TSFabrics: En tidsserie-datamängd för tyg för realtidsfelupptäckt på rundstickningsmaskiner

Att se tyget växa fram

När vi köper kläder eller påslakan tänker vi sällan på maskinerna som väver eller stickar tyget oavbrutet i fabrikerna. Ändå kan ett enda förbiseende i det flytande tyget bli till materialspill och ökade kostnader. Den här artikeln presenterar TSfabrics, en ny typ av bilddatamängd som hjälper datorer att övervaka tyg i realtid, bildruta för bildruta, så att de kan upptäcka verkliga fel samtidigt som de ignorerar ofarliga märken som uppstår naturligt under produktionen.

Från stillbilder till rörligt tyg

De flesta befintliga dataset för tyginspektion byggs upp av enstaka, isolerade fotografier. Dessa ögonblicksbilder kan fungera bra i ett laboratorium, men fångar inte hur tyg faktiskt produceras på rundstickningsmaskiner, där materialet framträder i ett kontinuerligt flöde. I verkliga fabriker riktar kameror sig mot samma yta av rörligt tyg och fångar en snabb sekvens bilder över tid. Författarna hävdar att träning av detekteringssystem enbart på stillbilder lämnar en lucka: modeller som ser bra ut på papper kan misslyckas när de används i en riktig produktionslinje, där textur och belysning ständigt skiftar.

Varför "skärlinjer" inte är fel

Rundstickningsmaskiner markerar periodvis tyget med tunna linjer, kallade skärlinjer, som styr senare skärning och hantering. I en stillbild ser en skärlinje mycket ut som en defekt eftersom den bryter upp tygets regelbundna textur. Äldre dataset behandlar ofta sådana oregelbundenheter som skador. Som en följd kan modeller som tränats på dem ge falsklarm när de ser dessa avsiktliga markeringar. TSfabrics tar itu med detta genom att inkludera både felfria prover och bilder där skärlinjer tydligt förekommer men är märkta som normala. Pixelnivå-annoteringar skiljer uttryckligen skärlinjer från verkliga fel, och lär systemen att inte varje udda linje förtjänar ett stopp-på-linjen-varning.

Att fånga verkliga fabriksförhållanden

TSfabrics består av 93 196 gråskalebilder inspelade som tidsseriesekvenser över 22 verkliga produktionsscenarier. Tyget kommer från en dubbel-jersey rundstickningsmaskin som producerar tre vanliga stickstrukturer. Kameran fångar i jämn takt med 30 bilder per sekund medan maskinhastighet och tygtyp varierar, så vissa sekvenser visar många överlappande vyer per rotation och andra bara några få. Belysningen får ändras naturligt, från mörkt till ljust, precis som i en upptagen fabrik. Datasetet täcker både felfria körningar och sju verkliga feltyper, inklusive tappade maskor, hål, ludd, oljefläckar, tygdistortioner och färgband, alla noggrant märkta på pixelnivå.

Hur tidsserier hjälper till att hitta problem

Genom att bevara hela bildsekvenser istället för att plocka ut enstaka rutor låter TSfabrics detekteringsmodeller använda inte bara hur tyget ser ut i ett ögonblick, utan hur dess textur utvecklas över tid. Författarna bygger ett baseline-system som kombinerar ett 3D-neuralt nätverk, som kan se rörelse över på varandra följande rutor, med en minneskomponent som spårar mönster. Med denna uppställning testar de hur väl detektering håller när belysningen ändras eller när maskinen går långsammare eller snabbare än under träning. De finner att modeller presterar starkt när belysning och hastighet stämmer överens med träningsförhållandena, men att noggrannheten faller kraftigt under ny belysning, särskilt när scener blir mörkare. Modeller hanterar också bättre högre än förväntade maskinhastigheter än lägre sådana, där fler bilder per rotation kan förvirra ett system som inte sett så tät provtagning tidigare.

Vad detta betyder för vardagstextilier

För icke-specialister är huvudbudskapet att inspektion av tyg i rörelse skiljer sig mycket från att kontrollera en hög med stillbilder. TSfabrics för forskare närmare verkligheten genom att fånga kontinuerliga strömmar av tygbilder under skiftande hastigheter, ljus och material, och genom att noggrant märka vad som verkligen är defekt och vad som helt enkelt är del av processen, som skärlinjer. Denna rikare bild bör hjälpa framtida automatiska inspektörer att fokusera på de fel som verkligen betyder något, minska avfall och stödja mer pålitlig kvalitetskontroll i de textilier som hamnar i våra garderober och hem.

Citering: 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

Nyckelord: tygdefektupptäckt, industriell vision, tidsserieavbildning, textilproduktion, kvalitetskontroll