न विणलेल्या कापडातील दोष शोधण्याचे तंत्रज्ञान

उत्पादनात सर्जिकल मास्क, नर्स हॅट्स आणि सर्जिकल कॅप्स यासारख्या डिस्पोजेबल वैद्यकीय उपभोग्य वस्तूंसाठी नॉन विणलेले कापड नेहमीच कच्चा माल म्हणून वापरले गेले आहे. डिस्पोजेबल वैद्यकीय उपभोग्य वस्तूंची गुणवत्ता प्रामुख्याने नॉन विणलेल्या कापडांच्या गुणवत्तेवर अवलंबून असते. नॉन विणलेल्या कापडांचे उत्पादन आणि वाहतूक प्रक्रिया पर्यावरणाच्या पूर्ण शुद्धतेची हमी देऊ शकत नाही आणि त्यांच्याकडे स्वतःच मजबूत इलेक्ट्रोस्टॅटिक शोषण क्षमता असते, त्यामुळे ते बहुतेकदा हवेतील लहान अशुद्धता शोषून घेतात. म्हणून, नॉन विणलेल्या कापडांच्या फार कमी भागात परदेशी वस्तू अस्तित्वात असू शकतात. या लेखात अभ्यासलेले नॉन विणलेले कापड साहित्य थेट मास्कच्या उत्पादनासाठी वापरले जाते, निवडलेल्या दोष नमुन्यांचे विश्लेषण केल्यानंतर, असे आढळून आले की कीटक आणि केस यासारख्या परदेशी वस्तू दोषांचे प्रमाण सर्वात जास्त आहे. या दोषाचे अस्तित्व थेट पुढील उत्पादनांच्या दर्जाच्या दर्जाकडे नेत असते आणि सदोष उत्पादनांना बाजारात प्रवेश करण्यास देखील सक्त मनाई आहे. म्हणून, उत्पादकांना यापैकी काही दोष दूर करणे आवश्यक आहे, अन्यथा त्यामुळे मोठे आर्थिक नुकसान होईल.

सध्या, उद्योगातील बहुतेक मोठ्या कंपन्या दोष शोधण्यासाठी आयातित व्हिज्युअल तपासणी उपकरणे वापरतात. जरी निकाल चांगले असले तरी, ही उपकरणे सहसा खर्च आणि देखभालीसाठी महाग असतात आणि लहान उद्योग आणि कार्यशाळांसाठी वापरण्यासाठी योग्य नसतात. चीनमधील बहुतेक लहान कंपन्या अजूनही दोष तपासणीसाठी पारंपारिक मॅन्युअल व्हिज्युअल तपासणी वापरतात. ही पद्धत तुलनेने सोपी आहे, परंतु त्यासाठी कामगारांना जास्त काळ प्रशिक्षण, कमी शोध कार्यक्षमता आणि अचूकता आवश्यक आहे आणि खूप मानवी संसाधने वाया जातात, जी एंटरप्राइझ व्यवस्थापनासाठी एक महत्त्वपूर्ण खर्च आहे. अलिकडच्या वर्षांत, दोष शोधण्याचे क्षेत्र वेगाने विकसित झाले आहे आणि व्यवसाय मालक हळूहळू पारंपारिक मॅन्युअल व्हिज्युअल तपासणी पद्धती बदलण्यासाठी नवीन तंत्रज्ञानाचा वापर करत आहेत.

उद्योग विकासाच्या ट्रेंडच्या दृष्टिकोनातून, नॉन-विणलेल्या कापडांच्या उत्पादन प्रक्रियेत दोष प्रतिमा स्वयंचलितपणे मिळवू आणि त्यांचे विश्लेषण करू शकणारे स्वयंचलित शोध उपकरण डिझाइन करणे हे उत्पादन विकासाला चालना देण्यासाठी, उत्पादनाची गुणवत्ता सुनिश्चित करण्यासाठी आणि कामगार खर्च कमी करण्यासाठी आवश्यक साधन आहे. १९८० पासून, अनेक अभियंत्यांनी नॉन-विणलेल्या कापडांच्या दोष शोधण्यासाठी संगणक दृष्टीच्या संबंधित ज्ञानाचा वापर करण्याचा प्रयत्न केला आहे. काही अभ्यासांनी दोषांचे वैशिष्ट्यीकरण करण्यासाठी आणि दोष शोधण्यासाठी पोत विश्लेषण पद्धती वापरल्या आहेत, तर काहींनी दोष शोधण्यासाठी प्रथम दोष समोच्च निश्चित करण्यासाठी आणि दोष ग्रेस्केल सांख्यिकीय माहितीवर आधारित वाजवी थ्रेशोल्ड सेट करण्यासाठी एज डिटेक्शन ऑपरेटरचा वापर केला आहे, असे अभ्यास देखील आहेत जे कापडांच्या उच्च पोत आवर्तनावर आधारित दोष शोधण्यासाठी वर्णक्रमीय विश्लेषण पद्धती वापरतात.

वरील पद्धतींनी दोष शोधण्याच्या समस्यांमध्ये काही विशिष्ट अनुप्रयोग परिणाम साध्य केले आहेत, परंतु तरीही काही मर्यादा आहेत: प्रथम, प्रत्यक्ष उत्पादन वातावरणात दोषांचे आकार आणि आकार बदलतात. मशीन लर्निंग आणि सांख्यिकीय माहितीवर आधारित दोष शोधण्याच्या अल्गोरिदमसाठी पूर्वीच्या ज्ञानावर आधारित थ्रेशोल्ड सेट करणे आवश्यक आहे, जे सर्व दोषांसाठी प्रभावी असू शकत नाही, परिणामी या पद्धतीची अपुरी मजबूती येते. दुसरे म्हणजे, पारंपारिक संगणक दृष्टी पद्धती सहसा अंमलात आणण्यास मंद असतात आणि उत्पादनाच्या वास्तविक-वेळ आवश्यकता प्रभावीपणे पूर्ण करू शकत नाहीत. 1980 पासून, मशीन लर्निंग संशोधनाचे क्षेत्र वेगाने विकसित झाले आहे आणि संबंधित ज्ञानाच्या वापरामुळे अनेक उद्योगांचा विकास झाला आहे. अनेक संशोधन विषयांवरून असे दिसून आले आहे की फॅब्रिक दोष शोधण्यात बीपी न्यूरल नेटवर्क आणि एसव्हीएम सारख्या मशीन लर्निंग अल्गोरिदमचा वापर प्रभावी आहे. या पद्धती उच्च शोध अचूकता आणि विशिष्ट प्रमाणात मजबूती सुनिश्चित करतात आणि मशीन लर्निंगच्या प्रशिक्षण प्रक्रियेचे काळजीपूर्वक विश्लेषण करून ते शोधणे कठीण नाही, या प्रकारच्या अल्गोरिदमची कामगिरी प्रामुख्याने दोष मॅन्युअल वैशिष्ट्यांच्या निवडीवर अवलंबून असते. जर मॅन्युअल वैशिष्ट्ये पुरेशी पूर्ण किंवा भेदभावपूर्ण नसतील, तर मॉडेलची कामगिरी देखील खराब असेल.

अलिकडच्या वर्षांत संगणक संगणन शक्तीमध्ये सतत सुधारणा आणि खोल शिक्षण सिद्धांताच्या तीव्र विकासामुळे, अधिकाधिक लोक फॅब्रिक दोष शोधण्यासाठी खोल शिक्षण लागू करण्यास सुरुवात करत आहेत. खोल शिक्षण मॅन्युअली डिझाइन केलेल्या वैशिष्ट्यांची अपूर्णता प्रभावीपणे टाळू शकते आणि उच्च शोध अचूकता आहे. या विचारावर आधारित, हा लेख संगणक दृष्टी आणि खोल शिक्षण संबंधित ज्ञानाचा वापर करून नॉन-वोव्हन फॅब्रिक दोष स्वयंचलित शोध प्रणाली डिझाइन करतो, जी दोष शोधण्याची अचूकता प्रभावीपणे सुधारते आणि चांगली मजबूती देते.