TSFabrics: un dataset di tessuti in serie temporali per il rilevamento in tempo reale dei difetti su macchine circolari per maglieria

Osservare il tessuto mentre prende vita

Quando compriamo vestiti o lenzuola, raramente pensiamo alle macchine che lavorano instancabilmente il tessuto nelle fabbriche. Eppure un singolo difetto non rilevato in quel tessuto in movimento può tradursi in materiale sprecato e costi maggiori. Questo articolo presenta TSfabrics, un nuovo tipo di dataset di immagini che aiuta i computer a osservare il tessuto in tempo reale, fotogramma dopo fotogramma, in modo da individuare i difetti reali mentre ignorano segni innocui che compaiono naturalmente durante la produzione.

Dalle foto statiche al tessuto in movimento

La maggior parte dei dataset esistenti per l’ispezione dei tessuti è costruita a partire da foto singole e isolate. Questi scatti possono funzionare bene in laboratorio, ma non catturano come il tessuto è effettivamente prodotto sulle macchine circolari per maglieria, dove il tessuto emerge in un flusso continuo. Nelle fabbriche reali, le telecamere osservano lo stesso tratto di tessuto in movimento e catturano una rapida sequenza di immagini nel tempo. Gli autori sostengono che addestrare i sistemi di rilevamento soltanto su immagini statiche crea un divario: i modelli che sembrano buoni sulla carta possono fallire una volta schierati su una linea di produzione reale, dove texture e illuminazione cambiano costantemente.

Perché le “linee di taglio” non sono difetti

Le macchine circolari per maglieria segnano periodicamente il tessuto con sottili linee, note come cutline, che guidano i successivi tagli e la movimentazione. In una foto statica, una cutline assomiglia molto a un difetto perché interrompe la regolarità della trama. I dataset più vecchi spesso trattano qualsiasi irregolarità di questo tipo come danno. Di conseguenza, i modelli addestrati su di essi possono generare falsi allarmi ogni volta che incontrano questi segni intenzionali. TSfabrics affronta il problema includendo sia campioni privi di difetti sia immagini in cui le cutline sono chiaramente presenti ma etichettate come normali. Le annotazioni a livello di pixel distinguono esplicitamente le cutline dai veri difetti, insegnando ai sistemi che non ogni linea dall’aspetto anomalo merita un allarme di interrompere la produzione.

Catturare le condizioni reali di fabbrica

TSfabrics è composto da 93.196 immagini in scala di grigi registrate come sequenze temporali in 22 scenari produttivi reali. Il tessuto proviene da una macchina circolare a doppia maglia che produce tre strutture a maglia comuni. La telecamera cattura a un costante ritmo di 30 fotogrammi al secondo mentre variano la velocità della macchina e il tipo di tessuto, pertanto alcune sequenze mostrano molte visuali sovrapposte per rotazione e altre solo poche. L’illuminazione varia in modo naturale, dal buio al luminoso, proprio come avverrebbe in un mulino affollato. Il dataset copre sia passaggi privi di difetti sia sette tipi reali di difetto, tra cui punti mancati, buchi, pelucchi, macchie di olio, distorsioni del tessuto e bande di colore, tutti accuratamente marcati a livello di pixel.

Come le serie temporali aiutano a individuare i problemi

Mantenendo intere sequenze di immagini invece di fotogrammi selezionati, TSfabrics permette ai modelli di rilevamento di usare non solo l’aspetto del tessuto in un singolo istante, ma anche come la sua trama evolve nel tempo. Gli autori costruiscono un sistema di riferimento che combina una rete neurale 3D, in grado di percepire il movimento attraverso fotogrammi consecutivi, con un componente di memoria che traccia i pattern. Con questa architettura testano la robustezza del rilevamento quando cambiano l’illuminazione o la velocità della macchina rispetto all’addestramento. Riscontrano che i modelli funzionano bene quando illuminazione e velocità corrispondono alle condizioni di training, ma l’accuratezza cala drasticamente con nuove condizioni di luce, specialmente in scenari più scuri. I modelli inoltre si adattano meglio a velocità della macchina più alte del previsto rispetto a quelle più basse, dove un numero maggiore di fotogrammi per rotazione può confondere un sistema che non ha visto un campionamento così denso prima d’ora.

Cosa significa questo per i tessuti di ogni giorno

Per i non specialisti, il messaggio chiave è che ispezionare il tessuto in movimento è molto diverso dal controllare una pila di foto statiche. TSfabrics avvicina i ricercatori al mondo reale catturando flussi continui di immagini di tessuto sotto velocità, luci e materiali variabili, e annotando con cura ciò che è davvero difettoso e ciò che è semplicemente parte del processo, come le cutline. Questa visione più ricca dovrebbe aiutare i futuri ispettori automatizzati a concentrarsi sui difetti che contano, ridurre gli sprechi e supportare un controllo qualità più affidabile nei tessuti che finiscono nei nostri armadi e nelle nostre case.

Citazione: 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

Parole chiave: rilevamento difetti tessuto, visione industriale, imaging in serie temporali, produzione tessile, controllo qualità