相关实验视频
Updated: Jun 20, 2026

Fabricating Cotton Analytical Devices
Published on: August 30, 2016
FabricSpotDefect:一个注释数据集,用于识别不同织物类型的点位缺陷
Farzana Islam1,2, Sumaya1,2, Md Fahad Monir1,2
1Center for Computational & Data Sciences, Independent University, Bangladesh, Block B, Bashundhara R/A, Dhaka 1229, Bangladesh.
织物SpotDefect数据集为计算机视觉提供了一个独特的资源,它包含了3000多个手动注释的不同材料的织物现场缺陷. 这一数据集增强了织行业的AI驱动的质量控制.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 织品质量控制 质量控制
背景情况:
- 织物缺陷检测对于织品质量控制至关重要.
- 现有的数据集可能缺乏面料类型和缺陷复杂性的多样性.
- 手动检查是劳动密集型的,容易出现错误.
研究的目的:
- 介绍FabricSpotDefect数据集,这是第一个专门用于在织物点检测中挑战计算机视觉模型的数据集.
- 为训练和验证机器学习模型提供多样化和现实的数据集.
- 促进用于自动化织品检查的先进人工智能工具的开发.
主要方法:
- 收集了1014张原始图像,并对各种织物缺陷进行了3288个手动注释.
- 应用了六种增强技术来创建2300个增强图像.
- 使用边界框和多边形进行注释的数据,用于精确的缺陷定位.
- 在YOLOv8和COCO格式的格式化数据集与ML框架的兼容性.
主要成果:
- 数据集包括各种织物 (棉花,丝,牛仔) 和具有挑战性的斑点类型 (污,生,变色).
- 在原始图像上进行了注释,以确保其与现实世界的相关性.
- 增强数据增加了多样性,减少了过拟合,并提高了模型的稳定性.
- 该数据集可以在Roboflow中用于研究和开发.
结论:
- 织物SpotDefect数据集是一个有价值的,独特的资源,用于推进计算机视觉在织品缺陷检测.
- 它支持用于各种织应用的AI驱动质量控制系统的开发.
- 数据集的现实条件和多样化的示例使其成为强大的模型训练的理想选择.
更多相关视频
07:06Wicking Tests for Unidirectional Fabrics: Measurements of Capillary Parameters to Evaluate Capillary Pressure in Liquid Composite Molding Processes
Published on: January 27, 2017
07:48Artificial Thermal Ageing of Polyester Reinforced and Polyvinyl Chloride Coated Technical Fabric
Published on: January 29, 2020
相关概念视频
Detection of Gross Error: The Q Test
Measurements of Strain
Imperfections in Crystal Structure: Point, Line and Plane Defects
Imperfections in Crystal Structure: Non-Stoichiometric Defects
Lumber Defects
Shakes are minor fractures that run along or across the wood's annual rings, while wane is...
Differential Staining Technique