Mittekootud kanga defektide tuvastamise tehnoloogia

Lausriideid on alati laialdaselt kasutatud ühekordselt kasutatavate meditsiinitarvete, näiteks kirurgiliste maskide, õemütside ja kirurgiliste korkide toorainena. Ühekordselt kasutatavate meditsiinitarvete kvaliteet sõltub peamiselt lausriide kvaliteedist. Kuna lausriide tootmis- ja transpordiprotsess ei saa garanteerida keskkonna absoluutset puhtust ning neil endil on tugev elektrostaatiline adsorptsioonivõime, adsorbeerivad nad sageli õhus olevaid väikeseid lisandeid. Seetõttu võivad võõrkehad esineda lausriide väga vähestes kohtades. Selles artiklis uuritud lausriidematerjali kasutatakse otse maskide tootmiseks. Pärast valitud defektiproovide analüüsimist leiti, et võõrkehade defektide, näiteks putukate ja juuste osakaal on kõrgeim. Selle defekti olemasolu viib otseselt järgnevate toodete ebakvaliteetse kvaliteedini ning defektsete toodete turule sisenemine on samuti rangelt keelatud. Seetõttu peavad tootjad mõned neist defektidest eemaldama, vastasel juhul põhjustab see tohutut majanduslikku kahju.

Praegu kasutab enamik suurettevõtteid defektide tuvastamiseks imporditud visuaalse kontrolli seadmeid. Kuigi tulemused on head, on need seadmed tavaliselt kulukad ja hoolduselt kallid ning ei sobi väikeettevõtetele ja töökodadele kasutamiseks. Enamik Hiina väikeettevõtteid kasutab defektide sõelumiseks endiselt traditsioonilist käsitsi visuaalset kontrolli. See meetod on suhteliselt lihtne, kuid nõuab pikemat töötajate koolitust, madalat avastamise efektiivsust ja täpsust ning raiskab palju inimressursse, mis on ettevõtte juhtimisele märkimisväärne kulu. Viimastel aastatel on defektide tuvastamise valdkond kiiresti arenenud ja ettevõtete omanikud kasutavad järk-järgult uusi tehnoloogiaid, et asendada traditsioonilisi käsitsi visuaalse kontrolli meetodeid.

Tööstusharu arengusuundade seisukohast on automaatse tuvastusseadme kavandamine, mis suudab automaatselt hankida ja analüüsida lausriide tootmisprotsessis esinevaid defektide kujutisi, vajalik vahend tootmise arendamise edendamiseks, toote kvaliteedi tagamiseks ja tööjõukulude vähendamiseks. Alates 1980. aastatest on paljud insenerid püüdnud kasutada arvutinägemise asjakohaseid teadmisi lausriide defektide tuvastamiseks. Mõnedes uuringutes on defektide iseloomustamiseks ja defektide tuvastamiseks kasutatud tekstuurianalüüsi meetodeid, samas kui teistes on kasutatud servade tuvastamise operaatoreid, et kõigepealt määrata defekti kontuur ja seada defektide halltoonide statistilise teabe põhjal mõistlikud läviväärtused defektide tuvastamiseks. Samuti on uuringuid, mis kasutavad spektraalanalüüsi meetodeid defektide tuvastamiseks, mis põhinevad kangaste kõrgel tekstuuriperioodil.

Ülaltoodud meetodid on saavutanud teatud rakendustulemusi defektide tuvastamise probleemide osas, kuid siiski on teatud piirangud: esiteks on defektide kuju ja suurus tegelikes tootmiskeskkondades erinev. Masinõppel ja statistilisel teabel põhinevad defektide tuvastamise algoritmid nõuavad eelnevate teadmiste põhjal künniste seadmist, mis ei saa olla kõigi defektide puhul tõhusad, mille tulemuseks on selle meetodi ebapiisav robustsus. Teiseks on traditsioonilised arvutinägemise meetodid tavaliselt aeglased ja ei suuda tõhusalt täita tootmise reaalajas nõudeid. Alates 1980. aastatest on masinõppe uuringute valdkond kiiresti arenenud ning asjakohaste teadmiste rakendamine on edendanud paljude tööstusharude arengut. Paljud uurimisteemad on näidanud, et masinõppe algoritmide, näiteks BP närvivõrgu ja SVM-i, rakendamine kangadefektide tuvastamisel on tõhus. Need meetodid tagavad kõrge tuvastustäpsuse ja teatud robustsusastme ning seda pole masinõppe treeningprotsessi hoolika analüüsi abil raske avastada. Seda tüüpi algoritmi jõudlus sõltub peamiselt defektide käsitsi valitud tunnustest. Kui käsitsi valitud tunnused ei ole piisavalt täielikud või eristavad, on ka mudeli jõudlus halb.

Arvutite arvutusvõimsuse pideva täiustumise ja süvaõppe teooria kiire arenguga viimastel aastatel on üha rohkem inimesi hakanud süvaõpet rakendama kangadefektide tuvastamisel. Süvaõpe võimaldab tõhusalt vältida käsitsi kujundatud tunnuste ebatäiusi ja sellel on kõrge tuvastustäpsus. Seda kaalutlust arvestades kasutab see artikkel arvutinägemise ja süvaõppega seotud teadmisi lausriidedefektide automaatse tuvastamise süsteemi kujundamiseks, mis parandab tõhusalt defektide tuvastamise täpsust ja on hea töökindlusega.