فناوری تشخیص نقص پارچه نبافته

پارچه‌های نبافته همیشه به عنوان مواد اولیه برای مواد مصرفی پزشکی یکبار مصرف مانند ماسک‌های جراحی، کلاه‌های پرستاری و کلاه‌های جراحی در تولید به طور گسترده مورد استفاده قرار گرفته‌اند. کیفیت مواد مصرفی پزشکی یکبار مصرف عمدتاً به کیفیت پارچه‌های نبافته بستگی دارد. با توجه به اینکه فرآیند تولید و حمل و نقل پارچه‌های نبافته نمی‌تواند خلوص مطلق محیط را تضمین کند و خود آنها توانایی جذب الکترواستاتیک قوی دارند، اغلب ناخالصی‌های کوچک موجود در هوا را جذب می‌کنند. بنابراین، اشیاء خارجی ممکن است در مناطق بسیار کمی از پارچه‌های نبافته وجود داشته باشند. ماده پارچه نبافته مورد مطالعه در این مقاله مستقیماً برای تولید ماسک استفاده می‌شود. پس از تجزیه و تحلیل نمونه‌های نقص انتخاب شده، مشخص شد که نسبت نقص‌های اشیاء خارجی، مانند حشرات و مو، بالاترین است. وجود این نقص مستقیماً منجر به کیفیت نامطلوب محصولات بعدی می‌شود و ورود محصولات معیوب نیز به شدت ممنوع است. بنابراین، تولیدکنندگان باید برخی از این نقص‌ها را برطرف کنند، در غیر این صورت ضررهای اقتصادی هنگفتی به همراه خواهد داشت.

در حال حاضر، اکثر شرکت‌های بزرگ در این صنعت از تجهیزات بازرسی بصری وارداتی برای تشخیص نقص استفاده می‌کنند. اگرچه نتایج خوب است، اما این تجهیزات معمولاً از نظر هزینه و نگهداری گران هستند و برای استفاده در شرکت‌ها و کارگاه‌های کوچک مناسب نیستند. اکثر شرکت‌های کوچک در چین هنوز از بازرسی بصری دستی سنتی برای غربالگری نقص استفاده می‌کنند. این روش نسبتاً ساده است، اما نیاز به آموزش طولانی‌تر کارگران، راندمان و دقت تشخیص پایین دارد و منابع انسانی زیادی را هدر می‌دهد که هزینه قابل توجهی برای مدیریت شرکت است. در سال‌های اخیر، حوزه تشخیص نقص به سرعت توسعه یافته است و صاحبان مشاغل به تدریج از فناوری‌های جدید برای جایگزینی روش‌های سنتی بازرسی بصری دستی استفاده می‌کنند.

از منظر روندهای توسعه صنعت، طراحی یک دستگاه تشخیص خودکار که بتواند به طور خودکار تصاویر نقص را در فرآیند تولید پارچه‌های نبافته دریافت و تجزیه و تحلیل کند، وسیله‌ای ضروری برای ارتقای توسعه تولید، تضمین کیفیت محصول و کاهش هزینه‌های نیروی کار است. از دهه 1980، بسیاری از مهندسان تلاش کرده‌اند تا از دانش مربوط به بینایی کامپیوتر برای تشخیص نقص پارچه‌های نبافته استفاده کنند. برخی مطالعات از روش‌های تحلیل بافت برای توصیف نقص‌ها و دستیابی به تشخیص نقص استفاده کرده‌اند، در حالی که برخی دیگر از عملگرهای تشخیص لبه برای تعیین اولیه کانتور نقص و تعیین آستانه‌های معقول بر اساس اطلاعات آماری خاکستری نقص برای دستیابی به تشخیص نقص استفاده کرده‌اند. همچنین مطالعاتی وجود دارد که از روش‌های تحلیل طیفی برای تشخیص نقص‌ها بر اساس تناوب بالای بافت پارچه‌ها استفاده می‌کنند.

روش‌های فوق به نتایج کاربردی خاصی در مسائل تشخیص نقص دست یافته‌اند، اما هنوز محدودیت‌های خاصی وجود دارد: اولاً، شکل و اندازه نقص‌ها در محیط‌های تولید واقعی متفاوت است. الگوریتم‌های تشخیص نقص مبتنی بر یادگیری ماشین و اطلاعات آماری نیاز به تعیین آستانه‌هایی بر اساس دانش قبلی دارند که نمی‌تواند برای همه نقص‌ها مؤثر باشد و منجر به استحکام ناکافی این روش می‌شود. ثانیاً، روش‌های سنتی بینایی کامپیوتر معمولاً در اجرا کند هستند و نمی‌توانند به طور مؤثر الزامات زمان واقعی تولید را برآورده کنند. از دهه 1980، حوزه تحقیقات یادگیری ماشین به سرعت توسعه یافته است و کاربرد دانش مرتبط، توسعه بسیاری از صنایع را هدایت کرده است. بسیاری از مباحث تحقیقاتی نشان داده‌اند که کاربرد الگوریتم‌های یادگیری ماشین مانند شبکه عصبی BP و SVM در تشخیص نقص پارچه مؤثر است. این روش‌ها دقت تشخیص بالا و درجه خاصی از استحکام را تضمین می‌کنند و کشف آن از طریق تجزیه و تحلیل دقیق فرآیند آموزش یادگیری ماشین دشوار نیست. عملکرد این نوع الگوریتم عمدتاً به انتخاب ویژگی‌های دستی نقص بستگی دارد. اگر ویژگی‌های دستی به اندازه کافی کامل یا متمایز نباشند، عملکرد مدل نیز ضعیف خواهد بود.

با بهبود مستمر قدرت محاسبات کامپیوتری و توسعه داغ نظریه یادگیری عمیق در سال‌های اخیر، افراد بیشتری شروع به استفاده از یادگیری عمیق در تشخیص نقص پارچه کرده‌اند. یادگیری عمیق می‌تواند به طور مؤثر از ناقص بودن ویژگی‌های طراحی‌شده دستی جلوگیری کند و دقت تشخیص بالایی دارد. بر اساس این ملاحظه، این مقاله از دانش مرتبط با بینایی کامپیوتر و یادگیری عمیق برای طراحی یک سیستم تشخیص خودکار نقص پارچه نبافته استفاده می‌کند که به طور مؤثر دقت تشخیص نقص‌ها را بهبود می‌بخشد و از استحکام خوبی برخوردار است.