TSFabrics: un conjunto de datos de tejidos en series temporales para la detección en tiempo real de defectos en máquinas de punto circulares

Observar la tela mientras cobra vida

Cuando compramos ropa o sábanas rara vez pensamos en las máquinas que tejen tela sin cesar en las fábricas. Sin embargo, un solo defecto inadvertido en esa tela continua puede convertirse en material desperdiciado y costes más altos. Este artículo presenta TSfabrics, un nuevo tipo de conjunto de datos de imágenes que ayuda a los ordenadores a vigilar la tela en tiempo real, cuadro a cuadro, para detectar fallos reales mientras ignoran marcas inocuas que aparecen de forma natural durante la producción.

De las fotos estáticas a la tela en movimiento

La mayoría de los conjuntos de datos de inspección de tejidos existentes se construyen a partir de fotos aisladas y únicas. Estas instantáneas pueden funcionar bien en un laboratorio, pero no capturan cómo se produce realmente la tela en las máquinas de punto circulares, donde la tela emerge en un flujo continuo. En las fábricas reales, las cámaras se fijan en el mismo tramo de tela en movimiento y capturan una secuencia rápida de imágenes a lo largo del tiempo. Los autores sostienen que entrenar sistemas de detección únicamente con imágenes estáticas deja un vacío: modelos que rinden bien sobre el papel pueden fracasar cuando se despliegan en una línea de producción real, donde la textura y la iluminación cambian constantemente.

Por qué las “líneas de corte” no son errores

Las máquinas de punto circulares marcan periódicamente la tela con líneas finas, conocidas como líneas de corte, que guían el posterior corte y manipulado. En una imagen estática, una línea de corte se parece mucho a un defecto porque rompe la textura regular del tejido. Los conjuntos de datos antiguos suelen tratar cualquier irregularidad así como un daño. Como resultado, los modelos entrenados con ellos pueden generar falsas alarmas cada vez que ven estas marcas intencionales. TSfabrics aborda esto incluyendo tanto muestras libres de defectos como imágenes donde las líneas de corte están claramente presentes pero etiquetadas como normales. Las anotaciones a nivel de píxel distinguen explícitamente las líneas de corte de los verdaderos fallos, enseñando a los sistemas que no toda línea de aspecto extraño merece una orden de parada en la línea.

Capturar las condiciones reales de fábrica

TSfabrics consta de 93.196 imágenes en escala de grises registradas como secuencias temporales en 22 escenarios de producción reales. La tela procede de una máquina de punto circular doble jersey que produce tres estructuras de punto comunes. La cámara captura a un ritmo constante de 30 fotogramas por segundo mientras varían la velocidad de la máquina y el tipo de tejido, de modo que algunas secuencias muestran muchas vistas superpuestas por rotación y otras solo unas pocas. La iluminación se deja cambiar de forma natural, desde condiciones oscuras hasta brillantes, tal como ocurre en un taller concurrido. El conjunto de datos abarca tanto tiradas sin defectos como siete tipos reales de defectos, incluidos puntadas caídas, agujeros, pelusas, manchas de aceite, distorsiones del tejido y bandas de color, todos cuidadosamente marcados a nivel de píxel.

Cómo las series temporales ayudan a detectar problemas

Al conservar secuencias completas de imágenes en lugar de fotogramas seleccionados, TSfabrics permite a los modelos de detección usar no solo la apariencia de la tela en un instante, sino cómo evoluciona su textura con el tiempo. Los autores construyen un sistema base que combina una red neuronal 3D, capaz de percibir movimiento a través de fotogramas consecutivos, con un componente de memoria que rastrea patrones. Con esta configuración, prueban la robustez de la detección cuando cambia la iluminación o cuando la máquina funciona más lenta o más rápida que en el entrenamiento. Observan que los modelos rinden bien cuando la iluminación y la velocidad coinciden con las condiciones de entrenamiento, pero la precisión cae drásticamente bajo nuevas condiciones de iluminación, especialmente en escenas más oscuras. Los modelos también afrontan mejor velocidades superiores a las esperadas que velocidades inferiores, donde más fotogramas por rotación pueden confundir a un sistema que no ha visto un muestreo tan denso antes.

Qué implica esto para los textiles de uso cotidiano

Para el público general, el mensaje clave es que inspeccionar la tela en movimiento es muy diferente de revisar una pila de fotos estáticas. TSfabrics acerca a los investigadores al mundo real capturando flujos continuos de imágenes de tela bajo velocidades, luces y materiales cambiantes, y etiquetando con cuidado lo que es realmente defectuoso y lo que forma parte del proceso, como las líneas de corte. Esta visión más completa debería ayudar a que los futuros inspectores automatizados se centren en los defectos que importan, reduzcan el desperdicio y apoyen un control de calidad más fiable en los textiles que terminan en nuestros armarios y hogares.

Cita: 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

Palabras clave: detección de defectos en tejidos, visión industrial, imágenes en series temporales, fabricación textil, control de calidad