Technologie voor het detecteren van defecten in niet-geweven stoffen

Non-woven stoffen worden al sinds jaar en dag veel gebruikt als grondstof voor medische wegwerpartikelen zoals chirurgische maskers, verpleegkundige mutsen en chirurgische mutsen. De kwaliteit van medische wegwerpartikelen hangt voornamelijk af van de kwaliteit van de non-woven stoffen. Omdat het productie- en transportproces van non-woven stoffen geen absolute zuiverheid van de omgeving kan garanderen en ze zelf een sterk elektrostatisch adsorptievermogen hebben, adsorberen ze vaak kleine onzuiverheden in de lucht. Daardoor kunnen er in zeer weinig gebieden van non-woven stoffen vreemde voorwerpen voorkomen. Het non-woven materiaal dat in dit artikel wordt bestudeerd, wordt direct gebruikt voor de productie van maskers. Na analyse van de geselecteerde monsters met defecten bleek het aandeel vreemde voorwerpen, zoals insecten en haar, het hoogst te zijn. Het bestaan ​​van dit defect leidt direct tot een ondermaatse kwaliteit van de vervolgproducten en defecte producten mogen ook niet op de markt komen. Fabrikanten moeten daarom een ​​aantal van deze defecten verwijderen, anders leidt dit tot enorme economische verliezen.

Momenteel gebruiken de meeste grote bedrijven in de industrie geïmporteerde visuele inspectieapparatuur voor het detecteren van defecten. Hoewel de resultaten goed zijn, zijn deze apparatuur vaak duur in kosten en onderhoud en niet geschikt voor kleine bedrijven en werkplaatsen. De meeste kleine bedrijven in China gebruiken nog steeds traditionele handmatige visuele inspectie voor het screenen van defecten. Deze methode is relatief eenvoudig, maar vereist een langere training van werknemers, een lage detectie-efficiëntie en -nauwkeurigheid en verspilt veel personeel, wat een aanzienlijke kostenpost is voor het management van bedrijven. De afgelopen jaren heeft het vakgebied defectdetectie zich snel ontwikkeld en gebruiken bedrijfseigenaren geleidelijk nieuwe technologieën ter vervanging van traditionele handmatige visuele inspectiemethoden.

Vanuit het perspectief van industriële ontwikkelingstrends is het ontwerpen van een automatisch detectieapparaat dat automatisch defectbeelden kan verkrijgen en analyseren in het productieproces van non-woven stoffen een noodzakelijk middel om de productieontwikkeling te bevorderen, de productkwaliteit te waarborgen en arbeidskosten te verlagen. Sinds de jaren 80 hebben veel ingenieurs geprobeerd de relevante kennis van computer vision te gebruiken voor defectdetectie in non-woven stoffen. Sommige studies hebben textuuranalysemethoden gebruikt om defecten te karakteriseren en defectdetectie te bereiken, terwijl andere randdetectie-operatoren hebben gebruikt om eerst de defectcontour te bepalen en redelijke drempelwaarden in te stellen op basis van statistische informatie over grijstinten van defecten om defectdetectie te bereiken. Er zijn ook studies die spectrale analysemethoden gebruiken om defecten te detecteren op basis van de hoge textuurperiodiciteit van stoffen.

De bovenstaande methoden hebben bepaalde resultaten opgeleverd bij de toepassing van defectdetectieproblemen, maar er zijn nog steeds bepaalde beperkingen: ten eerste variëren de vorm en grootte van defecten in daadwerkelijke productieomgevingen. Defectdetectiealgoritmen op basis van machine learning en statistische informatie vereisen het instellen van drempelwaarden op basis van voorkennis, wat niet voor alle defecten effectief kan zijn, wat resulteert in onvoldoende robuustheid van deze methode. Ten tweede zijn traditionele computer vision-methoden meestal traag in uitvoering en kunnen ze niet effectief voldoen aan de realtime-vereisten van de productie. Sinds de jaren 80 heeft het onderzoek naar machine learning zich snel ontwikkeld en de toepassing van relevante kennis heeft de ontwikkeling van vele industrieën gestimuleerd. Veel onderzoeksonderwerpen hebben aangetoond dat de toepassing van machine learning-algoritmen, zoals het BP-neurale netwerk en SVM, bij de detectie van textieldefecten effectief is. Deze methoden garanderen een hoge detectienauwkeurigheid en een zekere mate van robuustheid, en het is niet moeilijk om door middel van zorgvuldige analyse van het trainingsproces van machine learning te ontdekken dat de prestaties van dit type algoritme voornamelijk afhangen van de selectie van handmatige defectkenmerken. Als de handmatige kenmerken niet volledig of onderscheidend genoeg zijn, zullen de prestaties van het model ook slecht zijn.

Met de voortdurende verbetering van computerrekenkracht en de snelle ontwikkeling van deep learning-theorieën in de afgelopen jaren, zijn steeds meer mensen deep learning gaan toepassen op het detecteren van textieldefecten. Deep learning kan effectief de onvolledigheid van handmatig ontworpen features voorkomen en heeft een hoge detectienauwkeurigheid. Op basis hiervan gebruikt dit artikel kennis op het gebied van computer vision en deep learning om een ​​automatisch detectiesysteem voor non-woven textieldefecten te ontwerpen dat de detectienauwkeurigheid van defecten effectief verbetert en een goede robuustheid heeft.