Kuitukankaan virheiden havaitsemistekniikka

Kuitukankaita on aina käytetty laajalti raaka-aineena kertakäyttöisille lääketieteellisille kulutustarvikkeille, kuten kirurgisille maskeille, sairaanhoitajien hatuille ja kirurgisille myssyille. Kertakäyttöisten lääketieteellisten kulutustarvikkeiden laatu riippuu pääasiassa kuitukankaiden laadusta. Koska kuitukankaiden tuotanto- ja kuljetusprosessi ei voi taata ympäristön absoluuttista puhtautta, ja niillä itsellään on vahva sähköstaattinen adsorptiokyky, ne usein adsorboivat pieniä epäpuhtauksia ilmasta. Siksi vieraita esineitä voi esiintyä hyvin harvoilla kuitukankaiden alueilla. Tässä artikkelissa tutkittua kuitukangasta käytetään suoraan maskien valmistukseen. Valittujen vikanäytteiden analysoinnin jälkeen havaittiin, että vieraiden esineiden, kuten hyönteisten ja hiusten, osuus on suurin. Tämän vian olemassaolo johtaa suoraan seuraavien tuotteiden heikkoon laatuun, ja viallisten tuotteiden pääsy markkinoille on myös ehdottomasti kielletty. Siksi valmistajien on poistettava osa näistä vioista, muuten se aiheuttaa valtavia taloudellisia tappioita.

Tällä hetkellä useimmat alan suuryritykset käyttävät maahantuotuja visuaalisia tarkastuslaitteita vikojen havaitsemiseen. Vaikka tulokset ovat hyviä, nämä laitteet ovat yleensä kustannuksiltaan ja ylläpidoltaan kalliita, eivätkä ne sovellu pienten yritysten ja työpajojen käyttöön. Useimmat pienet yritykset Kiinassa käyttävät edelleen perinteistä manuaalista visuaalista tarkastusta vikojen seulontaan. Tämä menetelmä on suhteellisen yksinkertainen, mutta vaatii pidempää työntekijöiden koulutusta, on heikkoa havaitsemistehokkuutta ja tarkkuutta, ja se tuhlaa paljon henkilöstöresursseja, mikä on merkittävä kustannus yrityksen johdolle. Viime vuosina vikojen havaitsemisen ala on kehittynyt nopeasti, ja yritysten omistajat käyttävät vähitellen uusia teknologioita korvatakseen perinteiset manuaaliset visuaaliset tarkastusmenetelmät.

Alan kehitystrendien näkökulmasta automaattisen tunnistuslaitteen suunnittelu, joka pystyy automaattisesti hankkimaan ja analysoimaan vikakuvia kuitukankaiden tuotantoprosessissa, on välttämätön keino edistää tuotannon kehittämistä, varmistaa tuotteen laatu ja vähentää työvoimakustannuksia. 1980-luvulta lähtien monet insinöörit ovat pyrkineet hyödyntämään konenäön asiaankuuluvaa tietämystä kuitukankaiden vikojen havaitsemisessa. Joissakin tutkimuksissa on käytetty tekstuurianalyysimenetelmiä vikojen karakterisointiin ja vikojen havaitsemiseen, kun taas toisissa on käytetty reunantunnistusoperaattoreita vian muodon määrittämiseen ja kohtuullisten kynnysarvojen asettamiseen vikojen harmaasävytilastotietojen perusteella vikojen havaitsemiseksi. On myös tutkimuksia, joissa käytetään spektrianalyysimenetelmiä vikojen havaitsemiseen kankaiden korkean tekstuurijaksollisuuden perusteella.

Yllä mainitut menetelmät ovat saavuttaneet tiettyjä sovellustuloksia viantunnistusongelmissa, mutta tiettyjä rajoituksia on edelleen: ensinnäkin vikojen muoto ja koko vaihtelevat todellisissa tuotantoympäristöissä. Koneoppimiseen ja tilastotietoon perustuvat viantunnistusalgoritmit vaativat ennakkotietoon perustuvien kynnysarvojen asettamista, mikä ei voi olla tehokasta kaikille vioille, mikä johtaa menetelmän riittämättömään luotettavuuteen. Toiseksi, perinteiset konenäkömenetelmät ovat yleensä hitaita toteuttaa eivätkä pysty tehokkaasti täyttämään tuotannon reaaliaikaisia ​​vaatimuksia. 1980-luvulta lähtien koneoppimistutkimuksen ala on kehittynyt nopeasti, ja asiaankuuluvan tiedon soveltaminen on vauhdittanut monien teollisuudenalojen kehitystä. Monet tutkimusaiheet ovat osoittaneet, että koneoppimisalgoritmien, kuten BP-hermoverkon ja SVM:n, soveltaminen kudosviantunnistuksessa on tehokasta. Nämä menetelmät takaavat korkean tunnistustarkkuuden ja tietynasteisen luotettavuuden, eikä tätä ole vaikea havaita koneoppimisen koulutusprosessin huolellisen analyysin avulla. Tämän tyyppisen algoritmin suorituskyky riippuu pääasiassa vian manuaalisten ominaisuuksien valinnasta. Jos manuaaliset ominaisuudet eivät ole riittävän täydellisiä tai erottelevia, myös mallin suorituskyky on heikko.

Tietokoneiden laskentatehon jatkuvan parantumisen ja syväoppimisteorian nopean kehityksen myötä viime vuosina yhä useammat ihmiset ovat alkaneet soveltaa syväoppimista kangasvirheiden havaitsemiseen. Syväoppiminen voi tehokkaasti välttää manuaalisesti suunniteltujen ominaisuuksien epätäydellisyydet ja sillä on korkea havaitsemistarkkuus. Tämän näkökohdan perusteella tässä artikkelissa käytetään konenäköön ja syväoppimiseen liittyvää tietoa kuitukankaiden automaattisen virheiden havaitsemisjärjestelmän suunnitteluun, joka parantaa tehokkaasti virheiden havaitsemistarkkuutta ja jolla on hyvä kestävyys.