Applicazione rete neurale per identificazione difetti superficiali nell'industria tessile mediante machine vision

Quality control in the textile industry remains predominantly a manual process due to the complexity and variability of surface defects, resulting in high costs and production inefficiencies. In recent years, advances in deep learning have revolutionized the automatic detection of defects in various industrial sectors, but applications in the textile field present specific challenges related to material diversity, the presence of complex patterns, and the morphological variety of imperfections. This work addresses these issues through a methodological approach that combines the use of a specialized industrial dataset with a comparative evaluation of different deep neural network architectures. In the experimental phase, architectural variants based on YOLO (You Only Look Once) were analyzed, including modifications with attention mechanisms such as Shuffle Attention, CBAM (Convolutional Block Attention Module), and customized ResBlocks (residual blocks). The results show excellent performance for geometrically defined defects, such as Large Holes (mAP50 = 0.995), but reveal significant limitations in detecting micro-defects, particularly Small Holes (mAP50 < 0.40) and Frays (mAP50 < 0.30). To overcome these limitations, an alternative approach based on Reverse Distillation, implemented within the Anomalib framework, was introduced. This paradigm, belonging to unsupervised anomaly detection, enables the identification of pixel-level irregularities that escape traditional object detection methods. Experimental results show that object detection and anomaly detection do not overlap but are complementary: YOLO proves optimal for macroscopic defects with well-defined geometric shapes, while Reverse Distillation is essential for identifying micro-anomalies and defects characterized by fine, barely visible patterns. Finally, the comparative analysis of architectural variants shows that increasing model complexity (from 3.0 million to 6.5 million parameters) does not guarantee proportional improvements in performance. This suggests that the effectiveness of defect detection depends more on the methodological choice and the adopted paradigm rather than on the mere architectural complexity of the model.

Il controllo qualità nell’industria tessile rimane prevalentemente un processo manuale a causa della complessità e della variabilità dei difetti superficiali, con conseguenti costi elevati e inefficienze produttive. Negli ultimi anni, i progressi dell’apprendimento profondo hanno rivoluzionato il rilevamento automatico dei difetti in diversi settori industriali, ma l’applicazione nel settore tessile presenta sfide specifiche legate alla diversità dei materiali, alla presenza di motivi complessi e alla varietà morfologica delle imperfezioni. Il presente lavoro affronta tali problematiche attraverso un approccio metodologico che combina l’utilizzo di un insieme di dati industriale specializzato con la valutazione comparativa di diverse architetture di reti neurali profonde. Nella fase sperimentale sono state analizzate varianti architetturali basate su YOLO (Tu Osserva Una Volta), includendo modifiche con meccanismi di attenzione quali Shuffle Attention, CBAM (Modulo di Attenzione a Blocchi Convoluzionali) e ResBlock (blocchi residui) personalizzati. I risultati mostrano prestazioni eccellenti per i difetti geometricamente definiti, come i Fori Grandi (mAP50 = 0,995), ma evidenziano limiti significativi nel rilevamento di micro-difetti, in particolare Fori Piccoli (mAP50 < 0,40) e Sfilacciature (mAP50 < 0,30).Per superare tali limitazioni, è stato introdotto un approccio alternativo basato sulla Distillazione Inversa, implementato nel framework Anomalib. Questo paradigma, appartenente al rilevamento di anomalie non supervisionato, consente di individuare irregolarità a livello di pixel che sfuggono ai metodi tradizionali di rilevamento di oggetti. I risultati sperimentali evidenziano che il rilevamento di oggetti e quello di anomalie non si sovrappongono, bensì risultano complementari: YOLO si conferma ottimale per difetti macroscopici con forme geometriche ben definite, mentre la Distillazione Inversa si dimostra indispensabile per l’identificazione di micro-anomalie e difetti caratterizzati da motivi minuti e poco visibili. Infine, l’analisi comparativa delle varianti architetturali mostra che l’aumento della complessità dei modelli (da 3,0 milioni a 6,5 milioni di parametri) non garantisce miglioramenti proporzionali nelle prestazioni. Ciò suggerisce che l’efficacia nel rilevamento dei difetti dipenda maggiormente dalla scelta metodologica e dal paradigma adottato piuttosto che dalla sola complessità architetturale del modello.