TSFabrics：用于圆形针织机实时缺陷检测的时序织物数据集

观察织物的诞生过程

当我们购买衣物或床单时，很少会想到在工厂中不断编织面料的机器。然而，流动的布料中任何一个未被注意到的缺陷都可能造成材料浪费和成本上升。本文介绍了 TSfabrics，一种新型图像数据集，帮助计算机实时逐帧监视织物，识别真实缺陷，同时忽略生产过程中自然出现的无害痕迹。

从静态照片到运动中的织物

现有大多数织物检验数据集由单张、孤立的照片构成。这些快照在实验室中可能表现良好，但无法反映圆形针织机上织物的实际生产方式：布料以连续流动的形式出现。在真实工厂里，摄像机盯着同一片移动的织物并随时间捕捉快速的图像序列。作者指出，仅在静态图像上训练检测系统存在缺口：在纸面上表现良好的模型在真实生产线上可能失败，因为纹理和光照不断变化。

为什么“切割线”不是缺陷

圆形针织机会周期性地在织物上标记细线，即切割线，用于后续裁剪和处理。在静态图像中，切割线看起来很像缺陷，因为它打破了织物的规则纹理。早期数据集常常将此类不规则视为损伤。因此，在这些数据集上训练的模型看到这些有意标记时可能产生误报。TSfabrics 通过同时包含无缺陷样本和明显存在但标注为正常的切割线图像来应对这一问题。像素级注释明确区分切割线与真实缺陷，教会系统并非每一条看起来奇怪的线都值得触发停线警告。

捕捉真实工厂环境

TSfabrics 由 93,196 幅灰度图像组成，作为时序序列在 22 个真实生产场景中记录。织物来自一台双面针圆形针织机，生产三种常见的针织结构。摄像机以稳定的 30 帧每秒捕捉，机器速度和织物类型各不相同，因此有的序列每转一圈展示多个重叠视图，有的则只有少数几帧。光照允许自然变化，从昏暗到明亮不等，正如繁忙工厂中的情况。数据集包含无缺陷运行与七种真实缺陷类型，包括掉针、孔洞、绒毛、油渍、织物畸变和色带等，均进行了像素级精确标注。

时序如何帮助发现问题

通过保留完整的图像序列而不是挑选的帧，TSfabrics 使检测模型不仅能利用某一时刻的外观信息，还能观察纹理随时间的演变。作者构建了一个基线系统，将能感知连续帧间运动的 3D 神经网络与跟踪模式的记忆组件相结合。使用该配置，他们测试了在光照变化或机器运行速度不同于训练时的情况下检测性能如何。结果显示，当光照和速度与训练条件匹配时模型表现强劲，但在新的光照条件下（尤其变暗时）准确率急剧下降。模型在机器速度高于预期时适应得更好，而在速度更慢、每转更多帧的情况下表现较差，因为这种密集采样会混淆未见过此类情况的系统。

对日常纺织品的意义

对非专业读者而言，关键结论是：对运动中的织物进行检验与检查一摞静态照片有很大不同。TSfabrics 通过在不断变化的速度、光照和材料条件下捕捉连续的织物图像流，并仔细标注真正的缺陷与诸如切割线之类的工艺性标记，将研究者更贴近真实世界。这种更丰富的视角应能帮助未来的自动检测系统聚焦重要的缺陷、减少浪费并支持更可靠的质量控制，从而改善最终进入我们衣柜和家庭的纺织品质量。

引用: 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

关键词: 织物缺陷检测, 工业视觉, 时序成像, 纺织制造, 质量控制