TSFabrics : un jeu de données de tissus en série temporelle pour la détection de défauts en temps réel sur machines à tricoter circulaires

Observer le tissu au fur et à mesure qu'il prend vie

Lorsque nous achetons des vêtements ou des draps, nous pensons rarement aux machines qui tricotent sans relâche le tissu en usine. Pourtant, un seul défaut non détecté sur cette étoffe en mouvement peut se traduire par du matériau gaspillé et des coûts plus élevés. Cet article présente TSfabrics, un nouveau type de jeu de données d'images qui aide les ordinateurs à surveiller le tissu en temps réel, image par image, afin qu'ils repèrent les défauts réels tout en ignorant les marques inoffensives qui apparaissent naturellement pendant la production.

Des photos fixes au tissu en mouvement

La plupart des jeux de données d'inspection textile existants sont constitués de photos uniques et isolées. Ces instantanés peuvent bien fonctionner en laboratoire, mais ils ne rendent pas compte de la façon dont le tissu est réellement produit sur des machines à tricoter circulaires, où le matériau sort en flux continu. Dans les usines réelles, des caméras observent la même portion de tissu en mouvement et saisissent une séquence rapide d'images dans le temps. Les auteurs soutiennent que former des systèmes de détection uniquement sur des images fixes laisse une lacune : des modèles qui donnent de bons résultats sur le papier peuvent échouer une fois déployés sur une ligne de production réelle, où la texture et l'éclairage évoluent constamment.

Pourquoi les « cutlines » ne sont pas des erreurs

Les machines à tricoter circulaires marquent périodiquement le tissu avec de fines lignes, appelées cutlines, qui servent à guider les opérations de coupe et de manutention ultérieures. Sur une image fixe, une cutline ressemble beaucoup à un défaut car elle rompt la texture régulière du tissu. Les anciens jeux de données traitent souvent toute irrégularité de ce type comme un dommage. En conséquence, les modèles entraînés sur ces données peuvent déclencher de fausses alertes lorsqu'ils rencontrent ces marques intentionnelles. TSfabrics remédie à cela en incluant à la fois des échantillons sans défaut et des images où les cutlines sont clairement présentes mais étiquetées comme normales. Des annotations au niveau des pixels distinguent explicitement les cutlines des vrais défauts, apprenant aux systèmes que toute ligne d'apparence étrange ne mérite pas forcément une alerte arrêt-de-ligne.

Reproduire les conditions réelles d'usine

TSfabrics se compose de 93 196 images en niveaux de gris enregistrées sous forme de séquences temporelles à travers 22 scénarios de production réels. Le tissu provient d'une machine à tricoter circulaire double-jersey produisant trois structures de maille courantes. La caméra capture à un rythme stable de 30 images par seconde tandis que la vitesse de la machine et le type de tissu varient : certaines séquences présentent de nombreuses vues chevauchées par rotation, d'autres beaucoup moins. L'éclairage est laissé à des variations naturelles, allant de conditions sombres à lumineuses, comme dans une manufacture active. Le jeu de données couvre à la fois des productions sans défaut et sept types de défauts réels, notamment des mailles sautées, des trous, des peluches, des taches d'huile, des déformations du tissu et des bandes de couleur, tous soigneusement marqués au niveau des pixels.

Comment les séries temporelles aident à repérer les problèmes

En conservant des séquences complètes d'images plutôt que des images triées sur le volet, TSfabrics permet aux modèles de détection d'exploiter non seulement l'apparence du tissu à un instant donné, mais aussi l'évolution de sa texture dans le temps. Les auteurs construisent un système de référence qui combine un réseau neuronal 3D, capable de percevoir le mouvement entre images consécutives, avec un composant mémoire qui suit les motifs. Avec cette configuration, ils testent la robustesse de la détection lorsque l'éclairage change ou lorsque la machine tourne plus lentement ou plus vite que lors de l'entraînement. Ils constatent que les modèles performent bien quand l'éclairage et la vitesse correspondent aux conditions d'entraînement, mais que la précision chute fortement sous un nouvel éclairage, en particulier dans les scènes plus sombres. Les modèles gèrent également mieux des vitesses de machine supérieures aux prévisions que des vitesses inférieures, où un plus grand nombre d'images par rotation peut perturber un système qui n'a pas vu un échantillonnage aussi dense auparavant.

Ce que cela signifie pour les textiles de tous les jours

Pour le grand public, le message clé est que l'inspection du tissu en mouvement est très différente du contrôle d'une pile de photos fixes. TSfabrics rapproche les chercheurs du monde réel en capturant des flux continus d'images de tissu sous des variations de vitesse, d'éclairage et de matériaux, et en étiquetant soigneusement ce qui est réellement défectueux et ce qui fait simplement partie du processus, comme les cutlines. Cette vision plus riche devrait aider les futurs inspecteurs automatisés à se concentrer sur les défauts qui comptent, réduire le gaspillage et soutenir un contrôle qualité plus fiable pour les textiles qui finissent dans nos placards et nos maisons.

Citation: 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

Mots-clés: détection de défauts sur tissu, vision industrielle, imagerie en séries temporelles, fabrication textile, contrôle qualité