TSFabrics: Um conjunto de dados de tecidos em série temporal para detecção de defeitos em tempo real em máquinas circulares de tricô

Observando o tecido enquanto ganha vida

Quando compramos roupas ou lençóis, raramente pensamos nas máquinas que tricoteiam tecido incessantemente nas fábricas. Ainda assim, uma única falha despercebida naquele pano em movimento pode virar material perdido e custos maiores. Este artigo apresenta o TSfabrics, um novo tipo de conjunto de imagens que ajuda computadores a monitorar o tecido em tempo real, quadro a quadro, para que detectem defeitos reais enquanto ignoram marcas inofensivas que aparecem naturalmente durante a produção.

De fotos estáticas para tecido em movimento

A maioria dos conjuntos de inspeção de tecido existentes é construída a partir de fotos isoladas. Esses instantâneos podem funcionar bem em laboratório, mas não capturam como o tecido é realmente produzido em máquinas circulares de tricô, onde o material surge em um fluxo contínuo. Em fábricas reais, câmeras filmam o mesmo trecho de tecido em movimento e registram uma sequência rápida de imagens ao longo do tempo. Os autores argumentam que treinar sistemas de detecção apenas com imagens estáticas deixa uma lacuna: modelos que parecem bons no papel podem falhar quando implantados numa linha de produção real, onde textura e iluminação mudam constantemente.

Por que as “linhas de corte” não são defeitos

Máquinas circulares de tricô marcam periodicamente o tecido com linhas finas, conhecidas como cutlines, que orientam cortes e manuseio posteriores. Em uma imagem estática, uma cutline se parece muito com um defeito porque interrompe a textura regular do pano. Conjuntos de dados mais antigos frequentemente tratam qualquer irregularidade assim como dano. Como resultado, modelos treinados neles podem gerar falsos alarmes sempre que encontram essas marcas intencionais. O TSfabrics lida com isso incluindo amostras sem defeito e imagens onde cutlines estão claramente presentes, mas rotuladas como normais. Anotações em nível de pixel distinguem explicitamente cutlines de falhas reais, ensinando os sistemas de que nem toda linha estranha merece um aviso de parada de produção.

Capturando condições reais de fábrica

O TSFabrics consiste em 93.196 imagens em escala de cinza registradas como sequências em série temporal em 22 cenários de produção reais. O tecido vem de uma máquina circular de tricô double-jersey produzindo três estruturas de malha comuns. A câmera captura a 30 quadros por segundo enquanto a velocidade da máquina e o tipo de tecido variam, de modo que algumas sequências mostram muitas vistas sobrepostas por rotação e outras apenas algumas. A iluminação é permitida variar naturalmente, do escuro ao claro, como ocorreria em um moinho movimentado. O conjunto cobre tanto passagens sem defeitos quanto sete tipos reais de defeito, incluindo pontos soltos, furos, fiapos, manchas de óleo, distorções do tecido e faixas de cor, todos cuidadosamente marcados em nível de pixel.

Como séries temporais ajudam a detectar problemas

Ao conservar sequências completas de imagens em vez de quadros escolhidos a dedo, o TSFabrics permite que modelos de detecção usem não apenas a aparência do tecido em um momento, mas como sua textura evolui ao longo do tempo. Os autores constroem um sistema de referência que combina uma rede neural 3D, capaz de ver o movimento entre quadros consecutivos, com um componente de memória que rastreia padrões. Com essa arquitetura, eles testam o quão robusta é a detecção quando a iluminação muda ou quando a máquina roda mais devagar ou mais rápido que no treinamento. Verificam que os modelos têm bom desempenho quando iluminação e velocidade correspondem às condições de treino, mas a acurácia cai fortemente sob novas iluminações, especialmente em cenas mais escuras. Os modelos também se saem melhor com velocidades maiores do que o esperado do que com velocidades mais baixas, onde mais quadros por rotação podem confundir um sistema que não viu essa amostragem densa antes.

O que isso significa para os têxteis do dia a dia

Para não especialistas, a mensagem principal é que inspecionar tecido em movimento é muito diferente de checar uma pilha de fotografias estáticas. O TSFabrics aproxima os pesquisadores do mundo real ao capturar fluxos contínuos de imagens de tecido sob variações de velocidade, luz e materiais, e ao rotular cuidadosamente o que é realmente defeito e o que faz parte do processo, como as cutlines. Essa visão mais rica deve ajudar futuros inspetores automatizados a focalizar os defeitos que importam, reduzir desperdício e apoiar um controle de qualidade mais confiável nos têxteis que acabam em nossos armários e lares.

Citação: 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

Palavras-chave: detecção de defeitos em tecido, visão industrial, imagens em série temporal, fabricação têxtil, controle de qualidade