AI for resource-efficient circular fashion
| Diarienummer | |
| Koordinator | Wargön Innovation AB |
| Bidrag från Vinnova | 7 000 000 kronor |
| Projektets löptid | oktober 2021 - april 2024 |
| Status | Avslutat |
| Utlysning | AI - Spets och innovation |
| Ansökningsomgång | AI i klimatets tjänst - våren 2021 |
Viktiga resultat som projektet gav
Huvudsyftet var att identifiera, designa och utveckla AI-lösningar för textilsortering, med ett uttalat fokus på automatisering för återbrukssortering. Det övergripande idéen var att möjliggöra en avsevärd ökning av utnyttjandegraden per plagg och därmed kompensera behovet av nyproduktion, vilket möjliggör miljövinster. De två stora målen var: 1. Skapande av ett öppet dataset för secondhand plagg, med minst 30 000 plagg (foton och information). 2. Utifrån datasetet skapa prototyper på AI-modeller, utvärderade av behovsägarna i projektet. Dessa mål uppfylldes.
Långsiktiga effekter som förväntas
Ett öppet dataset med 31 997 objekt har publicerats inkluderande tre foton per plagg (fram, bak och brand) och en mängd tillhörande information (annoteringar) t.ex. plaggtyp, färg, material och skick. Prototyper på AI-modeller för att bedöma de olika annoteringarna har tagits fram och testats. En LCA har gjorts för processen och den visar att genom att uppnå så lite som 1 % av ökad tillförlitlighet vid sortering så ger AI-modeller en positiv miljöpåverkan. Förväntad effekt är utveckling av AI-modeller för textilsortering med hjälp av datan i datasetet av olika behovsägare.
Upplägg och genomförande
Arbetsprocessen för framtagandet av dataset och prototyp var behovsstyrt via RISE UX-team som kartlade behoven hos alla projektparter. En AI-annoteringsstation med kameror och mjukvara byggdes till att börja med upp på Wargön Innovation så att datainsamling kunde starta och förbättras. Senare adderades även en station hos Myrorna. Samtidigt utvecklade RISE AI-team AI-modeller från informationen i datasetet. Datainsamlingen blev klar sent i projektet och påverkade hur bra AI-modellerna kunde tränas eftersom tillräcklig mängd data ej var tillgänglig.