StitchingNet Dataset

这是一个关于工业缝纫过程中正常和缺陷缝合图像的数据集。数据集包含11种不同面料的缝合条件，结合了颜色相似或相反的线材，以反映多种面料和线材的颜色和组成条件。数据集旨在训练用于缝合缺陷检测的强大深度学习模型。

This is a dataset containing normal and defective stitching images captured during industrial sewing procedures. The dataset covers stitching scenarios across 11 distinct fabric types, paired with threads of either similar or contrasting colors, to reflect diverse color and compositional conditions of both fabrics and threads. This dataset is designed to train robust deep learning models for stitching defect detection.

原始信息汇总

StitchingNet Dataset

数据集描述

该数据集包含工业缝纫过程中正常和有缺陷的缝合图像。数据集包括11种不同面料的数据，通过结合颜色相似或相反的线材来设置缝纫条件，以反映数据集中多种面料和线材的颜色和组成条件。数据集旨在训练用于缝纫缺陷检测的鲁棒深度学习模型。数据集包含13,424张缝纫过程图像，每种面料组合有100至179个正常数据点和10个缺陷类别。

创建详情

• 时间周期: 2022.11 - 2023.03
• 缝纫机: Brother S-7200C-403
• 视觉传感器: Raspberry Pi Camera V2
• 图像尺寸: 224 x 224像素
• 使用的面料 (共11种): A. 棉, B. 亚麻, C. 牛仔布, D. 天鹅绒, E. 聚酯, F. 缎子, G. 雪纺, H. 尼龙, I. 提花, J. 牛津布, K. 聚酯(涂层)
• 使用的线材: 聚酯和芯线
• 缺陷类别 (共10种): 1. 跳针, 2. 断线, 3. 夹布, 4. 歪缝, 5. 线垂, 6. 起皱, 7. 污渍和损伤, 8. 针痕, 9. 底线拉起, 10. 重叠针

样本图像

数据集包含114张样本图像。

数据下载

所有StitchingNet数据可直接从Google Cloud Storage bucket下载。

许可证

StitchingNet数据集在CC BY-NC 4.0许可下发布。

联系

如有任何问题，请联系Woo-Kyun Jung ([e-mail], 创建者) 或 Hyungjung Kim ([e-mail], 维护者)。

搜集汇总

数据集介绍

构建方式

在工业缝纫过程中，缝纫缺陷的检测对于质量控制至关重要。StitchingNet Dataset通过结合11种不同类型的面料和两种线材，模拟了实际生产中的多种缝纫条件。数据集的构建始于2022年11月，持续至2023年3月，使用Brother S-7200C-403缝纫机和Raspberry Pi Camera V2视觉传感器，捕捉了224 x 224像素的图像。每种面料组合下，生成了100至179个正常缝纫图像和10种缺陷类别的图像，共计13,424张缝纫过程图像。这种详尽的构建方式确保了数据集在训练深度学习模型时的广泛适用性和鲁棒性。

特点

StitchingNet Dataset的显著特点在于其多样性和真实性。数据集涵盖了11种不同面料和10种常见缝纫缺陷，每种缺陷类别均由经验丰富的缝纫工人鉴定。这种多样性不仅提高了数据集的泛化能力，还使其在实际应用中更具代表性。此外，数据集的图像分辨率为224 x 224像素，确保了图像细节的清晰度，从而提升了模型训练的效果。数据集的构建还考虑了面料和线材的颜色组合，进一步增强了其在复杂环境下的适用性。

使用方法

StitchingNet Dataset适用于开发和验证缝纫缺陷检测的深度学习模型。用户可以通过Google Cloud Storage直接下载完整数据集，并根据需要进行预处理和模型训练。数据集的图像格式和分辨率标准化，便于直接导入常见的深度学习框架，如TensorFlow或PyTorch。使用者可以根据数据集中的正常和缺陷类别，设计分类或检测任务，以提升缝纫质量控制的自动化水平。此外，数据集的开放获取和CC BY-NC 4.0许可证确保了其在非商业用途中的广泛应用。

背景与挑战

背景概述

在现代制造业中，缝纫过程的质量控制一直是纺织行业的重要课题。StitchingNet Dataset由Hojeon Limited和Konkuk University的研究团队于2022年11月至2023年3月创建，专注于工业缝纫过程中的正常与缺陷缝纫图像。该数据集的核心研究问题是如何通过图像数据有效识别缝纫缺陷，以提升质量控制效率。由于纺织行业在数字化转型方面相对滞后，传统缝纫机缺乏监控功能，且工业视觉传感器成本高昂，导致获取高质量的缝纫图像数据集成为一大挑战。StitchingNet Dataset的推出，旨在填补这一空白，为深度学习模型在缝纫缺陷检测中的应用提供坚实基础，对计算机视觉和纺织制造领域具有重要影响。

当前挑战

StitchingNet Dataset在构建过程中面临多重挑战。首先，由于传统缝纫机缺乏监控功能，获取多样且广泛的缝纫图像数据集变得困难。其次，工业视觉传感器的高成本和额外计算设备的需求，使得这些设备难以与成本低于1000美元的缝纫机集成。此外，缝纫过程的重复性工作性质也增加了数据采集的复杂性。这些挑战不仅影响了数据集的多样性和广泛性，也限制了其在实际工业环境中的应用。因此，如何克服这些技术与经济上的障碍，是StitchingNet Dataset未来发展的重要方向。

常用场景

经典使用场景

在工业缝纫过程中，StitchingNet数据集的经典使用场景主要集中在缝纫缺陷检测。通过提供正常和缺陷缝纫图像的对比，该数据集能够有效训练深度学习模型，以识别和分类各种缝纫缺陷，如跳针、断针、布料夹紧等。这种应用不仅提升了质量控制效率，还为实现自动化缝纫检测奠定了基础。

解决学术问题

StitchingNet数据集解决了纺织制造领域中缝纫缺陷检测的学术研究问题。由于传统缝纫机缺乏监控功能，且工业视觉传感器成本高昂，获取多样且广泛的缝纫过程数据一直是一个挑战。该数据集通过模拟多种布料和线材组合，生成了大量高质量的缝纫图像，为深度学习模型提供了丰富的训练数据，极大地推动了缝纫缺陷检测技术的发展。

衍生相关工作

基于StitchingNet数据集，衍生了一系列相关工作，包括但不限于缝纫缺陷检测算法的优化、多模态数据融合研究以及实时检测系统的开发。这些工作不仅提升了缝纫缺陷检测的准确性和效率，还推动了纺织制造行业的数字化和智能化进程。此外，该数据集也为其他工业领域的缺陷检测研究提供了宝贵的参考和借鉴。