TSFabrics: Ein Zeitreihen-Gewebe-Datensatz zur Echtzeit-Fehlererkennung an Rundstrickmaschinen

Den Stoff beobachten, während er entsteht

Wenn wir Kleidung oder Bettwäsche kaufen, denken wir selten an die Maschinen, die in Fabriken ununterbrochen Stoff stricken. Doch ein einzelner übersehener Fehler in diesem laufenden Gewebe kann zu Materialverschwendung und höheren Kosten führen. Dieser Artikel stellt TSfabrics vor, eine neue Art von Bilddatensatz, der Computern erlaubt, Stoff in Echtzeit Bild für Bild zu beobachten, damit sie echte Fehler erkennen und gleichzeitig harmlose Markierungen, die während der Produktion auftreten, ignorieren.

Von Standbildern zu bewegtem Stoff

Die meisten vorhandenen Datensätze zur Stoffinspektion basieren auf einzelnen, isolierten Fotos. Solche Schnappschüsse funktionieren möglicherweise gut im Labor, erfassen aber nicht, wie Stoff tatsächlich auf Rundstrickmaschinen produziert wird, wo das Material als kontinuierlicher Strom entsteht. In realen Fabriken richten Kameras ihren Blick auf dieselbe Stelle des sich bewegenden Stoffes und nehmen eine schnelle Bildfolge über die Zeit auf. Die Autoren argumentieren, dass das Training von Erkennungssystemen nur mit Standbildern eine Lücke lässt: Modelle, die auf dem Papier gut aussehen, können in einer echten Produktionslinie versagen, wo sich Textur und Beleuchtung ständig verändern.

Warum „Cutlines" keine Fehler sind

Rundstrickmaschinen versehen den Stoff periodisch mit dünnen Linien, sogenannten Cutlines, die das spätere Schneiden und Handling leiten. Auf einem Standbild sieht eine Cutline einem Defekt sehr ähnlich, weil sie die regelmäßige Textur des Gewebes unterbricht. Ältere Datensätze werten solche Unregelmäßigkeiten oft als Beschädigung. Infolgedessen könnten darauf trainierte Modelle falsche Alarme auslösen, sobald sie diese absichtlichen Markierungen sehen. TSfabrics begegnet diesem Problem, indem es sowohl fehlerfreie Proben als auch Bilder enthält, in denen Cutlines deutlich vorhanden, aber als normal gekennzeichnet sind. Pixelgenaue Annotationen unterscheiden Cutlines explizit von echten Fehlern und lehren Systeme, dass nicht jede ungewöhnlich wirkende Linie einen Produktionsstopp rechtfertigt.

Echte Fabrikbedingungen erfassen

TSfabrics besteht aus 93.196 Graustufenbildern, aufgenommen als Zeitreihenfolgen in 22 realen Produktionsszenarien. Der Stoff stammt von einer Doppel-Jersey-Rundstrickmaschine und umfasst drei gängige Strukturen. Die Kamera zeichnet mit konstant 30 Bildern pro Sekunde auf, während sich Maschinengeschwindigkeit und Stofftyp ändern, sodass einige Sequenzen viele überlappende Ansichten pro Umdrehung zeigen und andere nur wenige. Die Beleuchtung bleibt natürlichen Schwankungen überlassen, von dunklen bis zu hellen Bedingungen, wie sie in einer belebten Weberei vorkommen. Der Datensatz umfasst sowohl fehlerfreie Läufe als auch sieben reale Fehlerarten, darunter Maschenverlust, Löcher, Flusen, Ölverschmutzungen, Verformungen und Farbbänder, die alle sorgfältig auf Pixelebene markiert sind.

Wie Zeitreihen helfen, Probleme zu erkennen

Indem vollständige Bildsequenzen statt ausgewählter Einzelbilder erhalten bleiben, ermöglicht TSfabrics Erkennungsmodellen, nicht nur das Aussehen des Stoffes in einem Moment zu nutzen, sondern auch, wie sich seine Textur im Zeitverlauf entwickelt. Die Autoren bauen ein Basissystem, das ein 3D-Neuronales Netz, das Bewegung über aufeinanderfolgende Frames erfassen kann, mit einer Gedächtniskomponente kombiniert, die Muster verfolgt. Mit diesem Aufbau testen sie, wie robust die Erkennung bei wechselnder Beleuchtung oder bei abweichender Maschinengeschwindigkeit gegenüber dem Training ist. Sie finden, dass Modelle gut abschneiden, wenn Beleuchtung und Geschwindigkeit den Trainingsbedingungen entsprechen, die Genauigkeit jedoch stark abfällt bei neuer Beleuchtung, insbesondere bei dunkleren Szenen. Modelle kommen außerdem besser mit höheren als erwarteten Maschinengeschwindigkeiten zurecht als mit langsameren, bei denen mehr Frames pro Umdrehung ein System verwirren können, das ein derart dichtes Sampling nicht gesehen hat.

Was das für alltägliche Textilien bedeutet

Für Nichtfachleute ist die Kernbotschaft: Die Inspektion von Stoff in Bewegung unterscheidet sich wesentlich vom Prüfen eines Stapels Standbilder. TSfabrics bringt Forschende der Realität näher, indem es kontinuierliche Bildströme von Stoff unter wechselnden Geschwindigkeiten, Beleuchtungen und Materialien erfasst und sorgfältig kennzeichnet, was wirklich defekt ist und was Teil des Prozesses, etwa Cutlines, darstellt. Dieser reichere Blick sollte künftigen automatisierten Prüfern helfen, sich auf die relevanten Fehler zu konzentrieren, Abfall zu reduzieren und eine zuverlässigere Qualitätskontrolle der Textilien zu unterstützen, die schließlich in unseren Kleiderschränken und Haushalten landen.

Zitation: Ni, YQ., Huang, PK., Wang, WJ. et al. TSFabrics: A Time-Series Fabric Dataset for Real-Time Defect Detection on Circular Knitting Machines. Sci Data 13, 379 (2026). https://doi.org/10.1038/s41597-026-06748-9

Schlüsselwörter: Stofffehlererkennung, industrielle Bildverarbeitung, Zeitreihen-Bildgebung, Textilproduktion, Qualitätskontrolle