Technologie fir d'Detektioun vu Feeler an Net-Geweben-Stoff

Vliesstoffer goufen ëmmer wäit verbreet als Rohmaterial fir medizinesch Verbrauchsmaterialien fir ewechzegeheien, wéi chirurgesch Masken, Infirmièremützen a chirurgesch Kappen, an der Produktioun benotzt. D'Qualitéit vun de medizinesche Verbrauchsmaterialien fir ewechzegeheien hänkt haaptsächlech vun der Qualitéit vun de Vliesstoffer of. Well de Produktiouns- a Transportprozess vun de Vliesstoffer keng absolut Rengheet vun der Ëmwelt garantéiere kann, a si selwer eng staark elektrostatesch Adsorptiounsfäegkeet hunn, adsorbéiere si dacks kleng Ongereinheeten an der Loft. Dofir kënnen a ganz wéinege Beräicher vu Vliesstoffer Friemkierper präsent sinn. Dat Vliesmaterial, dat an dësem Artikel ënnersicht gëtt, gëtt direkt fir d'Produktioun vu Masken benotzt. Nodeems déi ausgewielte Defektprouwen analyséiert goufen, gouf festgestallt, datt den Undeel u Friemkierperdefekter, wéi Insekten an Hoer, am héchsten ass. D'Existenz vun dësem Defekt féiert direkt zu enger ënnerduerchschnëttlecher Qualitéit vun de spéidere Produkter, an et ass och streng verbueden, datt defekt Produkter um Maart kommen. Dofir mussen d'Produzenten e puer vun dëse Mängel ewechhuelen, soss féiert dat zu groussen ekonomesche Verloschter.

Aktuell benotzen déi meescht grouss Firmen an der Branche importéiert visuell Inspektiounsausrüstung fir d'Detektioun vu Feeler. Och wann d'Resultater gutt sinn, si dës Ausrüstung normalerweis deier a punkto Käschten an Ënnerhalt a sinn net fir kleng Betriber a Werkstatte gëeegent. Déi meescht kleng Firmen a China benotzen nach ëmmer traditionell manuell visuell Inspektioun fir d'Screening vu Feeler. Dës Method ass relativ einfach, erfuerdert awer eng méi laang Ausbildung vun de Mataarbechter, huet eng niddreg Detektiounseffizienz a Genauegkeet a verschwendt vill mënschlech Ressourcen, wat eng bedeitend Ausgab fir d'Gestioun vun der Entreprise ass. An de leschte Joren huet sech de Beräich vun der Detektioun vu Feeler séier entwéckelt, an d'Geschäftsbesëtzer benotzen no an no nei Technologien fir déi traditionell manuell visuell Inspektiounsmethoden z'ersetzen.

Aus der Perspektiv vun den Entwécklungstrends an der Industrie ass den Design vun engem automateschen Detektiounsapparat, deen automatesch Defektbiller am Produktiounsprozess vu Vliesstoffer kritt a analyséiere kann, e néidegt Mëttel fir d'Produktiounsentwécklung ze fërderen, d'Produktqualitéit ze garantéieren an d'Aarbechtskäschten ze reduzéieren. Zënter den 1980er Joren hunn vill Ingenieuren probéiert, dat relevant Wëssen iwwer Computervisioun fir d'Defektdetektioun vu Vliesstoffer ze benotzen. E puer Studien hunn Texturanalysemethoden benotzt fir Defekter ze charakteriséieren an Defektdetektioun z'erreechen, anerer hunn Kantendetektiounsoperatoren benotzt fir als éischt d'Defektkontur ze bestëmmen a raisonnabel Schwellen op Basis vun de statisteschen Defekt-Graustufeninformatiounen festzeleeën, fir Defektdetektioun z'erreechen. Et gëtt och Studien, déi Spektralanalysemethoden benotzen fir Defekter op Basis vun der héijer Texturperiodizitéit vu Stoffer z'entdecken.

Déi uewe genannte Methoden hunn zwar bestëmmt Uwendungsresultater bei Defektdetektiounsproblemer erreecht, awer et gëtt nach ëmmer bestëmmt Aschränkungen: éischtens variéieren d'Form a Gréisst vun de Defekter an tatsächlechen Produktiounsëmfeld. Defektdetektiounsalgorithmen, déi op maschinellt Léieren a statisteschen Informatiounen baséieren, erfuerderen d'Festleeë vu Schwellen op Basis vu Virwëssen, déi net fir all Defekter effektiv sinn, wat zu enger net genuch Robustheet vun dëser Method féiert. Zweetens sinn traditionell Computervisiounsmethoden normalerweis lues auszeféieren a kënnen d'Echtzäitufuerderunge vun der Produktioun net effektiv erfëllen. Zënter den 1980er Joren huet sech de Beräich vun der Maschinellt Léieren-Fuerschung séier entwéckelt, an d'Uwendung vu relevante Wëssen huet d'Entwécklung vu ville Branchen ugedriwwen. Vill Fuerschungsthemen hunn gewisen, datt d'Uwendung vu Maschinellt Léieren-Algorithmen wéi BP-Neuralen Netzwierk an SVM bei der Detektioun vu Stoffdefekter effektiv ass. Dës Methoden garantéieren eng héich Detektiounsgenauegkeet an e gewësse Grad u Robustheet, an et ass net schwéier, et duerch eng virsiichteg Analyse vum Trainingsprozess vum Maschinellt Léieren z'entdecken. D'Performance vun dëser Zort Algorithmus hänkt haaptsächlech vun der Auswiel vun de manuelle Defektfeatures of. Wann déi manuell Features net komplett oder diskriminativ genuch sinn, wäert d'Performance vum Modell och schlecht sinn.

Mat der kontinuéierlecher Verbesserung vun der Rechenleistung vun de Computeren an der staarker Entwécklung vun der Deep-Learning-Theorie an de leschte Joren hunn ëmmer méi Leit ugefaang Deep Learning fir d'Detektioun vu Stoffdefekter anzewenden. Deep Learning kann effektiv d'Onvollstännegkeet vun manuell entwéckelte Funktiounen vermeiden an huet eng héich Detektiounsgenauegkeet. Baséierend op dëser Iwwerleeung benotzt dësen Artikel Computervisioun a Wëssen am Zesummenhang mat Deep-Learning fir en automatescht Detektiounssystem fir Defekter an Net-Geweben-Stoff ze designen, wat d'Detektiounsgenauegkeet vu Defekter effektiv verbessert a gutt Robustheet huet.