A Machine Learning Approach for Defect Detection in Textile Digital Printing using Synthetic Datasets

Despite recent advancements in deep learning defect detection techniques having significantly diminished scrap percentages in various industries, the textile sector remains inadequately investigated. Nowadays, qualified personnel are essential for overseeing textile printing production due to the scarcity of automated systems capable of detecting quality loss during the ink application phase. A defect detection system for textile printing must be able to evaluate a product that varies in material, shape and color indicating the employment of learning algorithms as the most fitting approach; however obtaining extensive datasets with defective images proves to be onerous due to the infrequency of errors during production, making the task of accumulating and cataloging thousands of photographs highly impractical. To solve these problems, we chose to develop a software capable of generating a synthetic dataset including three types of flaws. This was achieved by studying and replicating the processes employed in digital printing, resulting in the creation of images that closely emulate reality. The generated data was then used to train three different types of convolutional neural networks, namely a 3-layer cnn and modified versions of both the VGG-16 and the ResNet18. In order to create a versatile recognition system adoptable on any type of printing machine, we decided to use an array of parallel networks, each specialized on a single kind of error. This setup enhances scalability and enables the selection of an appropriate combination of networks based on the defects that may arise in the specific printer model. The outcomes of the analysis and the performance evaluation of the networks were conducted both using newly generated images as well as photographs of printed fabrics, demonstrating the superior functioning of the network based on a ResNet18 architecture.

Nonostante gli sviluppi recenti nelle tecniche di rilevamento dei difetti tramite deep learning abbiano significativamente ridotto le percentuali di scarto in fase di produzione in diverse industrie, il settore tessile rimane insufficientemente esplorato. Attualmente per supervisionare la produzione di stampe tessili è necessaria la presenza di personale qualificato a causa della scarsità di sistemi automatizzati in grado di rilevare la perdita di qualità durante la fase di applicazione dell'inchiostro. Un sistema di riconoscimento di difetti per la stampa su tessuto deve essere in grado di valutare un prodotto che varia in materiale, forma e colore indicando come approccio più adatto l'impiego di algoritmi di apprendimento. Tuttavia, ottenere dataset estesi con immagini difettose risulta oneroso a causa della rarità degli errori durante la produzione, rendendo estremamente impraticabile il compito di accumulare e catalogare migliaia di fotografie. Per risolvere questi problemi, abbiamo scelto di sviluppare un software in grado di generare un dataset sintetico che include tre tipi di imperfezioni. Ciò è stato ottenuto studiando e replicando i processi impiegati nel campo della stampa digitale, conseguendo alla creazione di immagini che emulano fedelmente la realtà. I dati generati sono stati poi utilizzati per addestrare tre diverse tipologie di reti neurali convoluzionali, precisamente una 3-layer cnn e delle versioni modificate sia di VGG-16 che di ResNet18. Con l'obiettivo di creare un meccanismo di riconoscimento versatile, abbiamo deciso di utilizzare un insieme di reti parallele, ognuna specializzata su un singolo tipo di errore. In questo modo il sistema risulta più scalabile e rende possibile selezionare una combinazione di reti in base ai difetti che potrebbero verificarsi sul modello specifico di stampante. I risultati delle analisi e la valutazione delle prestazioni delle reti sono state condotte utilizzando sia nuove immagini generate sinteticamente sia fotografie di tessuti stampati, dimostrando il funzionamento superiore della rete basata su ResNet18.