TSFabrics: Een time-series stoffen-dataset voor realtime detectie van defecten op rondbreimachines

Het volgen van stof terwijl het tot leven komt

Wanneer we kleding of lakens kopen, denken we zelden aan de machines die in fabrieken onophoudelijk stof breien. Toch kan één over het hoofd gezien foutje in die doorlopende stof leiden tot verspild materiaal en hogere kosten. Dit artikel introduceert TSfabrics, een nieuw type beelddataset die computers helpt stof in realtime, frame voor frame, te volgen, zodat ze echte afwijkingen kunnen herkennen en onschuldige markeringen die tijdens productie natuurlijk voorkomen kunnen negeren.

Van stilstaande foto’s naar bewegende stof

De meeste bestaande datasets voor stofinspectie zijn opgebouwd uit losse, geïsoleerde foto’s. Deze momentopnamen kunnen in een lab goed werken, maar vangen niet hoe stof daadwerkelijk wordt geproduceerd op rondbreimachines, waar de stof als een continue stroom tevoorschijn komt. In echte fabrieken richt een camera zich op hetzelfde stuk bewegende stof en legt ze een snelle opeenvolging van beelden over tijd vast. De auteurs betogen dat systemen die alleen op stilstaande beelden getraind zijn een kloof laten: modellen die op papier goed lijken, kunnen falen zodra ze op een echte productielijn worden ingezet, waar textuur en belichting voortdurend verschuiven.

Waarom “snijlijnen” geen fouten zijn

Rondbreimachines markeren de stof periodiek met dunne lijnen, bekend als snijlijnen, die latere snij- en verwerkingsstappen begeleiden. Op een stilstaand beeld lijkt een snijlijn veel op een defect omdat ze de regelmatige textuur van de stof doorbreekt. Oudere datasets behandelen dergelijke onregelmatigheden vaak als schade. Daardoor kunnen modellen die daarop getraind zijn valse alarmen geven telkens wanneer ze deze opzettelijke markeringen zien. TSfabrics pakt dit aan door zowel defectvrije voorbeelden op te nemen als beelden waar snijlijnen duidelijk aanwezig zijn maar als normaal gelabeld worden. Annotaties op pixelniveau onderscheiden expliciet snijlijnen van echte fouten, waardoor systemen leren dat niet elke vreemd uitziende lijn een stop-de-lijn-waarschuwing verdient.

Het vastleggen van echte fabrieksomstandigheden

TSfabrics bestaat uit 93.196 grijswaardenbeelden opgenomen als tijdreekssequenties in 22 echte productiescenario’s. De stof komt van een double-jersey rondbreimachine die drie veelvoorkomende breistructuren produceert. De camera neemt met een constante 30 frames per seconde op terwijl machinesnelheid en stoftype variëren, zodat sommige sequenties veel overlappende weergaven per rotatie tonen en andere slechts enkele. De belichting mag natuurlijk variëren, van donker tot helder, precies zoals in een drukke fabriek. De dataset omvat zowel defectvrije runs als zeven reële defecttypes, waaronder losse steken, gaten, pluis, olievlekken, vervormingen van de stof en kleurbanden, allemaal zorgvuldig op pixelniveau gemarkeerd.

Hoe tijdreeksen helpen problemen te ontdekken

Door volledige beeldsequenties te bewaren in plaats van zorgvuldig uitgekozen frames, stelt TSfabrics detectiemodellen in staat niet alleen te gebruiken hoe de stof er op één moment uitziet, maar ook hoe de textuur in de tijd verandert. De auteurs bouwen een basislijnsysteem dat een 3D-neuraal netwerk combineert, dat beweging over opeenvolgende frames kan waarnemen, met een geheugencomponent die patronen volgt. Met deze opzet testen ze hoe robuust de detectie is wanneer de belichting verandert of wanneer de machine langzamer of sneller draait dan tijdens training. Ze vinden dat modellen goed presteren wanneer belichting en snelheid overeenkomen met de trainingsomstandigheden, maar dat de nauwkeurigheid scherp daalt onder nieuwe belichtingen, vooral bij donkerdere scènes. Modellen gaan ook beter om met hogere dan verwachte machinesnelheden dan met langzamere, waarbij meer frames per rotatie een systeem kunnen verwarren dat zo’n dichte bemonstering nog niet heeft gezien.

Wat dit betekent voor alledaagse textiel

Voor niet-specialisten is de kernboodschap dat het inspecteren van stof in beweging heel anders is dan het controleren van een stapel stilstaande foto’s. TSfabrics brengt onderzoekers dichter bij de echte wereld door continue stromen stofbeelden vast te leggen onder wisselende snelheden, lichtomstandigheden en materialen, en door zorgvuldig te labelen wat echt defect is en wat gewoon onderdeel van het proces is, zoals snijlijnen. Dit rijkere beeld zou toekomstige geautomatiseerde inspecties moeten helpen focussen op de fouten die ertoe doen, afval verminderen en betrouwbaardere kwaliteitscontrole ondersteunen in de textiel die in onze kasten en huizen belandt.

Bronvermelding: 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

Trefwoorden: detectie van stofdefecten, industriële visie, tijdreeksbeeldvorming, textielproductie, kwaliteitscontrole