本研究由Yan-Qin Ni、Pei-Kai Huang、Wei-Jen Wang、Deron Liang与Chia-Yu Lin等人完成，第一作者与通讯作者分别来自台湾中央大学资讯工程学系与福建师范大学计算机与网络安全学院等机构。该研究成果以数据描述论文的形式发表于《Scientific Data》期刊，文章编号为13:379，于2026年正式刊出。研究团队构建并公开了一个面向圆编针织机实时瑕疵检测的时间序列织物图像数据集，命名为TSFabrics，旨在弥补现有织物瑕疵数据集在时间连续性与真实工业场景还原度方面的不足。
从学术背景来看，瑕疵检测在工业检测中具有关键作用，尤其在纺织制造领域，由于生产过程的连续性与高速性，及时且准确地识别织物瑕疵对于维持产品质量与降低生产成本至关重要。然而，现有织物数据集多由孤立、非时间序列的图像构成，难以真实反映圆编针织机在连续生产过程中织物纹理的动态变化与时空一致性。另一方面，真实工业环境中异常样本的采集成本极高，导致异常数据稀缺。为缓解这一问题，许多现有方法采用单类分类技术，而这又对数据集内异常样本的丰富程度提出了更高要求。因此，构建一个包含充足异常样本、具有时间序列特性且覆盖多种真实生产条件的高质量织物数据集，对于推进织物瑕疵检测模型的实用化具有重要意义。
TSFabrics数据集的构建流程涉及数据采集设备的部署、图像的连续采集、图像预处理以及像素级标注四个主要阶段。在设备方面，研究团队使用了一台双面圆编针织机进行织物生产，该机器针筒直径为52英寸，支持20G至30G的针距，可根据织物类型以5至40转每分钟的转速运行。图像采集采用型号为wp-ut050m的工业相机，该相机不具备感光元件，因而对光照变化极为敏感，这恰好模拟了实际产线中低成本相机在无光照补偿条件下的成像特点。相机以30帧每秒的固定帧率、1280×1024像素的原生分辨率采集灰度图像。原始图像四角存在阴影与亮度衰减，因此对每帧图像进行中心裁剪，保留800×640像素的均匀照明区域，该区域对应织物物理尺寸为16厘米×13厘米，分辨率约为宽度方向127 ppi、高度方向125 ppi。所有图像均为实际生产过程中产生的真实缺陷，不存在人工合成数据。
在标注流程中，研究团队首先判断图像是否包含瑕疵。对于含瑕疵图像，使用非零像素值在分割真值图中标注缺陷区域；对于无瑕疵图像，若图中有生产标记的“切割线”，同样以非零像素值标注其位置，但该图像仍被归类为正常样本。这是因为切割线为圆编机完成一个完整生产周期后有意标记的参考线，用于后续裁剪工序，不应被视为织物缺陷。对于既无缺陷也无切割线的正常图像，则以全零掩膜作为分割真值。每张图像对应的类别标签亦记录于CSV文件中，其中标签1代表无切割线正常织物，标签2代表含切割线正常织物，标签3至9分别对应七种缺陷类型。
TSFabrics数据集共包含22个连续织物生产场景，覆盖3种织物纹理类型，分别为双面珠地布（平纹组织）、双面珠地布（四角PK）与双面珠地布（六角PK）。三种织物在针距、纱线材料及颜色上存在差异：平纹组织采用28G针距，可使用150d/1单纱或200d/1与30s/1混纺纱线，颜色包含白色与米白两种；四角PK使用24G针距与150d/1纱线，六角PK使用20G针距与150d/1纱线，两者均仅有白色。数据集共包含93196张灰度织物图像，其中正常图像89900张，异常图像3296张，异常样本占比约3.54%。缺陷类型涵盖漏针（V型线）、破洞、跳纱（带缺陷切割线）、纤维毛絮、油污、变形（压痕）与色差（H型线）七类，其中破洞、油污、纤维毛絮、跳纱等缺陷在数据集中均有对应的像素级标注样本。
在生产条件多样性方面，数据集涵盖不同光照强度、不同生产速度及不同织物类型。光照条件按图像灰度值分为暗光照（灰度值低于70）、正常光照（70至140）与亮光照（高于140）三类。生产速度以每生产周期采集到的帧数表征，高速生产对应每周期100至200帧，中速对应200至300帧，低速则超过300帧。由于相机帧率固定，机器转速越高，单周期内采集到的图像数量越少，反之则越多。不同生产速度下相邻帧之间的空间间隔与运动模式亦存在差异，这为模型在连续生产线部署时的时空特征学习提供了更具挑战性的测试环境。
在技术验证部分，研究团队设计了基于3D ResNet-18骨干网络结合单层LSTM与全连接层的时序织物检测网络TSFDNet，以12帧连续图像序列作为输入，采用交叉熵损失进行训练，并以精确率、召回率与F1分数评估模型性能。他们设计了两组实验分别考察光照变化与生产速度变化对检测性能的影响。在相似生产速度但光照条件变化的实验中，当训练与测试数据的光照条件相近时，模型平均精确率为90.74%，平均召回率为83.46%，平均F1分数为86.84%；而当光照条件发生显著变化时，平均精确率降至53.02%，召回率降至46.34%，F1分数降至48.93%，表明光照变化对模型泛化能力构成严重挑战。在相似光照但生产速度变化的实验中，当测试数据来自低于训练速度的生产条件时，模型平均精确率仅为36.86%，召回率为43.31%，F1分数为39.58%；而测试数据来自高于训练速度的生产条件时，平均精确率为89.58%，召回率为89.83%，F1分数为89.63%。这说明现有模型对低速生产条件下的时空模式变化更加敏感，而高速生产条件下的性能下降相对较小。
该研究的核心价值在于首次构建了真实反映圆编针织机连续生产场景的时间序列织物图像数据集。相较于以往基于理想化生产条件、由孤立图像构成的织物数据集，TSFabrics通过连续帧序列保留了织物纹理的时空一致性与动态变化信息，使模型能够学习正常织物在相邻帧中的规律性与一致性，从而更有效地识别细微或瞬时缺陷。此外，数据集中对切割线与真实缺陷的区分标注，解决了实际生产中模型可能将正常切割线误判为缺陷的关键问题。光照变化与生产速度变化实验则揭示了当前模型在跨条件泛化方面的显著不足，为后续域适应、域泛化及鲁棒检测方法的研究提供了明确方向。
从应用价值来看，TSFabrics适用于开发与评估面向连续产线部署的织物瑕疵检测方法，尤其在异常检测、时序建模、视频理解以及工业视觉质检等领域具有重要参考意义。数据集已在Figshare平台公开，遵循CC BY 4.0许可协议，允许学术与研究用途的下载、使用、分发与修改。相关代码亦在GitHub上公开发布，便于研究者复现基线实验结果。总体而言，该研究通过构建高保真、多条件、时间序列化的织物图像数据集，有效弥合了学术研究与工业应用之间的差距，为推动实际制造环境中的智能瑕疵检测研究奠定了基础。