Tehnologija detekcije nedostataka netkanih tkanina

Netkane tkanine su se oduvijek široko koristile kao sirovine za jednokratnu medicinsku potrošnu robu, kao što su hirurške maske, kape za medicinske sestre i hirurške kape. Kvaliteta jednokratne medicinske potrošne robe uglavnom ovisi o kvaliteti netkanih tkanina. Zbog činjenice da proces proizvodnje i transporta netkanih tkanina ne može garantirati apsolutnu čistoću okoliša, a same po sebi imaju snažnu sposobnost elektrostatičke adsorpcije, one često adsorbiraju male nečistoće u zraku. Stoga, strani predmeti mogu postojati u vrlo malom broju područja netkanih tkanina. Materijal netkane tkanine proučavan u ovom članku direktno se koristi za proizvodnju maski. Nakon analize odabranih uzoraka nedostataka, utvrđeno je da je udio nedostataka stranih predmeta, poput insekata i kose, najveći. Postojanje ovog nedostatka direktno dovodi do lošeg kvaliteta narednih proizvoda, a neispravni proizvodi su također strogo zabranjeni za ulazak na tržište. Stoga, proizvođači moraju ukloniti neke od ovih nedostataka, u suprotnom će uzrokovati ogromne ekonomske gubitke.

Trenutno, većina velikih kompanija u industriji koristi uvoznu opremu za vizuelni pregled za otkrivanje nedostataka. Iako su rezultati dobri, ova oprema je obično skupa u pogledu troškova i održavanja, te nije pogodna za korištenje u malim preduzećima i radionicama. Većina malih kompanija u Kini i dalje koristi tradicionalni ručni vizuelni pregled za otkrivanje nedostataka. Ova metoda je relativno jednostavna, ali zahtijeva dužu obuku radnika, nisku efikasnost i tačnost otkrivanja, te troši mnogo ljudskih resursa, što predstavlja značajan trošak za menadžment preduzeća. Posljednjih godina, područje otkrivanja nedostataka se brzo razvilo, a vlasnici preduzeća postepeno koriste nove tehnologije kako bi zamijenili tradicionalne ručne metode vizuelnog pregleda.

Iz perspektive trendova razvoja industrije, dizajniranje uređaja za automatsko otkrivanje koji može automatski dobiti i analizirati slike defekata u procesu proizvodnje netkanih tkanina neophodno je sredstvo za podsticanje razvoja proizvodnje, osiguranje kvaliteta proizvoda i smanjenje troškova rada. Od 1980-ih, mnogi inženjeri su pokušali koristiti relevantno znanje kompjuterskog vida za otkrivanje defekata netkanih tkanina. Neke studije su koristile metode analize teksture za karakterizaciju defekata i postizanje otkrivanja defekata, dok su druge koristile operatore za detekciju ivica kako bi prvo odredile konturu defekta i postavile razumne pragove na osnovu statističkih informacija o defektima u sivoj skali kako bi se postigla detekcija defekata. Postoje i studije koje koriste metode spektralne analize za otkrivanje defekata na osnovu visoke periodičnosti teksture tkanina.

Gore navedene metode su postigle određene rezultate primjene u problemima otkrivanja defekata, ali i dalje postoje određena ograničenja: prvo, oblik i veličina defekata u stvarnim proizvodnim okruženjima variraju. Algoritmi za otkrivanje defekata zasnovani na mašinskom učenju i statističkim informacijama zahtijevaju postavljanje pragova na osnovu prethodnog znanja, što ne može biti efikasno za sve defekte, što rezultira nedovoljnom robusnošću ove metode. Drugo, tradicionalne metode računarskog vida su obično spore za izvršavanje i ne mogu efikasno zadovoljiti zahtjeve proizvodnje u realnom vremenu. Od 1980-ih, područje istraživanja mašinskog učenja se brzo razvijalo, a primjena relevantnog znanja pokrenula je razvoj mnogih industrija. Mnoge istraživačke teme su pokazale da je primjena algoritama mašinskog učenja, kao što su BP neuronska mreža i SVM, u otkrivanju defekata tkanine efikasna. Ove metode osiguravaju visoku tačnost otkrivanja i određeni stepen robusnosti, a to nije teško otkriti pažljivom analizom procesa obuke mašinskog učenja. Performanse ove vrste algoritma uglavnom zavise od odabira ručnih karakteristika defekata. Ako ručne karakteristike nisu dovoljno potpune ili diskriminativne, performanse modela će također biti loše.

Kontinuiranim poboljšanjem računarske računarske snage i brzim razvojem teorije dubokog učenja posljednjih godina, sve više ljudi je počelo primjenjivati ​​duboko učenje za detekciju nedostataka u tkaninama. Duboko učenje može efikasno izbjeći nepotpunost ručno dizajniranih karakteristika i ima visoku tačnost detekcije. Na osnovu ovog razmatranja, ovaj članak koristi znanje vezano za računarski vid i duboko učenje kako bi dizajnirao sistem za automatsko detekciju nedostataka u netkanim tkaninama, koji efikasno poboljšava tačnost detekcije nedostataka i ima dobru robusnost.