d’un tissu dépend en effet de sa maille, mais aussi de l’agencement des couleurs.

Enfin, les auteurs veulent étendre le système à des tailles d’entrée et de sortie variables. Une telle évolution lui permettrait de s’adapter plus dynamiquement à différents tissus, plutôt que de rester limité à des formats déterminés. Ils mentionnent aussi l’exploration de vêtements tricotés en 3D, ainsi que des usages voisins dans le tissage et la broderie.

Ce qu’il faut surveiller avant un déploiement réel

La prochaine étape sera de mesurer le comportement de cette méthode dans des environnements de production réels. Les essais sur environ 5 000 échantillons constituent un indicateur solide pour la recherche, mais les ateliers et les usines confrontent les outils à une variété plus large de matières, de machines et de demandes de personnalisation.

Il faudra aussi observer la facilité avec laquelle les instructions produites s’intègrent aux systèmes de tricotage robotisés existants. La promesse est claire : réduire le délai entre un visuel et un prototype, tout en élargissant les possibilités de création. Sa concrétisation dépendra de la robustesse du modèle face aux cas inhabituels, de la prise en compte des couleurs et de l’adaptation aux formats variables.

Si ces améliorations se confirment, cette recherche pourrait contribuer à faire de l’image d’un tissu un véritable point de départ numérique pour la fabrication. Pour les professionnels du textile, l’intérêt ne serait pas de remplacer l’inventivité humaine, mais de disposer d’un moyen plus rapide de transformer une idée visuelle en objet tricoté.