Tecnologia di rilevamento dei difetti dei tessuti non tessuti

I tessuti non tessuti sono sempre stati ampiamente utilizzati come materie prime per la produzione di materiali di consumo medicali monouso come mascherine chirurgiche, cappelli per infermieri e cuffie chirurgiche. La qualità dei materiali di consumo medicali monouso dipende principalmente dalla qualità dei tessuti non tessuti. Poiché il processo di produzione e trasporto dei tessuti non tessuti non può garantire la purezza assoluta dell'ambiente e i tessuti stessi hanno una forte capacità di assorbimento elettrostatico, spesso assorbono piccole impurità presenti nell'aria. Pertanto, corpi estranei possono essere presenti in pochissime aree dei tessuti non tessuti. Il materiale in tessuto non tessuto studiato in questo articolo viene utilizzato direttamente per la produzione di mascherine. Dopo aver analizzato i campioni di difetti selezionati, si è riscontrato che la percentuale di difetti dovuti a corpi estranei, come insetti e peli, è la più alta. La presenza di questi difetti comporta direttamente una qualità scadente dei prodotti successivi e, inoltre, è severamente vietato l'ingresso sul mercato di prodotti difettosi. Pertanto, i produttori devono rimuovere alcuni di questi difetti, altrimenti ciò causerà enormi perdite economiche.

Attualmente, la maggior parte delle grandi aziende del settore utilizza apparecchiature di ispezione visiva importate per il rilevamento dei difetti. Sebbene i risultati siano buoni, queste apparecchiature sono solitamente costose in termini di costi e manutenzione e non sono adatte alle piccole imprese e alle officine. La maggior parte delle piccole aziende in Cina utilizza ancora la tradizionale ispezione visiva manuale per lo screening dei difetti. Questo metodo è relativamente semplice, ma richiede una formazione più lunga da parte dei dipendenti, una bassa efficienza e precisione di rilevamento e comporta un notevole spreco di risorse umane, con un conseguente costo significativo per la gestione aziendale. Negli ultimi anni, il campo del rilevamento dei difetti si è sviluppato rapidamente e gli imprenditori stanno gradualmente utilizzando nuove tecnologie per sostituire i tradizionali metodi di ispezione visiva manuale.

Dal punto di vista delle tendenze di sviluppo del settore, la progettazione di un dispositivo di rilevamento automatico in grado di ottenere e analizzare automaticamente le immagini dei difetti nel processo di produzione di tessuti non tessuti è un mezzo necessario per promuovere lo sviluppo della produzione, garantire la qualità del prodotto e ridurre i costi di manodopera. Dagli anni '80, molti ingegneri hanno tentato di utilizzare le conoscenze rilevanti della visione artificiale per il rilevamento dei difetti nei tessuti non tessuti. Alcuni studi hanno utilizzato metodi di analisi della texture per caratterizzare i difetti e ottenere il rilevamento dei difetti, mentre altri hanno utilizzato operatori di rilevamento dei bordi per determinare innanzitutto il contorno del difetto e impostare soglie ragionevoli basate su informazioni statistiche in scala di grigi sui difetti per ottenere il rilevamento dei difetti. Esistono anche studi che utilizzano metodi di analisi spettrale per rilevare i difetti in base all'elevata periodicità della texture dei tessuti.

I metodi sopra descritti hanno ottenuto risultati applicativi significativi nei problemi di rilevamento dei difetti, ma presentano ancora alcune limitazioni: in primo luogo, la forma e le dimensioni dei difetti negli ambienti di produzione effettivi variano. Gli algoritmi di rilevamento dei difetti basati sull'apprendimento automatico e sulle informazioni statistiche richiedono l'impostazione di soglie basate su conoscenze pregresse, che non possono essere efficaci per tutti i difetti, con conseguente insufficiente robustezza di questo metodo. In secondo luogo, i metodi tradizionali di visione artificiale sono solitamente lenti da eseguire e non possono soddisfare efficacemente i requisiti di produzione in tempo reale. Dagli anni '80, il campo della ricerca sull'apprendimento automatico si è sviluppato rapidamente e l'applicazione delle conoscenze pertinenti ha guidato lo sviluppo di molti settori. Molti argomenti di ricerca hanno dimostrato l'efficacia dell'applicazione di algoritmi di apprendimento automatico come la rete neurale BP e l'SVM nel rilevamento dei difetti nei tessuti. Questi metodi garantiscono un'elevata accuratezza di rilevamento e un certo grado di robustezza, e non è difficile scoprirlo attraverso un'attenta analisi del processo di addestramento dell'apprendimento automatico. Le prestazioni di questo tipo di algoritmo dipendono principalmente dalla selezione manuale delle caratteristiche dei difetti. Se le caratteristiche manuali non sono sufficientemente complete o discriminanti, anche le prestazioni del modello saranno scarse.

Con il continuo miglioramento della potenza di calcolo dei computer e il rapido sviluppo della teoria del deep learning negli ultimi anni, sempre più persone hanno iniziato ad applicare il deep learning al rilevamento dei difetti nei tessuti. Il deep learning può efficacemente evitare l'incompletezza delle funzionalità progettate manualmente e offre un'elevata precisione di rilevamento. Sulla base di questa considerazione, questo articolo utilizza le conoscenze relative alla visione artificiale e al deep learning per progettare un sistema di rilevamento automatico dei difetti nei tessuti non tessuti, che migliora efficacemente la precisione di rilevamento dei difetti e presenta una buona robustezza.