Tecnoloxía de detección de defectos en tecidos non tecidos

Os tecidos non tecidos sempre foron amplamente utilizados como materia prima para consumibles médicos desbotables, como máscaras cirúrxicas, gorros de enfermeira e gorros cirúrxicos na produción. A calidade dos consumibles médicos desbotables depende principalmente da calidade dos tecidos non tecidos. Debido a que o proceso de produción e transporte de tecidos non tecidos non pode garantir a pureza absoluta do ambiente e que eles mesmos teñen unha forte capacidade de adsorción electrostática, a miúdo adsorben pequenas impurezas no aire. Polo tanto, os obxectos estraños poden existir en moi poucas áreas dos tecidos non tecidos. O material de tecido non tecido estudado neste artigo úsase directamente para a produción de máscaras. Despois de analizar as mostras de defectos seleccionadas, descubriuse que a proporción de defectos de obxectos estraños, como insectos e cabelo, é a máis alta. A existencia deste defecto leva directamente a unha calidade deficiente dos produtos posteriores e os produtos defectuosos tamén están estritamente prohibidos de entrar no mercado. Polo tanto, os fabricantes deben eliminar algúns destes defectos, se non, causará enormes perdas económicas.

Na actualidade, a maioría das grandes empresas do sector empregan equipos de inspección visual importados para a detección de defectos. Aínda que os resultados son bos, estes equipos adoitan ser caros en termos de custo e mantemento, e non son axeitados para pequenas empresas e talleres. A maioría das pequenas empresas da China aínda empregan a inspección visual manual tradicional para a detección de defectos. Este método é relativamente sinxelo, pero require unha formación máis longa dos traballadores, unha baixa eficiencia e precisión de detección e un desperdicio de moitos recursos humanos, o que supón un gasto significativo para a xestión empresarial. Nos últimos anos, o campo da detección de defectos desenvolveuse rapidamente e os propietarios de empresas están a utilizar gradualmente novas tecnoloxías para substituír os métodos tradicionais de inspección visual manual.

Desde a perspectiva das tendencias de desenvolvemento da industria, deseñar un dispositivo de detección automática que poida obter e analizar automaticamente imaxes de defectos no proceso de produción de tecidos non tecidos é un medio necesario para promover o desenvolvemento da produción, garantir a calidade do produto e reducir os custos laborais. Desde a década de 1980, moitos enxeñeiros intentaron usar os coñecementos relevantes da visión por computador para a detección de defectos en tecidos non tecidos. Algúns estudos utilizaron métodos de análise de texturas para caracterizar defectos e lograr a detección de defectos, mentres que outros utilizaron operadores de detección de bordos para determinar primeiro o contorno do defecto e establecer limiares razoables baseados na información estatística de escala de grises de defectos para lograr a detección de defectos. Tamén hai estudos que utilizan métodos de análise espectral para detectar defectos baseados na alta periodicidade da textura dos tecidos.

Os métodos anteriores acadaron certos resultados de aplicación en problemas de detección de defectos, pero aínda existen certas limitacións: en primeiro lugar, a forma e o tamaño dos defectos nos entornos de produción reais varían. Os algoritmos de detección de defectos baseados na aprendizaxe automática e na información estatística requiren o establecemento de limiares baseados en coñecementos previos, que non poden ser efectivos para todos os defectos, o que resulta nunha robustez insuficiente deste método. En segundo lugar, os métodos tradicionais de visión por computador adoitan ser lentos de executar e non poden cumprir eficazmente os requisitos de produción en tempo real. Desde a década de 1980, o campo da investigación da aprendizaxe automática desenvolveuse rapidamente e a aplicación do coñecemento relevante impulsou o desenvolvemento de moitas industrias. Moitos temas de investigación demostraron que a aplicación de algoritmos de aprendizaxe automática, como a rede neuronal BP e a SVM, na detección de defectos de tecido é eficaz. Estes métodos garanten unha alta precisión de detección e un certo grao de robustez, e non é difícil descubrilo mediante unha análise coidadosa do proceso de adestramento da aprendizaxe automática. O rendemento deste tipo de algoritmo depende principalmente da selección das características manuais de defectos. Se as características manuais non son completas ou o suficientemente discriminativas, o rendemento do modelo tamén será deficiente.

Coa mellora continua da potencia informática dos ordenadores e o desenvolvemento acelerado da teoría da aprendizaxe profunda nos últimos anos, cada vez máis persoas comezaron a aplicar a aprendizaxe profunda á detección de defectos nos tecidos. A aprendizaxe profunda pode evitar eficazmente a incompletitude das características deseñadas manualmente e ten unha alta precisión de detección. Baseándose nesta consideración, este artigo utiliza coñecementos relacionados coa visión por computador e a aprendizaxe profunda para deseñar un sistema automático de detección de defectos en tecidos non tecidos, que mellora eficazmente a precisión da detección de defectos e ten unha boa robustez.