Tehnologija otkrivanja nedostataka netkanih tkanina

Netkane tkanine oduvijek su se široko koristile kao sirovine za jednokratni medicinski potrošni materijal poput kirurških maski, medicinskih šešira i kirurških kapa u proizvodnji. Kvaliteta jednokratnog medicinskog potrošnog materijala uglavnom ovisi o kvaliteti netkanih tkanina. Zbog činjenice da proces proizvodnje i transporta netkanih tkanina ne može jamčiti apsolutnu čistoću okoliša, a same po sebi imaju snažnu elektrostatičku sposobnost adsorpcije, često adsorbiraju male nečistoće u zraku. Stoga se strani predmeti mogu nalaziti u vrlo malom broju područja netkanih tkanina. Materijal netkane tkanine proučavan u ovom članku izravno se koristi za proizvodnju maski. Nakon analize odabranih uzoraka s nedostacima, utvrđeno je da je udio nedostataka stranih predmeta, poput insekata i kose, najveći. Postojanje ovog nedostatka izravno dovodi do loše kvalitete sljedećih proizvoda, a neispravni proizvodi također su strogo zabranjeni za ulazak na tržište. Stoga proizvođači moraju ukloniti neke od tih nedostataka, inače će uzrokovati ogromne ekonomske gubitke.

Trenutno većina velikih tvrtki u industriji koristi uvoznu opremu za vizualni pregled za otkrivanje nedostataka. Iako su rezultati dobri, ta je oprema obično skupa u pogledu troškova i održavanja te nije prikladna za mala poduzeća i radionice. Većina malih tvrtki u Kini još uvijek koristi tradicionalni ručni vizualni pregled za provjeru nedostataka. Ova metoda je relativno jednostavna, ali zahtijeva dulju obuku radnika, nisku učinkovitost i točnost otkrivanja te troši puno ljudskih resursa, što je značajan trošak za upravljanje poduzećem. Posljednjih godina područje otkrivanja nedostataka brzo se razvilo, a vlasnici poduzeća postupno koriste nove tehnologije kako bi zamijenili tradicionalne ručne metode vizualnog pregleda.

Iz perspektive trendova razvoja industrije, projektiranje uređaja za automatsko otkrivanje koji može automatski dobivati ​​i analizirati slike nedostataka u proizvodnom procesu netkanih tkanina nužno je sredstvo za promicanje razvoja proizvodnje, osiguranje kvalitete proizvoda i smanjenje troškova rada. Od 1980-ih mnogi inženjeri pokušavaju koristiti relevantno znanje računalnog vida za otkrivanje nedostataka netkanih tkanina. Neke studije koristile su metode analize teksture za karakterizaciju nedostataka i postizanje otkrivanja nedostataka, dok su druge koristile operatore za otkrivanje rubova kako bi prvo odredile konturu nedostatka i postavile razumne pragove na temelju statističkih informacija o nedostacima u sivoj skali kako bi se postiglo otkrivanje nedostataka. Postoje i studije koje koriste metode spektralne analize za otkrivanje nedostataka na temelju visoke periodičnosti teksture tkanina.

Gore navedene metode postigle su određene rezultate primjene u problemima otkrivanja nedostataka, ali i dalje postoje određena ograničenja: prvo, oblik i veličina nedostataka u stvarnim proizvodnim okruženjima variraju. Algoritmi za otkrivanje nedostataka temeljeni na strojnom učenju i statističkim informacijama zahtijevaju postavljanje pragova na temelju prethodnog znanja, što ne može biti učinkovito za sve nedostatke, što rezultira nedovoljnom robusnošću ove metode. Drugo, tradicionalne metode računalnog vida obično se sporo izvršavaju i ne mogu učinkovito zadovoljiti zahtjeve proizvodnje u stvarnom vremenu. Od 1980-ih, područje istraživanja strojnog učenja brzo se razvijalo, a primjena relevantnog znanja potaknula je razvoj mnogih industrija. Mnoge istraživačke teme pokazale su da je primjena algoritama strojnog učenja poput BP neuronske mreže i SVM-a u otkrivanju nedostataka tkanine učinkovita. Ove metode osiguravaju visoku točnost otkrivanja i određeni stupanj robusnosti, a nije ih teško otkriti pažljivom analizom procesa treniranja strojnog učenja. Performanse ove vrste algoritma uglavnom ovise o odabiru ručnih značajki nedostataka. Ako ručne značajke nisu dovoljno potpune ili diskriminativne, performanse modela također će biti loše.

S kontinuiranim poboljšanjem računalne snage računala i brzim razvojem teorije dubokog učenja posljednjih godina, sve više ljudi počelo je primjenjivati ​​duboko učenje za otkrivanje nedostataka u tkaninama. Duboko učenje može učinkovito izbjeći nepotpunost ručno dizajniranih značajki i ima visoku točnost otkrivanja. Na temelju ovog razmatranja, ovaj članak koristi računalni vid i znanje vezano uz duboko učenje za dizajniranje sustava za automatsko otkrivanje nedostataka u netkanim tkaninama, koji učinkovito poboljšava točnost otkrivanja nedostataka i ima dobru robusnost.