უქსოვი ქსოვილის დეფექტების აღმოჩენის ტექნოლოგია

უქსოვი ქსოვილები ყოველთვის ფართოდ გამოიყენებოდა ნედლეულად ერთჯერადი სამედიცინო სახარჯი მასალებისთვის, როგორიცაა ქირურგიული ნიღბები, ექთნის ქუდები და ქირურგიული ქუდები წარმოებაში. ერთჯერადი სამედიცინო სახარჯი მასალების ხარისხი ძირითადად დამოკიდებულია უქსოვი ქსოვილების ხარისხზე. იმის გამო, რომ უქსოვი ქსოვილების წარმოებისა და ტრანსპორტირების პროცესი ვერ უზრუნველყოფს გარემოს აბსოლუტურ სისუფთავეს და თავად მათ აქვთ ძლიერი ელექტროსტატიკური ადსორბციული უნარი, ისინი ხშირად შთანთქავენ ჰაერში არსებულ მცირე მინარევებს. ამიტომ, უცხო საგნები შეიძლება არსებობდეს უქსოვი ქსოვილების ძალიან მცირე ნაწილში. ამ სტატიაში შესწავლილი უქსოვი ქსოვილის მასალა პირდაპირ გამოიყენება ნიღბების წარმოებისთვის. შერჩეული დეფექტური ნიმუშების ანალიზის შემდეგ დადგინდა, რომ უცხო საგნების დეფექტების, როგორიცაა მწერები და თმა, პროპორცია ყველაზე მაღალია. ამ დეფექტის არსებობა პირდაპირ იწვევს შემდგომი პროდუქციის უხარისხო ხარისხს და დეფექტური პროდუქციის ბაზარზე შესვლაც მკაცრად აკრძალულია. ამიტომ, მწარმოებლებმა უნდა აღმოფხვრან ამ დეფექტების ნაწილი, წინააღმდეგ შემთხვევაში ეს გამოიწვევს უზარმაზარ ეკონომიკურ ზარალს.

ამჟამად, ინდუსტრიის მსხვილი კომპანიების უმეტესობა დეფექტების გამოსავლენად იმპორტირებულ ვიზუალური შემოწმების აღჭურვილობას იყენებს. მიუხედავად იმისა, რომ შედეგები კარგია, ეს აღჭურვილობა, როგორც წესი, ძვირია ფასისა და მოვლა-პატრონობის თვალსაზრისით და არ არის შესაფერისი მცირე საწარმოებისა და სახელოსნოებისთვის. ჩინეთში არსებული მცირე კომპანიების უმეტესობა დეფექტების შესამოწმებლად კვლავ ტრადიციულ ხელით ვიზუალურ შემოწმებას იყენებს. ეს მეთოდი შედარებით მარტივია, მაგრამ მოითხოვს მუშაკთა უფრო ხანგრძლივ მომზადებას, დაბალი გამოვლენის ეფექტურობასა და სიზუსტეს და დიდ ადამიანურ რესურსებს ხარჯავს, რაც საწარმოს მენეჯმენტისთვის მნიშვნელოვან ხარჯს წარმოადგენს. ბოლო წლებში დეფექტების გამოვლენის სფერო სწრაფად განვითარდა და ბიზნესის მფლობელები თანდათან იყენებენ ახალ ტექნოლოგიებს ტრადიციული ხელით ვიზუალური შემოწმების მეთოდების ჩასანაცვლებლად.

ინდუსტრიის განვითარების ტენდენციების პერსპექტივიდან გამომდინარე, ავტომატური აღმოჩენის მოწყობილობის დიზაინი, რომელსაც შეუძლია ავტომატურად მიიღოს და გააანალიზოს დეფექტების სურათები უქსოვი ქსოვილების წარმოების პროცესში, აუცილებელი საშუალებაა წარმოების განვითარების ხელშეწყობის, პროდუქტის ხარისხის უზრუნველყოფისა და შრომის ხარჯების შემცირებისთვის. 1980-იანი წლებიდან მოყოლებული, ბევრმა ინჟინერმა სცადა კომპიუტერული ხედვის შესაბამისი ცოდნის გამოყენება უქსოვი ქსოვილების დეფექტების აღმოსაჩენად. ზოგიერთ კვლევაში გამოყენებულია ტექსტურის ანალიზის მეთოდები დეფექტების დასახასიათებლად და დეფექტების აღმოჩენის მისაღწევად, ზოგი კი იყენებს კიდეების აღმოჩენის ოპერატორებს დეფექტის კონტურის დასადგენად და გონივრული ზღვრების დასადგენად დეფექტების ნაცრისფერი ტონების სტატისტიკური ინფორმაციის საფუძველზე დეფექტების აღმოჩენის მისაღწევად. ასევე არსებობს კვლევები, რომლებიც იყენებენ სპექტრული ანალიზის მეთოდებს ქსოვილების მაღალი ტექსტურის პერიოდულობის საფუძველზე დეფექტების აღმოსაჩენად.

ზემოთ აღნიშნულმა მეთოდებმა დეფექტების გამოვლენის პრობლემებში გარკვეული გამოყენების შედეგები მიაღწიეს, თუმცა მაინც არსებობს გარკვეული შეზღუდვები: პირველ რიგში, რეალურ წარმოების გარემოში დეფექტების ფორმა და ზომა განსხვავდება. მანქანურ სწავლებასა და სტატისტიკურ ინფორმაციაზე დაფუძნებული დეფექტების გამოვლენის ალგორითმები მოითხოვს წინარე ცოდნის საფუძველზე ზღურბლების დაწესებას, რაც არ შეიძლება იყოს ეფექტური ყველა დეფექტისთვის, რაც იწვევს ამ მეთოდის არასაკმარის მდგრადობას. მეორეც, ტრადიციული კომპიუტერული ხედვის მეთოდები, როგორც წესი, ნელა სრულდება და ვერ აკმაყოფილებს წარმოების რეალურ დროში არსებულ მოთხოვნებს. 1980-იანი წლებიდან მანქანური სწავლების კვლევის სფერო სწრაფად განვითარდა და შესაბამისი ცოდნის გამოყენებამ მრავალი ინდუსტრიის განვითარება განაპირობა. მრავალმა კვლევითმა თემამ აჩვენა, რომ მანქანური სწავლების ალგორითმების, როგორიცაა BP ნეირონული ქსელი და SVM, გამოყენება ქსოვილის დეფექტების გამოვლენაში ეფექტურია. ეს მეთოდები უზრუნველყოფს გამოვლენის მაღალ სიზუსტეს და მდგრადობის გარკვეულ ხარისხს და ამის აღმოჩენა რთული არ არის მანქანური სწავლების სასწავლო პროცესის ფრთხილად ანალიზით. ამ ტიპის ალგორითმის მუშაობა ძირითადად დამოკიდებულია დეფექტის სახელმძღვანელო მახასიათებლების შერჩევაზე. თუ სახელმძღვანელო მახასიათებლები არ არის სრულყოფილი ან საკმარისად დისკრიმინაციული, მოდელის მუშაობაც ცუდი იქნება.

ბოლო წლებში კომპიუტერული გამოთვლითი სიმძლავრის უწყვეტი გაუმჯობესებისა და ღრმა სწავლების თეორიის სწრაფი განვითარების გამო, სულ უფრო მეტი ადამიანი იყენებს ღრმა სწავლებას ქსოვილის დეფექტების აღმოსაჩენად. ღრმა სწავლებას შეუძლია ეფექტურად აიცილოს თავიდან ხელით შექმნილი მახასიათებლების არასრულყოფილება და აქვს მაღალი აღმოჩენის სიზუსტე. ამ მოსაზრების საფუძველზე, ეს სტატია იყენებს კომპიუტერულ ხედვას და ღრმა სწავლებასთან დაკავშირებულ ცოდნას ნაქსოვი ქსოვილის დეფექტების ავტომატური აღმოჩენის სისტემის შესაქმნელად, რომელიც ეფექტურად აუმჯობესებს დეფექტების აღმოჩენის სიზუსტეს და აქვს კარგი მდგრადობა.