Neausto audumu defektu noteikšanas tehnoloģija

Neaustie audumi vienmēr ir plaši izmantoti kā izejvielas vienreizlietojamiem medicīnas palīgmateriāliem, piemēram, ķirurģiskajām maskām, medmāsu cepurēm un ķirurģiskajiem vāciņiem. Vienreizlietojamo medicīnas palīgmateriālu kvalitāte galvenokārt ir atkarīga no neausto audumu kvalitātes. Tā kā neausto audumu ražošanas un transportēšanas process nevar garantēt absolūtu vides tīrību, un tiem pašiem piemīt spēcīga elektrostatiskās adsorbcijas spēja, tie bieži adsorbē nelielus piemaisījumus gaisā. Tāpēc svešķermeņi var atrasties ļoti nelielās neausto audumu vietās. Šajā rakstā pētītais neausto audumu materiāls tiek tieši izmantots masku ražošanai. Pēc atlasīto defektu paraugu analīzes tika konstatēts, ka svešķermeņu defektu, piemēram, kukaiņu un matu, īpatsvars ir visaugstākais. Šī defekta esamība tieši noved pie turpmāko produktu neatbilstošas ​​kvalitātes, un bojātu produktu nonākšana tirgū ir stingri aizliegta. Tāpēc ražotājiem ir jānovērš daži no šiem defektiem, pretējā gadījumā tas radīs milzīgus ekonomiskos zaudējumus.

Pašlaik lielākā daļa lielo nozares uzņēmumu defektu noteikšanai izmanto importētas vizuālās pārbaudes iekārtas. Lai gan rezultāti ir labi, šīs iekārtas parasti ir dārgas izmaksu un uzturēšanas ziņā, un tās nav piemērotas maziem uzņēmumiem un darbnīcām. Lielākā daļa mazo uzņēmumu Ķīnā joprojām izmanto tradicionālo manuālo vizuālo pārbaudi defektu noteikšanai. Šī metode ir salīdzinoši vienkārša, taču prasa ilgāku darbinieku apmācību, zemu noteikšanas efektivitāti un precizitāti, kā arī patērē daudz cilvēkresursu, kas ir ievērojams uzņēmuma vadības izdevums. Pēdējos gados defektu noteikšanas joma ir strauji attīstījusies, un uzņēmumu īpašnieki pakāpeniski izmanto jaunas tehnoloģijas, lai aizstātu tradicionālās manuālās vizuālās pārbaudes metodes.

No nozares attīstības tendenču viedokļa automātiskas noteikšanas ierīces izstrāde, kas var automātiski iegūt un analizēt defektu attēlus neausto audumu ražošanas procesā, ir nepieciešams līdzeklis, lai veicinātu ražošanas attīstību, nodrošinātu produktu kvalitāti un samazinātu darbaspēka izmaksas. Kopš 20. gs. astoņdesmitajiem gadiem daudzi inženieri ir mēģinājuši izmantot attiecīgās datorredzes zināšanas neausto audumu defektu noteikšanai. Dažos pētījumos ir izmantotas tekstūras analīzes metodes, lai raksturotu defektus un panāktu defektu noteikšanu, savukārt citos ir izmantoti malu noteikšanas operatori, lai vispirms noteiktu defekta kontūru un iestatītu saprātīgas robežvērtības, pamatojoties uz defektu pelēktoņu statistisko informāciju, lai panāktu defektu noteikšanu. Ir arī pētījumi, kuros, pamatojoties uz audumu augsto tekstūras periodiskumu, defektu noteikšanai tiek izmantotas spektrālās analīzes metodes.

Iepriekš minētās metodes ir sasniegušas noteiktus pielietošanas rezultātus defektu noteikšanas problēmās, taču joprojām pastāv zināmi ierobežojumi: pirmkārt, defektu forma un lielums faktiskajās ražošanas vidēs atšķiras. Defektu noteikšanas algoritmiem, kuru pamatā ir mašīnmācīšanās un statistiskā informācija, ir jānosaka robežvērtības, pamatojoties uz iepriekšējām zināšanām, kas nevar būt efektīvas visiem defektiem, kā rezultātā šī metode nav pietiekami robustīga. Otrkārt, tradicionālās datorredzes metodes parasti ir lēnas izpildē un nevar efektīvi apmierināt ražošanas reāllaika prasības. Kopš 20. gs. astoņdesmitajiem gadiem mašīnmācīšanās pētījumu joma ir strauji attīstījusies, un attiecīgo zināšanu pielietošana ir veicinājusi daudzu nozaru attīstību. Daudzi pētījumu temati ir parādījuši, ka mašīnmācīšanās algoritmu, piemēram, BP neironu tīkla un SVM, pielietošana auduma defektu noteikšanā ir efektīva. Šīs metodes nodrošina augstu noteikšanas precizitāti un zināmu robustuma pakāpi, un to nav grūti atklāt, rūpīgi analizējot mašīnmācīšanās apmācības procesu. Šāda veida algoritma veiktspēja galvenokārt ir atkarīga no defektu manuālo pazīmju izvēles. Ja manuālās pazīmes nav pilnīgas vai pietiekami diferencējošas, arī modeļa veiktspēja būs slikta.

Pēdējos gados, nepārtraukti uzlabojoties datoru skaitļošanas jaudai un strauji attīstoties dziļās mācīšanās teorijai, arvien vairāk cilvēku ir sākuši pielietot dziļo mācīšanos audumu defektu noteikšanā. Dziļā mācīšanās var efektīvi novērst manuāli izstrādātu elementu nepilnības un tai ir augsta noteikšanas precizitāte. Pamatojoties uz šo apsvērumu, šajā rakstā tiek izmantotas datorredzes un dziļās mācīšanās zināšanas, lai izstrādātu neaustu audumu defektu automātiskas noteikšanas sistēmu, kas efektīvi uzlabo defektu noteikšanas precizitāti un kurai ir laba stabilitāte.