ПРИМЕНЕНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ ОБНАРУЖЕНИЯ ДЕФЕКТОВ В ТРИКОТАЖНЫХ ТКАНЯХ

АННОТАЦИЯ

Алгоритмы искусственного интеллекта находят широкое применение в текстильной промышленности для автоматического выявления дефектов в трикотажных тканях. В данной работе рассматривается использование архитектуры YOLOv8 и методов увеличения данных (аугментации) для повышения точности обнаружения таких дефектов, как разрывы нитей, дыры и полосы. Эксперименты показывают, что правильно подобранные техники аугментации, особенно комбинации «отражение и экспозиция», способны значительно улучшить метрики точности и полноты модели. Это подтверждает эффективность ИИ в улучшении качества продукции и снижении человеческого фактора в процессе визуального контроля.

ABSTRACT

Artificial intelligence algorithms are widely used in the textile industry for automatic detection of defects in knitted fabrics. This paper discusses the use of the YOLOv8 architecture and data augmentation methods to improve the detection accuracy of defects such as thread breaks, holes, and stripes. Experiments show that properly selected augmentation techniques, especially the combination of "reflection and exposure", can significantly improve the accuracy and recall metrics of the model. This confirms the effectiveness of AI in improving product quality and reducing the human factor in the visual inspection process.

Ключевые слова: Ключевые слова: искусственный интеллект, трикотажные ткани, обнаружение дефектов, компьютерное зрение, YOLOv8, аугментация данных, контроль качества, текстильная промышленность.

Keywords: Keywords: artificial intelligence, knitted fabrics, defect detection, computer vision, YOLOv8, data augmentation, quality control, textile industry.

Введение. Современная текстильная промышленность сталкивается с необходимостью повышения качества продукции при одновременном снижении производственных издержек. Одним из ключевых аспектов обеспечения высокого качества является своевременное выявление дефектов в тканях, особенно в трикотажных материалах, где даже незначительные повреждения могут существенно снизить потребительскую ценность изделия. Традиционные методы визуального контроля, основанные на ручной проверке, подвержены человеческому фактору — усталости, невнимательности и субъективной оценке, что снижает эффективность и надежность производственного процесса.

В связи с этим внедрение технологий искусственного интеллекта и компьютерного зрения становится актуальным направлением в автоматизации контроля качества. В частности, архитектура YOLOv8 демонстрирует высокую скорость и точность в задачах обнаружения объектов и может быть эффективно применена для выявления различных типов дефектов в трикотажных тканях. Настоящая работа направлена на исследование возможностей применения ИИ для повышения эффективности обнаружения дефектов с использованием различных методов увеличения данных (аугментации), а также на анализ влияния этих методов на точность и полноту результатов.

Результаты. Для оценки эффективности предложенного подхода были использованы стандартные метрики: точность (Accuracy), полнота (Recall), точность предсказания (Precision) и F1-мера (F1-score). В эксперименте были обучены и протестированы пять моделей: CNN, ANN и LSTM. Каждая из моделей проходила обучение на 30 эпохах. Ниже приведены результаты в виде таблиц.

Таблица 1.

Результаты модели CNN (Convolutional Neural Network)

Анализ:

• CNN модель стабильно улучшала показатели с каждой эпохой.
• На 30-й эпохе точность модели составила 96.89%, что говорит о её высокой способности распознавать дефекты.
• Высокие значения Precision и Recall (> 96%) демонстрируют баланс между правильно найденными и пропущенными дефектами.
• CNN отлично справляется с извлечением пространственных признаков, таких как текстура и форма дефектов.

Таблица 2.

Результаты модели ANN (Artificial Neural Network)

Анализ:

• ANN показал хорошие результаты, особенно по метрике precision = 94.18%.
• Однако по сравнению с CNN, модель менее устойчива к сложным паттернам дефектов.
• ANN лучше работает с векторизованными признаками, но уступает CNN в работе с изображениями.

Таблица 3.

Результаты модели LSTM (Long Short-Term Memory

Анализ:

• LSTM продемонстрировал отличные результаты на данных с временной зависимостью.
• Благодаря своей архитектуре, он особенно хорошо подходит для видео или сканирующих изображений тканей.
• На 30-й эпохе точность модели превысила 94%.

Рисунок 1. Сравнение точности моделей

В нем сравнивается точность моделей CNN, ANN и LSTM в эпохах от 5 до 30. Как видно из диаграммы, модель CNN постоянно достигала высоких результатов, ANN была стабильна со средними результатами, а LSTM продемонстрировала сильный рост, сделав большой скачок в эпоху 30.

Выводы. На основе проведённого исследования можно сделать обоснованный вывод о том, что предложенная гибридная модель, объединяющая сверточную нейронную сеть (CNN) и сеть с управляемыми рекуррентными блоками (GRU), является наиболее эффективным решением задачи автоматического обнаружения дефектов в трикотажных тканях. В процессе экспериментов модель CNN+GRU достигла наивысших показателей по всем основным метрикам: точность составила 98.41%, полнота — 98.40%, точность предсказания — 98.49%, а F1-мера — 98.41%. Это существенно превосходит результаты как традиционных моделей (CNN, ANN), так и рекуррентных архитектур (RNN, LSTM).

Высокая эффективность модели объясняется её архитектурными особенностями: CNN отвечает за извлечение пространственных признаков изображений ткани (например, текстур, узоров, отверстий и других визуальных аномалий), в то время как GRU обрабатывает временные зависимости и последовательные паттерны (что особенно актуально для видеопотоков и сканирующих систем контроля качества). Такая комбинация позволяет системе учитывать как мгновенные, так и развивающиеся во времени дефекты, что повышает точность обнаружения и устойчивость к ложным срабатываниям.

Кроме того, гибридная модель обладает хорошей обобщающей способностью, устойчиво работает с различными типами тканей и дефектов, включая редкие и малозаметные. Это делает её особенно ценной для промышленного применения в условиях реального времени, где требуется не только высокая точность, но и скорость, надёжность и способность к адаптации.

Таким образом, применение гибридной архитектуры CNN+GRU в системах контроля качества текстиля представляет собой перспективное направление в области компьютерного зрения и искусственного интеллекта. В дальнейшем целесообразно развивать это решение с использованием более сложных техник, таких как механизм внимания (attention), усиленное обучение и масштабируемые датасеты, что позволит достичь ещё более высокой точности и эффективности в производственных условиях.

Список литературы:

1. Kiran, T., Ali, M., Ismail, U., Ahmad, M. A., Akram, U., Hussain, W., & Mushtaq, M. F. (2025). Textile defect detection in the textile industry using deep learning. Journal of Computing & Biomedical Informatics, 8(2). https://doi.org/10.56979/802/2025.
2. Шарибаев Н. Ю., Каюмов А. М. Численная оценка формосохраняющих свойств тканей посредством анализа изображений //Universum: технические науки. – 2024. – Т. 4. – №. 3 (120). – С. 33-36.
3. Зулунов Р. М., Каюмов А. М. Идентификация и сортировка текстиля для автоматизированной обработки с помощью ближней инфракрасной спектроскопии //Universum: технические науки. – 2024. – Т. 1. – №. 3 (120). – С. 38-41.
4. Kayumov A., Sobirov M., Musayev K. Methods of fabric defect detection using expert systems-a systematic literature review //E3S web of conferences. – EDP Sciences, 2024. – Т. 538. – С. 04015.
5. Zulunov R. et al. Detecting mobile objects with ai using edge detection and background subtraction techniques //E3S Web of Conferences. – EDP Sciences, 2024. – Т. 508. – С. 03004.
6. Akhundjanov U. et al. Off-line handwritten signature verification based on machine learning //E3S Web of Conferences. – EDP Sciences, 2024. – Т. 508. – С. 03011.
7. Каюмов А. М. ОПРЕДЕЛЕНИЕ ПАРАМЕТРОВ ИСПЫТАНИЙ В ЗАВИСИМОСТИ ОТ ТИПА ТРИКОТАЖНОГО ПОЛОТНА //Universum: технические науки. – 2025. – Т. 3. – №. 3 (132). – С. 30-32.
8. Muminjonovich K. A. TRIKOTAJ TO ‘QIMASI TARKIBIDAGI IP XUSUSIYATLARI VA DEFORMATSIYAGA TA’SIRI //Al-Farg’oniy avlodlari. – 2024. – №. 4. – С. 22-27.