부직포 결함 검출 기술

부직포는 수술용 마스크, 간호사 모자, 수술용 캡과 같은 일회용 의료용품의 원료로 오랫동안 널리 사용되어 왔습니다. 일회용 의료용품의 품질은 주로 부직포의 품질에 달려 있습니다. 부직포의 생산 및 운송 과정에서 환경의 절대적인 청정도를 보장할 수 없고, 자체적으로 강한 정전기 흡착력을 가지고 있기 때문에 공기 중 미세한 불순물을 흡착하는 경우가 많습니다. 따라서 부직포의 극히 일부 영역에만 이물질이 존재할 수 있습니다. 본 논문에서 연구한 부직포 소재는 마스크 생산에 직접 사용됩니다. 선정된 결함 샘플을 분석한 결과, 곤충이나 머리카락과 같은 이물질 결함 비율이 가장 높은 것으로 나타났습니다. 이러한 결함의 존재는 후속 제품의 품질 저하로 직결되며, 결함이 있는 제품의 시장 진입 또한 엄격히 금지됩니다. 따라서 제조업체는 이러한 결함 중 일부를 제거해야 하며, 그렇지 않으면 막대한 경제적 손실을 초래할 것입니다.

현재 업계의 대부분 대기업들은 결함 검출을 위해 수입 시각 검사 장비를 사용하고 있습니다. 이러한 장비는 결과는 좋지만, 비용과 유지 보수 비용이 높아 소규모 기업이나 작업장에서는 사용하기에 적합하지 않습니다. 중국의 대부분의 소규모 기업들은 여전히 ​​결함 검사를 위해 전통적인 수동 시각 검사를 사용하고 있습니다. 이 방법은 비교적 간단하지만, 작업자 교육이 더 오래 걸리고 검출 효율과 정확도가 낮으며, 많은 인력을 낭비하여 기업 경영에 상당한 비용을 초래합니다. 최근 몇 년 동안 결함 검출 분야가 빠르게 발전하면서 기업주들은 점차 새로운 기술을 활용하여 기존의 수동 시각 검사 방식을 대체하고 있습니다.

산업 발전 추세의 관점에서 볼 때, 부직포 생산 공정에서 결함 이미지를 자동으로 획득하고 분석할 수 있는 자동 검출 장치를 설계하는 것은 생산 발전을 촉진하고, 제품 품질을 보장하며, 인건비를 절감하는 데 필수적인 수단입니다. 1980년대 이후 많은 엔지니어들이 컴퓨터 비전 관련 지식을 활용하여 부직포의 결함을 검출하고자 시도해 왔습니다. 일부 연구에서는 텍스처 분석 방법을 사용하여 결함을 특성화하고 결함을 검출했으며, 다른 연구에서는 에지 검출 연산자를 사용하여 결함 윤곽을 먼저 결정하고 결함 회색조 통계 정보를 기반으로 합리적인 임계값을 설정하여 결함을 검출했습니다. 또한, 직물의 높은 텍스처 주기성을 기반으로 스펙트럼 분석 방법을 사용하여 결함을 검출하는 연구도 있습니다.

위의 방법들은 결함 탐지 문제에서 특정 응용 결과를 달성했지만, 여전히 몇 가지 한계점이 있습니다. 첫째, 실제 생산 환경에서 결함의 형태와 크기는 다양합니다. 기계 학습과 통계 정보에 기반한 결함 탐지 알고리즘은 사전 지식에 기반한 임계값 설정을 필요로 하는데, 이는 모든 결함에 효과적일 수 없으므로 이 방법의 견고성이 부족합니다. 둘째, 기존의 컴퓨터 비전 방법은 일반적으로 실행 속도가 느리고 생산의 실시간 요구 사항을 효과적으로 충족할 수 없습니다. 1980년대 이후 기계 학습 연구 분야는 급속도로 발전했으며, 관련 지식의 적용은 여러 산업의 발전을 주도해 왔습니다. 많은 연구 주제에서 BP 신경망 및 SVM과 같은 기계 학습 알고리즘을 직물 결함 탐지에 적용하는 것이 효과적임을 보여주었습니다. 이러한 방법은 높은 탐지 정확도와 일정 수준의 견고성을 보장하며, 기계 학습 학습 과정에 대한 면밀한 분석을 통해 이를 발견하는 것은 어렵지 않습니다. 이러한 유형의 알고리즘의 성능은 주로 결함 수동 특징의 선택에 달려 있습니다. 수동 특징이 완전하지 않거나 충분히 판별력이 없으면 모델의 성능 또한 저하됩니다.

최근 몇 년간 컴퓨터 컴퓨팅 성능의 지속적인 향상과 딥러닝 이론의 급속한 발전으로, 점점 더 많은 사람들이 직물 결함 탐지에 딥러닝을 적용하기 시작했습니다. 딥러닝은 수동으로 설계된 특징의 불완전성을 효과적으로 방지하고 높은 탐지 정확도를 제공합니다. 이러한 점을 고려하여 본 논문에서는 컴퓨터 비전과 딥러닝 관련 지식을 활용하여 부직포 결함 자동 탐지 시스템을 설계했습니다. 이 시스템은 결함 탐지 정확도를 효과적으로 향상시키고 강건성을 확보했습니다.