TSFabrics: Zestaw danych tkanin w postaci szeregów czasowych do wykrywania wad w czasie rzeczywistym na maszynach dziewiarskich okrągłych

Obserwowanie tkaniny, gdy ożywa

Kiedy kupujemy ubrania czy pościel, rzadko myślimy o maszynach, które bez przerwy dziergają tkaninę w fabrykach. Tymczasem pojedyncza niezauważona wada w tej płynącej tkaninie może prowadzić do strat materiału i wyższych kosztów. W artykule przedstawiono TSfabrics — nowy typ zbioru obrazów, który pomaga komputerom obserwować tkaninę w czasie rzeczywistym, klatka po klatce, aby wykrywać rzeczywiste wady i ignorować nieszkodliwe ślady, które naturalnie pojawiają się w trakcie produkcji.

Od zdjęć statycznych do poruszającej się tkaniny

Większość istniejących zestawów do inspekcji tkanin opiera się na pojedynczych, izolowanych zdjęciach. Takie migawki mogą sprawdzać się w laboratorium, ale nie oddają, jak tkanina jest rzeczywiście produkowana na maszynach dziewiarskich okrągłych, gdzie materiał pojawia się w ciągłym strumieniu. W prawdziwych fabrykach kamery rejestrują ten sam fragment poruszającej się tkaniny i przechwytują szybkie sekwencje obrazów w czasie. Autorzy argumentują, że trenowanie systemów wykrywających wyłącznie na zdjęciach statycznych pozostawia lukę: modele, które dobrze wyglądają na papierze, mogą zawodzić po wdrożeniu na linii produkcyjnej, gdzie tekstura i oświetlenie nieustannie się zmieniają.

Dlaczego „cutlines” nie są wadami

Maszyny dziewiarskie okrągłe okresowo oznaczają tkaninę cienkimi liniami, zwanymi cutlines, które ułatwiają późniejsze krojenie i obróbkę. Na pojedynczym zdjęciu cutline może wyglądać jak wada, ponieważ narusza regularną fakturę materiału. Starsze zbiory często traktowały każdą taką nieciągłość jako uszkodzenie. W rezultacie modele trenowane na nich mogą generować fałszywe alarmy za każdym razem, gdy natrafią na takie celowe oznaczenie. TSfabrics rozwiązuje ten problem, zawierając zarówno próbki bez wad, jak i obrazy, na których cutlines są wyraźnie obecne, ale oznaczone jako normalne. Adnotacje na poziomie pikseli jednoznacznie rozróżniają cutlines od prawdziwych defektów, ucząc systemy, że nie każda nietypowa linia wymaga zatrzymania linii produkcyjnej.

Rejestrowanie warunków z prawdziwej fabryki

TSfabrics składa się z 93 196 obrazów w skali szarości zarejestrowanych jako sekwencje czasowe w 22 rzeczywistych scenariuszach produkcyjnych. Tkanina pochodzi z dwuwarstwowej maszyny dziewiarskiej okrągłej produkującej trzy powszechne struktury splotu. Kamera rejestruje ze stałą szybkością 30 klatek na sekundę, podczas gdy prędkość maszyny i rodzaj materiału się zmieniają, więc niektóre sekwencje ukazują wiele nakładających się widoków na obrót, a inne tylko kilka. Oświetlenie zmienia się naturalnie, od ciemnego do jasnego, tak jak w ruchliwym zakładzie. Zestaw obejmuje zarówno przebiegi bez wad, jak i siedem rzeczywistych rodzajów defektów, w tym spadłe oczka, dziury, kłaczki, plamy oleju, zniekształcenia tkaniny i pasy kolorystyczne, wszystkie starannie oznaczone na poziomie pikseli.

Jak szeregi czasowe pomagają wykrywać problemy

Zachowując pełne sekwencje obrazów zamiast wybieranych klatek, TSfabrics pozwala modelom wykrywającym wykorzystać nie tylko wygląd tkaniny w danym momencie, lecz także to, jak jej tekstura zmienia się w czasie. Autorzy zbudowali system bazowy łączący sieć neuronową 3D, zdolną do dostrzegania ruchu między kolejnymi klatkami, z komponentem pamięci śledzącym wzory. Przy takim podejściu testują, jak dobrze wykrywanie radzi sobie przy zmianach oświetlenia oraz gdy maszyna działa wolniej lub szybciej niż podczas trenowania. Stwierdzili, że modele osiągają dobre wyniki, gdy oświetlenie i prędkość pasują do warunków treningowych, ale dokładność gwałtownie spada przy nowych warunkach oświetleniowych, zwłaszcza gdy sceny stają się ciemniejsze. Modele lepiej radzą sobie z wyższymi niż oczekiwane prędkościami maszyny niż z wolniejszymi, gdzie więcej klatek na obrót może dezorientować system, który nie widział wcześniej tak gęstego próbkowania.

Co to oznacza dla codziennych tekstyliów

Dla osób niebędących specjalistami kluczowy wniosek jest taki, że inspekcja tkaniny w ruchu różni się znacząco od sprawdzania stosu zdjęć statycznych. TSfabrics przybliża naukowców do świata rzeczywistego, rejestrując ciągłe strumienie obrazów tkaniny przy zmieniających się prędkościach, oświetleniu i materiałach oraz starannie oznaczając, co jest rzeczywistą wadą, a co stanowi część procesu, jak cutlines. To bogatsze spojrzenie powinno pomóc przyszłym automatycznym inspektorom skupić się na wadach, które mają znaczenie, zmniejszyć odpady i wspierać bardziej niezawodną kontrolę jakości w tekstyliach trafiających do naszych szaf i domów.

Cytowanie: 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

Słowa kluczowe: wykrywanie wad tkanin, wizja przemysłowa, obrazowanie szeregów czasowych, produkcja tekstyliów, kontrola jakości