Tegnologie vir die opsporing van defekte in nie-geweefde materiale

Nie-geweefde materiale is nog altyd wyd gebruik as grondstowwe vir weggooibare mediese verbruiksgoedere soos chirurgiese maskers, verpleegstershoede en chirurgiese pette in produksie. Die kwaliteit van weggooibare mediese verbruiksgoedere hang hoofsaaklik af van die kwaliteit van nie-geweefde materiale. As gevolg van die feit dat die produksie- en vervoerproses van nie-geweefde materiale nie absolute suiwerheid van die omgewing kan waarborg nie, en hulle self 'n sterk elektrostatiese adsorpsievermoë het, adsorbeer hulle dikwels klein onsuiwerhede in die lug. Daarom kan vreemde voorwerpe in baie min areas van nie-geweefde materiale voorkom. Die nie-geweefde materiaal wat in hierdie artikel bestudeer word, word direk gebruik vir die produksie van maskers. Na ontleding van die geselekteerde defekmonsters is gevind dat die proporsie van vreemde voorwerpdefekte, soos insekte en hare, die hoogste is. Die bestaan ​​van hierdie defek lei direk tot substandaard gehalte van daaropvolgende produkte, en defekte produkte word ook streng verbied om die mark te betree. Daarom moet vervaardigers sommige van hierdie defekte verwyder, anders sal dit groot ekonomiese verliese veroorsaak.

Tans gebruik die meeste groot maatskappye in die bedryf ingevoerde visuele inspeksietoerusting vir defekopsporing. Alhoewel die resultate goed is, is hierdie toerusting gewoonlik duur in koste en onderhoud, en is dit nie geskik vir klein ondernemings en werkswinkels om te gebruik nie. Die meeste klein maatskappye in China gebruik steeds tradisionele handmatige visuele inspeksie vir defekondersoek. Hierdie metode is relatief eenvoudig, maar vereis langer werkersopleiding, lae opsporingsdoeltreffendheid en akkuraatheid, en mors baie menslike hulpbronne, wat 'n aansienlike uitgawe vir ondernemingsbestuur is. In onlangse jare het die veld van defekopsporing vinnig ontwikkel, en sake-eienaars gebruik geleidelik nuwe tegnologieë om tradisionele handmatige visuele inspeksiemetodes te vervang.

Vanuit die perspektief van bedryfsontwikkelingstendense, is die ontwerp van 'n outomatiese opsporingstoestel wat outomaties defekbeelde in die produksieproses van nie-geweefde materiale kan verkry en analiseer, 'n noodsaaklike middel om produksieontwikkeling te bevorder, produkgehalte te verseker en arbeidskoste te verminder. Sedert die 1980's het baie ingenieurs probeer om die relevante kennis van rekenaarvisie te gebruik vir defekopsporing van nie-geweefde materiale. Sommige studies het tekstuuranalisemetodes gebruik om defekte te karakteriseer en defekopsporing te bereik, terwyl ander randopsporingsoperateurs gebruik het om eers die defekkontoer te bepaal en redelike drempels te stel gebaseer op defekgrysskaal statistiese inligting om defekopsporing te bereik. Daar is ook studies wat spektrale analisemetodes gebruik om defekte op te spoor gebaseer op die hoë tekstuurperiodisiteit van materiale.

Bogenoemde metodes het sekere toepassingsresultate in defek-opsporingsprobleme behaal, maar daar is steeds sekere beperkings: eerstens wissel die vorm en grootte van defekte in werklike produksieomgewings. Defek-opsporingsalgoritmes gebaseer op masjienleer en statistiese inligting vereis die instelling van drempels gebaseer op vorige kennis, wat nie vir alle defekte effektief kan wees nie, wat lei tot onvoldoende robuustheid van hierdie metode. Tweedens is tradisionele rekenaarvisiemetodes gewoonlik stadig om uit te voer en kan nie effektief aan die intydse vereistes van produksie voldoen nie. Sedert die 1980's het die veld van masjienleernavorsing vinnig ontwikkel, en die toepassing van relevante kennis het die ontwikkeling van baie nywerhede gedryf. Baie navorsingsonderwerpe het getoon dat die toepassing van masjienleeralgoritmes soos BP neurale netwerk en SVM in materiaaldefek-opsporing effektief is. Hierdie metodes verseker hoë opsporingsakkuraatheid en 'n sekere mate van robuustheid, en dit is nie moeilik om te ontdek deur noukeurige analise van die opleidingsproses van masjienleer nie. Die werkverrigting van hierdie tipe algoritme hang hoofsaaklik af van die keuse van defek-handleidingkenmerke. As die handleidingkenmerke nie volledig of onderskeidingsgewend genoeg is nie, sal die werkverrigting van die model ook swak wees.

Met die voortdurende verbetering van rekenaarrekenaarkrag en die vinnige ontwikkeling van diep leerteorie in onlangse jare, het al hoe meer mense diep leer begin toepas op die opsporing van materiaaldefekte. Diep leer kan die onvolledigheid van handmatig ontwerpte kenmerke effektief vermy en het 'n hoë opsporingsakkuraatheid. Gebaseer op hierdie oorweging, gebruik hierdie artikel rekenaarvisie en diep leerverwante kennis om 'n outomatiese opsporingstelsel vir nie-geweefde materiaaldefekte te ontwerp, wat die opsporingsakkuraatheid van defekte effektief verbeter en goeie robuustheid het.