Teknologi deteksi cacat kain non woven

Kain non-woven selalu banyak digunakan sebagai bahan baku untuk bahan habis pakai medis sekali pakai seperti masker bedah, topi perawat, dan topi bedah dalam produksi. Kualitas bahan habis pakai medis sekali pakai terutama tergantung pada kualitas kain non-woven. Karena fakta bahwa proses produksi dan transportasi kain non-woven tidak dapat menjamin kemurnian mutlak lingkungan, dan mereka sendiri memiliki kemampuan adsorpsi elektrostatik yang kuat, mereka sering menyerap kotoran kecil di udara. Oleh karena itu, benda asing mungkin ada di sangat sedikit area kain non-woven. Bahan kain non-woven yang dipelajari dalam artikel ini langsung digunakan untuk produksi masker, Setelah menganalisis sampel cacat yang dipilih, ditemukan bahwa proporsi cacat benda asing, seperti serangga dan rambut, adalah yang tertinggi. Adanya cacat ini secara langsung menyebabkan kualitas produk berikutnya di bawah standar, dan produk cacat juga dilarang keras memasuki pasar. Oleh karena itu, produsen perlu menghilangkan beberapa cacat ini, jika tidak maka akan menyebabkan kerugian ekonomi yang besar.

Saat ini, sebagian besar perusahaan besar di industri ini menggunakan peralatan inspeksi visual impor untuk mendeteksi cacat. Meskipun hasilnya bagus, peralatan ini biasanya mahal dalam hal biaya dan perawatan, serta kurang cocok untuk digunakan oleh perusahaan kecil dan bengkel. Sebagian besar perusahaan kecil di Tiongkok masih menggunakan inspeksi visual manual tradisional untuk penyaringan cacat. Metode ini relatif sederhana, tetapi membutuhkan pelatihan pekerja yang lebih lama, efisiensi dan akurasi deteksi yang rendah, serta pemborosan sumber daya manusia yang signifikan, yang merupakan biaya signifikan bagi manajemen perusahaan. Dalam beberapa tahun terakhir, bidang deteksi cacat telah berkembang pesat, dan para pemilik bisnis secara bertahap menggunakan teknologi baru untuk menggantikan metode inspeksi visual manual tradisional.

Dari perspektif tren perkembangan industri, merancang perangkat deteksi otomatis yang dapat secara otomatis memperoleh dan menganalisis gambar cacat dalam proses produksi kain non-woven merupakan cara yang diperlukan untuk mempromosikan pengembangan produksi, memastikan kualitas produk, dan mengurangi biaya tenaga kerja. Sejak tahun 1980-an, banyak insinyur telah berupaya menggunakan pengetahuan yang relevan tentang visi komputer untuk deteksi cacat kain non-woven. Beberapa penelitian telah menggunakan metode analisis tekstur untuk mengkarakterisasi cacat dan mencapai deteksi cacat, sementara yang lain telah menggunakan operator deteksi tepi untuk terlebih dahulu menentukan kontur cacat dan menetapkan ambang batas yang wajar berdasarkan informasi statistik skala abu-abu cacat untuk mencapai deteksi cacat, Ada juga penelitian yang menggunakan metode analisis spektral untuk mendeteksi cacat berdasarkan periodisitas tekstur kain yang tinggi.

Metode-metode di atas telah mencapai hasil aplikasi tertentu dalam masalah deteksi cacat, tetapi masih terdapat beberapa keterbatasan: pertama, bentuk dan ukuran cacat dalam lingkungan produksi aktual bervariasi. Algoritma deteksi cacat berbasis pembelajaran mesin dan informasi statistik memerlukan pengaturan ambang batas berdasarkan pengetahuan sebelumnya, yang tidak dapat efektif untuk semua cacat, sehingga menghasilkan ketahanan metode ini yang tidak memadai. Kedua, metode visi komputer tradisional biasanya lambat dieksekusi dan tidak dapat secara efektif memenuhi persyaratan produksi waktu nyata. Sejak tahun 1980-an, bidang penelitian pembelajaran mesin telah berkembang pesat, dan penerapan pengetahuan yang relevan telah mendorong perkembangan banyak industri. Banyak topik penelitian telah menunjukkan bahwa penerapan algoritma pembelajaran mesin seperti jaringan saraf BP dan SVM dalam deteksi cacat kain efektif. Metode-metode ini memastikan akurasi deteksi yang tinggi dan tingkat ketahanan tertentu, dan tidak sulit untuk menemukannya melalui analisis yang cermat terhadap proses pelatihan pembelajaran mesin. Kinerja algoritma jenis ini terutama bergantung pada pemilihan fitur manual cacat. Jika fitur manual tidak lengkap atau cukup diskriminatif, kinerja model juga akan buruk.

Dengan peningkatan daya komputasi komputer yang berkelanjutan dan perkembangan pesat teori pembelajaran mendalam dalam beberapa tahun terakhir, semakin banyak orang mulai menerapkan pembelajaran mendalam untuk deteksi cacat kain. Pembelajaran mendalam dapat secara efektif menghindari ketidaklengkapan fitur yang dirancang secara manual dan memiliki akurasi deteksi yang tinggi. Berdasarkan pertimbangan ini, artikel ini menggunakan pengetahuan terkait visi komputer dan pembelajaran mendalam untuk merancang sistem deteksi otomatis cacat kain non-woven, yang secara efektif meningkatkan akurasi deteksi cacat dan memiliki ketahanan yang baik.