Technologie detekce vad netkaných textilií

Netkané textilie se vždy široce používaly jako suroviny pro jednorázové zdravotnické spotřební materiály, jako jsou chirurgické masky, čepice pro zdravotní sestry a chirurgické čepice. Kvalita jednorázových zdravotnických spotřebních materiálů závisí především na kvalitě netkaných textilií. Vzhledem k tomu, že výrobní a přepravní proces netkaných textilií nemůže zaručit absolutní čistotu prostředí a samotné textilie mají silnou elektrostatickou adsorpční schopnost, často adsorbují malé nečistoty ve vzduchu. Proto se cizí předměty mohou vyskytovat jen ve velmi malém množství netkaných textilií. Netkaný textilní materiál studovaný v tomto článku se přímo používá k výrobě roušek. Po analýze vybraných vzorků vad bylo zjištěno, že podíl vad cizích předmětů, jako je hmyz a vlasy, je nejvyšší. Existence této vady přímo vede k podřadné kvalitě následných výrobků a vstup vadných výrobků na trh je také přísně zakázán. Výrobci proto musí některé z těchto vad odstranit, jinak to způsobí obrovské ekonomické ztráty.

V současné době většina velkých společností v oboru používá k detekci vad dovážená zařízení pro vizuální kontrolu. Přestože jsou výsledky dobré, tato zařízení jsou obvykle drahá z hlediska nákladů a údržby a nejsou vhodná pro malé podniky a dílny. Většina malých společností v Číně stále používá tradiční manuální vizuální kontrolu pro screening vad. Tato metoda je relativně jednoduchá, ale vyžaduje delší školení pracovníků, má nízkou účinnost a přesnost detekce a plýtvá velkým množstvím lidských zdrojů, což představuje pro management podniku značný výdaj. V posledních letech se oblast detekce vad rychle rozvíjí a majitelé firem postupně používají nové technologie, které nahrazují tradiční manuální metody vizuální kontroly.

Z pohledu trendů rozvoje průmyslu je návrh automatického detekčního zařízení, které dokáže automaticky získávat a analyzovat obrazy vad ve výrobním procesu netkaných textilií, nezbytným prostředkem pro podporu rozvoje výroby, zajištění kvality výrobků a snížení nákladů na pracovní sílu. Od 80. let 20. století se mnoho inženýrů pokouší využít relevantní znalosti počítačového vidění k detekci vad netkaných textilií. Některé studie používají metody analýzy textury k charakterizaci vad a dosažení detekce vad, zatímco jiné používají operátory detekce hran k nejprve určení obrysu vady a nastavení rozumných prahových hodnot na základě statistických informací o vadách ve stupních šedi k dosažení detekce vad. Existují také studie, které používají metody spektrální analýzy k detekci vad na základě vysoké periodicity textury tkanin.

Výše uvedené metody dosáhly určitých aplikačních výsledků v problémech detekce vad, ale stále existují určitá omezení: za prvé, tvar a velikost vad v reálném výrobním prostředí se liší. Algoritmy detekce vad založené na strojovém učení a statistických informacích vyžadují nastavení prahových hodnot na základě předchozích znalostí, které nemohou být účinné pro všechny vady, což vede k nedostatečné robustnosti této metody. Za druhé, tradiční metody počítačového vidění jsou obvykle pomalé a nemohou efektivně splňovat požadavky výroby v reálném čase. Od 80. let 20. století se oblast výzkumu strojového učení rychle rozvíjí a aplikace relevantních znalostí pohnala rozvoj mnoha odvětví. Mnoho výzkumných témat ukázalo, že aplikace algoritmů strojového učení, jako je neuronová síť BP a SVM, při detekci vad tkanin je efektivní. Tyto metody zajišťují vysokou přesnost detekce a určitý stupeň robustnosti a není těžké je odhalit pečlivou analýzou trénovacího procesu strojového učení. Výkon tohoto typu algoritmu závisí hlavně na výběru manuálních charakteristik vad. Pokud manuální charakteristiky nejsou úplné nebo dostatečně diskriminativní, bude výkon modelu také nízký.

S neustálým zlepšováním výpočetního výkonu počítačů a s rozvojem teorie hlubokého učení v posledních letech stále více lidí začíná aplikovat hluboké učení k detekci vad tkanin. Hluboké učení dokáže efektivně zabránit neúplnosti ručně navržených prvků a dosahuje vysoké přesnosti detekce. Na základě této úvahy tento článek využívá znalosti počítačového vidění a hlubokého učení k návrhu systému automatické detekce vad netkaných textilií, který efektivně zlepšuje přesnost detekce vad a má dobrou robustnost.