不織布欠陥検出技術

不織布は、サージカルマスク、ナースハット、サージカルキャップなどの使い捨て医療消耗品の原料として、長年にわたり広く生産に利用されてきました。使い捨て医療消耗品の品質は、主に不織布の品質に大きく依存します。不織布の製造・輸送工程では、環境の絶対的な清浄度を保証することができず、また不織布自体が強い静電吸着能力を持つため、空気中の微細な不純物を吸着してしまうことがよくあります。そのため、不織布のごく一部の領域に異物が存在する可能性があります。本稿で検討した不織布素材は、マスクの製造に直接使用され、選別された欠陥サンプルを分析した結果、虫や髪の毛などの異物欠陥の割合が最も高いことが分かりました。この欠陥の存在は、その後の製品の品質低下に直結し、不良品の市場投入も厳しく禁じられています。そのため、メーカーはこれらの欠陥の一部を除去する必要があり、そうでなければ莫大な経済的損失を招くことになります。

現在、業界の大企業の多くは、欠陥検査に輸入目視検査装置を使用しています。検査結果は良好ですが、これらの装置は通常、コストとメンテナンス費用が高く、中小企業や作業場には適していません。中国の中小企業の多くは、欠陥検査に依然として従来の手作業による目視検査を使用しています。この方法は比較的シンプルですが、作業員の研修に時間がかかり、検出効率と精度が低く、多くの人的資源を浪費するため、企業経営にとって大きな負担となっています。近年、欠陥検査分野は急速に発展しており、企業経営者は徐々に新しい技術を導入し、従来の手作業による目視検査方法に取って代わっています。

業界の発展動向から見ると、不織布の製造工程における欠陥画像を自動的に取得・分析できる自動検出装置の設計は、生産発展の促進、製品品質の確保、人件費の削減に必要な手段である。1980年代以降、多くのエンジニアがコンピュータービジョンの関連知識を活用して不織布の欠陥検出に取り組んだ。テクスチャ解析法を用いて欠陥の特徴づけを行い欠陥検出を実現する研究もあれば、エッジ検出演算子を用いてまず欠陥の輪郭を決定し、欠陥のグレースケール統計情報に基づいて適切な閾値を設定して欠陥検出を実現する研究もある。また、布地の高いテクスチャ周期性に基づいてスペクトル解析法を用いて欠陥を検出する研究もある。

上記の手法は欠陥検出問題において一定の応用成果を上げていますが、依然として一定の限界があります。第一に、実際の生産環境における欠陥の形状や大きさは様々です。機械学習と統計情報に基づく欠陥検出アルゴリズムは、事前知識に基づいて閾値を設定する必要があり、すべての欠陥に対して有効とは限らず、この手法の堅牢性が不十分です。第二に、従来のコンピュータービジョン手法は実行速度が遅く、生産現場のリアルタイム要件を効果的に満たすことができません。1980年代以降、機械学習研究分野は急速に発展し、関連知識の応用は多くの産業の発展を牽引してきました。多くの研究テーマにおいて、BPニューラルネットワークやSVMなどの機械学習アルゴリズムを織物欠陥検出に適用することが効果的であることが示されています。これらの手法は高い検出精度とある程度の堅牢性を確保し、機械学習の学習プロセスを綿密に分析することで容易に発見できます。このタイプのアルゴリズムの性能は、主に欠陥の手動特徴の選択に依存します。手動特徴が不完全であったり、識別力が不十分だったりすると、モデルの性能も低下します。

近年、コンピュータの計算能力の継続的な向上と深層学習理論の急速な発展に伴い、ますます多くの人々が布地の欠陥検出に深層学習を適用し始めています。深層学習は、手動で設計された特徴の不完全性を効果的に回避し、高い検出精度を実現します。このような考察に基づき、本稿では、コンピュータビジョンと深層学習に関する知識を活用し、不織布の欠陥自動検出システムを設計しました。このシステムは、欠陥の検出精度を効果的に向上させ、優れた堅牢性を備えています。