Tecnología de detección de defectos en tejidos no tejidos

Las telas no tejidas siempre se han utilizado ampliamente como materia prima para la fabricación de consumibles médicos desechables, como mascarillas quirúrgicas, gorros de enfermera y gorros quirúrgicos. La calidad de estos consumibles depende principalmente de la calidad de las telas no tejidas. Debido a que el proceso de producción y transporte de las telas no tejidas no puede garantizar una pureza ambiental absoluta, y a que poseen una fuerte capacidad de adsorción electrostática, a menudo adsorben pequeñas impurezas en el aire. Por lo tanto, es posible que existan objetos extraños en muy pocas áreas de las telas no tejidas. El material de tela no tejida estudiado en este artículo se utiliza directamente para la producción de mascarillas. Tras analizar las muestras con defectos seleccionados, se observó que la proporción de defectos por objetos extraños, como insectos y cabello, es la más alta. La existencia de este defecto conduce directamente a una calidad deficiente de los productos posteriores, y los productos defectuosos también están estrictamente prohibidos para su comercialización. Por lo tanto, los fabricantes deben eliminar algunos de estos defectos; de lo contrario, se producirán enormes pérdidas económicas.

Actualmente, la mayoría de las grandes empresas del sector utilizan equipos de inspección visual importados para la detección de defectos. Si bien los resultados son buenos, estos equipos suelen ser costosos en cuanto a costo y mantenimiento, y no son adecuados para pequeñas empresas y talleres. La mayoría de las pequeñas empresas en China aún utilizan la inspección visual manual tradicional para la detección de defectos. Este método es relativamente simple, pero requiere una mayor capacitación del personal, baja eficiencia y precisión de detección, y desperdicia una gran cantidad de recursos humanos, lo que representa un gasto significativo para la gestión empresarial. En los últimos años, el campo de la detección de defectos se ha desarrollado rápidamente y los empresarios están utilizando gradualmente nuevas tecnologías para reemplazar los métodos tradicionales de inspección visual manual.

Desde la perspectiva de las tendencias de desarrollo de la industria, diseñar un dispositivo de detección automática que pueda obtener y analizar automáticamente imágenes de defectos en el proceso de producción de telas no tejidas es un medio necesario para promover el desarrollo de la producción, garantizar la calidad del producto y reducir los costos laborales. Desde la década de 1980, muchos ingenieros han intentado utilizar el conocimiento relevante de la visión artificial para la detección de defectos en telas no tejidas. Algunos estudios han utilizado métodos de análisis de textura para caracterizar defectos y lograr la detección de defectos, mientras que otros han utilizado operadores de detección de bordes para determinar primero el contorno del defecto y establecer umbrales razonables basados ​​en la información estadística de la escala de grises del defecto para lograr la detección de defectos. También hay estudios que utilizan métodos de análisis espectral para detectar defectos basados ​​en la alta periodicidad de la textura de las telas.

Los métodos mencionados han logrado ciertos resultados en la detección de defectos, pero aún presentan ciertas limitaciones: en primer lugar, la forma y el tamaño de los defectos varían en entornos de producción reales. Los algoritmos de detección de defectos basados ​​en aprendizaje automático e información estadística requieren establecer umbrales basados ​​en conocimiento previo, lo cual no es efectivo para todos los defectos, lo que resulta en una robustez insuficiente. En segundo lugar, los métodos tradicionales de visión artificial suelen ser lentos de ejecutar y no pueden satisfacer eficazmente las necesidades de producción en tiempo real. Desde la década de 1980, el campo de la investigación en aprendizaje automático se ha desarrollado rápidamente, y la aplicación de conocimientos relevantes ha impulsado el desarrollo de muchas industrias. Numerosas investigaciones han demostrado la eficacia de la aplicación de algoritmos de aprendizaje automático, como las redes neuronales BP y las máquinas de modelado de señales (SVM), en la detección de defectos en tejidos. Estos métodos garantizan una alta precisión de detección y cierto grado de robustez, lo cual no es difícil de descubrir mediante un análisis exhaustivo del proceso de entrenamiento del aprendizaje automático. El rendimiento de este tipo de algoritmo depende principalmente de la selección de las características manuales de los defectos. Si las características manuales no son lo suficientemente completas o discriminantes, el rendimiento del modelo también será deficiente.

Con la continua mejora de la capacidad de procesamiento de las computadoras y el gran desarrollo de la teoría del aprendizaje profundo en los últimos años, cada vez más personas han comenzado a aplicar el aprendizaje profundo a la detección de defectos en telas. El aprendizaje profundo puede evitar eficazmente la incompletitud de las características diseñadas manualmente y ofrece una alta precisión de detección. Con base en esta consideración, este artículo utiliza conocimientos relacionados con la visión artificial y el aprendizaje profundo para diseñar un sistema automático de detección de defectos en telas no tejidas, que mejora eficazmente la precisión de detección de defectos y ofrece una buena robustez.