Teknologio por detekti difektojn en neteksitaj ŝtofoj

Neteksitaj ŝtofoj ĉiam estis vaste uzataj kiel krudmaterialoj por unu-uzaj medicinaj konsumaĵoj kiel kirurgiaj maskoj, flegistinaj ĉapoj kaj kirurgiaj ĉapoj en produktado. La kvalito de unu-uzaj medicinaj konsumaĵoj ĉefe dependas de la kvalito de la neteksitaj ŝtofoj. Pro la fakto, ke la produktado kaj transportado de neteksitaj ŝtofoj ne povas garantii absolutan purecon de la medio, kaj ili mem havas fortan elektrostatikan adsorban kapablon, ili ofte adsorbas malgrandajn malpuraĵojn en la aero. Tial, fremdaj objektoj povas ekzisti en tre malmultaj areoj de neteksitaj ŝtofoj. La neteksita ŝtofa materialo studita en ĉi tiu artikolo estas rekte uzata por la produktado de maskoj. Post analizo de la elektitaj difektaj specimenoj, oni trovis, ke la proporcio de fremdaj objektoj, kiel insektoj kaj haroj, estas la plej alta. La ekzisto de ĉi tiu difekto rekte kondukas al subnorma kvalito de postaj produktoj, kaj difektaj produktoj ankaŭ estas strikte malpermesitaj eniri la merkaton. Tial, fabrikantoj devas forigi iujn el ĉi tiuj difektoj, alie tio kaŭzos grandegajn ekonomiajn perdojn.

Nuntempe, plej multaj grandaj kompanioj en la industrio uzas importitajn vidajn inspektajn ekipaĵojn por difektodetekto. Kvankam la rezultoj estas bonaj, ĉi tiuj ekipaĵoj kutime estas multekostaj laŭ kosto kaj bontenado, kaj ne taŭgas por malgrandaj entreprenoj kaj metiejoj. Plej multaj malgrandaj kompanioj en Ĉinio ankoraŭ uzas tradician manan vidan inspektadon por difektodetekto. Ĉi tiu metodo estas relative simpla, sed postulas pli longan trejnadon de laboristoj, malaltan detektan efikecon kaj precizecon, kaj malŝparas multajn homajn rimedojn, kio estas signifa elspezo por entreprena administrado. En la lastaj jaroj, la kampo de difektodetekto rapide disvolviĝis, kaj entreprenposedantoj iom post iom uzas novajn teknologiojn por anstataŭigi tradiciajn manajn vidajn inspektajn metodojn.

El la perspektivo de industriaj disvolviĝaj tendencoj, la dizajnado de aŭtomata detektilo, kiu povas aŭtomate akiri kaj analizi difektajn bildojn en la produktada procezo de neteksitaj ŝtofoj, estas necesa rimedo por antaŭenigi produktadan disvolviĝon, certigi produktokvaliton kaj redukti laborkostojn. Ekde la 1980-aj jaroj, multaj inĝenieroj provis uzi la koncernan scion pri komputila vidado por difektodetekto de neteksitaj ŝtofoj. Kelkaj studoj uzis teksturajn analizajn metodojn por karakterizi difektojn kaj atingi difektodetekton, dum aliaj uzis randdetektajn operatorojn por unue determini la difektokonturon kaj starigi akcepteblajn sojlojn bazitajn sur grizskalaj statistikaj informoj pri difektoj por atingi difektodetekton. Ekzistas ankaŭ studoj, kiuj uzas spektrajn analizajn metodojn por detekti difektojn bazitajn sur la alta tekstura periodeco de ŝtofoj.

La supre menciitaj metodoj atingis certajn aplikajn rezultojn en problemoj pri difektodetekto, sed ankoraŭ ekzistas certaj limigoj: unue, la formo kaj grandeco de difektoj en faktaj produktadaj medioj varias. Difektodetekto-algoritmoj bazitaj sur maŝinlernado kaj statistikaj informoj postulas difini sojlojn bazitajn sur antaŭa scio, kio ne povas esti efika por ĉiuj difektoj, rezultante en nesufiĉa fortikeco de ĉi tiu metodo. Due, tradiciaj komputilvidaj metodoj kutime estas malrapidaj por efektivigi kaj ne povas efike plenumi la realtempajn postulojn de produktado. Ekde la 1980-aj jaroj, la kampo de maŝinlernada esplorado rapide disvolviĝis, kaj la apliko de koncerna scio pelis la disvolviĝon de multaj industrioj. Multaj esplortemoj montris, ke la apliko de maŝinlernadaj algoritmoj kiel BP neŭrala reto kaj SVM en ŝtofa difektodetekto estas efika. Ĉi tiuj metodoj certigas altan detektan precizecon kaj certan gradon da fortikeco, kaj ne estas malfacile malkovri tion per zorgema analizo de la trejnadprocezo de maŝinlernado. La rendimento de ĉi tiu tipo de algoritmo ĉefe dependas de la elekto de manaj difektotrajtoj. Se la manaj trajtoj ne estas sufiĉe kompletaj aŭ distingaj, la rendimento de la modelo ankaŭ estos malbona.

Kun la kontinua plibonigo de komputila komputado kaj la varmega disvolviĝo de profunda lernado-teorio en la lastaj jaroj, pli kaj pli da homoj komencis apliki profundan lernadon al la detekto de ŝtofaj difektoj. Profunda lernado povas efike eviti la nekompletecon de mane dizajnitaj trajtoj kaj havas altan detektan precizecon. Bazite sur ĉi tiu konsidero, ĉi tiu artikolo uzas komputilan vidadon kaj profundan lernadon rilatajn sciojn por desegni aŭtomatan sistemon por detekti neteksitajn ŝtofdifektojn, kiu efike plibonigas la detektan precizecon de difektoj kaj havas bonan fortikecon.