Kumaş Hata Tespiti ve Konveyör Kontrolüne Yönelik YOLOv8n Tabanlı Bir Edge AI Sistemi

Abstract

Tekstil üretiminde kumaş yüzeyinde oluşan kusurlar, ürün kalitesini düşürmekte ve üretim maliyetlerini artırmaktadır. İnsan gözlemine dayalı geleneksel kalite kontrol yöntemlerinin hız ve tutarlılık açısından sınırlı olması nedeniyle bu çalışmada, kumaş kusurlarının çevrim içi belirlenmesi ve konveyör sistemine durdurma komutu iletilmesi amacıyla Edge AI tabanlı laboratuvar ölçekli bir prototip geliştirilmiştir. Sistem; Raspberry Pi 5, yüksek çözünürlüklü kamera, L298N motor sürücüsü, DC motorlu konveyör mekanizması ve YOLOv8n nesne tespit modelinden oluşmaktadır. Model; leke, yırtık, boya, iplik ve kusursuz kumaş olmak üzere beş sınıf üzerinde eğitilmiştir. Veri seti, beş farklı kumaş örneğinden üç ayrı çekim oturumunda elde edilen 750 özgün görüntüden oluşturulmuştur. Ardışık görüntülerden kaynaklanabilecek veri sızıntısı riskini azaltmak amacıyla veri seti, artırma işlemlerinden önce grup bazlı olarak eğitim, doğrulama ve test kümelerine ayrılmış; veri artırma yalnızca eğitim kümesine uygulanmıştır. Eğitim ve model seçimi süreçlerinde kullanılmayan test kümesinde model %96,36 kesinlik, %96,00 duyarlılık, %96,00 mAP@0.5 ve %42,15 mAP@0.5:0.95 değerlerine ulaşmıştır. Sonuçlar, geliştirilen sistemin kontrollü laboratuvar koşullarında kumaş kusuru tespiti ile olay tetiklemeli konveyör kontrolünün bütünleştirilmesi açısından uygulanabilir bir ön prototip sunduğunu göstermektedir. Bununla birlikte, sistemin endüstriyel üretim ortamlarında kullanılabilmesi için daha geniş ve çeşitli veri setleriyle doğrulanması, farklı aydınlatma koşulları ve bant hızlarında test edilmesi ve mekanik durma süresi ile durma mesafesinin ayrıca ölçülmesi gerekmektedir.

Keywords

• Kumaş hata tespiti
• YOLOv8n
• Raspberry Pi 5
• gömülü sistemler
• Edge AI

Ethical Statement

Bu çalışmada yazarlar arasında herhangi bir çıkar çatışması bulunmamaktadır. Bu makalenin yazarları, bu çalışmada kullanılan materyal ve yöntemlerin etik kurul izni ve/veya yasal-özel izin gerektirmediğini beyan ederler.

A YOLOv8n-Based Edge AI System for Fabric Defect Detection and Conveyor Control

Abstract

Defects occurring on fabric surfaces during textile production reduce product quality and increase manufacturing costs. Because conventional quality-control methods based on human inspection are limited in terms of speed and consistency, this study developed a laboratory-scale Edge AI prototype for the online detection of fabric defects and the transmission of a stop command to the conveyor system. The system consists of a Raspberry Pi 5, a high-resolution camera, an L298N motor driver, a DC motor-driven conveyor mechanism, and a YOLOv8n object detection model. The model was trained on five classes: stain, tear, dye defect, yarn defect, and defect-free fabric. The dataset consisted of 750 original images obtained from five different fabric samples during three separate image-acquisition sessions. To reduce the risk of data leakage caused by consecutive images, the dataset was divided into training, validation, and test sets using a group-based splitting strategy before data augmentation; augmentation was applied only to the training set. On the test set, which was not used during training or model selection, the model achieved 96.36% precision, 96.00% recall, 96.00% mAP@0.5, and 42.15% mAP@0.5:0.95. The results indicate that the developed system provides a feasible preliminary prototype for integrating fabric defect detection with event-triggered conveyor control under controlled laboratory conditions. However, before deployment in industrial production environments, the system should be validated using larger and more diverse datasets, tested under different lighting conditions and conveyor speeds, and its mechanical stopping time and stopping distance should be measured separately.

Keywords

• Fabric defect detection
• YOLOv8n
• Raspberry Pi 5
• embedded systems
• Edge AI

Ethical Statement

There is no conflict of interest among the authors in this study. The authors of this article declare that the materials and methods used in this study do not require ethics committee approval and/or any legal or special permission.

References

1. P. Guo, Y. Liu, Y. Wu, R. H. Gong, Y. Li, “Intelligent Quality Control of Surface Defects in Fabrics: A Comprehensive Research Progress”, IEEE Access 12 (2024) 63777-63808. Doi:10.1109/ACCESS.2024.3396053.
2. S. Ma, Y. Liu, Y. Zhang, “Fabric Defect Detection Based on Improved Lightweight YOLOv8n”, Applied Sciences 14:17 (2024) 8000. Doi:10.3390/app14178000.
3. C. Li, J. Li, Y. Li, L. He, X. Fu, J. Chen, “Fabric Defect Detection in Textile Manufacturing: A Survey of the State of the Art”, Security and Communication Networks 2021 (2021) 9948808. Doi:10.1155/2021/9948808.
4. Y. Li, L. Song, Y. Cai, Z. Fang, M. Tang, “Research on Fabric Surface Defect Detection Algorithm Based on Improved Yolo_v4”, Scientific Reports 14 (2024) 5537. Doi:10.1038/s41598-023-50671-7.
5. G. Jocher, A. Chaurasia, J. Qiu, “Ultralytics YOLOv8”, Version 8.0.0, Computer Software, Ultralytics, 2023.
6. Q. Yang, F. Li, H. Tian, H. Li, S. Xu, J. Fei, Z. Wu, Q. Feng, C. Lu, “A New Knowledge-Distillation-Based Method for Detecting Conveyor Belt Defects”, Applied Sciences 12:19 (2022) 10051. Doi:10.3390/app121910051.
7. M. Mao, M. Hong, “YOLO Object Detection for Real-Time Fabric Defect Inspection in the Textile Industry: A Review of YOLOv1 to YOLOv11”, Sensors 25:7 (2025) 2270. Doi:10.3390/s25072270.
8. K. Hanbay, M. F. Talu, Ö. F. Özgüven, “Fabric defect detection systems and methods—A systematic literature review”, Optik 127 (2016) 11960-11973. Doi:10.1016/j.ijleo.2016.09.110.

9. B. Liu, H. Wang, Z. Cao, Y. Wang, L. Tao, J. Yang, K. Zhang, “PRC-Light YOLO: An Efficient Lightweight Model for Fabric Defect Detection”, Applied Sciences 14:2 (2024) 938. Doi:10.3390/app14020938.
10. C. Chen, Q. Zhou, L. Xiao, S. Li, D. Luo, “LWFDD-YOLO: A Lightweight Defect Detection Algorithm Based on Improved YOLOv8”, Textile Research Journal 95:9-10 (2025) 1125-1142. Doi:10.1177/00405175241285596.
11. C. Chen, Q. Zhou, S. Li, D. Luo, G. Tan, “Fabric Defect Detection Algorithm Based on Improved YOLOv8”, Textile Research Journal 95:3-4 (2025) 235-251. Doi:10.1177/00405175241261092.
12. Y. Jin, X. Liu, K. Nan, S. Wang, T. Wang, Z. Zhang, X. Zhang, “A Real-Time Fabric Defect Detection Method Based on Improved YOLOv8”, Applied Sciences 15:6 (2025) 3228. Doi:10.3390/app15063228.
13. C. Hao, Y. Wang, C. Cui, D. Dong, D. Mei, “Fabric Defect Detection Based on Improved YOLOv8s and Machine Vision”, Textile Research Journal 96:11-12 (2026) 1285-1298. Doi:10.1177/00405175251348141.
14. Q. Sun, B. Noche, Z. Xie, B. Huang, “Research on Seamless Fabric Defect Detection Based on Improved YOLOv8n”, Applied Sciences 15:5 (2025) 2728. Doi:10.3390/app15052728.
15. X. Li, Y. Zhu, “A Real-Time and Accurate Convolutional Neural Network for Fabric Defect Detection”, Complex & Intelligent Systems 10 (2024) 3371-3387. Doi:10.1007/s40747-023-01317-8.
16. M. T. Okano, W. A. C. Lopes, S. M. Ruggero, O. Vendrametto, J. C. L. Fernandes, “Edge AI for Industrial Visual Inspection: YOLOv8-Based Visual Conformity Detection Using Raspberry Pi”, Algorithms 18:8 (2025) 510. Doi:10.3390/a18080510.
17. M. Nasim, R. Mumtaz, M. Ahmad, A. Ali, “Fabric Defect Detection in Real World Manufacturing Using Deep Learning”, Information 15:8 (2024) 476. Doi:10.3390/info15080476.
18. R. Carrilho, K. A. Hambarde, H. Proença, “A Novel Dataset for Fabric Defect Detection: Bridging Gaps in Anomaly Detection”, Applied Sciences 14:12 (2024) 5298. Doi:10.3390/app14125298.
19. F. Hu, J. Gong, H. Fu, W. Liu, “Fabric Defect Detection Method Using SA-Pix2pix Network and Transfer Learning”, Applied Sciences 14:1 (2024) 41. Doi:10.3390/app14010041.
20. Noor ul-Huda, H. Ahmad, A. Banjar, A. O. Alzahrani, I. Ahmad, M. S. Naeem, “Image Synthesis of Apparel Stitching Defects Using Deep Convolutional Generative Adversarial Networks”, Heliyon 10:4 (2024) e26466. Doi:10.1016/j.heliyon.2024.e26466.
21. L. Di, H. Long, B. Shi, Y. Xia, J. Liang, “Fabric Defect Detection via Low-Rank Decomposition with Multi-Priors and Visual Saliency Features”, Journal of the Franklin Institute 361:16 (2024) 107150. Doi:10.1016/j.jfranklin.2024.107150.
22. R. A. Geze, A. Akbaş, “Detection and Classification of Fabric Defects Using Deep Learning Algorithms”, Politeknik Dergisi 27:1 (2024) 371-378. Doi:10.2339/politeknik.1386458.
23. J. Li, J. Wu, Y. Shao, “FSNB-YOLOV8: Improvement of Object Detection Model for Surface Defects Inspection in Online Industrial Systems”, Applied Sciences 14:17 (2024) 7913. Doi:10.3390/app14177913.
24. G. Lu, T. Xiong, G. Wu, “YOLO-BGS Optimizes Textile Production Processes: Enhancing YOLOv8n with Bi-Directional Feature Pyramid Network and Global and Shuffle Attention Mechanisms for Efficient Fabric Defect Detection”, Sustainability 16:18 (2024) 7922. Doi:10.3390/su16187922.