用我们的基准数据集Isl-Knit在针织织品的四点系统中自动检测故障的方法
Avishek Das Gupta1, Zafar Sadek1, Md Shakhawat Hossain1
1Department of Textile Machinery Design and Maintenance, Bangladesh University of Textiles, Tejgaon, Dhaka-1208, Bangladesh.
Heliyon
|December 16, 2024
概括
研究人员开发了ISL-Knit数据集,用于自动检测针织布的故障. 这一数据集使深度学习模型能够准确地识别针织织品的缺陷,改善行业的质量控制.
科学领域:
- 织工程 织工程 织工程
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 手动检查针织布的缺陷是劳动密集型的,容易出现错误.
- 现有的数据集主要集中在织物上,对针织织品缺陷检测没有相关性.
- 深度学习模型需要大量,多样化的数据集,以便有效地培训织物故障识别.
研究的目的:
- 引入ISL-Knit,这是一个用于针织织品故障检测的新型基准数据集.
- 促进开发准确的深度学习模型,用于自动化针织品检查.
- 评估基于深度学习的织行业故障检测系统的现实可行性.
主要方法:
- 收集并注释了工业环境中针织织品故障的高分辨率图像数据集 (ISL-Knit).
- 使用ISL-Knit数据集训练和评估YOLOv5深度学习模型.
- 在各种硬件平台 (Raspberry Pi,GPU) 上实现并测试模型以进行性能分析.
- 开发了一种用于织物质量评分的自动化四点检查系统.
主要成果:
- ISL-Knit数据集包含7种类型的注释编织布缺陷,适用于训练深度学习模型.
- 在ISL-Knit上训练的YOLOv5模型在故障检测方面表现出了竞争力的准确性和效率.
- 现实世界的实施表明了具有成本效益的自动化针织品检查系统的可行性.
结论:
- ISL-Knit数据集是推进自动针织织品故障检测的宝贵资源.
- 深度学习,特别是YOLOv5,为提高织品质量控制的效率和准确性提供了可行的解决方案.
- 开发的自动化检查系统展示了AI在针织织品行业的实际应用.
