Detecção de defeitos com YOLOv8 na indústria têxtil

Abstract

RESUMO A indústria têxtil desempenha um papel fundamental na economia global, sendo responsável pela produção de uma ampla variedade de produtos que atendem às necessidades de vestuário, decoração e outras áreas. No entanto, garantir a qualidade desses produtos é uma tarefa complexa devido à natureza variável dos materiais têxteis e aos processos de fabricação envolvidos. A detecção de defeitos é um aspecto crítico na produção têxtil, sendo realizada muitas vezes de forma manual. O presente estudo tem por objetivo aprimorar os processos de controle de qualidade na indústria têxtil aplicando o modelo YOLOv8 para detecção de defeitos. Resultados de pesquisas anteriores que utilizaram o YOLOv5 na base de dados de imagens têxteis AITEX, aprimorada através de processos de data augmentation e rebalanceamento de dados, serviram de parâmetros para a evolução do modelo. O YOLOv8 é escolhido justamente por ser uma das mais avançadas arquiteturas de detecção de objetos em imagens, inspirado no sucesso de seus predecessores e desenvolvido pela ultralytics. A pesquisa aborda a implementação do YOLOv8 na detecção de defeitos têxteis, descrevendo o treinamento do modelo em um extenso conjunto de dados de imagens com defeitos pequenos. Além disso, são discutidas questões como a arquitetura e variantes do modelo, a otimização de hiperparâmetros e estratégias de treinamento, bem como a avaliação do modelo. Resultados promissores são apresentados, indicando que o YOLOv8 pode efetivamente identificar objetos de defeitos têxteis de forma satisfatória. O presente estudo alcançou um mAP@0.5 de 85,11%, uma precisão de 93,50% e um recall de 81,50% considerando o modelo final de treinamento YOLOv8s-P2 construído com pesos do YOLOv8x através da transferência de aprendizagem. Os valores alcançados foram superiores a diversos trabalhos correlatos, porém algumas questões que envolvem a construção da arquitetura do YOLOv8 limitam o modelo no contexto de detecção de objetos pequenos. Essas limitações serão apresentadas durante o decorrer da pesquisa. O modelo adaptou-se bem ao contexto de detecção de objetos pequenos utilizando notação em bounding boxes, data augmentation e transfer learning. Este estudo também oferece insights valiosos para pesquisadores, profissionais e empresas do setor têxtil interessados em aprimorar seus processos de controle de qualidade e, consequentemente, a satisfação do cliente. Palavras-chave: YOLO. YOLOv8. AITEX. Detecção de objetos. Defeitos têxteis. Hiperparâmetros. Indústria têxtil

ABSTRACT The textile industry plays a fundamental role in the global economy, being responsible for the production of a wide variety of products that meet the needs of clothing, decoration and other areas. However, ensuring the quality of these products is a complex task due to the variable nature of textile materials and the manufacturing processes involved. Defect detection is a critical aspect in textile production and is often carried out manually. The present study aims to improve quality control processes in the textile industry by applying the YOLOv8 model for defect detection. Results from previous research that used YOLOv5 in the AITEX textile image database, improved through data augmentation and data rebalancing processes, served as parameters for the evolution of the model. YOLOv8 was chosen precisely because it is one of the most advanced object detection architectures in images, inspired by the success of its predecessors and developed by ultralytics. The research addresses the implementation of YOLOv8 in textile defect detection, describing the training of the model on an extensive dataset of images with small defects. Furthermore, issues such as model architecture and variants, hyperparameter optimization and training strategies, as well as model evaluation are discussed. Promising results are presented, indicating that YOLOv8 can effectively identify textile defect objects satisfactorily. The present study achieved an mAP@0.5 of 85.11%, a precision of 93.50% and a recall of 81.50% considering the final YOLOv8s-P2 training model built with YOLOv8x weights through transfer learning. The values achieved were higher than those of several related works, however some issues involving the construction of the YOLOv8 architecture limit the model in the context of detecting small objects. These limitations will be presented during the course of the research. The model adapted well to the context of detecting small objects using bounding box notation, data augmentation and transfer learning. This study also offers valuable insights for researchers, professionals and companies in the textile sector interested in improving their quality control processes and, consequently, customer satisfaction. Keywords: YOLO. YOLOv8. AITEX. Object detection. Textile defects. Hyperparame ters. Textile industry.