Τεχνολογία ανίχνευσης ελαττωμάτων μη υφασμένου υφάσματος

Τα μη υφασμένα υφάσματα χρησιμοποιούνταν ανέκαθεν ευρέως ως πρώτες ύλες για ιατρικά αναλώσιμα μιας χρήσης, όπως χειρουργικές μάσκες, καπέλα νοσοκόμων και χειρουργικά σκουφάκια στην παραγωγή. Η ποιότητα των ιατρικών αναλώσιμων μιας χρήσης εξαρτάται κυρίως από την ποιότητα των μη υφασμένων υφασμάτων. Λόγω του γεγονότος ότι η διαδικασία παραγωγής και μεταφοράς των μη υφασμένων υφασμάτων δεν μπορεί να εγγυηθεί απόλυτη καθαρότητα του περιβάλλοντος και τα ίδια έχουν ισχυρή ηλεκτροστατική ικανότητα προσρόφησης, συχνά προσροφούν μικρές ακαθαρσίες στον αέρα. Επομένως, ξένα αντικείμενα μπορεί να υπάρχουν σε πολύ λίγες περιοχές μη υφασμένων υφασμάτων. Το υλικό μη υφασμένου υφάσματος που μελετήθηκε σε αυτό το άρθρο χρησιμοποιείται απευθείας για την παραγωγή μασκών. Μετά την ανάλυση των επιλεγμένων ελαττωματικών δειγμάτων, διαπιστώθηκε ότι το ποσοστό των ελαττωμάτων ξένων αντικειμένων, όπως έντομα και τρίχες, είναι το υψηλότερο. Η ύπαρξη αυτού του ελαττώματος οδηγεί άμεσα σε κατώτερη ποιότητα των επόμενων προϊόντων και τα ελαττωματικά προϊόντα απαγορεύονται επίσης αυστηρά να εισέλθουν στην αγορά. Επομένως, οι κατασκευαστές πρέπει να αφαιρέσουν ορισμένα από αυτά τα ελαττώματα, διαφορετικά θα προκληθούν τεράστιες οικονομικές απώλειες.

Προς το παρόν, οι περισσότερες μεγάλες εταιρείες του κλάδου χρησιμοποιούν εισαγόμενο εξοπλισμό οπτικής επιθεώρησης για την ανίχνευση ελαττωμάτων. Αν και τα αποτελέσματα είναι καλά, αυτός ο εξοπλισμός είναι συνήθως ακριβός σε κόστος και συντήρηση και δεν είναι κατάλληλος για μικρές επιχειρήσεις και εργαστήρια. Οι περισσότερες μικρές εταιρείες στην Κίνα εξακολουθούν να χρησιμοποιούν την παραδοσιακή χειροκίνητη οπτική επιθεώρηση για τον έλεγχο ελαττωμάτων. Αυτή η μέθοδος είναι σχετικά απλή, αλλά απαιτεί μεγαλύτερη εκπαίδευση των εργαζομένων, χαμηλή αποτελεσματικότητα και ακρίβεια ανίχνευσης και σπαταλά πολλούς ανθρώπινους πόρους, γεγονός που αποτελεί σημαντικό έξοδο για τη διοίκηση των επιχειρήσεων. Τα τελευταία χρόνια, ο τομέας της ανίχνευσης ελαττωμάτων έχει αναπτυχθεί ραγδαία και οι ιδιοκτήτες επιχειρήσεων χρησιμοποιούν σταδιακά νέες τεχνολογίες για να αντικαταστήσουν τις παραδοσιακές μεθόδους χειροκίνητης οπτικής επιθεώρησης.

Από την οπτική γωνία των τάσεων ανάπτυξης της βιομηχανίας, ο σχεδιασμός μιας αυτόματης συσκευής ανίχνευσης που μπορεί να λαμβάνει και να αναλύει αυτόματα εικόνες ελαττωμάτων κατά τη διαδικασία παραγωγής μη υφασμένων υφασμάτων αποτελεί απαραίτητο μέσο για την προώθηση της ανάπτυξης της παραγωγής, τη διασφάλιση της ποιότητας των προϊόντων και τη μείωση του κόστους εργασίας. Από τη δεκαετία του 1980, πολλοί μηχανικοί έχουν προσπαθήσει να χρησιμοποιήσουν τις σχετικές γνώσεις της υπολογιστικής όρασης για την ανίχνευση ελαττωμάτων μη υφασμένων υφασμάτων. Ορισμένες μελέτες έχουν χρησιμοποιήσει μεθόδους ανάλυσης υφής για τον χαρακτηρισμό ελαττωμάτων και την επίτευξη ανίχνευσης ελαττωμάτων, ενώ άλλες έχουν χρησιμοποιήσει τελεστές ανίχνευσης ακμών για να προσδιορίσουν πρώτα το περίγραμμα του ελαττώματος και να ορίσουν εύλογα όρια με βάση στατιστικές πληροφορίες σε κλίμακα του γκρι για την επίτευξη ανίχνευσης ελαττωμάτων. Υπάρχουν επίσης μελέτες που χρησιμοποιούν μεθόδους φασματικής ανάλυσης για την ανίχνευση ελαττωμάτων με βάση την υψηλή περιοδικότητα της υφής των υφασμάτων.

Οι παραπάνω μέθοδοι έχουν επιτύχει ορισμένα αποτελέσματα εφαρμογής σε προβλήματα ανίχνευσης ελαττωμάτων, αλλά εξακολουθούν να υπάρχουν ορισμένοι περιορισμοί: πρώτον, το σχήμα και το μέγεθος των ελαττωμάτων σε πραγματικά περιβάλλοντα παραγωγής ποικίλλουν. Οι αλγόριθμοι ανίχνευσης ελαττωμάτων που βασίζονται στη μηχανική μάθηση και στις στατιστικές πληροφορίες απαιτούν τον καθορισμό κατωφλίων με βάση την προηγούμενη γνώση, η οποία δεν μπορεί να είναι αποτελεσματική για όλα τα ελαττώματα, με αποτέλεσμα την ανεπαρκή αξιοπιστία αυτής της μεθόδου. Δεύτερον, οι παραδοσιακές μέθοδοι υπολογιστικής όρασης είναι συνήθως αργές στην εκτέλεση και δεν μπορούν να ανταποκριθούν αποτελεσματικά στις απαιτήσεις παραγωγής σε πραγματικό χρόνο. Από τη δεκαετία του 1980, ο τομέας της έρευνας μηχανικής μάθησης έχει αναπτυχθεί ραγδαία και η εφαρμογή σχετικής γνώσης έχει οδηγήσει στην ανάπτυξη πολλών βιομηχανιών. Πολλά ερευνητικά θέματα έχουν δείξει ότι η εφαρμογή αλγορίθμων μηχανικής μάθησης, όπως το νευρωνικό δίκτυο BP και το SVM, στην ανίχνευση ελαττωμάτων υφάσματος είναι αποτελεσματική. Αυτές οι μέθοδοι εξασφαλίζουν υψηλή ακρίβεια ανίχνευσης και ένα ορισμένο βαθμό αξιοπιστίας και δεν είναι δύσκολο να ανακαλυφθεί μέσω προσεκτικής ανάλυσης της διαδικασίας εκπαίδευσης της μηχανικής μάθησης. Η απόδοση αυτού του τύπου αλγορίθμου εξαρτάται κυρίως από την επιλογή των χειροκίνητων χαρακτηριστικών ελαττωμάτων. Εάν τα χειροκίνητα χαρακτηριστικά δεν είναι αρκετά πλήρη ή διακριτικά, η απόδοση του μοντέλου θα είναι επίσης κακή.

Με τη συνεχή βελτίωση της υπολογιστικής ισχύος των υπολογιστών και την ραγδαία ανάπτυξη της θεωρίας βαθιάς μάθησης τα τελευταία χρόνια, όλο και περισσότεροι άνθρωποι έχουν αρχίσει να εφαρμόζουν τη βαθιά μάθηση στην ανίχνευση ελαττωμάτων υφασμάτων. Η βαθιά μάθηση μπορεί να αποφύγει αποτελεσματικά την ατελή λειτουργία χειροκίνητα σχεδιασμένων χαρακτηριστικών και έχει υψηλή ακρίβεια ανίχνευσης. Με βάση αυτή την παρατήρηση, το άρθρο αυτό χρησιμοποιεί την υπολογιστική όραση και τη γνώση που σχετίζεται με τη βαθιά μάθηση για να σχεδιάσει ένα αυτόματο σύστημα ανίχνευσης ελαττωμάτων μη υφασμένων υφασμάτων, το οποίο βελτιώνει αποτελεσματικά την ακρίβεια ανίχνευσης ελαττωμάτων και έχει καλή ανθεκτικότητα.