Defects on fiber products have varied appearances and are common in production lines. A reliable system that can classify and identify defects without subjectivity and fatigue can improve a company's quality management. Computer vision systems are crucial for any autonomous system, but accuracy is essential for real-life applications. This study aims to investigate the contribution of computer vision through computer vision and artificial intelligence in detecting defects in formed fiber products. A hand-crafted dataset of four common defects from the production line was created and tested using transfer learning. The system's performance was measured in terms of mean average precision (mAP), precision, and recall, resulting in a performance of 81.8% mAP, 0.84 recall rate, and 0.79 precision rate for the hand-crafted dataset.

Defekter på fiberprodukter har olika framträdanden och är vanliga i produktionslinjer. Ett tillförlitligt system som kan klassificera och identifiera defekter utan subjektivitet och trötthet kan förbättra ett företags kvalitetsledning. Ett datorseende-system är avgörande för alla autonoma system, men noggrannhet är viktigt för tillämpningar i verkliga livet. Denna studie syftar till att undersöka bidraget från datorseende genom datorseende och artificiell intelligens för att upptäcka defekter i formade fiberprodukter. Ett handgjort dataset med fyra vanliga defekter från produktionslinjen skapades och testades med transfer learning. Systemets prestanda mättes i termer av medelvärde av genomsnittlig precision (mAP), precision och återkallelse, vilket resulterade i en prestanda på 81,8% mAP, 0,84 återkallningsfrekvens och 0,79 precision frekvens för det handgjorda datasetet.