Teknologi til detektion af defekter i ikke-vævet stof

Ikke-vævede stoffer har altid været meget anvendt som råmateriale til medicinske engangsartikler, såsom kirurgiske masker, sygeplejerskehuer og kirurgiske hætter, i produktionen. Kvaliteten af ​​medicinske engangsartikler afhænger hovedsageligt af kvaliteten af ​​ikke-vævede stoffer. Da produktions- og transportprocessen for ikke-vævede stoffer ikke kan garantere absolut renhed i miljøet, og de selv har en stærk elektrostatisk adsorptionsevne, absorberer de ofte små urenheder i luften. Derfor kan fremmedlegemer forekomme i meget få områder af ikke-vævede stoffer. Det ikke-vævede stofmateriale, der er undersøgt i denne artikel, anvendes direkte til produktion af masker. Efter analyse af de udvalgte defektprøver blev det konstateret, at andelen af ​​defekte fremmedlegemer, såsom insekter og hår, er den højeste. Eksistensen af ​​denne defekt fører direkte til undermålskvalitet af efterfølgende produkter, og defekte produkter er også strengt forbudt at komme på markedet. Derfor skal producenterne fjerne nogle af disse defekter, ellers vil det forårsage enorme økonomiske tab.

I øjeblikket bruger de fleste store virksomheder i branchen importeret visuelt inspektionsudstyr til defektdetektering. Selvom resultaterne er gode, er dette udstyr normalt dyrt i pris og vedligeholdelse og ikke egnet til små virksomheder og værksteder. De fleste små virksomheder i Kina bruger stadig traditionel manuel visuel inspektion til defektscreening. Denne metode er relativt enkel, men kræver længere medarbejderuddannelse, lav detektionseffektivitet og -nøjagtighed og spilder mange menneskelige ressourcer, hvilket er en betydelig udgift for virksomhedsledelsen. I de senere år har området for defektdetektering udviklet sig hurtigt, og virksomhedsejere bruger gradvist nye teknologier til at erstatte traditionelle manuelle visuelle inspektionsmetoder.

Fra et perspektiv af brancheudviklingstendenser er design af en automatisk detektionsenhed, der automatisk kan indhente og analysere defektbilleder i produktionsprocessen for ikke-vævede stoffer, et nødvendigt middel til at fremme produktionsudvikling, sikre produktkvalitet og reducere lønomkostninger. Siden 1980'erne har mange ingeniører forsøgt at bruge den relevante viden om computervision til defektdetektion af ikke-vævede stoffer. Nogle undersøgelser har brugt teksturanalysemetoder til at karakterisere defekter og opnå defektdetektion, mens andre har brugt kantdetektionsoperatorer til først at bestemme defektkonturen og sætte rimelige tærskler baseret på statistisk information om defektgråtoner for at opnå defektdetektion. Der er også undersøgelser, der bruger spektrale analysemetoder til at detektere defekter baseret på stoffers høje teksturperiodicitet.

Ovenstående metoder har opnået visse anvendelsesresultater i forbindelse med defektdetektionsproblemer, men der er stadig visse begrænsninger: for det første varierer formen og størrelsen af ​​defekter i faktiske produktionsmiljøer. Defektdetektionsalgoritmer baseret på maskinlæring og statistisk information kræver fastsættelse af tærskler baseret på forudgående viden, som ikke kan være effektive for alle defekter, hvilket resulterer i utilstrækkelig robusthed af denne metode. For det andet er traditionelle computervisionsmetoder normalt langsomme at udføre og kan ikke effektivt opfylde produktionens realtidskrav. Siden 1980'erne har maskinlæringsforskningen udviklet sig hurtigt, og anvendelsen af ​​relevant viden har drevet udviklingen af ​​mange industrier. Mange forskningsemner har vist, at anvendelsen af ​​maskinlæringsalgoritmer såsom BP neurale netværk og SVM i tekstildefektdetektion er effektiv. Disse metoder sikrer høj detektionsnøjagtighed og en vis grad af robusthed, og det er ikke svært at opdage gennem omhyggelig analyse af træningsprocessen for maskinlæring. Ydeevnen af ​​denne type algoritme afhænger hovedsageligt af valget af manuelle defektfunktioner. Hvis de manuelle funktioner ikke er komplette eller diskriminerende nok, vil modellens ydeevne også være dårlig.

Med den løbende forbedring af computerens beregningskraft og den hurtige udvikling af deep learning-teori i de senere år, er flere og flere begyndt at anvende deep learning til at detektere defekter i tekstiler. Deep learning kan effektivt undgå ufuldstændigheder i manuelt designede funktioner og har en høj detektionsnøjagtighed. Baseret på denne overvejelse bruger denne artikel computer vision og deep learning-relateret viden til at designe et automatisk system til detektion af defekter i ikke-vævede tekstiler, som effektivt forbedrer detektionsnøjagtigheden af ​​defekter og har god robusthed.