Technology foar it opspoaren fan defekten yn net-woven stoffen

Net-woven stoffen binne altyd in soad brûkt as grûnstoffen foar wegwerp medyske konsumpsjeartikelen lykas sjirurgyske maskers, ferpleechkundige hoeden en sjirurgyske kappen yn produksje. De kwaliteit fan wegwerp medyske konsumpsjeartikelen hinget benammen ôf fan 'e kwaliteit fan net-woven stoffen. Troch it feit dat it produksje- en transportproses fan net-woven stoffen gjin absolute suverens fan 'e omjouwing garandearje kin, en se sels in sterke elektrostatyske adsorpsjekapasiteit hawwe, adsorbearje se faak lytse ûnreinheden yn 'e loft. Dêrom kinne frjemde objekten yn heul pear gebieten fan net-woven stoffen bestean. It net-woven stofmateriaal dat yn dit artikel bestudearre wurdt, wurdt direkt brûkt foar de produksje fan maskers. Nei it analysearjen fan 'e selekteare defektmonsters waard fûn dat it oanpart fan frjemde objektdefekten, lykas ynsekten en hier, it heechst is. It bestean fan dit defekt liedt direkt ta ûndermaatse kwaliteit fan folgjende produkten, en defekte produkten binne ek strang ferbean om op 'e merk te kommen. Dêrom moatte fabrikanten guon fan dizze defekten fuortsmite, oars sil it enoarme ekonomyske ferliezen feroarsaakje.

Op it stuit brûke de measte grutte bedriuwen yn 'e sektor ymportearre fisuele ynspeksjeapparatuer foar it opspoaren fan defekten. Hoewol de resultaten goed binne, binne dizze apparatuer meastentiids djoer yn kosten en ûnderhâld, en binne se net geskikt foar lytse bedriuwen en workshops. De measte lytse bedriuwen yn Sina brûke noch altyd tradisjonele manuele fisuele ynspeksje foar it screenen fan defekten. Dizze metoade is relatyf ienfâldich, mar fereasket langere training fan arbeiders, lege deteksje-effisjinsje en krektens, en fergriemt in soad minsklike middels, wat in wichtige útjefte is foar it bedriuwsbehear. Yn 'e lêste jierren hat it mêd fan it opspoaren fan defekten him rap ûntwikkele, en bedriuwseigners brûke stadichoan nije technologyen om tradisjonele manuele fisuele ynspeksjemetoaden te ferfangen.

Fanút it perspektyf fan trends yn 'e ûntwikkeling fan 'e yndustry is it ûntwerpen fan in automatysk deteksjeapparaat dat automatysk defektôfbyldings kin krije en analysearje yn it produksjeproses fan net-woven stoffen in needsaaklik middel om produksjeûntwikkeling te befoarderjen, produktkwaliteit te garandearjen en arbeidskosten te ferminderjen. Sûnt de jierren '80 hawwe in protte yngenieurs besocht de relevante kennis fan kompjûterfisy te brûken foar defektdeteksje fan net-woven stoffen. Guon stúdzjes hawwe tekstueranalysemetoaden brûkt om defekten te karakterisearjen en defektdeteksje te berikken, wylst oaren rânedeteksjeoperators hawwe brûkt om earst de defektkontoer te bepalen en ridlike drompelwearden yn te stellen op basis fan statistyske ynformaasje oer defektgriisskaal om defektdeteksje te berikken. D'r binne ek stúdzjes dy't spektrale analysemetoaden brûke om defekten te detektearjen op basis fan 'e hege tekstuerperiodisiteit fan stoffen.

De boppesteande metoaden hawwe bepaalde tapassingsresultaten berikt yn problemen mei it opspoaren fan defekten, mar d'r binne noch bepaalde beheiningen: earst ferskille de foarm en grutte fan defekten yn werklike produksjeomjouwings. Algoritmes foar it opspoaren fan defekten basearre op masinelearen en statistyske ynformaasje fereaskje it ynstellen fan drompelwearden basearre op foarôfgeande kennis, dy't net effektyf kinne wêze foar alle defekten, wat resulteart yn ûnfoldwaande robuustheid fan dizze metoade. Twadder binne tradisjonele kompjûterfisymetoaden meastentiids stadich út te fieren en kinne se net effektyf foldwaan oan 'e real-time easken fan produksje. Sûnt de jierren '80 hat it fjild fan masinelearenûndersyk him rap ûntwikkele, en de tapassing fan relevante kennis hat de ûntwikkeling fan in protte yndustryen oandreaun. In protte ûndersyksûnderwerpen hawwe oantoand dat de tapassing fan masinelearenalgoritmes lykas BP neuraal netwurk en SVM yn stofdefektdeteksje effektyf is. Dizze metoaden soargje foar hege deteksjekrektens en in bepaalde mjitte fan robuustheid, en it is net dreech te ûntdekken troch soarchfâldige analyze fan it trainingsproses fan masinelearen. De prestaasjes fan dit type algoritme hinget benammen ôf fan 'e seleksje fan manuele funksjes foar defekten. As de manuele funksjes net folslein of ûnderskiedend genôch binne, sille de prestaasjes fan it model ek min wêze.

Mei de trochgeande ferbettering fan kompjûterrekenkrêft en de rappe ûntwikkeling fan djippe learteory yn 'e lêste jierren, binne hieltyd mear minsken begûn mei it tapassen fan djip learen foar it opspoaren fan stofdefekten. Djip learen kin effektyf de ûnfolsleinens fan mei de hân ûntworpen funksjes foarkomme en hat in hege deteksjekrektens. Op basis fan dizze oerweging brûkt dit artikel kompjûterfisy en djippe lear-relatearre kennis om in automatysk deteksjesysteem foar net-woven stofdefekten te ûntwerpen, dat de deteksjekrektens fan defekten effektyf ferbetteret en in goede robuustheid hat.