Teknologi for deteksjon av feil i ikke-vevd stoff

Ikke-vevde stoffer har alltid vært mye brukt som råmateriale for medisinske engangsartikler som kirurgiske masker, sykepleierhatter og kirurgiske luer i produksjonen. Kvaliteten på medisinske engangsartikler avhenger hovedsakelig av kvaliteten på ikke-vevde stoffer. Fordi produksjons- og transportprosessen av ikke-vevde stoffer ikke kan garantere absolutt renhet i miljøet, og de selv har sterk elektrostatisk adsorpsjonsevne, absorberer de ofte små urenheter i luften. Derfor kan fremmedlegemer finnes i svært få områder av ikke-vevde stoffer. Ikke-vevde stoffmaterialer som studeres i denne artikkelen brukes direkte til produksjon av masker. Etter å ha analysert de utvalgte defektprøvene, ble det funnet at andelen defekter i fremmedlegemer, som insekter og hår, er den høyeste. Eksistensen av denne defekten fører direkte til undermålskvalitet på etterfølgende produkter, og defekte produkter er også strengt forbudt å komme inn på markedet. Derfor må produsenter fjerne noen av disse defektene, ellers vil det føre til store økonomiske tap.

For tiden bruker de fleste store selskapene i bransjen importert visuelt inspeksjonsutstyr for feilsøking. Selv om resultatene er gode, er dette utstyret vanligvis dyrt i kostnad og vedlikehold, og er ikke egnet for små bedrifter og verksteder å bruke. De fleste små selskaper i Kina bruker fortsatt tradisjonell manuell visuell inspeksjon for feilsøking. Denne metoden er relativt enkel, men krever lengre opplæring av arbeidere, lav deteksjonseffektivitet og nøyaktighet, og sløser med mye menneskelige ressurser, noe som er en betydelig utgift for bedriftsledelsen. I de senere årene har feltet feilsøking utviklet seg raskt, og bedriftseiere bruker gradvis ny teknologi for å erstatte tradisjonelle manuelle visuelle inspeksjonsmetoder.

Fra et perspektiv på trender i bransjens utvikling er det nødvendig å designe en automatisk deteksjonsenhet som automatisk kan innhente og analysere feilbilder i produksjonsprosessen av ikke-vevde stoffer for å fremme produksjonsutvikling, sikre produktkvalitet og redusere lønnskostnader. Siden 1980-tallet har mange ingeniører forsøkt å bruke relevant kunnskap om datasyn for feildeteksjon av ikke-vevde stoffer. Noen studier har brukt teksturanalysemetoder for å karakterisere feil og oppnå feildeteksjon, mens andre har brukt kantdeteksjonsoperatorer for først å bestemme feilkonturen og sette rimelige terskler basert på statistisk informasjon om feil i gråtoner for å oppnå feildeteksjon. Det finnes også studier som bruker spektrale analysemetoder for å oppdage feil basert på tekstilers høye teksturperiodisitet.

Metodene ovenfor har oppnådd visse anvendelsesresultater i forbindelse med problemer med feildeteksjon, men det er fortsatt visse begrensninger: for det første varierer formen og størrelsen på feil i faktiske produksjonsmiljøer. Feildeteksjonsalgoritmer basert på maskinlæring og statistisk informasjon krever at man setter terskler basert på forkunnskap, noe som ikke kan være effektivt for alle feil, noe som resulterer i utilstrekkelig robusthet for denne metoden. For det andre er tradisjonelle datasynsmetoder vanligvis trege å utføre og kan ikke effektivt oppfylle produksjonens sanntidskrav. Siden 1980-tallet har forskningsfeltet for maskinlæring utviklet seg raskt, og anvendelsen av relevant kunnskap har drevet utviklingen av mange bransjer. Mange forskningsemner har vist at anvendelsen av maskinlæringsalgoritmer som BP nevrale nettverk og SVM i tekstilfeildeteksjon er effektiv. Disse metodene sikrer høy deteksjonsnøyaktighet og en viss grad av robusthet, og det er ikke vanskelig å oppdage gjennom nøye analyse av treningsprosessen for maskinlæring. Ytelsen til denne typen algoritme avhenger hovedsakelig av valget av manuelle feilfunksjoner. Hvis de manuelle funksjonene ikke er fullstendige eller diskriminerende nok, vil modellens ytelse også være dårlig.

Med den kontinuerlige forbedringen av datakraften til datamaskiner og den raske utviklingen av dyp læringsteori de siste årene, har flere og flere begynt å bruke dyp læring til å oppdage defekter i stoff. Dyp læring kan effektivt unngå ufullstendigheter i manuelt designede funksjoner og har høy deteksjonsnøyaktighet. Basert på denne betraktningen bruker denne artikkelen datasyn og dyp læringsrelatert kunnskap for å designe et automatisk deteksjonssystem for defekter i ikke-vevde stoffer, som effektivt forbedrer deteksjonsnøyaktigheten av defekter og har god robusthet.