Искусственный интеллект как движущая сила инноваций в обнаружении дефектов текстильной промышленности

271
views
ЗАКАЗАТЬ СИСТЕМУ

Основой текстильного производства является контроль качества, при этом раннее выявление дефектов имеет решающее значение для обеспечения качества продукции и поддержания конкурентного преимущества. Традиционные методы контроля, которые преимущественно основаны на ручных процессах, ограничены человеческими ошибками и проблемами масштабируемости. Недавние достижения в области искусственного интеллекта (ИИ) — включая компьютерное зрение, обработку изображений и машинное обучение — преобразовали обнаружение дефектов, обеспечив повышение точности, скорости и надежности.

В этой статье критически рассматривается эволюция методов обнаружения дефектов в текстильной промышленности, переход от традиционных ручных проверок к автоматизированным системам на основе ИИ. В ней анализируются типы дефектов, возникающих на различных этапах производства, оцениваются сильные и слабые стороны традиционных и автоматизированных подходов, а также подчеркивается ключевая роль моделей глубокого обучения, особенно сверточных нейронных сетей (CNN), в достижении высокой точности идентификации дефектов.

Кроме того, исследуется интеграция передовых технологий, таких как камеры высокого разрешения и системы мониторинга в реальном времени, в процессы контроля качества, подчеркивая их вклад в устойчивость и экономическую эффективность. Рассматривая проблемы и возможности, которые предоставляют эти достижения, данное исследование служит всеобъемлющим ресурсом для исследователей и специалистов отрасли, стремящихся использовать ИИ для оптимизации текстильного производства и обеспечения качества в условиях продолжающейся цифровой трансформации.

Графическая аннотация

1. Введение

Выявление дефектов в текстильной промышленности имеет фундаментальное значение для процессов контроля качества, при этом раннее обнаружение дефектов во время производства играет ключевую роль в обеспечении качества конечного продукта [1]. Производственные дефекты могут негативно влиять на эстетический вид ткани и ее структурную целостность, снижая ценность продукта. Традиционные методы ручной проверки часто приводят к ошибкам оператора и низкой эффективности, в то время как автоматизированные подходы на основе ИИ трансформируют процессы контроля качества, повышая точность и снижая затраты [2].

Передовые технологии, такие как компьютерное зрение, обработка изображений и машинное обучение, позволяют быстро и надежно обнаруживать дефекты поверхности ткани, параметры производства и характеристики рисунка, тем самым повышая стандарты качества в текстильной отрасли [3, 4]. Эти инновации вносят значительный вклад в устойчивость и конкурентоспособность, позволяя отрасли соответствовать современным производственным требованиям.

Процессы обнаружения дефектов исторически претерпели значительную эволюцию, перейдя от традиционных ручных методов к современным технологиям [5]. На ранних этапах эти процессы в значительной степени основывались на визуальном осмотре операторами, который был ограничен из-за человеческих ошибок и низкой эффективности. К концу 20-го века, с развитием вычислительных технологий, технологий обработки изображений и компьютерного зрения, начали использоваться автоматизированные системы обнаружения дефектов; однако эти системы столкнулись с ограничениями, такими как низкая точность и ограниченная вычислительная мощность из-за технологических ограничений той эпохи [6].

В 2000-х годах расширение доступности цифровых камер, датчиков и вычислительной мощности заложило основу для разработки более точных и сложных систем обнаружения. Сегодня передовые технологии, такие как искусственный интеллект, машинное обучение и глубокое обучение, радикально изменили процессы обнаружения дефектов, обеспечив быструю, точную и надежную идентификацию дефектов [3]. Эта технологическая трансформация не только повысила стандарты контроля качества в текстильной промышленности, но и способствовала достижению экономически эффективных и устойчивых целей производства [3, 7, 8, 9].

Однако методы обнаружения дефектов на основе машинного обучения не ограничиваются только подходами глубокого обучения, такими как сверточные нейронные сети (CNN). В литературе также широко используются традиционные методы машинного обучения, такие как случайные леса (RF) и марковские случайные поля (MRF), для обнаружения дефектов в текстильной промышленности, вносящие значительный вклад в распознавание образов и локализацию дефектов [2, 3].

Эти методы показали эффективные результаты в выявлении вариаций текстуры и классификации дефектных паттернов на текстильных поверхностях. Цель данного исследования — предоставить более широкую перспективу, рассмотрев как традиционные, так и современные подходы машинного обучения, тем самым подчеркнув разнообразие стратегий обнаружения дефектов в текстильной промышленности.

Цель данного обзора — предоставить всесторонний обзор исследований в таких областях, как обнаружение дефектов, оптимизация производства и сегментация узоров в текстильной промышленности. В отличие от существующей литературы, этот обзор тщательно рассматривает современные технологические подходы и оценивает их влияние на текстильные процессы.

В дополнение к современным методам, таким как искусственный интеллект, машинное обучение и глубокое обучение, эти исследования предлагают новые перспективы в отношении ограничений традиционных методов и их интеграции с современными технологиями. В обзоре обобщаются основные методы, используемые в современных исследованиях, и подробно рассматриваются проблемы, возникающие в процессах обнаружения дефектов, а также возможности, открывающиеся для решения этих проблем.

Кроме того, в исследовании обсуждаются методологии обнаружения дефектов следующего поколения, включая гибридные системы искусственного интеллекта, адаптивные модели обучения в реальном времени и методы прогнозирующего технического обслуживания, которые, как ожидается, определят будущее контроля качества текстильной продукции. Данное исследование стремится внести значительный научный вклад в контроль качества и эффективность производства в текстильном секторе и предоставляет всеобъемлющий ресурс для руководства цифровой трансформацией текстильной промышленности.

2. Виды дефектов в текстильных изделиях

Текстильная промышленность представляет собой сложный производственный процесс, охватывающий несколько этапов, от сырого волокна до готовой пряжи. На каждом этапе встречаются различные типы дефектов, которые напрямую влияют на качество продукции [10].

Эти дефекты могут снизить эффективность производства, увеличить себестоимость продукции и привести к неудовлетворенности клиентов [11]. Ошибки, возникающие на каждом этапе производства, таких как подготовка волокна, кардование, прядение, ткачество и отделка, могут не только повлиять на внешний вид ткани, но и негативно сказаться на ее эксплуатационных характеристиках [12, 13].

В данной статье рассматриваются наиболее распространенные типы дефектов, встречающиеся на разных этапах процесса текстильного производства, рассматриваются их причины, последствия и методы контроля. Правильное выявление и устранение этих дефектов имеют решающее значение для производства текстильной продукции более высокого качества и играют важную роль в повышении конкурентоспособности в отрасли [3, 14]. 

В таблице 1  представлено подробное описание типов дефектов, встречающихся на каждом этапе текстильного производства, а также пояснения к каждому дефекту. Эти проблемы представляют собой факторы, негативно влияющие на качество производственного процесса, и должны быть выявлены и предотвращены с помощью эффективных методов контроля качества. Точное и своевременное выявление этих дефектов имеет решающее значение для повышения эффективности производства и улучшения качества конечного продукта (рис. 1).

Рисунок 1.  Обнаружение дефектов волокон в неоднородных объемных текстильных изделиях [15].

Таблица 1.  Типы дефектов, встречающихся на каждом этапе текстильного производства, и их объяснения.

Этап производства Тип дефекта Описание
Дефекты волокон Коэффициент коротких волокон Волокна короче стандартной длины.
Вариации цвета волокна Неравномерность цветовых оттенков среди волокон.
Загрязнение посторонними волокнами Смешивание различных типов или цветов волокон.
Грязное волокно Наличие посторонних материалов или пыли в волокнах.
Разложившееся волокно Волокно ослаблено или имеет поврежденную структуру.
Дефекты кардочесания и гребневого чесания Узловатое волокно Волокна не разделены должным образом, что приводит к образованию узлов.
Недостаточное картирование Волокно не раскрыто должным образом.
Неправильные пропорции смешивания Неправильное соотношение компонентов в смесях волокон.
Дефекты, возникающие при движении по течению Неравномерная толщина Неравномерная толщина ровницы.
Образование узелков (непов) Образование небольших узелков или комков.
Ошибки смешивания Неправильное соотношение смешанных волокон.
Дефекты пряжи Неровность (разлом Устера) Неравномерность толщины пряжи.
Непсы Образование небольших комков или узелков в пряже.
Загрязнение посторонними волокнами Наличие заметных посторонних волокон в пряже.
Тонкие и толстые пятна Неравномерная толщина и тонкие участки пряжи.
Слабая прочность пряжи Пряжа оказалась слабее, чем ожидалось.
Порча пряжи В некоторых местах пряжа обрывается.
Ошибки поворота Неправильное количество витков в пряже.
Спираль Образование спиралей в пряже происходит из-за неравномерного скручивания.
Дефекты шпулек и катушек Узловые соединения Неправильное соединение нитей приводит к образованию видимых узлов.
Неравномерная намотка Неравномерная намотка нити на шпульку или катушку приводит к образованию ворса.
Инородный материал Наличие пыли, волокон или других посторонних предметов в бобине или катушке.
Дефекты подготовки ткани Пропущенные нити основы и утка Отсутствующие или лишние нити основы и утка в узоре плетения.
Разрыв готического полотна Обрыв нитей основы приводит к образованию зазоров в ткани.
Неправильный узор плетения Неправильное или неполное плетение узора.
Линии трансформации Видимые линии, созданные нитями основы в ткани.
Уточные нити Видимые линии, созданные нитями утка в ткани.
Дефекты вязания (свитера) Пропущенная петля Неправильное формирование петель при вязании.
Распутывание Циклы распадаются, вызывая каскадные ошибки.
Ошибки шаблона Неправильное или ошибочное повторение узоров.
Дефекты окрашивания и отделки Несоответствие цвета Возможны цветовые вариации между партиями ткани.
Окрашивание Наличие пятен от красителя или следов посторонних предметов на ткани.
Затухание Выцветание цвета из-за стирки, воздействия света или трения.
Чрезмерная усадка или образование складок Ткань дает усадку или мнется сильнее, чем ожидалось.
Дефекты печати Неправильно выровненный узор Неправильное размещение печатного изображения.
Несоответствие цветов Несоответствия в используемых цветах при печати.
Неполная печать Изображение напечатано не полностью или использован некорректный дизайн.
Физические дефекты Отверстия и разрезы Наличие дыр или порезов на ткани.
Дефекты поверхности Поверхность ткани имеет шероховатость, выступающие нити или неровности.

3. Методы обнаружения дефектов в текстильной продукции

Контроль качества считается одним из важнейших компонентов производственных процессов в текстильной промышленности. Традиционные методы сосредоточены на выявлении производственных дефектов с использованием ручных и механических средств. Среди них наиболее часто применяются ручной контроль, механические системы и оптические датчики. Эти методы используются уже несколько десятилетий, каждый из них имеет свои уникальные преимущества и ограничения. Ниже представлен подробный анализ этих методов.
3.1. Традиционный контроль качества с участием человека

Контроль качества с помощью человеческого фактора на протяжении многих лет является одним из наиболее фундаментальных методов обнаружения дефектов в процессах текстильного производства [16]. При таком подходе опытные операторы и инспекторы визуально осматривают текстильные изделия для выявления дефектов. Благодаря своей гибкости и знакомству операторов с производственным процессом, контроль качества с помощью человеческого фактора остается предпочтительным методом [17]. Однако, поскольку он в значительной степени зависит от человеческого фактора, этот метод имеет определенные ограничения. В этом разделе подробно рассматриваются преимущества и ограничения контроля качества с помощью человеческого фактора и влияние зависимости от оператора на контроль качества.

Одним из главных преимуществ человеческого контроля является способность обученных операторов быстро и эффективно распознавать различные типы дефектов на основе своего опыта. Эти операторы обладают обширными знаниями и интуитивным пониманием, что позволяет им обнаруживать аномалии в текстильных изделиях. Навыки визуального анализа и внимание к деталям особенно важны для выявления сложных узоров и тонких дефектов. Опытные операторы превосходно справляются с обнаружением текстурных неровностей, цветовых отклонений и несоответствий узоров в тканях [18, 19].

Однако существуют значительные ограничения, связанные с человеческим контролем. Усталость оператора, отвлекающие факторы и индивидуальные различия в восприятии могут серьезно повлиять на качество проверок. Длительные рабочие часы снижают концентрацию внимания операторов, увеличивая вероятность ошибок. Более того, поскольку способность к восприятию у каждого человека различна, в процессе проверки могут возникать несоответствия. Эти несоответствия могут создавать проблемы в поддержании непрерывности и точности процессов контроля качества [20, 21].

Непрерывный контроль с помощью человеческого глаза на крупных производственных линиях также представляет собой проблему (рис. 2). Детальный осмотр каждого изделия становится практически невозможным при больших объемах производства, что приводит к риску увеличения количества дефектов [22]. Непостоянная работа оператора может привести к попаданию дефектной продукции в производственный поток. Следовательно, хотя человеческий контроль играет значительную роль в контроле качества, он также сопряжен с различными ограничениями и рисками. Таким образом, интеграция более автоматизированных и объективных методов стала необходимой для преодоления этих проблем [23].

Рисунок 2.  Традиционный процесс контроля качества ткани под контролем человека, при котором оператор вручную осматривает дефекты текстиля в контролируемых условиях освещения. Ручной подход подвержен человеческим ошибкам и неэффективности, что призваны преодолеть решения на основе искусственного интеллекта.

3.2. Механические и оптические методы

Механические и оптические методы — это автоматизированные системы, разработанные для уменьшения человеческих ошибок в текстильной промышленности. Механические методы контролируют обрывы нитей и физические дефекты тканей, повышая отслеживаемость производственного процесса. Эти системы непрерывно контролируют физические свойства ткани, позволяя быстро выявлять отклонения. В отличие от них, оптические методы преуспевают в обнаружении визуальных дефектов, таких как несоответствия цвета и неровности рисунка. Автоматизированные датчики и системы обнаружения обеспечивают более быстрые и надежные результаты, не зависящие от отвлекающих факторов операторов. Их интеграция значительно улучшает процессы контроля качества и повышает стандарты производства [24, 25].

Для большей ясности приведем конкретные примеры существующих коммерческих систем, включая систему очистки пряжи Uster Quantum 3, которая обнаруживает тонкие и толстые дефекты в пряже, и систему BarcoVision Cyclops, которая использует оптические датчики для анализа дефектов поверхности ткани. Сообщается, что эти системы повышают показатели обнаружения дефектов более чем на 85% в промышленных условиях.

Сочетание обеих систем обеспечивает более комплексный подход к контролю качества в текстильном производстве. В то время как механические системы обнаружения очень эффективны в выявлении физических дефектов, оптические системы быстро определяют эстетические проблемы. Однако каждый метод имеет свои ограничения: механические системы не могут обнаруживать визуальные дефекты, а на оптические методы могут влиять факторы окружающей среды. Следовательно, совместное применение механических и оптических методов позволяет на ранней стадии выявлять как физические, так и визуальные дефекты, предотвращая продвижение дефектной продукции по производственной линии и оптимизируя эффективность [26, 27].

Кроме того, в практических приложениях комбинированные механико-оптические установки калибруются с использованием эталонных образцов дефектов в контролируемых условиях освещения и натяжения. Эти калибровки имеют решающее значение для обеспечения стабильной работы автоматизированных систем контроля.

3.3. Обработка изображений и компьютерное зрение

Текстильная промышленность требует быстрых, точных и автоматизированных методов обнаружения дефектов для обеспечения устойчивости высококачественных производственных процессов [28]. Традиционные подходы, которые часто основаны на ручной проверке, подвержены человеческим ошибкам. В отличие от них, современные производственные процессы стремятся к достижению большей эффективности и точности с помощью компьютерных решений (рис. 3). В этом контексте методы обработки изображений и компьютерного зрения стали ключевыми технологиями для автоматического обнаружения дефектов на текстильных поверхностях.

Рисунок 3.  Обнаружение дефектов ткани с помощью ( а ) ручного и ( б ) автоматизированного методов оптического контроля [28].

Эффективность этих методов зависит от получения подходящих данных и точного выявления дефектов. Ключевую роль в процессе сбора данных играют различные системы камер, позволяющие получать изображения высокого разрешения, что обеспечивает точное обнаружение и классификацию дефектов. Эти системы, интегрированные с передовыми алгоритмами, значительно повышают надежность и согласованность процессов контроля качества [5, 29, 30, 31].

Обнаружение дефектов текстиля в значительной степени зависит от современных систем камер, позволяющих визуально осматривать ткани во время производства. Эти системы предлагают специализированные методы для выявления различных дефектов в зависимости от их разрешения, скорости и спектральных возможностей. Стандартные камеры широко используются для основных задач контроля качества благодаря их экономичности и достаточной производительности при выявлении крупномасштабных дефектов, таких как ошибки швов или значительные неровности пряжи [32, 33]. В отличие от них, камеры высокого разрешения предоставляют подробные данные, позволяющие обнаруживать мельчайшие дефекты, такие как небольшие отверстия, царапины или оборванные нити, тем самым повышая точность процессов контроля качества [34, 35].

Для решения проблем, связанных с высокоскоростными производственными линиями, используются высокоскоростные камеры. Эти системы способны отслеживать быстро движущиеся поверхности ткани в режиме реального времени, эффективно обнаруживая временные дефекты и обеспечивая выявление динамических дефектов [36, 37, 38]. Кроме того, гиперспектральные камеры, благодаря своей способности получать изображения в нескольких спектральных диапазонах, детально анализируют химические и структурные свойства текстиля. Они превосходно обнаруживают дефекты, вызванные вариациями материала или цвета, и могут точно исследовать текстуру ткани и качество красителя [39, 40, 41].

Кроме того, линейные сканирующие камеры используются для непрерывного сканирования движущихся широких поверхностей ткани и проверки больших площадей с высоким разрешением. Эти камеры сканируют поверхность движущейся ткани построчно, что позволяет точно контролировать обширные участки поверхности и точно локализовать дефекты. Технология линейного сканирования особенно предпочтительна для контроля качества больших рулонов ткани и широких текстильных изделий [42, 43, 44].

Эти системы камер повышают эффективность контроля качества в производственных процессах, позволяя раньше обнаруживать дефекты и значительно способствуя повышению эффективности производства и качества продукции. Разнообразие этих систем камер напрямую влияет на богатство и качество наборов данных, используемых для автоматического обнаружения дефектов на текстильных поверхностях. Следовательно, они повышают точность и производительность алгоритмов машинного обучения и глубокого обучения, разработанных для этой цели [45].

Эти наборы данных создаются для идентификации и классификации дефектов ткани с метками, основанными на геометрических свойствах, таких как текстура и узоры. Таким образом, эти данные обеспечивают прочную основу для разработки систем обнаружения дефектов на основе компьютерного зрения в текстильной промышленности.

Интеграция камер высокого разрешения и систем мониторинга в реальном времени в процессы контроля качества в текстильной промышленности значительно повышает эффективность производства и качество продукции. Камеры высокого разрешения тщательно сканируют поверхности ткани, позволяя обнаруживать даже самые мелкие дефекты. Благодаря своей способности с высокой точностью выявлять такие тонкие нюансы, как цветовые вариации, линейные дефекты плетения и смещения рисунка, эти камеры играют решающую роль в поддержании стандартов качества [8].

Системы мониторинга в реальном времени позволяют непрерывно проверять поверхности ткани во время производства и обеспечивают оперативное выявление дефектов, облегчая немедленное вмешательство без прерывания производственного процесса. Поддерживаемые передовыми алгоритмами обработки изображений, эти системы не только обнаруживают дефекты, но и классифицируют их типы и размеры, обеспечивая детальный анализ дефектов.

Такая интеграция минимизирует производственные ошибки и обеспечивает стабильные стандарты качества за счет мгновенного обнаружения как визуальных, так и структурных дефектов. Кроме того, подробные данные, предоставляемые этими системами, обладают значительным потенциалом для непрерывного улучшения производственных процессов и создания механизмов принятия решений на основе данных.

В заключение, интеграция камер высокого разрешения и систем мониторинга в реальном времени в производственные линии вносит существенный вклад в развитие более качественных и экономически эффективных производственных процессов в текстильной промышленности [46].

Ниже приведена таблица с перечислением различных наборов данных, используемых для обнаружения дефектов текстильных изделий, и информацией о доступе к этим наборам данных. При проектировании и разработке систем контроля качества на основе новых технологий информация, предоставляемая этими наборами данных, адаптированными для текстильной промышленности, широко используется. Оптимизация алгоритмов и методов визуального контроля для выявления дефектов на поверхности ткани становится возможной благодаря детальному анализу примеров, содержащихся в этих наборах данных.

Наборы данных, включающие различные типы тканей, разновидности узоров, типы дефектов и цветовые вариации, играют решающую роль в сравнении производительности алгоритмов и прогнозировании успеха предлагаемых методов в практических приложениях (таблица 2).

Кроме того, эти базы данных предоставляют исследователям исчерпывающие справочные материалы по локализации дефектов, классификации типов дефектов и оценке эффективности различных методов визуализации (например, гиперспектральных, высокоскоростных или камер высокого разрешения). Таким образом, использование этих наборов данных при разработке систем контроля качества следующего поколения способствует созданию более эффективных и надежных методов, в конечном итоге повышая эффективность контроля качества в производственных процессах.

Таблица 2.  Наборы данных о дефектах текстиля.

Ссылка Размер выборки Типы дефектов Тип набора данных
AITEX AFID [ 47 ] 245 7 типов Изображения в оттенках серого размером 4096 × 256 и маска сегментации.
Набор данных о дефектах ткани [ 48 ] Не указан Горизонтальные, вертикальные и дырочные дефекты 640 × 360
FabricDefect [ 49 ] 24 Не указан 512 × 512 мас
Обнаружение дефектов ткани [ 50 ] 108 Дыра, узел, пятно
Набор данных Лузитано [ 51 ] 33,684 Различные дефекты текстиля (разрывы, пятна, узелки, ошибки в рисунке). Обучающий набор содержит 32 тыс. нормальных изображений, а тестовый набор содержит 1646 изображений дефектов и 1038 нормальных изображений [ 52 ].
ZJU-Leaper [ 53 ] 2000 Слезы, пятна, узелки, Различные текстильные узоры и изображения дефектов
Набор данных TILDA [ 54 ] 3200 7 классов дефектов (например, разрывы, пятна, узелки) Изображения в формате TIF, 768 × 512 пикселей, 8-битные, в оттенках серого; каждый класс содержит 50 изображений.
ZJU-Leaper GitHub Различные дефекты текстильных изделий, такие как разрывы, пятна, узелки и ошибки в рисунке. Различные текстильные узоры и изображения дефектов
TILDA_400 [ 55 ] 400 Дефекты в различных узорах и текстурах плетения. изображения фрагментов размером 64 × 64 пикселя
DAGM2007 [ 56 ] Не указан Производственные дефекты Не указан
MVTec AD [ 57 ] Не указан Производственные дефекты, такие как пятна, разрывы и аномалии текстуры. Промышленные изображения высокого разрешения; различные дефекты объектов и поверхностей.
Набор данных USU [ 58 ] Не указан Трещины, отверстия, неровности Не указан
3.3.1. Методы обработки изображений

Обработка изображений — это метод, который применяет различные математические и алгоритмические операции для извлечения информации из изображения и улучшения его качества. Методы обработки изображений играют решающую роль в обнаружении дефектов текстильных изделий. Однако, хотя камеры высокого разрешения улучшают идентификацию дефектов, они также создают проблемы, связанные со стоимостью и вычислительными затратами. Сравнительный анализ стоимости и производительности показывает, что системы высокого разрешения требуют примерно на 30% больше вычислительных ресурсов, чем системы стандартного разрешения. В производственных условиях система гиперспектральных камер может стоить более 50 000 долларов, в то время как традиционные оптические камеры стоят около 5000–10 000 долларов.

Методы обработки изображений, используемые для обнаружения дефектов текстиля, обычно рассматриваются в два основных этапа: предварительная обработка и извлечение признаков [9, 59].

На этапе предварительной обработки изображения ткани подвергаются таким операциям, как шумоподавление, регулировка яркости и повышение контрастности, чтобы сделать их более подходящими для обнаружения дефектов. Улучшения, внесенные на этом этапе, повышают качество изображения, что позволяет более точно обнаруживать дефекты [60].

Второй этап, извлечение признаков, включает в себя такие методы, как обнаружение краев, анализ текстуры и извлечение цветовых признаков для выявления неровностей на поверхности. Методы, основанные на обнаружении краев, направлены на выявление ошибок на текстильных поверхностях путем определения внезапных изменений в регулярной структуре ткани. Методы обнаружения краев, такие как обнаружение краев Кэнни и фильтр Собеля, фиксируют точки внезапных переходов на поверхности ткани, отмечая области, где присутствуют дефекты. Эти методы особенно эффективны на тканях с линейными узорами [9].

С другой стороны, методы, основанные на текстуре, фокусируются на специфических текстурных свойствах текстильных поверхностей и направлены на обнаружение ошибок в случае нарушений этих узоров. Такие методы, как фильтры Габора, матрица совместной встречаемости уровней серого (GLCM) и фрактальный анализ, анализируют текстурные характеристики ткани для обнаружения гладкости или неровностей на поверхности. Эти методы особенно эффективны для выявления дефектов поверхности в тканях со сложными узорами. Таким образом, комбинированное использование методов, основанных на краях и текстуре, позволяет успешно обнаруживать дефекты в текстиле с различными структурами узоров [9, 61].

Интеграция камер высокого разрешения и систем мониторинга в реальном времени предлагает значительные преимущества в процессах текстильного производства, но также создает некоторые проблемы. Одна из главных проблем — это нагрузка на обработку данных, которая требует высокой вычислительной мощности и сложных алгоритмов для обработки больших объемов данных, генерируемых изображениями высокого разрешения в реальном времени [54].

На высокоскоростных производственных линиях крайне важно оптимизировать вычислительную мощность и рабочие процессы обработки данных для анализа этих данных в реальном времени. Еще одна существенная проблема — это фактор стоимости [55]. Стоимость камер высокого разрешения и интегрированных систем мониторинга, в которые эти камеры включены, представляет собой значительные финансовые инвестиции, особенно на крупных производственных предприятиях.

В будущем возникнет потребность в исследованиях по оптимизации на основе ИИ и разработке более быстрых и легких алгоритмов обработки данных, чтобы сделать эти системы более эффективными и экономически выгодными. Кроме того, использование платформ анализа в реальном времени, интегрированных с облачными системами мониторинга, имеет потенциал для повышения эффективности процесса и минимизации производственных ошибок.

3.3.2. Обнаружение дефектов с помощью машинного обучения

Традиционные методы контроля качества в значительной степени полагаются на человеческий глаз, что делает процесс трудоемким и подверженным ошибкам. Для преодоления ограничений этих методов и обеспечения более эффективных производственных процессов в текстильной промышленности в последние годы быстро набирают популярность подходы, основанные на машинном обучении (МО) [3, 62]. При интеграции с методами обработки изображений машинное обучение может автоматически обнаруживать дефекты на поверхности ткани и классифицировать эти дефекты с высокой точностью. Технология компьютерного зрения, помимо методов обработки изображений, использует алгоритмы искусственного интеллекта для повышения эффективности процесса извлечения и анализа значимой информации из изображений.

Среди традиционных методов машинного обучения выделяются машины опорных векторов (SVM) и искусственные нейронные сети (ANN). Эти методы создают модели классификации, используя обучающие данные, для точного определения дефектов на поверхностях ткани [63, 64].

Методы машинного обучения обычно используются в три основных этапа для обнаружения дефектов текстиля: сбор данных, извлечение признаков и классификация. На этапе сбора данных изображения текстильных изделий собираются с помощью различных систем камер, и эти изображения, включающие как дефектные, так и недефектные примеры, служат обучающими данными для алгоритмов классификации [3, 65].

На этапе извлечения признаков анализируются основные особенности поверхности ткани, такие как текстурные узоры, распределение цветов и рисунки, для извлечения значимых признаков, позволяющих различать дефекты. Наконец, на этапе классификации извлеченные признаки используются для классификации дефектных и недефектных участков ткани с помощью алгоритмов машинного обучения, что позволяет правильно классифицировать дефекты и обеспечивает быстрое обнаружение производственных ошибок.

3.3.3. Обнаружение дефектов с помощью глубокого обучения

В последние годы традиционные методы контроля качества были заменены более точными и автоматизированными системами. В этом контексте алгоритмы на основе глубокого обучения, особенно с их возможностями обработки изображений и распознавания образов, предлагают значительное решение для обнаружения дефектов текстиля.

Глубокое обучение выявляет скрытые закономерности и взаимосвязи в сложных структурах данных, позволяя обнаруживать дефекты на текстильных поверхностях с высокой точностью. В результате процессы контроля качества становятся быстрее, надежнее и стабильнее, минимизируя человеческие ошибки. Модели глубокого обучения продемонстрировали значительное улучшение показателей распознавания дефектов, достигнув уровня точности от 80% до 95% [2, 7, 58].

Подходы, основанные на глубоком обучении, для обнаружения дефектов на текстильных поверхностях, в частности сверточные нейронные сети (CNN), привлекают все большее внимание исследователей и практиков [66, 67]. Модели CNN предлагают расширенные аналитические возможности для обнаружения неровностей цвета, рисунка и текстуры на тканевых поверхностях, позволяя идентифицировать дефекты с высокой точностью [68].

Эти модели, анализирующие многомерные узоры на изображениях ткани, способны различать даже мельчайшие детали, которые не может воспринять человеческий глаз. Модели CNN, обученные на больших наборах данных, могут быстро выявлять неровности или отклонения цвета в процессе производства, сравнивая нормальные и аномальные условия [69].

Несмотря на высокую точность, эффективность CNN в значительной степени зависит от размера обучающих наборов данных. В литературе указывается, что для надежного обучения модели глубокого обучения в области обнаружения дефектов в промышленном текстиле требуется как минимум 10 000 размеченных изображений. Меньшие наборы данных увеличивают риск переобучения модели и снижают ее обобщающую способность на реальные производственные условия.

Применение таких технологий в текстильной промышленности значительно способствует улучшению качества продукции, снижению затрат за счет устранения дефектных изделий и повышению эффективности производства [70]. Также важно уточнить, получены ли указанные показатели точности от «80% до 95%» в результате контролируемых лабораторных экспериментов или в реальных промышленных условиях. Многие результаты, представленные в литературе, основаны на эталонных наборах данных в контролируемых условиях, которые могут не в полной мере отражать проблемы, встречающиеся в промышленных условиях.

Интеграция технологий контроля качества на основе глубокого обучения в текстильную промышленность не только упрощает обнаружение дефектов, но и способствует устойчивости производственных процессов [70, 71, 72] (стр. 4). Передовые системы обнаружения дефектов способствуют предотвращению отходов, одновременно оптимизируя использование энергии и сырья, тем самым снижая воздействие на окружающую среду [73].

Раннее обнаружение дефектов и возможность быстрого вмешательства помогают предотвратить задержки производства, что приводит к экономии труда и средств [71, 73]. В этом направлении приложения глубокого обучения способствуют внедрению экологически чистого и конкурентоспособного подхода в текстильной промышленности, внося вклад в более устойчивый производственный цикл за счет интеграции инновационных технологий [74, 75].

3.3.4. Случайные леса (СЛ) для обнаружения дефектов текстильных изделий

Случайные леса (RF) — это метод ансамблевого обучения с учителем, который работает путем генерации множества деревьев решений во время обучения и выдачи в качестве выходных данных моды классификации для задач классификации или среднего прогноза для задач регрессии [76]. Алгоритм уменьшает дисперсию и предотвращает переобучение путем усреднения прогнозов от различных деревьев.

В текстильной промышленности RF используется для распознавания дефектов поверхности путем классификации векторов признаков в зависимости от различных характеристик изображения. Этими признаками обычно являются дескрипторы текстуры (например, локальные бинарные шаблоны, фильтры Габора), спектральные характеристики (например, гистограммы RGB/HSV) и пространственные детали [77].

Например, Бурдо-Лаферьер и др. (2021) предложили систему на основе RF для оптимизации контроля качества в процессах окрашивания текстиля [3, 74]. Система использовала извлечение признаков из изображений высокого разрешения для выявления цветовых вариаций и дефектов, а также классификацию RF для выявления аномалий и дефектов.

Случайные леса (СЛ) предлагают ряд технических преимуществ при проверке дефектов текстиля, например, низкий уровень смещения переобучения, достигаемый за счет бутстрапированных обучающих наборов и усреднения результатов по ансамблям нескольких деревьев решений, что гарантирует хорошую обобщающую способность даже в многомерных пространствах признаков [78, 79].

СЛ могут обрабатывать многомерные векторы признаков различных дескрипторов изображений, таких как текстура (локальные бинарные шаблоны и фильтры Габора), цвет (гистограммы RGB и HSV) и структурные краевые признаки (операторы Кэнни и Собеля) без потери производительности. СЛ могут справляться с несбалансированными по классам наборами данных с высокой чувствительностью и специфичностью, используя такие методы, как синтетическая передискретизация миноритарных элементов (SMOTE) и взвешивание классов.

Еще одним ключевым преимуществом является его способность к интерпретации, поскольку случайный лес (СЛ) способен оценивать важность признаков, что позволяет проводить анализ первопричин путем выявления существенных признаков, связанных с дефектами, таких как разрывы текстуры. Тем не менее, способность RF к обобщению может быть недостаточной по сравнению с моделями глубокого обучения, особенно при наличии огромных размеченных наборов данных. Правильная настройка гиперпараметров, таких как количество деревьев (n_estimators), максимальная глубина (max_depth) и минимальное количество выборок на листовой узел (min_samples_leaf), имеет решающее значение [80, 81, 82].

3.3.5. Анализ текстильных изображений с использованием марковских случайных полей (МРП)

Марковские случайные поля (МРП) — это эффективный статистический метод, широко применяемый для обнаружения дефектов текстиля благодаря их способности моделировать пространственные взаимозависимости между пикселями и, таким образом, облегчать эффективный анализ текстуры и рисунка. Благодаря анализу зависимостей между целевым пикселем и его соседями, подходы на основе МРП способны сохранять целостность текстуры и, таким образом, минимизировать ложные срабатывания, а также улучшать локализацию дефектов за счет точной идентификации отдельных дефектных участков на поверхности ткани [83].

Цай и Лю (2002) [84] и Цзин и др. (2016) отмечают его превосходство в распознавании образов и сегментации изображений печатной ткани. Возможность многомасштабного анализа МРП позволяет обнаруживать дефекты с различным разрешением, поэтому он подходит для изображений различного качества [85]. Однако его применение сопряжено с рядом трудностей, например, высокими вычислительными затратами из-за итеративных методов оптимизации (например, распространение доверия, разрезы графа) и сложностью настройки таких важных параметров, как размер окрестности и потенциальные функции.

3.4. Классификация и применение технологий искусственного интеллекта в обнаружении дефектов текстильной продукции.
Применение технологий искусственного интеллекта (ИИ) в обнаружении дефектов текстильных изделий охватывает широкий спектр подходов, каждый из которых имеет свои уникальные сильные и слабые стороны. Для более ясного понимания и структурированного анализа представлена ​​следующая классификация методов, основанных на ИИ:
3.4.1. Традиционные подходы к машинному обучению

Традиционные методы машинного обучения, такие как машины опорных векторов (SVM), случайные леса (RF) и марковские случайные поля (MRF), широко используются для обнаружения дефектов текстильных изделий. Эти методы в основном основаны на методах извлечения признаков для анализа характеристик поверхности ткани и классификации дефектов.

Метод опорных векторов (SVM): используется для разделения дефектных и недефектных образцов ткани на основе таких характеристик, как текстура, цвет и структурные свойства. SVM особенно эффективен в многомерном пространстве.

Случайные леса (Random Forests, RFs): метод ансамблевого обучения, который генерирует несколько деревьев решений и объединяет их результаты для повышения точности классификации дефектов. Он известен своей устойчивостью и способностью обрабатывать зашумленные данные.

Марковские случайные поля (МРП): статистический подход к моделированию, учитывающий пространственные зависимости между пикселями, что делает его эффективным для выявления несоответствий текстуры и локализации дефектов в узорчатых текстильных изделиях.

3.4.2. Подходы к глубокому обучению

Методы глубокого обучения, в частности сверточные нейронные сети (CNN), произвели революцию в обнаружении дефектов в текстильной промышленности, позволив автоматизировать извлечение признаков из больших наборов данных.

Сверточные нейронные сети (CNN): CNN автоматически обучаются иерархическим признакам на изображениях тканей, что позволяет обнаруживать едва заметные дефекты, которые могут ускользнуть от традиционных методов. Высокая точность и надежность сделали CNN доминирующим подходом в последние годы.

Гибридные модели: сочетание сверточных нейронных сетей (CNN) с традиционными алгоритмами машинного обучения, такими как SVM или RF, может дополнительно повысить эффективность обнаружения. Гибридные системы используют преимущества CNN в извлечении признаков и точность традиционных классификаторов.

3.4.3. Гибридные и адаптивные системы искусственного интеллекта

Будущее обнаружения дефектов в текстильной промышленности заключается в гибридных и адаптивных системах, которые интегрируют несколько подходов искусственного интеллекта и динамически подстраиваются под изменяющиеся условия производства.

Гибридные системы искусственного интеллекта: эти системы объединяют модели машинного обучения и глубокого обучения для преодоления ограничений каждого подхода. Например, сверточные нейронные сети (CNN) могут обнаруживать сложные закономерности, а случайный лес (RF) может уточнять классификацию на основе извлеченных признаков.

Системы адаптивного обучения: эти системы непрерывно обучаются на основе новых данных, что позволяет им адаптироваться в режиме реального времени к изменениям типов тканей, скорости производства и характера дефектов.

3.5. Применение технологий искусственного интеллекта в обнаружении дефектов текстильной продукции

Практическое применение технологий искусственного интеллекта в контроле качества текстильной продукции включает в себя несколько этапов, от сбора данных до обнаружения дефектов в режиме реального времени и оптимизации процессов.

Сбор данных: камеры высокого разрешения и системы линейного сканирования позволяют получать детализированные изображения поверхностей ткани. Методы предварительной обработки изображений, такие как шумоподавление и повышение контрастности, улучшают качество изображения.

Извлечение признаков: методы анализа текстуры, обнаружения границ и анализа цвета позволяют выявить характерные признаки, указывающие на наличие дефектов.

Обучение и классификация моделей: модели машинного обучения и глубокого обучения обучаются на размеченных наборах данных для классификации дефектов ткани. Методы переноса обучения могут ускорить разработку моделей за счет использования предварительно обученных нейронных сетей.

Мониторинг в реальном времени: системы на базе искусственного интеллекта позволяют обнаруживать дефекты в режиме реального времени во время производства, минимизируя время простоя и снижая процент брака.

Оптимизация процесса: анализ данных об обнаружении дефектов позволяет корректировать производственные процессы, повышая общую эффективность и качество производства.

3.6. Сравнительная оценка методов обнаружения дефектов

Для всестороннего анализа эффективности различных методов обнаружения дефектов  в таблице 3  сравниваются традиционные методы, методы машинного обучения и методы глубокого обучения на основе ключевых критериев производительности:

Таблица 3.  Сравнение методов обнаружения дефектов текстильных изделий.

Метод Точность Скорость Адаптируемость Расходы Сложность
Человеческий осмотр Низкий Низкий Высокий Низкий Низкий
Механические/оптические системы Середина Высокий Низкий Высокий Середина
SVM Высокий Середина Середина Середина Середина
Случайные леса (СЛ) Высокий Середина Высокий Середина Середина
Марковские случайные поля (МРП) Высокий Низкий Низкий Середина Высокий
CNN Очень высокий Высокий Высокий Высокий Высокий
Гибридные системы Очень высокий Высокий Очень высокий Высокий Очень высокий
3.7. Вызовы и перспективы развития

Несмотря на то, что технологии искусственного интеллекта значительно улучшают обнаружение дефектов текстильных изделий, некоторые проблемы остаются.

Высокие первоначальные затраты: внедрение камер высокого разрешения и систем глубокого обучения требует значительных инвестиций.

Требования к данным: для эффективного обучения моделям глубокого обучения необходимы большие и высококачественные наборы данных.

Обработка в реальном времени: высокоскоростные производственные линии требуют вычислительно эффективных алгоритмов.

Обобщение модели: модели ИИ должны адаптироваться к различным типам тканей и характерам дефектов.

Дальнейшие исследования должны быть сосредоточены на разработке экономически эффективных адаптивных систем искусственного интеллекта, способных к анализу в реальном времени. Совместные усилия академических кругов и промышленности могут способствовать инновациям и стандартизации в области контроля качества текстильной продукции. Эти дополнения призваны улучшить статью, предоставив четкую классификацию технологий искусственного интеллекта, подробное объяснение их применения и сравнительную оценку для руководства будущими исследованиями и промышленной практикой.

4. Выводы

В текстильной промышленности произошел кардинальный сдвиг в контроле качества, от ручных проверок к использованию методов искусственного интеллекта, машинного обучения и глубокого обучения. Традиционные методы обнаружения дефектов, хотя и являются основополагающими, сталкиваются с ограничениями в масштабируемости, точности и эффективности. Внедрение методов, усовершенствованных с помощью ИИ, в частности моделей глубокого обучения, таких как сверточные нейронные сети (CNN), позволило решить эти проблемы, обеспечив точное обнаружение дефектов в режиме реального времени в различных условиях текстильного производства.

Системы камер высокого разрешения и гиперспектральные системы в сочетании с передовыми алгоритмами обработки изображений теперь составляют основу автоматизированного контроля качества. Эти технологии не только повышают точность обнаружения, но и способствуют внедрению устойчивых методов производства за счет сокращения отходов, оптимизации использования ресурсов и минимизации дефектов на ранних стадиях. Например, было показано, что системы обнаружения дефектов на основе искусственного интеллекта сокращают количество отходов ткани примерно на 20% на крупных производственных предприятиях.

Однако интеграция этих систем сопряжена с трудностями, такими как высокие первоначальные инвестиционные затраты и вычислительные требования к обработке данных в реальном времени. Кроме того, потенциальные ограничения моделей глубокого обучения включают смещение набора данных и сложность адаптации моделей к различным текстурам и цветам текстиля в разных производственных условиях. Для решения этих проблем необходимы постоянные улучшения методов адаптации к предметной области и разнообразные обучающие наборы данных.

Дальнейшие разработки должны быть сосредоточены на создании экономически эффективных, масштабируемых решений на основе ИИ, способных адаптироваться к различным типам текстиля и условиям производства. Усовершенствованные системы сбора данных в сочетании с интеграцией Индустрии 4.0 будут играть решающую роль в развитии предиктивного технического обслуживания и интеллектуальных заводских систем. Кроме того, включение усилий по стандартизации в контроль текстильных изделий с помощью ИИ, таких как соответствие ISO 18436-8 для мониторинга состояния [86] и ISO 9001 [87] для управления качеством, еще больше повысит надежность и внедрение этих технологий.

Внедрение этих инноваций позволит текстильной промышленности добиться большей эффективности, улучшения качества продукции и значительного снижения воздействия на окружающую среду, открывая путь к более устойчивому и конкурентоспособному будущему.

В заключение, переход от традиционного контроля качества к контролю качества на основе искусственного интеллекта представляет собой важный этап трансформации текстильной промышленности. Эта эволюция подчеркивает необходимость непрерывной технологической адаптации для решения как текущих, так и возникающих проблем, обеспечивая рост отрасли и ее соответствие глобальным целям устойчивого развития.

Переход от традиционного контроля качества к контролю качества на основе искусственного интеллекта представляет собой важный этап трансформации текстильной промышленности. Традиционные методы обнаружения дефектов, несмотря на свою фундаментальную важность, сталкиваются с ограничениями в масштабируемости, точности и эффективности. Хотя методы, основанные на глубоком обучении, в частности сверточные нейронные сети (CNN), стали широко использоваться в последних исследованиях, традиционные методы машинного обучения, такие как случайные леса (RF) и марковские случайные поля (MRF), также вносят значительный вклад. Эти методы обеспечивают надежное моделирование, особенно в анализе текстуры и локализации дефектов.

Ключевым фактором при обнаружении дефектов в текстильной промышленности является структурный состав различных типов волокон. Натуральные и синтетические волокна демонстрируют различные типы дефектов, что требует применения специализированных методов обнаружения. Например, хлопковые волокна склонны к дефектам, таким как узелки и короткие волокна, из-за своей органической природы, в то время как синтетические волокна, такие как полиэстер, часто страдают от неравномерности экструзии. Для учета этих различий требуются специализированные методы обработки изображений и машинного обучения, позволяющие эффективно фиксировать и анализировать эти вариации.

Однако интеграция этих систем сопряжена с трудностями, такими как высокие первоначальные инвестиционные затраты, вычислительные затраты на обработку данных в реальном времени, смещение наборов данных и сложность адаптации моделей к различным текстурам и цветам текстиля в разных производственных условиях. Для решения этих проблем необходимы постоянные улучшения методов адаптации предметной области, разнообразные обучающие наборы данных и усилия по стандартизации, такие как соответствие стандарту ISO 18436-8 для мониторинга состояния и стандарту ISO 9001 для управления качеством.

Дальнейшие исследования должны быть сосредоточены на интеграции ИИ с Индустрией 4.0, разработке самообучающихся моделей обнаружения дефектов и использовании синтетических данных для надежного обучения ИИ. Используя гибридные системы, сочетающие подходы RF, MRF и CNN, а также системы прогнозирующего технического обслуживания и адаптивного обучения, текстильная промышленность может еще больше повысить точность и эффективность обнаружения дефектов, одновременно снижая затраты и воздействие на окружающую среду.

В приоритетном направлении следует уделять масштабируемым и экономически эффективным решениям на основе искусственного интеллекта, способным адаптироваться к различным типам текстильных изделий и условиям производства. Усовершенствованные системы сбора данных в сочетании с интеграцией концепции «Индустрия 4.0» сыграют решающую роль в развитии систем прогнозирующего технического обслуживания и интеллектуальных заводских систем. Внедрение этих инноваций позволит текстильной промышленности добиться большей эффективности, улучшить качество продукции и значительно снизить воздействие на окружающую среду, прокладывая путь к более устойчивому и конкурентоспособному будущему.

В данном исследовании рассматриваются традиционные методы и методы, основанные на искусственном интеллекте, используемые для обнаружения дефектов в текстильной промышленности. Хотя методы глубокого обучения стали широко распространены в последних исследованиях, традиционные методы машинного обучения, такие как случайные леса (RF) и марковские случайные поля (MRF), также вносят значительный вклад. Эти методы обеспечивают надежное моделирование, особенно в анализе текстуры и локализации дефектов. В будущем для повышения точности систем обнаружения дефектов могут быть использованы гибридные системы, сочетающие различные подходы, такие как RF, MRF и CNN. Это позволит создать более устойчивые и эффективные процессы контроля качества в текстильной промышленности.

5. Будущие тенденции и стратегии совершенствования в области обнаружения дефектов текстильной продукции.

Непрерывное развитие технологий искусственного интеллекта и машинного обучения формирует будущее обнаружения дефектов в текстильной промышленности. Несмотря на значительные достижения в автоматизированных системах обнаружения дефектов, в этой области остаются различные проблемы и возможности для улучшения. В этом разделе обсуждаются новые тенденции, будущие направления исследований и потенциальные стратегии совершенствования, которые могут еще больше оптимизировать методы обнаружения дефектов.

5.1. Интеграция ИИ с Индустрией 4.0 и интеллектуальным производством

В условиях стремительного развития технологий Индустрии 4.0 ожидается, что обнаружение дефектов в текстильной промышленности будет все теснее интегрировано с интеллектуальными производственными системами. Использование мониторинга в реальном времени на основе IoT, облачных вычислений и прогнозной аналитики позволит производителям текстиля заблаговременно выявлять и предотвращать дефекты до того, как они повлияют на производственный процесс. Интеллектуальные системы на основе искусственного интеллекта могут непрерывно обучаться на основе данных в реальном времени, адаптируя свои алгоритмы обнаружения дефектов в зависимости от динамических производственных условий.

5.2. Гибридные модели ИИ для более точного обнаружения дефектов

Существующие подходы к глубокому обучению в основном опираются на модели обучения с учителем, которые требуют обширных размеченных наборов данных для обучения. Однако гибридные модели ИИ, которые сочетают традиционные методы машинного обучения (например, случайные леса и машины опорных векторов) с архитектурами глубокого обучения, становятся перспективными решениями для повышения эффективности обнаружения дефектов. Эти гибридные модели используют преимущества как систем принятия решений на основе правил, так и глубокого извлечения признаков, что позволяет осуществлять более точную и адаптивную классификацию дефектов.

5.3. Самообучающиеся и адаптивные модели ИИ

Традиционные модели обнаружения дефектов часто статичны и требуют периодического переобучения для поддержания своей точности. Однако будущее контроля качества текстильной продукции, вероятно, будет связано с самообучающимися системами искусственного интеллекта, которые постоянно совершенствуются с помощью методов обучения без учителя и обучения с подкреплением. Эти модели могут адаптироваться к изменениям условий производства, новым типам дефектов и вариациям текстильных материалов без необходимости значительного вмешательства человека.

5.4. Расширенное расширение данных и синтетические данные для обучения модели

Одной из ключевых проблем в обнаружении дефектов текстиля с помощью ИИ является ограниченная доступность высококачественных размеченных наборов данных. Будущие исследования будут сосредоточены на методах расширения данных, генеративно-состязательных сетях (GAN) и создании синтетических изображений для получения более разнообразных и реалистичных изображений дефектов. Это поможет повысить надежность и обобщаемость модели для различных типов текстильных узоров и дефектов.

5.5. Устойчивое развитие и энергоэффективные модели ИИ

Поскольку устойчивое развитие становится глобальным приоритетом, будущие системы обнаружения дефектов в текстильной промышленности также должны соответствовать экологически чистым и энергоэффективным платформам искусственного интеллекта. Оптимизированные алгоритмы ИИ с низкими требованиями к вычислительной мощности позволят обнаруживать дефекты в режиме реального времени с минимальным энергопотреблением, снижая углеродный след текстильного производства.

Литература

  1. Seçkin, A.Ç.; Seckin, M. Detection of fabric defects with intertwined frame vector feature extraction. Alex. Eng. J. 2022, 61, 2887–2898. [Google Scholar]
  2. Datta, A.K.; Chandra, J.K. Detection of defects in fabric by morphological image processing. Woven Fabr. Eng. 2010, 217–232. [Google Scholar]
  3. Hariharan, V.; Sivaraman, K. Machine Learning Techniques for Quality Control in Textile Fabric Manufacturing. In Proceedings of the 2024 2nd International Conference on Sustainable Computing and Smart Systems (ICSCSS), Coimbatore, India, 10–12 July 2024; pp. 902–907. [Google Scholar]
  4. Bansode, P.; Goyal, P. Artificial intelligence in textile and fashion world. Int. J. Res.-Granthaalayah 2024, 12, 32–42. [Google Scholar] [CrossRef]
  5. Bandara, P.; Bandara, T.; Ranatunga, T.; Vimarshana, V.; Sooriyaarachchi, S.; Silva, C.D. Automated Fabric Defect Detection. In Proceedings of the 2018 18th International Conference on Advances in ICT for Emerging Regions (ICTer), Colombo, Sri Lanka, 26–29 September 2018; pp. 119–125. [Google Scholar]
  6. Rekha, M.N.; Prasad, M.L.; Mukherjee, S.; Nikam, S.V.; Sharma, S.; Reddy, P.C.S. An Automatic Error Recognition approach for Machine Translation Results based on Deep Learning. In Proceedings of the 2024 2nd International Conference on Computer, Communication and Control (IC4), Indore, India, 8–10 February 2024; pp. 1–8. [Google Scholar]
  7. Petrillo, A.; Rehman, M.; Baffo, I. Digital and Sustainable Transition in Textile Industry through Internet of Things Technologies: A Pakistani Case Study. Appl. Sci. 2024, 14, 5380. [Google Scholar] [CrossRef]
  8. Islam, M.M.; Mintoo, A.A.; Saimon, A.S.M. Enhancing textile quality control with iot sensors: A case study of automated defect detection. Int. J. Manag. Inf. Syst. Data Sci. 2024, 1, 19–30. [Google Scholar]
  9. Dhamal, K.S.; Joshi, C.; Chouhan, D.S. Fabric Defect Analysis in Textile Manufacturing: Evaluating Methods for Generic and Jacquard Fabrics. J. Propuls.Technol. 2023. [Google Scholar] [CrossRef]
  10. Hussain, T. Textile Processing Textile Engineering: An Introduction; Nawab, Y., Shaker, K., Eds.; De Gruyter Oldenbourg: Berlin, Germany; Boston, MA, USA, 2023; pp. 105–136. [Google Scholar]
  11. Kaka, S.; Maryam, M.; Wassan, R.K.; Sarwar, U.; Akbar, A.; Ansari, J. Reducing Outgoing Quality Level (OQL) in Textile Manufacturing Through Six Sigma Methodology: A Case Study. Available online: https://www.researchgate.net/profile/Kaka-Shuaib/publication/383032000_Reducing_Outgoing_Quality_Level_OQL_in_Textile_Manufacturing_Through_Six_Sigma_Methodology_A_Case_Study/links/66b8b63d299c327096c14f97/Reducing-Outgoing-Quality-Level-OQL-in-Textile-Manufacturing-Through-Six-Sigma-Methodology-A-Case-Study.pdf (accessed on 27 September 2024).
  12. Al-Laithy, A.H.A. The effect of mercerization process on physical, chemical and mechanical properties of compact cotton gassed yarns. Int. Des. J. 2019, 9, 37–52. [Google Scholar]
  13. Al-Laithy, A.H.A.; Abdel Al, E.A.B. The effect of different methods of weft yarn insertion in modern weaving looms on both functional and aesthetic properties of ladies summer fabrics. Int. Des. J. 2019, 9, 133–144. [Google Scholar]
  14. Loganathan, V.; Suganya, K. A Fabric and Production Defect Detection in the Apparel Industry Using DLT. In Disruptive Technologies for Sustainable Development; CRC Press: Boca Raton, FL, USA, 2024; pp. 58–62. [Google Scholar]
  15. Fiber Defect Detection of Inhomogeneous Voluminous Textiles|SpringerLink. Available online: https://link.springer.com/chapter/10.1007/978-3-319-59226-8_27 (accessed on 16 September 2024).
  16. Yazdi, H.R.; King, T.G. Application of ‘vision in the loop’for inspection of lace fabric. Real-Time Imaging 1998, 4, 317–332. [Google Scholar]
  17. Shi, M.; Fu, R.; Guo, Y.; Bai, S.; Xu, B. Fabric defect detection using local contrast deviations. Multimed. Tools Appl. 2011, 52, 147–157. [Google Scholar] [CrossRef]
  18. Ramdass, K.R.; Mokgohloa, K. An exploration of effective supervisory engagement in the clothing industry through activity sampling technique. S. Afr. J. Ind. Eng. 2022, 33, 165–176. [Google Scholar] [CrossRef]
  19. Braun, M.; Greve, M.; Brendel, A.B.; Kolbe, L.M. Humans Supervising Artificial Intelligence–Investigation of Designs to Optimize Error Detection. J. Decis. Syst. 2023, 33, 674–699. [Google Scholar] [CrossRef]
  20. Jain, D. Human resource issues and challenges prevailing in Indian textile & garment industry. Int. J. Home Sci. 2022, 8, 227–232. [Google Scholar]
  21. Negara, N.L.G.A.M.; Paramurthi, I.P.; Dewi, N.K.P.P. Effect of Occupational Safety and Health Procedures on Fabric Dyeing Process in Reducing Worker Fatigue at the TBS Textile Factory. Occup. Saf. Health 2023, 12, 167–175. [Google Scholar]
  22. Mahajan, P.M.; Kolhe, S.R.; Patil, P.M. A review of automatic fabric defect detection techniques. Adv. Comput. Res. 2009, 1, 18–29. [Google Scholar]
  23. Rožanec, J.M.; Montini, E.; Cutrona, V.; Papamartzivanos, D.; Klemenčič, T.; Fortuna, B.; Mladenić, D.; Veliou, E.; Giannetsos, T.; Emmanouilidis, C. Human in the AI Loop via xAI and Active Learning for Visual Inspection. In Artificial Intelligence in Manufacturing; Soldatos, J., Ed.; Springer Nature Switzerland: Cham, Switzerland, 2024; pp. 381–406. ISBN 978-3-031-46451-5. [Google Scholar]
  24. Lane, J.S. Textile Fabric Inspection System. 1998. Available online: https://patents.google.com/patent/US5774177A/en (accessed on 5 October 2024).
  25. Rahimunnisa, K. Textile Fabric Defect Detection. J. Innov. Image Process. 2022, 4, 165–172. [Google Scholar]
  26. Mefford, D.K.; Smith, R.A.; Lowell, J.R. Optical Detection System and Method 2020. Available online: https://patents.google.com/patent/US10809186B2/en (accessed on 5 October 2024).
  27. Mak, K.L.; Peng, P.; Lau, H.Y.K. A real-time computer vision system for detecting defects in textile fabrics. In Proceedings of the 2005 IEEE International Conference on Industrial Technology, Hong Kong, China, 14–17 December 2005; pp. 469–474. [Google Scholar]
  28. Mei, S.; Wang, Y.; Wen, G. Automatic Fabric Defect Detection with a Multi-Scale Convolutional Denoising Autoencoder Network Model. Sensors 2018, 18, 1064. [Google Scholar] [CrossRef]
  29. Habib, M.T.; Faisal, R.H.; Rokonuzzaman, M.; Ahmed, F. Automated Fabric Defect Inspection: A Survey of Classifiers. IJFCST 2014, 4, 17–25. [Google Scholar] [CrossRef]
  30. Jiang, J.L.; Wong, W.K. 1—Fundamentals of common computer vision techniques for textile quality control. In Applications of Computer Vision in Fashion and Textiles; Wong, W.K., Ed.; The Textile Institute Book Series; Woodhead Publishing: Sawston, UK, 2018; pp. 3–15. ISBN 978-0-08-101217-8. [Google Scholar]
  31. Liu, Q.; Wang, C.; Li, Y.; Gao, M.; Li, J. A fabric defect detection method based on deep learning. IEEE Access 2022, 10, 4284–4296. [Google Scholar]
  32. Roberts, J.W.; Elias, J.G.; Jullien, G.A. High Speed Defect Detection Apparatus Having Defect Detection Circuits Mounted in the Camera Housing. U.S. Patent No. 5,440,648, 8 August 1995. [Google Scholar]
  33. Tao, Y. Defective Object Inspection and Removal Systems and Methods for Identifying and Removing Defective Objects. U.S. Patent 5,960,098, 28 September 1999. [Google Scholar]
  34. Gehrig, D.; Scaramuzza, D. Are high-resolution event cameras really needed? arXiv 2022, arXiv:2203.14672. [Google Scholar]
  35. Bakhtiarnia, A.; Zhang, Q.; Iosifidis, A. Efficient High-Resolution Deep Learning: A Survey. ACM Comput. Surv. 2024, 56, 1–35. [Google Scholar] [CrossRef]
  36. Wang, K.-J.; Lee, Y.-X. Measuring defects in high-speed production lines—A three-phase convolutional neural network model. Meas. Sci. Technol. 2023, 34, 105903. [Google Scholar]
  37. Wibowo, A.; Setiawan, J.D.; Afrisal, H.; Mertha, A.A.S.M.M.J.; Santosa, S.P.; Wisnu, K.B.; Mardiyoto, A.; Nurrakhman, H.; Kartiwa, B.; Caesarendra, W. Optimization of Computational Resources for Real-Time Product Quality Assessment Using Deep Learning and Multiple High Frame Rate Camera Sensors. Appl. Syst. Innov. 2023, 6, 25. [Google Scholar] [CrossRef]
  38. Kłosowski, P.; Michałowska, K.; Przyborski, M.; Jurczak, W. Testing of Technical Fabrics under Fast Camera Control. Adv. Sci. Technology. Res. J. 2023, 17, 332–334. [Google Scholar]
  39. Clark, J.; Johnson, G.; Duran, O.; Argyriou, V. Fabric composition classification using hyper-spectral imaging. In Proceedings of the 2023 19th International Conference on Distributed Computing in Smart Systems and the Internet of Things (DCOSS-IoT), Pafos, Cyprus, 19–21 June 2023; pp. 347–353. [Google Scholar]
  40. Gbelec, J.; Sitko, R.; Saloň, Š.; Forgáč, R.; Očkay, M. The Use Of Hyperspectral Sensors In Aerial Inspections Of Overhead Transmission Lines. In Proceedings of the 2023 23rd International Scientific Conference on Electric Power Engineering (EPE), Brno, Czech Republic, 24–26 May 2023; pp. 1–4. [Google Scholar]
  41. Vlachou-Mogire, C.; Danskin, J.; Gilchrist, J.R.; Hallett, K. Mapping materials and dyes on historic tapestries using hyperspectral imaging. Heritage 2023, 6, 3159–3182. [Google Scholar] [CrossRef]
  42. Usamentiaga, R. Static calibration for line-scan cameras based on a novel calibration target. IEEE Trans. Instrum. Meas. 2022, 71, 1–12. [Google Scholar]
  43. Huo, S.; Zhang, B.; Muddassir, M.; Chik, D.T.; Navarro-Alarcon, D. A sensor-based robotic line scan system with adaptive ROI for inspection of defects over convex free-form specular surfaces. IEEE Sens. J. 2021, 22, 2782–2792. [Google Scholar]
  44. Yuan, G.; Zheng, L.; Ding, Y.; Zhang, H.; Zhang, X.; Liu, X.; Sun, J. A precise calibration method for line scan cameras. IEEE Trans. Instrum. Meas. 2021, 70, 1–9. [Google Scholar]
  45. Silvestre-Blanes, J.; Albero-Albero, T.; Miralles, I.; Pérez-Llorens, R.; Moreno, J. A Public Fabric Database for Defect Detection Methods and Results. Autex Res. J. 2019, 19, 363–374. [Google Scholar]
  46. Toigo, S.; Kasi, B.; Fornasier, D.; Cenedese, A. Flexible machine/deep learning microservice architecture for industrial vision-based quality control on a low-cost device. J. Electron. Imaging 2024, 33, 031208. [Google Scholar]
  47. By Aitex Fabric Image Database—Aitex 2023. Available online: https://www.aitex.es/afid/ (accessed on 6 October 2024).
  48. Fabric Defect Dataset. Available online: https://www.kaggle.com/datasets/rmshashi/fabric-defect-dataset (accessed on 8 December 2024).
  49. Singh, M. msminhas93/FabricDefect. 2024. Available online: https://github.com/msminhas93/FabricDefect (accessed on 8 December 2024).
  50. Fabric Defect Detection Dataset > Overview. Available online: https://universe.roboflow.com/muhammad-saad/fabric-defect-detection-8ndhb (accessed on 8 December 2024).
  51. Carrilho, R.; Hambarde, K.A.; Proença, H. A Novel Dataset for Fabric Defect Detection: Bridging Gaps in Anomaly Detection. Appl. Sci. 2024, 14, 5298. [Google Scholar] [CrossRef]
  52. Hambarde, K.; Silahtaroğlu, G.; Khamitkar, S.; Bhalchandra, P.; Shaikh, H.; Kulkarni, G.; Tamsekar, P.; Samale, P. Data Analytics Implemented over E-commerce Data to Evaluate Performance of Supervised Learning Approaches in Relation to Customer Behavior. In Soft Computing for Problem Solving; Das, K.N., Bansal, J.C., Deep, K., Nagar, A.K., Pathipooranam, P., Naidu, R.C., Eds.; Advances in Intelligent Systems and Computing; Springer: Singapore, 2020; Volume 1048, pp. 285–293. ISBN 978-981-15-0034-3. [Google Scholar]
  53. Zhang, C.; Feng, S.; Wang, X.; Wang, Y. ZJU-Leaper: A Benchmark Dataset for Fabric Defect Detection and a Comparative Study. IEEE Trans. Artif. Intell. 2020, 1, 219–232. [Google Scholar] [CrossRef]
  54. Computer Vision Group, Freiburg. Available online: https://lmb.informatik.uni-freiburg.de/resources/datasets/tilda.en.html (accessed on 8 December 2024).
  55. Bhutra, H. The-h-b/TILDA_400; 2023. Available online: https://github.com/the-h-b/TILDA_400 (accessed on 8 December 2024).
  56. Papers with Code-DAGM2007 Dataset. Available online: https://paperswithcode.com/dataset/dagm2007 (accessed on 8 December 2024).
  57. Bergmann, P.; Batzner, K.; Fauser, M.; Sattlegger, D.; Steger, C. The MVTec Anomaly Detection Dataset: A Comprehensive Real-World Dataset for Unsupervised Anomaly Detection. Int. J. Comput. Vis. 2021, 129, 1038–1059. [Google Scholar] [CrossRef]
  58. Dorafshan, S.; Thomas, R.J.; Maguire, M. SDNET2018: An annotated image dataset for non-contact concrete crack detection using deep convolutional neural networks. Data Brief. 2018, 21, 1664–1668. [Google Scholar] [CrossRef]
  59. Shang, H.; Li, P.; Zhang, X.; Peng, X. Overview of fabric defect detection techniques based on computer vision. In Proceedings of the Third International Conference on Computer Graphics, Image, and Virtualization (ICCGIV 2023), Xiamen, China, 9–11 June 2023; Volume 12934, pp. 108–115. [Google Scholar]
  60. Mahmood, T.; Ashraf, R.; Faisal, C.M.N. An efficient scheme for the detection of defective parts in fabric images using image processing. J. Text. Inst. 2023, 114, 1041–1049. [Google Scholar] [CrossRef]
  61. Sharma, R.S.; Kuppili, V. A Novel Approach for Texture Defect Detection using Statistical Features and a Bio-Inspired Algorithm. In Proceedings of the Companion Conference on Genetic and Evolutionary Computation; ACM: Lisbon, Portugal, 2023; pp. 103–106. [Google Scholar]
  62. Kins, R.; Möbitz, C.; Gries, T. Towards autonomous learning and optimisation in textile production: Data-driven simulation approach for optimiser validation. J. Intell. Manuf. 2024, 1–26. [Google Scholar] [CrossRef]
  63. Hemalatha, R.; Muthumeenakshi, K.; Radha, S. A neural-network-based machine-learning model for fabric defect detection and classification using fused global features. Aust. J. Electr. Electron. Eng. 2023, 20, 371–386. [Google Scholar] [CrossRef]
  64. Yaşar Çıklaçandır, F.G.; Utku, S.; Özdemir, H. Determination of various fabric defects using different machine learning techniques. J. Text. Inst. 2024, 115, 733–743. [Google Scholar] [CrossRef]
  65. Barzizza, E.; Biasetton, N.; Ceccato, R.; Molena, A. Machine learning-based decision-making approach for predicting defects detection: A case study. IAES Int. J. Artif. Intell. (IJ-AI) 2024, 13, 3052–3060. [Google Scholar] [CrossRef]
  66. Sun, G.; Zhou, Z.; Gao, Y.; Xu, Y.; Xu, L.; Lin, S. A Fast Fabric Defect Detection Framework for Multi-Layer Convolutional Neural Network Based on Histogram Back-Projection. IEICE Trans. Inf. Syst. 2019, 102, 2504–2514. [Google Scholar]
  67. Li, C.; Li, J.; Li, Y.; He, L.; Fu, X.; Chen, J. Fabric Defect Detection in Textile Manufacturing: A Survey of the State of the Art. Secur. Commun. Netw. 2021, 2021, e9948808. [Google Scholar] [CrossRef]
  68. Zhao, S.; Yin, L.; Zhang, J.; Wang, J.; Zhong, R. Real-time fabric defect detection based on multi-scale convolutional neural network. IET Collab. Intell. Manuf. 2020, 2, 189–196. [Google Scholar] [CrossRef]
  69. Li, X.; Zhu, Y. A real-time and accurate convolutional neural network for fabric defect detection. Complex. Intell. Syst. 2024, 10, 3371–3387. [Google Scholar] [CrossRef]
  70. Li, F.; Xiao, K.; Hu, Z.; Zhang, G. Fabric defect detection algorithm based on improved YOLOv5. Vis. Comput. 2024, 40, 2309–2324. [Google Scholar] [CrossRef]
  71. Hassan, S.A.; Beliatis, M.J.; Radziwon, A.; Menciassi, A.; Oddo, C.M. Textile Fabric Defect Detection Using Enhanced Deep Convolutional Neural Network with Safe Human–Robot Collaborative Interaction. Electronics 2024, 13, 4314. [Google Scholar] [CrossRef]
  72. Kailasam, K.; Singh, J.; Gopika, G.S.; Sreekrishna, S. Fabric Defect Detection using Deep Learning. In Proceedings of the 2024 3rd International Conference on Sentiment Analysis and Deep Learning (ICSADL), Online, 13–14 March 2024; pp. 399–405. [Google Scholar]
  73. Nasim, M.; Mumtaz, R.; Ahmad, M.; Ali, A. Fabric Defect Detection in Real World Manufacturing Using Deep Learning. Information 2024, 15, 476. [Google Scholar] [CrossRef]
  74. Ramos, L.; Rivas-Echeverría, F.; Pérez, A.G.; Casas, E. Artificial intelligence and sustainability in the fashion industry: A review from 2010 to 2022. SN Appl. Sci. 2023, 5, 387. [Google Scholar] [CrossRef]
  75. Yılmaz, K.; Aksu, İ.Ö.; Göçken, M.; Demirdelen, T. Sustainable Textile Manufacturing with Revolutionizing Textile Dyeing: Deep Learning-Based, for Energy Efficiency and Environmental-Impact Reduction, Pioneering Green Practices for a Sustainable Future. Sustainability 2024, 16, 8152. [Google Scholar] [CrossRef]
  76. Janapareddy, D.; Yenduri, N.C. Credit Card Approval Prediction: A Comparative Analysis Between Logistic Regressionclassifier, Random Forest Classifier, Support Vectorclassifier with Ensemble Bagging Classifier. 2023. Available online: https://www.diva-portal.org/smash/record.jsf?pid=diva2:1784289 (accessed on 8 December 2024).
  77. Deotale, N.T.; Sarode, T.K. Fabric Defect Detection Adopting Combined GLCM, Gabor Wavelet Features and Random Decision Forest. 3D Res. 2019, 10, 5. [Google Scholar] [CrossRef]
  78. Jamunadevi, C.; Sathishkumar, V.E.; Prasath, S.; Sadhanayaki, S.; Jaikishore, N. Optimized Fabric Imperfection Detection via Image Analysis and Isolation Forest Technique. In Proceedings of the 2024 International Conference on Signal Processing, Computation, Electronics, Power and Telecommunication (IConSCEPT), Karaikal, India, 4–5 July 2024; pp. 1–6. [Google Scholar]
  79. Miao, Y.; Xu, Y. Random Forest-Based Analysis of Variability in Feature Impacts. In Proceedings of the 2024 IEEE 2nd International Conference on Image Processing and Computer Applications (ICIPCA), Shenyang, China, 28–30 June 2024; pp. 1130–1135. [Google Scholar]
  80. Li, X.; Fan, X.; Li, Q.; Zhao, X. RS-Net: Hyperspectral Image Land Cover Classification Based on Spectral Imager Combined with Random Forest Algorithm. Electronics 2024, 13, 4046. [Google Scholar] [CrossRef]
  81. Kim, Y.; Kim, S.Y.; Kim, H. Heterogeneous Random Forest. arXiv 2024, arXiv:2410.19022. [Google Scholar] [CrossRef]
  82. Salah, A.; Yevick, D. A Random Forest Model for Predicting and Analyzing the Performance of CNT TFET with Highly Doped Pockets. Advcd Theory Sims 2025, 8, 2400607. [Google Scholar] [CrossRef]
  83. Freguglia, V.; Garcia, N.L. Inference tools for Markov Random Fields on lattices: The R package mrf2d. J. Stat. Softw. 2022, 101, 1–36. [Google Scholar] [CrossRef]
  84. Cai, J.; Liu, Z.-Q. Pattern recognition using Markov random field models. Pattern Recognit. 2002, 35, 725–733. [Google Scholar] [CrossRef]
  85. Jing, J.; Li, Q.; Li, P.; Zhang, H.; Zhang, L. Image Segmentation of Printed Fabrics with Hierarchical Improved Markov Random Field in the Wavelet Domain. J. Eng. Fibers Fabr. 2016, 11, 155892501601100320. [Google Scholar] [CrossRef]
  86. ISO 18436-8:2013; Condition Monitoring and Diagnostics of Machines—Requirements for Qualification and Assessment of Personnel. ISO: Geneva, Switzerland, 2013. Available online: https://www.iso.org/standard/50608.html (accessed on 16 March 2025).
  87. ISO 9001:2015; Quality Management Systems—Requirements. ISO: Geneva, Switzerland, 2015. Available online: https://www.iso.org/standard/62085.html (accessed on 16 March 2025).

Авторы: Ahmet Ozek, Mine Seckin2, Pinar Demircioglu, Ismail Bogrekci

ЗАКАЗАТЬ СИСТЕМУ

СХОЖИЕ СТАТЬИБОЛЬШЕ ОТ АВТОРА